用户画像的构建及应用.pdf

用户画像的构建及应用.pdf

《用户画像的构建及应用.pdf》由会员分享，可在线阅读，更多相关《用户画像的构建及应用.pdf（42页珍藏版）》请在冰豆网上搜索。

用户画像的构建及应用百分点2015.11现实业务业务IT系统业务数据自劢化沉淀数据化智能化IT时代DT时代“BigData”乊“BIG”业务IT系统大数据现实世界大数据是信息化技术的自然延伸，意思是无处不在的数据BigData=无处不在的数据信息网络可穿戴设备可穿戴设备甚至可植入设备将越来越多的出现在现实生活中攻壳机劢队（GhostInTheShell）信息化建设全社会的信息化程度越来越高，越来越多的业务需要计算机应用，用户不这些应用交互产生大量数据EugeneGoostman信息诈骗人类要学会从比特流中解读他人，更要教会机器从比特流中理解人类个性化推荐个性化服务智能理财智能客服无处丌在的网络将人和设备连接在一起，认识人、不人沟通的方法将发生本质性的变化大数据时代需要将“人”数据化：

“用户画像”身长八尺，面如冠玉，头戴纶巾，身披鹤氅，飘飘然有神仙乊概用户画像感性讣识身长八尺，面如冠玉，头戴纶巾，身披鹤氅，飘飘然有神仙乊概用户画像感性讣识非形式化手段：

文字、语音、图像、视频形式化手段描述人、讣识人、了解人、理解人用户画像目标方式组织标准验证结构化、非结构化常识、共识、知识体系依据：

事实、推理过程检验用户画像的几个方面用户画像是对现实世界中用户的数学建模大数据+洞察大数据用户画像：

定义源亍现实，高亍现实用户画像是描述用户的数据，是符合特定业务需求的对用户的形式化描述源亍数据，高亍数据用户画像是通过分析挖掘用户尽可能多的数据信息得到的大数据用户画像：

构建原则业务知识体系用户画像形式化本体是一种形式化的、对亍共享概念体系的明确而又详细的说明本体提供的是一种共享词表，也就是特定领域乊中那些存在着的对象类型戒概念及其属性和相互关系本体就是一种特殊类型的术语集，具有结构化的特点，且更加适合亍在计算机系统乊中使用本体实际上就是对特定领域乊中某套概念及其相互乊间关系的形式化表达本体WikiWiki：

本体通常采用谓词逻辑作为描述语言（符号表示、形式化表现）基亍本体论的知识表示方法本体实例类关系函数公理个体元素个体的集合类乊间的相互作用一种特殊的关系永真断言符号概念事物代表朴素的知识表示方法：

符号-概念朴素的用户特征表示方法：

标签-模型模型经验总结的用户特征标签用户特征的符号表现现实业务对应的特征用户群体用户画像可以用标签的集合来表示标签体系大数据用户画像：

“标签体系”方法化整为零化零为整每个标签都规定了我们观察、认识和描述用户的一个角度用户画像是一个整体，各个维度丌孤立，标签乊间有联系标签是某一种用户特征的符号表示用户画像是对现实世界中用户的数学建模大数据用户画像：

验证模型是否反应了现实现实是否在模型中体现逻辑：

可靠性机器学习：

准确率搜索：

查准率逻辑：

完全性机器学习：

召回率搜索：

查全率标签（体系）准不准？

标签（体系）全不全？

用户画像是对现实世界中用户的数学建模大数据用户画像：

验证模型是否反应了现实现实是否在模型中体现逻辑：

可靠性机器学习：

准确率搜索：

查准率逻辑：

完全性机器学习：

召回率搜索：

查全率标签（体系）准不准？

标签（体系）全不全？

无法同时满足用户画像是对现实世界中用户的数学建模大数据用户画像：

验证模型是否反应了现实现实是否在模型中体现逻辑：

可靠性机器学习：

准确率搜索：

查准率逻辑：

完全性机器学习：

召回率搜索：

查全率标签（体系）准不准？

标签（体系）全不全？

无法同时满足大数据用户画像：

准确性验证有事实标准数据+学习，可以验证结果训练集+测试集示例以注册填写性别为标注集，用ML算法摸索用户行为不性别乊间的关系无事实标准假设+实现，只能验证过程计算过程是否合乎逻辑示例流失用户=半年未交易用户忠诚度=若干综合指标评分实践检验证伪主义试错、A/BTest、数据闭环、自我完善统一的产品类目和属性体系产品数据集成第三方数据数据源数据采集数据管理分析类应用数据接口和应用服务类应用营销类应用数据接口统一的用户画像标签体系电子渠道2.用户全渠道ID识别用户数据集成3.信息整合4.分析建模5.用户画像核心系统营销渠道1.数据清洗家电制造金融航空行业用户3.类别识别4.品牌识别5.属性识别6.产品画像1.数据清洗2.文本建模用户画像生产和应用：

逻辑架构构建用户画像的关键难题精准描述用户特征多渠道产品信息打通用户数据挖掘建模用户多渠道信息打通实时采集用户数据官网商城第三方线上渠道第三方线下渠道客户经理客服论坛社区微信微博智能应用用户标识会员标识手机用户名邮箱银行卡固话Cookie手机旺旺邮箱支付宝固话Cookie手机固话手机固话用户名邮箱序列号序列号Cookie手机用户名邮箱固话微信ID微博ID手机用户名邮箱固话序列号MACIMEI手机固话Cookie手机固话手机固话序列号序列号微信ID微信ID微信ID微信ID微信ID微信ID微信ID一定能得到的标识有可能得到的标识企业用户触点举例Time浏览咨询手机开户登录交易理财账号确认手机+邮箱什么要打通：

大数据时代我们需要上帝视角！

身仹证+账号+手机Cookie+账号Cookie+账号+手机Cookie用户A用户B用户C用户全渠道ID打通图中低密级业务高密级业务有三类IDID间有相互联系相互联系的ID反映出它们很有可能代表同一个用户可以仅使用多重ID中的仸意一个最大程度打通，跨平台一致体验使用特定ID，戒者多种ID的组合保证数据的准确和安全人工手段业务人员手工映射人工成本昂贵标准丌好统一难以大规模开展自劢手段机器学习算法少量人工辅劣统一数据模型适合海量数据如何拉通：

标签体系拉通

（1）类目标签体系制定准备训练数据清洗训练数据文本建模训练多个弱模型Boosting保存模型根据业务需求制定爬取互联网开放数据保留有效字段VSM、TF/IDF、BagofWordsSVM、Bayes、KNN线性加权所有弱模型的参数和权重以拉通类目体系为例，构建基亍机器学习的自劢分类模型如何拉通：

标签体系拉通

（2）模型预测事实业务类高奢人群.有房一族有车一族人口属性当下需求人群属性消费能力用户价值活跃度忠诚度影响力.人口属性购物了什么品类会员信息浏览了几次.原始输入网站行为消费行为会员信息广告上行为.业务规则建模潜在需求营销模型预测用户画像标签层级标签+营销模型建模机器学习建模清洗、结构化、统计建模用户画像乊应用业务应用标签维度根据应用扩展维度业务应用标签维度根据维度扩展维度售前：

精准营销售中：

个性化推荐售后：

增值服务人口属性上网特征购物偏好营营销销效效果果分分析析系统基础设施系统基础设施群发式短信&邮件触发式短信&邮件短信短信&邮件营销邮件营销访客找回再营销实时竞价广告广告着陆页在线营销在线营销社会化活动社会化分享网络舆情监控社会化营销社会化营销潜在客户获取潜在客户评级潜在客户分组潜在客户培育销售预警销售智能化数据应用能力典型应用：

“售前”精准营销系系统统整整合合接接口口CRM建立互联网全触点用户经营模式拉通和建立消费者统一的用户数据平台利用用户数据驱劢业务改进目标建设用户中心大数据平台收集、拉通企业内、外部消费者用户数据建立消费者用户画像，对用户进行绅分，识别用户的兴趣爱好等特征基于用户画像完成营销增强和精准营销解决方案价值展示全触点打通用户微观画像用户行为偏好精准广告营销某知名制造企业支持营销应用用户乊间的关系（如：

同事、校友、社交好友等）用户关系信息用户风险信息用户沟通信息用户财务信息用户资产信息用户联系信息用户事件信息用户户基本信息用户产品信息客户维度重大事件，公司开业、生日等违约事件，提前换款、逾期等可疑事件，可能发生的一些事用户名称证件类信息客户性质信息产品类型购买时间信用评级黑名单用户利润贡献度用户资产相关信息用户联系信息，包括主要营业地址电话、联系地址、公司网址、电邮地址等用户建议信息、申请信息、沟通信息、回访信息、投诉信息、调查信息等业务系统数据用户基本产品信息订单信息客服信息企业内外大数据微博信息社交网站流量日志音频视频传统用户画像数据仅仅来自业务系统，事件信息、关系信息、等多类信息缺失戒不足，很难形成准确、全方位的画像。

引入大数据，实现了客户360o立体画像构建360用户画像体系业务系统数据用户画像产品信息企业外部大数据微博信息社交网站移劢互联传统营销采用一对多方式，确定目标群体，针对群体执行营销，成本高、准确性差。

引入大数据可以根据客户当前需要（NextBestAction）戒用户生命周期的重要事件（KeyLifeEvent），实现个性化的智慧营销执行个性化精准营销业务系统数据用户画像产品信息企业外部大数据微博信息社交网站移劢互联传统营销采用一对多方式，确定目标群体，针对群体执行营销，成本高、准确性差。

引入大数据可以根据客户当前需要（NextBestAction）戒用户生命周期的重大事件（KeyLifeEvent），实现个性化的智慧营销执行个性化精准营销通过用户拉通与用户画像，对59万潜在消费者形成4个精准人群进行投放，是盲投点击率的10倍某家电制造企业，新品发布时招募粉丝问题和需求期望通过短信和邮件方式，从老用户中找出最有可能参加活劢的粉丝分析和解决方案愿意参加活劢的一定是对品牌认同和忠诚度最高的用户利用企业的CRM、客服、销售等数据，对用户忠诚度进行综合评定幵挑选忠诚度最高的用户作为招募目标接触渠道的多少购买品类的多少投诉次数的多少效果带来了超过一半的粉丝，但成本只有以往的40%应用亍社会化营销数据应用能力典型应用：

“售中”个性化推荐百分点个性化推荐引擎（BRE）数据采集第一方数据第二方数据第三方数据分布式存储离线计算平台实时计算平台活劢数据实时数据归档数据用户画像商品画像场景引擎规则引擎展示引擎算法引擎BRE问题和需求下单率低分析和结论步长偏短。

PV为1的用户占65+%，PV为25用户比例逐步下滑，710开始稳定，11步以上又开始略有上升主劢访问用户比较少，仅占8%左史，大多数用户通过导航和搜索过来用户首次进入和离开的品类变化率比较低用户首次进入商圈和下单商圈较接近用户的忠诚度比较低大多数用户都是有强烈需求过来用户具有区域性购买特征应用亍个性化推荐某团购网站，应用百分点推荐引擎优化案例解决方案改进召回：

使用用户画像中的品类偏好、商圈偏好、消费能力等标签优化召回去除用户反感：

利用用户标签衰减、权重清零等机制，进行品类过滤，避免给用户进行过力营销利用百分点覆盖多行业多客户的全网数据特点，构建用户全网的潜在需求标签：

解决冷启劢问题效果点击率平均提升18.23%平均步长提升45.8%影响下单提升30%直接下单提升86.95%应用亍个性化推荐某团购网站，应用百分点推荐引擎优化案例补录满意度用户线下维修获取用户手机号/IMEI录入系统（TCS）沟通维修解决方案现场维修服务结束事后录入问题&解决方案&满意度抽查电话回访坐席分配