起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識用戶畫像規劃流程和方法
編輯導語：如今在這個大數據時代，“用戶畫像”這個詞經常出現，它跟精準營銷掛鉤，可以根據一個人的興趣、地理位置等進行精確的推送，達到良好的營銷效果；本文作者分享了關于用戶畫像規劃的流程和方法，我們一起來看一下。
互聯網行業飛速的發展，帶動行業業務量激增，同時伴隨數據量的增加，互聯網各行各業慢慢形成頭部企業，2/8原則下長尾企業也越來越多；因此，在大數據量和激烈競爭下，如何更好的對產品進行營銷，如何制定價格策略，越來越重要。
那么，如何制定準確的營銷和價格，就需要我們針對不同人群，不同個體的特點進行精細化推薦，所要本章介紹了如何進行用戶畫像。
文章結構：
一、什么是用戶畫像
用戶畫像就是對用戶按照一定的規則進行統計，劃分，從而能夠指導用戶推薦，客戶分層運營，達到營銷效果。
昨天：手機APP大爆發是隨著手機硬件的發展而發展起來的，發展前期大量APP為搶占市場紛紛上線；用戶畫像只是為了指導產品設計，主要用于產品設計前夕的用戶訪談、用戶調研的前期工作，而且一般覆蓋的人群比較狹隘，精準度差，產品經理設計產品全靠感覺。
今天：行業競爭越來越大，行業產生的數據量也越來越大，各大公司開始建造自己的數據倉庫；那么如何應用數據倉庫中的數據，如何進行精細化運營，用戶畫像越來越受到重視。
明天：隨著大數據技術的成熟應用，用戶畫像標簽將越來越多，目前互聯網行業中比較成功的標簽系統是淘寶的千人千面，技術創新必將推動用戶畫像的精準度。
二、用戶畫像常用場景
用戶畫像概況可應用于一下三個場景：
- 產品設計：開發前期的產品定位設計；
- 產品營銷：指導運營對特定用戶進行推送活動信息，推廣信息，個性化推薦等。
- 產品決策：分析用戶畫像統計對產品的發展現狀和發展趨勢進行預測，及時調整產品發展路線。
按照用戶標簽的生產方式可分為：
統計標簽：現有的可以直接從數據中提取出來的標簽；包括用戶自然屬性，用戶行為統計等信息。
規則標簽：自定義規則進行標簽建模；根據業務流程提取需要統計的標簽。
算法模型標簽：根據機器學習等算法進行用戶行為預測分類；具有不確定性、開發周期長、成本高，因此系統中此類標簽數量較少。
三、用戶畫像系統搭建流程
1. 數據采集
對用戶數據進行采集，數據預處理，數據挖掘和過濾等手段得出期望的數據集。
用戶數據一般分為埋點數據和業務數據：
- 埋點數據：根據用戶的行為特征進行埋點，將得到的數據進行處理存儲；
- 業務數據：用戶的姓名、年齡、地理位置等自然屬性，同時包括用戶購買、用戶評價、用戶評論等隱形數據。
具體采集方法可以使用如下算法模型：
文本挖掘模型（TF-IDF）：處理文本類型，提取數據信息。
TF是詞頻，IDF是逆向文件頻率，TF-IDF是詞頻和逆向文件頻率的乘積。
Nij就是詞i在j文章中出現的次數，分母就是文章的總詞數。
D就是語料庫中文件總數，下面分母就是詞i出現的文檔數，然后取對數。
該算法可以直接調用python庫Sklearn進行實現，但是該算法比較單一，不考慮詞條在文章中的位置，不能準確描述詞的重要程度，一般需要結合其他其他算法或者增加權重改進。
聚類算法：聚類算法較多，如ANN神經網絡和貝葉斯等，聚類主要是針對冷啟動用戶、用戶分群營銷等目的；具體算法相對復雜，目前算法應用多使用python的各種庫如Sklearn，包括一些框架tensorflow、caffe等。
相似度模型：一般使用相似度模型進行輔助用戶分群，常用的有邏輯回歸、線性回歸、余弦相似度、皮爾森相似度等。
具體說下余弦相似度：
實例：
用戶1和用戶2通過公式計算相似度為0.945406，是不是可以解釋為兩個用戶可以劃分為同一類人，進行用戶分群（計算過程只是用于解釋算法，無其他意義）。
若已有數據倉庫，數據采集相對比較輕松，可參考文章“每日優鮮如何搭建數據倉庫？”。
2. 用戶維度分析
用戶分析具有多維度，隨時間更新的特點，包括用戶年紀、學歷、興趣、消費水平等都容易變化。
因此維度信息應該隨著用戶偏好發生變化，因此，在標簽系統中需要有新增標簽功能。
3. 維度標簽化
用戶畫像最終的實現應該是對維度進行標簽化，常用MECE法則進行標簽化，防止標簽界限不清晰。
標簽需要根據需要進行逐級拆分，例如：
4. 標簽映射，接口封裝
用戶畫像數據導入服務器中，為后續推薦系統，營銷活動服務；封裝成API可以作為數據服務的內容，對其他系統提供數據支持。
5. 用戶畫像評估
對畫像進行評估：
用戶覆蓋率：用戶畫像具體能夠覆蓋到多少用戶，有些用戶畫像可能覆蓋總用戶的50%或者80%；所以覆蓋率是用戶畫像應用的一個評價，覆蓋率越高，對后續精準營銷的策略選擇越準確。
準確率：模型的準確性，如上所述，使用算法模型導致的用戶分群錯誤或者對用戶的購買意向預測錯誤，將直接影響購買率，影響GMV。
可拓展：用戶畫像在維度刻畫應該是可擴展的。
及時性：如果用戶畫像服務到實時推薦系統中還需要用戶畫像的及時。
四、總結
用戶畫像結合大數據技術使用戶刻畫更加細致、及時，對日趨競爭激烈的互聯網浪潮起到越來越重要應用。
本文由@汪仔2296 原創發布于人人都是產品經理，未經許可，禁止轉載。
題圖來自Unsplash, 基于CC0協議
好像什么都說了，又好像什么都沒說。
說的太多太技術，說的太少內容不深刻。用戶畫像需要了解兩件事情：從技術層面講需要了解數倉的搭建，相對應技術架構；從產品層面講需要明確業務需求，構建標簽體系（增量過程）。
這兩句話總結的到位，大佬實錘。
各位大佬，若有工作機會請幫忙推薦下