用户画像的理解

1.简单的用户画像阐述

在产品研发和营销活动的过程当中，确立目标用户是首要目标。不同类型的用户需求不同，甚至这些需求还会冲突，而一款产品或着一个营销活动是不能满足所有用户的需求的，这种情况建立用户画像体系，可以让我们了解用户都是属于什么类型的用户，我们就可以针对这类用户去做产品或着营销活动。

例子：在租车行业里，因为产品单一，只有租凭车子这个选择。但是租车用户也有很多类型，按租车目的分，有节假日旅游、公司业务、返乡探亲、自用代步之类的。按用车类型偏好分，可以分经济性、舒适性、豪华型之类的。例如马上到的清明节，可以给打上节假日旅游标签的用户，且又有潜在用车需求的用户定向派发优惠券、或做一个租车+酒店的组合套餐活动，这样可以更好的吸引到潜在需求的用户。

PS：在上面的简单例子中，就是一个简单的用户画像的应用。根据用户画像，具体到针对用户的目标和需求，并解决用户的问题，这样将帮助企业更加直观的转化客户。

2.用户的动态信息数据建模。

用户画像的数据来源：所有用户相关的数据。相关数据又可分为静态信息数据和动态信息数据。而动态数据指的用户在网络上产生的行为，例如，登入、浏览、下单之类的。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。

动态数据建模公示：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（时间）×行为权重（动作）×网址子权重（地点）

简单例子：

                 用户 A，昨天在神州租车网站上浏览了经济性别克凯越在2019-04-10的信息。

                             标签：经济性(用车偏好)，未来一月(潜在的用车需求)。

                 时间：因为是昨天的行为，假设衰减因子为：r=0.95；可以设置成指数型下滑趋势。

                 行为类型：浏览行为记为权重0.2(下单记为0.8)。

                 地点：神州租车网站网址子权重记为 0.9(相比携程网页渠道的 0.7)

                             假设用户真有潜在的用车需求的话，在专业的租车网站浏览会比携程这些第三方渠道，权重更大。

                 则用户偏好标签是：经济性，权重是 0.95 * 0.2=0.19，未来一月，权重是0.95*0.9=0.885.

PS：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。

3.用户画像-消费者网络行为划分

消费者根据购买行为可以大致划分为三类：明确型用户、模糊型用户、茫然型用户。

明确型用户：有明确的购买目标，对商品的名称、型号、颜色、价格的幅度都有明确的要求，这就是“明确型”用户。他们需要的只是搜索功能，如果能搜到自己想要的产品，就会自行购买，无需过多引导和推广。

模糊型用户：已有大致的购买目标，但具体要求还不够明确，最后购买需经过选择比较才完成的。如准备购买电饭煲，但购买什么牌子、规格、型号、式样等心中无数，这类消费者搜索的时候，一般要经过较长时间的分析、比较才能完成其购买行为。这也是我们说的“模糊型”用户，这类用户在更需要的是商家给予引导和启发，帮助其分析购买。

茫然型用户：没有明确购买目标。进入商店主要是参观游览、休闲，漫无目标地观看商品或随便了解一些商品的销售情况，有时感到有兴趣或合适的商品会偶尔购买，对于他们来说，这些不必要的商品可买可不买，这类用户更需要的是体验，好的场景和活动优惠带来愉悦的体验感受，更能刺激这类用户的参与。我觉得很多逛淘宝的女性用户属于这一类。

再给用户打上具体标签时，可以通过浏览次数、登陆次数、访问时长、浏览路径、页面停留时间等其他数据特征去做一个聚类，或者本身有一些明确的标签数据，就可以做有监督模型去做个分类任务。

4.用户画像-标签权重

用户标签权重 = 行为类型权重 × 时间衰减 × 用户行为次数 × TF-IDF计算标签权重

行为类型权重：用户浏览、搜索、收藏、下单、购买等不同行为对用户而言有着不同的重要性（偏序关系），该权重值一般由运营人员或业务来决定；

时间衰减：用户某些行为受时间影响不断减弱，行为时间距现在越远，该行为对用户当前来说的意义越小，采用牛顿冷却定律；

行为次数：用户标签权重按天统计，用户某天与该标签产生的行为次数越多，该标签对用户的影响越大。

公式：t=初始温度×exp(-冷却系数×间隔的时间)，实际应用中，初始温度为1就行，间隔的时间为今天与产生行为那天的天数，或者小时数都行，根据业务进行调整，冷却系数有业务来决定，或者通过数据分析而来。

TF-IDF计算标签权重：tf为某标签在该用户出现频率，idf为某标签在全部标签中的稀缺程度。如下图所示：

         

可以将idf取对数，之后将tf与idf相乘即可得出权重值。分析思想转自链接https://mp.weixin.qq.com/s/oaXSG-VaWqcUntesRO1ZXQ。

5.用户画像的应用场景

产品设计：在初创期，产品尚未成型，可以通过用户画像标签的组合，去了解用户真实的市场需求，定义产品模式和产品功能。例如，通过用户画像了解到一部分用户的消费需求没有满足到，可以针对这部分群体设计一个产品。

智能推荐：给用户精准推荐产品，提高购买率，但是这种应用一般在电商平台用的多。

精准营销：定向投放活动信息给标签筛选出的用户，并不是撒大网似得发短息、推送信息等，降低营销成本。但是精准和规模是矛盾的，撒大网似地推送可以最大范围的捞取客户，缺点就是营销成本会上升。精准推送，就不能出现全范围似的捞取到潜在用户，但是营销成本会降低，要结合具体情况进行应用。

风险控制：这个应用场景，如果数据规模不够大，不够宽的话，很难有实际的效果，最终还是要靠人工或者既定规则去判断用户的风险性。

辅助决策分析：例如，我想知道上一周消费用户群体特征，这时可以通过用户画像，多维度地去刻画了解到用户群体