【数据挖掘】用户画像

概念区分

Persona和Profile，经常都翻译为用户画像，二者的概念有相关的部分，但是也有区别。
- Persona，也叫做用户角色，是描绘抽象一个自然人的属性，用于产品和用户调研。
- Profile，是和数据挖掘、大数据息息相关的应用。通过数据建立描绘用户的标签。
本文讨论的是Profile。

作用

• 精准营销，分析产品潜在用户，针对特定群体利用短信邮件等方式进行营销；
• 用户统计，比如中国大学购买书籍人数 TOP10，全国分城市奶爸指数；
• 数据挖掘，构建智能推荐系统，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；
• 效果评估，完善产品运营，提升服务质量，其实这也就相当于市场调研
• 用户调研，迅速下定位服务群体，提供高水平的服务；
• 对服务或产品进行私人定制，即个性化的服务某类群体甚至每一位用户（个人认为这是目前的发展趋势，未来的消费主流）。
• 业务经营分析以及竞争分析，影响企业发展战略

构建流程

数据收集

数据收集大致分为网络行为数据、服务内行为数据、用户内容偏好数据、用户交易数据这四类。

• 网络行为数据：活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等
• 服务内行为数据：浏览路径、页面停留时间、访问深度、唯一页面浏览次数等
• 用户内容便好数据：浏览／收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等
• 用户交易数据（交易类服务）：贡献率、客单价、连带率、回头率、流失率等
  当然，收集到的数据不会是100%准确的，都具有不确定性，这就需要在后面的阶段中建模来再判断，比如某用户在性别一栏填的男，但通过其行为偏好可判断其性别为“女”的概率为80%。
  还得一提的是，储存用户行为数据时最好同时储存下发生该行为的场景，以便更好地进行数据分析。

行为建模

该阶段是对上阶段收集到数据的处理，进行行为建模，以抽象出用户的标签，这个阶段注重的应是大概率事件，通过数学算法模型尽可能地排除用户的偶然行为。

这时也要用到机器学习，对用户的行为、偏好进行猜测，好比一个 y＝kx＋b 的算法，X 代表已知信息，Y 是用户偏好，通过不断的精确k和b来精确Y。

在这个阶段，需要用到很多模型来给用户贴标签。

• 用户汽车模型
  根据用户对“汽车”话题的关注或购买相关产品的情况来判断用户是否有车、是否准备买车
• 用户忠诚度模型
  通过判断＋聚类算法判断用户的忠诚度
• 身高体型模型
  根据用户购买服装鞋帽等用品判断
• 文艺青年模型
  根据用户发言、评论等行为判断用户是否为文艺青年
• 用户价值模型
  判断用户对于网站的价值，对于提高用户留存率非常有用（电商网站一般使用RFM 实现）
  还有消费能力、违约概率、流失概率等等诸多模型。

用户画像基本成型

该阶段可以说是二阶段的一个深入，要把用户的基本属性（年龄、性别、地域）、购买能力、行为特征、兴趣爱好、心理特征、社交网络大致地标签化。

为什么说是基本成型？因为用户画像永远也无法100％地描述一个人，只能做到不断地去逼近一个人，因此，用户画像既应根据变化的基础数据不断修正，又要根据已知数据来抽象出新的标签使用户画像越来越立体。

关于“标签化”，一般采用多级标签、多级分类，比如第一级标签是基本信息（姓名、性别），第二级是消费习惯、用户行为；第一级分类有人口属性，人口属性又有基本信息、地理位置等二级分类，地理位置又分工作地址和家庭地址的三级分类。

数据可视化分析

这是把用户画像真正利用起来的一步，在此步骤中一般是针对群体的分析，比如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间，以作出针对性的运营。

参照思维导图：用户画像

内容整理自知乎，如侵删。