用户画像数据建模方法Word文档下载推荐.docx

用户画像数据建模方法Word文档下载推荐.docx

《用户画像数据建模方法Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《用户画像数据建模方法Word文档下载推荐.docx（5页珍藏版）》请在冰豆网上搜索。

喜欢红酒的用户有多少？

喜欢红酒的人群中，男、女比例是多少？

也可以做数据挖掘工作：

利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌？

利用聚类算法分析，喜欢红酒的人年龄段分布情况？

大数据处理，离不开计算机的运算，标签提供了一种便捷的方式，使得计算机能够程序化处理与人相关的信息，甚至通过算法、模型能够“理解”人。

当计算机具备这样的能力后，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。

三、如何构建用户画像

一个标签通常是人为规定的高度精炼的特征标识，如年龄段标签：

25~35岁，地域标签：

北京，标签呈现出两个重要特征：

语义化，人能很方便地理解每个标签含义。

这也使得用户画像模型具备实际意义。

能够较好的满足业务需求。

如，判断用户偏好。

短文本，每个标签通常只表示一种含义，标签本身无需再做过多文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。

人制定标签规则，并能够通过标签快速读出其中的信息，机器方便做标签提取、聚合分析。

所以，用户画像，即：

用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。

3.1数据源分析

构建用户画像是为了还原用户信息，因此数据来源于：

所有用户相关的数据。

对于用户相关数据的分类，引入一种重要的分类思想：

封闭性的分类方式。

如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；

客户分三类，高价值客户，中价值客户，低价值客户；

产品生命周期分为，投入期、成长期、成熟期、衰退期…所有的子分类将构成了类目空间的全部集合。

这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。

不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。

另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。

本文将用户数据划分为静态信息数据、动态信息数据两大类。

静态信息数据

用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。

这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。

动态信息数据

用户不断变化的行为信息，如果存在上帝，每一个人的行为都在时刻被上帝那双无形的眼睛监控着，广义上讲，一个用户打开网页，买了一个杯子；

与该用户傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等一样都是上帝眼中的用户行为。

当行为集中到互联网，乃至电商，用户行为就会聚焦很多，如上图所示：

浏览凡客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“双十一大促给力”的微博消息。

等等均可看作互联网用户行为。

本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差异）。

在互联网上，用户行为，可以看作用户动态信息的唯一数据来源。

如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。

3.2目标分析

用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。

如，红酒0.8、李宁0.6。

标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。

权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。

3.3数据建模方法

下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。

一个事件模型包括：

时间、地点、人物三个要素。

每一次用户行为本质上是一次随机事件，可以详细描述为：

什么用户，在什么时间，什么地点，做了什么事。

什么用户：

关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。

以上列举了互联网主要的用户标识方法，获取方式由易到难。

视企业的用户粘性，可以获取的标识信息有所差异。

什么时间：

时间包括两个重要信息，时间戳+时间长度。

时间戳，为了标识用户行为的时间点，如，1395121950（精度到秒），1395121950.083612（精度到微秒），通常采用精度到秒的时间戳即可。

因为微秒的时间戳精度并不可靠。

浏览器时间精度，准确度最多也只能到毫秒。

时间长度，为了标识用户在某一页面的停留时间。

什么地点：

用户接触点，TouchPoint。

对于每个用户接触点。

潜在包含了两层信息：

网址+内容。

网址：

每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。

可以是PC上某电商网站的页面url，也可以是手机上的微博，微信等应用某个功能页面，某款产品应用的特定画面。

如，长城红酒单品页，微信订阅号页面，某游戏的过关页。

内容：

每个url网址（页面/屏幕）中的内容。

可以是单品的相关信息：

类别、品牌、描述、属性、网站信息等等。

如，红酒，长城，干红，对于每个互联网接触点，其中网址决定了权重；

内容决定了标签。

注：

接触点可以是网址，也可以是某个产品的特定功能界面。

如，同样一瓶矿泉水，超市卖1元，火车上卖3元，景区卖5元。

商品的售卖价值，不在于成本，更在于售卖地点。

标签均是矿泉水，但接触点的不同体现出了权重差异。

这里的权重可以理解为用户对于矿泉水的需求程度不同。

即，愿意支付的价值不同。

标签权重

矿泉水1//超市

矿泉水3//火车

矿泉水5//景区

类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。

这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。

所以，网址本身表征了用户的标签偏好权重。

网址对应的内容体现了标签信息。

什么事：

用户行为类型，对于电商有如下典型行为：

浏览、添加购物车、搜索、评论、购买、点击赞、收藏等等。

不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。

如，购买权重计为5，浏览计为1

红酒1//浏览红酒

红酒5//购买红酒

综合上述分析，用户画像的数据模型，可以概括为下面的公式：

用户标识+时间+行为类型+接触点（网址+内容），某用户因为在什么时间、地点、做了什么事。

所以会打上**标签。

用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：

标签权重=衰减因子×

行为权重×

网址子权重

如：

用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。

标签：

红酒，长城

时间：

因为是昨天的行为，假设衰减因子为：

r=0.95

行为类型：

浏览行为记为权重1

地点：

品尚红酒单品页的网址子权重记为0.9（相比京东红酒单品页的0.7）

假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。

则用户偏好标签是：

红酒，权重是0.95*0.7*1=0.665，即，用户Ａ：

红酒0.665、长城0.665。

上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。

四、总结：

本文并未涉及具体算法，更多的是阐述了一种分析思想，在计划构建用户画像时，能够给您提供一个系统性、框架性的思维指导。

核心在于对用户接触点的理解，接触点内容直接决定了标签信息。

内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。

模型举例偏重电商，但其实，可以根据产品的不同，重新定义接触点。

比如影视产品，我看了一部电影《英雄本色》，可能产生的标签是：

周润发0.6、枪战0.5、港台0.3。

最后，接触点本身并不一定有内容，也可以泛化理解为某种阈值，某个行为超过多少次，达到多长时间等。

比如游戏产品，典型接触点可能会是，关键任务，关键指数（分数）等等。

如，积分超过1万分，则标记为钻石级用户。

钻石用户1.0。

百分点现已全面应用用户画像技术于推荐引擎中，在对某电商客户，针对活动页新访客的应用中，依靠用户画像产生的个性化效果，对比热销榜，推荐效果有显著提升：

推荐栏点击率提升27%，订单转化率提升34%。