[產品]構建動態用戶畫像七步法

圖3

3. 用戶畫像基礎數據採集

基礎數據採集需要全面收集用戶在站內和站外所有相關的靜態數據和動態數據。

梳理基礎數據，需要明確目前都有哪些數據源，比如核心的系統線下場景門店、機器、小程序、電子數據渠道、營銷渠道和第三方數據。

梳理基礎數據，需要結合實際需求，梳理相關的數據實體和關聯關係；並且根據相關性原則，對某寶的用戶、商品和機器渠道三類數據實體進行數據分析維度的列舉。

針對每一類數據實體，進一步分解可落地的數據維度，形成字段集如下舉例。

用戶數據：

• 用戶自然特徵：性別，年齡，地域，教育水平，出生日期，職業，星座；
• 用戶興趣特徵：興趣愛好，使用某寶APP/網站【可爬】,瀏覽/收藏內容，互動內容，品牌偏好，產品偏好；
• 用戶社會特徵:婚姻狀況，家庭情況，社交/信息渠道偏好；
• 用戶消費特徵：收入狀況,購買力水平，已購商品，購買渠道偏好，最後購買時間，購買頻次。

商品數據(以消費電子類為例)：

• 手機：品牌，顏色，尺寸，電池容量，內存，攝像頭，CPU，材質，散熱，價格區間；
• 筆記本：品牌，屏幕尺寸，配置，顏色，風格，薄厚，價格區間；
• 智能手錶：品牌，功能，材質，電池容量，顏色，風格，價格區間。

渠道數據(以消費電子類為例)：

• 信息渠道：微信，微博，論壇，SNS，貼吧，新聞網站，諮詢App；
• 購買渠道:電商平臺，微店，官網，實體店，賣場。

圖4

4. 用戶畫像行為建模

完成基礎數據採集後，需要對這些數據進行清洗、拉通、整合以及分析建模，之後才能構建用戶畫像。

首先用戶多渠道信息打通，多數據源的情況下，我們要將不同數據源的同一個用戶的信息打通。我們可以把用戶手機號、身份證等信息視為用戶的ID，如果用戶的信息在不同數據源，那麼我們需要進行連接，從而構建一張關聯圖：

圖5

圖6

圖中連通的ID可以視為同一個用戶，從而實現用戶拉通，拉通可以基於圖的方法進行強拉通，也可以採用機器學習的方法進行模糊拉通，預測出拉通的概率。

另外，拉通的可信程度由業務的密度決定，密度越高，對可信度的要求越高，譬如推薦是低密度業務，即使識別錯誤，影響比較小，但對於 電商的 短信通知服務，如果識別錯誤，體驗就會非常差。

圖7

用戶畫像的底層是機器學習，那麼無論是要做客戶分群還是精準營銷，都先要將用戶數據進行規整處理，轉化為相同維度的特徵向量，諸多華麗的算法才可以有用武之地，像是聚類，迴歸，關聯，各種分類器等等。

對於結構化數據而言，特徵提取工作往往都是從給數據打標籤開始的，比如購買渠道，消費頻率，年齡性別，家庭狀況等等。

好的特徵標籤的選擇可以使對用戶刻畫變得更豐富，也能提升機器學習算法的效果（準確度，收斂速度等）。

圖8

5. 用戶畫像可視化

（1）用戶個體畫像；

（2）用戶群體畫像。

圖9

6. 用戶畫像在業務上的應用

圖10

7. 智能推薦

協同過濾和貝葉斯智能評分混合推薦。

小結

AI產品經理以大數據為基礎通過：

第一步，設定用戶畫像的目標；

第二步，構建以標籤知識圖譜化為系統的標籤體系；

第三步，採集數據；

第四步，通過對採集的用戶行為數據建模；

第五步，實現用戶畫像可視化；

第六步，講按照時間序列更新迭代並應用；

第七步，在應用用戶畫像知識圖譜過程中結合算法實現智能推薦。

---

分享到:

---

閱讀更多 壹點方圓諮詢 的文章

關鍵字: 可視化技術 智能手錶 算法

---