新媒易动态
NEWS CENTER
NEWS CENTER
2019-09-12
谈及用户画像，我想产品和运营的朋友们都不会陌生，用户画像是用户研究的重要输出，它能帮助我们更好的进行业务决策以及产品设计。用户画像落实到产品设计，本质上是将数据组合成数据特征，从而形成用户的数据模型。
构建用户画像的主流方法有4种：
前两者是基于已有数据的构建方法，其缺陷是无法处理数据缺失或不在规则范围内的用户。而解决这一类问题，也正是机器学习存在的意义，它让计算机像人一样去学习处理问题，并给出答案。
本文将从构建用户画像的角度和大家分享能够运用在其中的一些AI算法，希望能给大家提供一些价值。
用户画像偏向于定性，而产品设计是将需求从定性转换为定量的过程，用户画像在量化过后我们也称之为用户标签。
标签的每一个层级，可以将其理解为对上一层标签的再次提炼。对照着图3，我们试着理解这4个层级：
来源于用户的基础信息、交易数据、访问数据，如：用户的注册手机号码、用户的历史订单、用户的访问轨迹等。
是对原始数据进行统计分析后的初步提炼结果。
3-1 模型标签
由一个或多个事实标签组合而成，是基于模型训练的结果。以模型标签“交易偏好”为例，它是由交易商品类型、交易场景、交易来源这几个事实标签组合而成的。
3-2 预测标签
以已有的模型标签数据作为特征，经过机器学习生产的标签。由于预测标签会映射成为模型标签，所以在图3中将2者放置于同一个层级。
策略标签，则是用户标签构建的最终目的，根据目的提炼用户，并对用户进行定向的营销。
标签的层级，指导着产品经理构建用户画像的每个步骤。前两个层级，我们需要对缺失的数据建立数据源，对数据进行清洗、修复以及特征构建等；后两个层级，我们需要使用合适的方式生产标签。
在第一章中我们理解了标签的层级，这一张主要讲述标签的生产过程，用户画像的构建方式不同，生产方式也不同。
顾名思义，这种生产方式是根据固定的规则，通过数据查询的结果生产标签。这里的重点在于如何制定规则。
从数据的变化频次来看，可以将标签划分为静态标签以及动态标签。静态标签变化的频次低，或者一旦确认不做改变。而动态标签变化频繁，它会衰减也可能会消失。
以静态标签和动态标签为思路向下顺延，我们可以划分为基础属性以及偏好行为两大类，如下图图4所示