使用者畫像 1

1、什麼是使用者畫像？

使用者畫像是對使用者特徵資料的一種建模模型，通過調研、資料探勘了解使用者，洞察使用者，基於不同需求目標，將他們分為不同的型別，並對每種特徵屬性進行抽象，歸納，產出使用者特有的特徵標籤，幫助業務更好的理解使用者。

總結一句話：使用者資料特徵標籤化。

2、資料標籤化

基於資料的不同類別可以大致劃分為三類，策略挖掘、邏輯挖掘以及模型挖掘。

策略挖掘像外賣偏好、遊戲偏好以及有車一族等；

邏輯挖掘基於業務特定需求產出對應標籤，常見的消費屬性中的客單價、消費金額、消費頻次等，有統一的生成邏輯，只需基於業務上游資料進行加工即可。

模型挖掘：使用模型挖掘的標籤通常對標籤覆蓋有一定的要求，常見的諸如年齡、性別、收入水平，教育程度等。建模過程中涉及機器學習、資料探勘演算法，譬如監督學習(分類、回歸)、無監督學習(聚類、關聯分析等)以及神經網路對時序性資料建模，乃至增強學習演算法。

基於資料型別可以分為以下幾種：

人口屬性(基本屬性)：年齡、性別；

興趣偏好：消費偏好，運動偏好，購物時間偏好等；

特徵人群：有車、有房、旅遊達人等；

使用者分級：消費能力、收入水平、消費水平等；

lbs屬性：常住地、工作商圈、家、公司等；

使用者行為：消費屬性(客單價、訂單金額等級等)，瀏覽頻次、交易頻次等；

業務標籤：契合具體業務產出對應需求標籤。

3、標籤分析以及洞察

將挖掘好的標籤落盤到對應資料表，通過查詢對應id對應資料可以洞察該使用者在不同屬性下對應的特徵分布情況，可以更好地服務使用者，為業務推送以及引流、**人群分析，人群圈選等提供重要支援。

4、畫像資料探勘整體架構

資料收集--->資料清洗----->特徵工程------>標籤建模----->訓練**----->質量評估------->線上應用----->反饋優化；

資料收集：資料探勘的天花板是資料本身，常見的資料主要來自於日誌打點、通過埋點上報以及爬蟲技術收集，通常使用大資料形式進行資料儲存。

特徵工程：主要針對資料進行處理，涉及異常值過濾、資料易購轉同構、資料加工(歸

一、標準等)。

特徵維護：既方便當前標籤的正常迭代，也方便後續挖掘新的標籤，符合一定的通用普適性，對整體資料進行梳理：使用者資料大體上可以分為靜態賬號屬性資料，諸如註冊時間，等級，積分等，以及lbs資料(常住地以及活動區域型別等)以及動態的行為資料(購買、搜尋、收藏等)，在此基礎上按照一定維度對資料進行劃分。

還可以考慮接入外部資訊例如常住地人群的平均消費水平，地段，**量等，解決資料稀疏問題。

機器學習模型：針對不同的業務需求使用不同模型進行訓練，常見的技術包括spark mllib、xgb、tensorflow等；

應用介面：標籤生成後，交付業務方使用，可以交付資料表形式以及建立畫像平台，通過平台直接調取顯示資料，減少上手成本。

5、困難與挑戰

標籤質量至關重要，這是乙個系統性工程，需要長期維護與優化；建立完善的實時資料流，及時有效捕捉使用者畫像特徵變化。

參考：美團機器學習實踐