编辑导语：如今在这个大数据时代，我们经常会被“标签化”，最常见的就是你逛淘宝时，会根据你的兴趣爱好等等特征进行推荐；本文是作者分享的关于从0到1搭建用户画像系统的设计思路，我们一起来学习一下。

一、需求目的

1）商城已上线2周年，已有10万+在售物品；数据仓库中积累着大量的业务数据、日志数据及埋点数据；如何充分挖掘沉淀在数据仓库中的数据的价值，有效的支持用户画像的建设，成为当前的重要工作。

2）在保证用户规模不断增长的目标下，运营方考虑建立用户流失预警机制，及时识别将要流失的用户群体，及时采取运营策略换回用户。

二、产品结构

三、用户画像系统搭建流程

目前团队已经搭建了比较成熟的数据仓库。也就是说已经有结构化的、清晰的用户属性、用户行为相关数据。

在此基础上，搭建用户画像系统，需要：

四、数据建模

对人、货、场进行分析，对用户个体的性质和特征做出概括，形成相应的用户属性标签、用户行为标签后。才可以开始建模。

建模需要分别从定性、定量，两个方面入手：

• 定性：在从已有数据中心，选择特征；假设这些特征与你要预测的值有一个关系，这个关系就是一个原始的模型。
• 定量：确定模型中涉及到的所有未知系数。

模型计算完成后，需要计算模型的置信度；此时根据测试数据（可以是团队内部测试、灰度测试等方式），来判断模型计算的结果，与预期是否相符。

如果相符，就可以用这个模型来预测用户喜欢什么；如果与预期不相符，那么久需要重复上述过程。

比如商城系统中，有以下数据项：

用户忠诚度指标（L），与用户活跃度、购物车商品数、收藏数、下单数、在线时长的用户行为指标有一定的关系；将这5项数据指标的熵权值，定义为用户忠诚度指标，可以用以下公式表示：

其中a表示上表中A2-A6的归一化值，归一化计算公式如下：

w表示权重。权重系数计算公式如下：

其中，e为行为数据信息熵，计算公式如下：

最终计算所有的用户的指标L后，例如可以取前25%为高忠诚用户，25-50%为普通忠诚用户，剩余为低忠诚用户，取值范围可以根据业务实际情况调整。

另外，由于权重系数，有可能随时间的增加而衰减；所以如果需要，还需要定义衰减因子r；加入衰减因子后，标签权重=衰减因子*行为权重。

五、梳理用户画像维度

设计用户画像维度时，建议使用MECE（Mutually Exclusive Collectively Exhaustive）准则；也就是对于一个重大的议题，能够做到不重叠、不遗漏的分类，而且能够借此有效把握问题的核心，并成为有效解决问题的方法。

比如初步搭建用户画像维度，可以参考下图：

上图为商城系统，初步的用户画像维度。图中的数据，按照获取的方式，可以分为：统计类标签、规则类标签、挖掘类标签。

统计类标签：这类标签是最为基础也最为常见的标签类型，例如对于某个用户来说，他的性别、年龄、城市、星座、近7日活跃时长、近7日活跃天数、近7日活跃次数等字段可以从用户注册数据、用户访问、消费类数据中统计得出；该类标签构成了用户画像的基础。

规则类标签：该类标签基于用户行为及确定的规则产生；例如对平台上“消费活跃”用户这一口径的定义为近30天交易次数>=2，在实际开发画像的过程中，由于运营人员对业务更为熟悉、而数据人员对数据的结构、分布、特征更为熟悉；因此规则类标签的规则确定由运营人员和数据人员共同协商确定。

挖掘类标签：该类标签通过数据挖掘产生，应用在对用户的某些属性或某些行为进行预测判断；例如根据一个用户的行为习惯判断该用户是男性还是女性，根据一个用户的消费习惯判断其对某商品的偏好程度；该类标签需要通过算法挖掘产生。

六、形成初步用户画像

基于用户画像数据，可以使运营人员、营销人员，有更好的用户认识，带来更佳的用户服务质量，实现精准运营、精准营销。

设计用户画像的可视化展现时，可以使用以下工具：

其中tableau、powerbi等自助式数据分析工具，可以让没有编程经验的业务人员、运营人员等进行自我数据分析，不需要依赖IT人员。

七、评估用户画像效果

在初步形成了用户画像后，并不能直接交给运营、业务人员实际使用，还需要评估用户画像的准确性。

评估方式主要分为3种：逻辑验证、A/B test、用户回访。

逻辑验证：也叫做交叉验证；在完整的用户画像标签体系中，一些标签往往会存在一些相关性；比如用户的累计在线时长越长，订单量通常会越高；比如购买3C产品的用户群中，男性用户数通常大于女性用户数；另外，如果公司购买了第三方机构的数据，也可用于交叉验证。

A/B test：也叫做灰度测试；以上述的忠诚度为例，保证对照组、实验组的流量相同；对实验组的用户，进行提升忠诚度的运营策略（促销活动、积分奖励等）；如果实验组的用户，忠诚度相比对照组用户，有一定提升，则可以认为用户画像比较精确。

用户回访：最朴实的评估方法，比如用户画像系统，定义了10万用户为低忠诚度用户；此时从中随机抽取1000人，交给客服，进行回访。根据回访结果，判断用户画像结果是否准确；甚至可以对回访结果进行文本挖掘，形成词云，查看消极词的占比。

八、总结

当公司业务规模，用户体量上升到一定量级；业务、运营团队，往往会提出对用户精准运营的想法；此时就需要用户画像系统，在支持业务运营的同时，也可以帮助产品经理更好的了解用户。

0-1搭建用户画像系统，需要在已有比较成熟的数据仓库的前提下进行：

• 数据建模：根据业务模式，设计相应的数据模型
• 梳理用户画像维度：不重叠、不遗漏的梳理用户标签体系
• 形成初步用户画像：可以使用tableau、powerBI、echarts等多种工具，生成可视化的用户画像
• 评估用户画像效果；通过逻辑验证、A/B测试、用户回访等方式，验证用户画像系统中的标签是否准确
• 根据评估效果，持续优化用户标签系统

本文由 @16哥 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 unsplash，基于 CC0 协议