用户画像基础

什么是用户画像
如何正确理解用户画像
用户画像如何生成
用户画像的标签维度（分类）
- 标签类型 -- 从标签主题的角度
- 标签类型 -- 从标签生成的角度
- 标签类型 -- 从数据提取的角度
- 标签类型 -- 从数据时效的角度
人群的标签组合
如何构建高质量的用户画像
如何确定用户购物的决策动机
- 高质量的用户群体画像
用户画像与特征工程的关系
- 什么是特征工程
用户画像的流程
TGI指数

标签的用户画像的核心，只有真正有效的用户画像标签，才能提升运营效果

什么是用户画像

通过数据建立描绘用户的标签
个性化推荐、广告系统、活动营销、都是基于用户画像的研究

如何正确理解用户画像

不能把典型用户当做用户画像：典型用户是虚构的，每个真实用户都有自己的用户画像
用户画像不是用户标签的简单组合：用户画像的标签要和业务相结合
用户画像的有效性：用户画像具有时效性，用户的爱好会随着时间发生变化

用户画像如何生成

统一用户唯一标签（核心）：手机号、用户名、设备号等
给用户打标签：属性维度（性别、年龄、学历。。。）、消费维度（消费习惯、购买意向。。。）、行为维度（行为的时间段、行为的频次、行为的访问路径。。。）、内容分析维度（对用户浏览时间长，次数多的内容进行分析）
将用户画像与业务关联：获客、粘客，留客

用户画像的标签维度（分类）

标签类型 – 从标签主题的角度

用户属性
用户行为
用户消费
风险控制
内容分析

标签类型 – 从标签生成的角度

统计类型：需要使用聚合函数计算后得到的标签（总消费金额）
规则匹配类型（人口属性，用户生命周期）
挖掘类型（用户偏好）

标签类型 – 从数据提取的角度

事实标签：从生产系统获得数据
模型标签：对用户属性和行为进行聚类
预测标签：基于用户属性和行为，挖掘用户潜在需求

标签类型 – 从数据时效的角度

静态属性标签：长期甚至永久都不会发生变化（性别）
动态属性标签：存在有效性，需要定期的更新（用户活跃度）

人群的标签组合

举个例子，如下

性别：两个标签
年龄段维度：18-，20-30，30-40，40-50，50-60，60-70（7个标签）
月均消费维度：100-，100-500，500-1000.。。。（7个维度）

那么人群标签的数量就为 2 ∗ 7 ∗ 7 = 98 2*7*7=98 2∗7∗7=98

如何构建高质量的用户画像

人口属性！= 用户画像
用户的行为是构成用户与用户之间差异化的核心
观察用户行为不是观察他做了什么事情，而是观察他做这件事情的动机是什么

如何确定用户购物的决策动机

首先明确一个概念：考量度 ⟶ \longrightarrow ⟶ 用户在做一个决策之前，所需要思考的程度
高考量度的产品：用户经过了深入的自我剖析，60%的决策都在见到真正的产品之前，可以明确地说自己决策的依据是什么（房子、车子）。
低考量度的产品：是一种用户在无意识的情况下做出的决策，用户很难说出来明确地决策依据，例如点外卖，所以对这种产品，用户偏好会随时改变
中考量度的产品：用户在看到产品之前可能并不知道自己具体想要一个什么东西，但当看到产品之后，就会有那么一个产品特性触动用户，让用户做出了购买决策，并且在事后用户也可以说出是什么因素导致了购买的行为。

中高考量度产品：适合使用访谈的方式确定用户的画像
低考量度产品：适合通过大数据标签统计来进行建模分析，分析用户偏好，确定用户的画像

注意以下几点：

有些产品用户与用户之间考量度会有很大差异
即使同一个用户群，也会因为价格、用途等因素使得考量度出现很大的差异

高质量的用户群体画像

用户群体应该根据考量度来归类，用户的考量度不同，应该归入不同的用户群
如果用户的考量要素绝大多数相同，只有小部分考量要素不同，则可以合并为同一个的用户群

用户画像与特征工程的关系

什么是特征工程

特征工程是打开数据密码的钥匙
特征工程就是将数据转化为特征的过程：高质量的特征能够提高模型的准确性

用户画像的流程

TGI指数

T G I = 目标群体中具有某一特征的群体所占比例总体中具有相同特征的群体所占比例 ∗ 100 TGI = \frac{目标群体中具有某一特征的群体所占比例}{总体中具有相同特征的群体所占比例} * 100 TGI=总体中具有相同特征的群体所占比例目标群体中具有某一特征的群体所占比例∗100

TGI指数是比较目标人群和普通人群在不同特征上的差异大小
TGI的作用是研究特征和目标人群的关联度：TGI的值和100差距越大，则特征越明显，人群区分度越大
通过TGI可以清晰看到某种特征人群的喜好
使用DMP的画像功能，必须要细分，才有价值
细分就是为了对比，两个人群的对比，才会有TGI
looklike找到与种子用户（最忠实的那批用户）相似的人，从而找到最有价值的群体

用户画像相关理论基础 -- 看这一篇就够啦（总结篇）相关推荐

如何构建用户画像系统？看这一篇就够了！
来源:一个数据人的自留地乔巴:我是一枚半路转行的数据产品经理,现在大数据火热,所在公司想搭建画像系统,但自己对用户画像没有概念,对画像系统是怎样的架构,有哪些常见的功能等事项全然不知,真是困煞我也! ...
万向区块链行业研究：如果从用户画像实现角度看数据隐私问题，是怎样的？
前言: 万向区块链董事长兼总经理肖风博士曾说过,不管是元宇宙.区块链还是Web3.0,本质其实都是讲同一件事,就是人类社会在数字时代里的去中心化趋势.因此,无论在元宇宙里,还是Web3.0时代,个人数 ...
Linux面试相关知识点看着一文就够了
今天和大家分享一下linux操作系统下主要用到的几个知识点,分别是:linux目录结构.linux常用命令.文件权限操作.服务操作.yum安装命令.docker服务.vim编译器.pymysql测试连 ...
SQL 入门，看这篇就够了 ---- 基础篇
目录目录目录数据库安装数据库基本概念数据库管理系统(DBMS)的分类 SQL 语句创建.删除.更新操作创建数据库(CREAT DATABASE) 创建表删除表更新表查询.筛选操作 ...
理解Python并发编程一篇就够了 - 线程篇
目录前言 GIL 同步机制 1. Semaphore(信号量) 2. Lock(锁) 3. RLock(可重入锁) 4. Condition(条件) 5. Event 6. Queue 线程池前言 ...
看完后，别再说自己不懂用户画像了
用户画像是一个挺新颖的词,最初它是大数据行业言必及之的时髦概念.现在我们运营谈及用户画像,它也是和精准营销.精细化运营直接钩挂的.这篇文章主要讲产品和运营角度的用户画像. 希望看完后,解决你一切关于用 ...
简单谈谈最近在看的几本书「数据中台，用户画像」
本文已收录github:https://github.com/BigDataScholar/TheKingOfBigData,里面有大数据高频考点,Java一线大厂面试题资源,上百本免费电子书籍,作者 ...
基于多模型融合的用户画像分析统计方法研究
摘要随着信息技术的快速发展和大数据技术的广泛应用,企业的营销和产品的设计,对精细化.精准化的要求越来越高.主流的电商平台.搜索引擎以及短视频平台均推出了基于用户画像的个性化推荐服务,这其中相当一 ...
用户画像之概念知识！
备注:文章转载地址请点击此处用户画像是一个挺新颖的词,最初它是大数据行业言必及之的时髦概念.现在我们运营谈及用户画像,它也是和精准营销.精细化运营直接钩挂的.这篇文章主要讲产品和运营角度的用户画像. ...

用户画像相关理论基础 -- 看这一篇就够啦（总结篇）