「極客公開課·Live」5 分鐘帶你複習如何確立精準「用戶畫像」

此公開課為極客公園策劃的「極客公開課•Live」第十四期。本次公開課，我們將邀請到友盟+首席數據架構師&數據委員會會長張金來為大家講解到底什麼是用戶畫像，快速建模框架，如何提高用戶精準畫像的的準確性，從理論到應用的一起了解用戶畫像。

用戶畫像也叫用戶標籤， 是基於用戶行為分析獲得的對用戶的一種認知表達，也是後續數據分析加工的起點。從認知心理學的角度，用戶標籤其實與人認知世界的方式相一致，人為了簡化思考，通常也會通過概念化的方式簡化事物認知，這種概念認知就是標籤。因此，用戶畫像的內容可以很寬泛，只要是對人的認知，都可以叫做用戶畫像。例如：今天路過這個門口三次的人，也可以是一個標籤，只要他有合適的應用場景。

另外，我們需要從概念上加以區分，用戶標籤和用戶透視，一個是個體的認知，一個是整體的標籤分布，二者都經常被人統稱為用戶畫像。今天我們在這裡說的用戶畫像主要指標籤。

一、市場細分和用戶分群：市場營銷領域的重要環節。比如在新品發布時，定位目標用戶，切分市場。這是營銷研究公司會經常用的方式。

二、數據化運營和用戶分析。後臺 PV\UV\留存等數據，如果能夠結合用戶畫像一起分析就會清晰很多，揭示數據趨勢背後的秘密。

三、精準營銷和定向投放。比如某產品新款上市，目標受眾是白領女性，在廣告投放前，就需要找到符合這一條件的用戶，進行定向廣告投放。

四、各種數據應用：例如推薦系統、預測系統。我們認為：未來所有應用一定是個性化的，所有服務都是千人千面的。而個性化的服務，都需要基於對用戶的理解，前提就需要獲得用戶畫像。

做好用戶畫像需要一定的門檻，一方面是數據的體量和豐富程度，另一方面是技術和算法能力。今天介紹的經驗基礎是【友盟+】數據，首先簡單介紹一下。【友盟+】有覆蓋線上線下的實時更新的全域數據資源，每天大約有 14 億的設備，覆蓋數百萬級的網站和 APP 行為，這個龐大的數據量使得我們有豐富的數據資源來生產用戶畫像，同時又要求我們能相應的技術能力來進行處理。

結合上圖，用戶畫像生產流程概覽，我們將用戶畫像的生產比喻成一個流水線，就如同將礦石加工成成品的過程。用戶瀏覽網頁、使用 APP、線下行為，這些數據都是礦石，需要提煉、加工成為產品，最後還要通過質檢。

這個過程通常有幾個步驟。首先獲得原始行為數據，基於這些數據做特徵抽取，相當於清洗、加工的工作；在機器學習環節，會與外部知識庫有一些交互。實際上機器算法對人的理解，一定要基於知識體系，就好像我們說的概念。比如，機器給人打汽車相關的標籤，一定要首先知道汽車體系有什麼樣的分類，有什麼車型，有這樣的知識系統我們才能把人做很好的標識歸類。

最後，質量檢測，這一步也很重要。一個標籤的質量決定了後期的應用效果，如果前期對人的分析偏了，後期結果就很難做對。

上面講的是概念圖，如果具象到實際操作中，是這樣一個框架流程：

這裡先留三個懸念：

懸念一：從用戶行為日誌開始到標籤產出，為什麼有兩條線？

懸念二：標籤體系為什麼只作用在內容標註上？

懸念三：為什麼下面的「評估」過程要特別標註出來？

1、從用戶行為日誌開始到標籤產出，為什麼有兩條線？我們把畫像分為兩大類：第一類：統計型畫像；第二類：預測性畫像。

第一類，統計型畫像是客觀存在，這種都是興趣偏好。比如，用戶每天都在看汽車新聞、搜索汽車相關的內容，基於這種行為，我們判斷這個用戶對汽車感興趣。這些行為是客觀發生的，因此無所謂正確率，也不需要訓練樣本集。

第二類，預測性畫像。需要通過用戶行為做預測，像用戶的性別預測，尤其是挖掘人的內心態度。比如，用戶在消費時，是激進的，還是保守的？有預測就有準確率。所以這裡面有很重要的評估指標，就是正確率，也需要取樣本集。這就是二者的不同，也會有不同的加工流程。

再繼續介紹標籤體系，因為很多同學會問到，「我應該建一個什麼樣的標籤體系？什麼樣的標籤體系是比較好的？」通常我們會把它分為四大類：

第一類：人口屬性。比如說性別、年齡、常駐地、籍貫，甚至是身高、血型，這些東西叫做人口屬性。

第二類：社會屬性。因為我們每個人在社會裡都不是一個單獨的個體，一定有關聯關係的，如婚戀狀態、受教育程度、資產情況、收入情況、職業，我們把這些叫做社會屬性。

第三類，興趣偏好。攝影、運動、吃貨、愛美、服飾、旅遊、教育等，這部分是最常見的，也是最龐大的，難以一一列舉完。

第四類，意識認知。消費心理、消費動機、價值觀、生活態度、個性等，是內在的和最難獲取的。舉個例子，消費心理/動機。用戶購物是為了炫耀，還是追求品質，還是為了安全感，這些都是不一樣的。

在實際構建標籤體系時，大家經常會遇到很多困惑，我列舉 5 個常見問題。

第一、怎樣的標籤體系才是正確的？其實每種體系各有千秋，要結合實際應用去評估。

第二、標籤體系需要很豐富麼？標籤是枚舉不完的，可以橫線延展、向下細分。也可以交叉分析，多維分析。如果沒有自動化的方式去挖掘，是很難做分析的，太多的標籤反而會帶來使用上的障礙。

第三、標籤體系需要保持穩定麼？不是完全必要，標籤體系就是產品/應用的一部分，要適應產品的發展，與時俱進。比如，以前沒有共享經濟這個詞，今天卻很熱。我們是不是要增加一個標籤，分析哪些人對共享經濟的參與度高？喜歡共享單車、共享汽車。

但是，有一種情況下，標籤要保持穩定。如果你生產的標籤有下遊模型訓練的依賴，即我們模型建完後，它的輸入是要保持穩定的，不能今天是 ABC，明天是 BCD。在這種情況下，是不能輕易對標籤體系做更改的。

第四個，樹狀結構 or 網狀結構？樹狀結構和網狀結構從名字上就可以看出其分別。網狀結構，更符合現實，但是層次關係很複雜，對數據的管理和存儲都有更高要求。知乎，如果仔細去看它的話題設置，其實是網狀的。

網狀的特點就是一個子話題，父級可以不止一個，可能有兩個。比如兒童玩具，既可以是母嬰下分分類，也可以是玩具下的分類，它就會存在兩個父節點之下。樹狀結構相對簡單，也是我們最常用的。網狀結構在一些特定場景下，我們也會去用。但是實現和維護的成本都比較高。比如，有一個節點是第四級的，但它的兩個父節點一個是二級，一個是三級，結構異化帶來處理上的麻煩。

第五個，何為一個好的標籤體系？應用為王，不忘初心。標籤是為了用的，並不是為了好玩，最好保證標籤體系的靈活和細緻性。

再回到剛才說的生產流程上。我先結合下面的圖介紹上半邊，統計型的標籤是怎麼去加工的。

首先我們要有行為數據，例如用戶每天看 100 篇文章，有 40 篇是體育的，有 30 篇是汽車的，有 20 篇是旅遊的，還有 10 篇其他的。我推測，你比較喜歡體育、汽車、旅遊。

對於這樣的標籤，大概需要什麼流程去做呢？環節一很重要，內容標註。只有知道用戶看的內容是什麼，才能統計偏好。環節二，如何基於用戶行為做聚合統計和歸一化。

在做內容標註時，一般會有兩種情況：第一種：有些公司在建自有用戶畫像時會很幸運，例如電商、視頻類、音樂類的媒體，它給用戶服務的這些內容是已經分類好的。可以直接用內容的標註來做用戶行為標註。

但是，對於一些通用型的內容，比如【友盟+】的數據，會有 PC 瀏覽數據、APP 的使用數據，一定要先了解用戶喜歡看什麼，才能去做下一步的工作。在這裡面，最複雜，也最典型的就是網頁的內容標註。

根據用戶的行為，統計標籤數值，歸一化。比如，我們判斷用戶是喜歡運動、還是服飾，會將他看來多少相關網頁、使用了多少 APP 進行累加，在除以一個總累積，得到一個標籤得分。

這裡面有幾個點需要關注：

第一、統計量的選取。可能是瀏覽數量、瀏覽時長、瀏覽頻度、複合關係等。舉個複合關係的例子，對於某個商品類目的偏好，你可以將瀏覽、搜索、收藏，購買等行為統計量加權在一起考慮。

第二、個體內的可比性。個體用戶的不同標籤間具有可比性。舉個例子，我有兩個標籤：閱讀、旅遊。我的閱讀標籤是 0.8 分，旅遊是 0.6 分，代表我更傾向於去閱讀，而不是去旅遊？如何保證這一點呢？在上面公式裡將個體的行為總和作為分母就可以了。

第三、垂類內的可比性。一個垂類內不同用戶的相同標籤具有可比性。

例如，我的動漫得分是 0.8，你的是 0.6，表示我比你要更喜歡動漫。那麼分母就是選取整個動漫類行為的總和。比如說，今天全國用戶在 B 站上一共 100 萬小時，你有 1 個小時，你是百萬分之一，他花了 2 個小時，大約是百萬分之二，最後再做一個歸一化，就會產生一個類內可比的得分。

我們剛剛說的是絕對化的值，還有一個簡單的做法就是做排序，基於用戶的使用時間做排序，這樣也可以。

但是排序和歸一化到底有什麼不同？排序只代表相對性，而剛才說歸一化代表了強弱， 我的得分是 0.8 和你是 0.6，就表示偏好強度上我比你高了 30%，而排序則不能反映這樣的比例。

11、統計型標籤生產要點回顧

1、行為數據。瀏覽、使用、點擊、購買、LBS 等，通過行為數據反映人的偏好傾向；

2、標籤體系。根據實際需要進行設定。可以參考《消費者行為學》、電商類目體系、應用市場體系、媒體資訊體系等；

3、內容標註。把行為相關的內容抽出來做分析，把標籤體系先打到它們身上，再累積到「人」身上；

4、得分歸一化。明確歸一化的目標，選擇所需的歸一化方法。舉個例子，推薦適合用個體內可比較的得分，不管 A 看會某個內容用了多少時間，A 所看到最多的內容就優先推薦給 A，不用和其他人比較；

但在投放廣告上，就要考慮用戶在這個商品上的傾向度有多高，需要用戶間可比較的得分。

預測性標籤的生產流程：特徵抽取→監督學習、樣本數據→評估→標籤產出，這也是經典的機器學習流程。

特徵工程，是機器學習的關鍵過程之一。最重要的是提取不同側面的特徵。我們以移動端使用行為可抽取的部分特徵為例：

1、APP 使用事實特徵：用戶 30 天內開啟 APP 的天數、用戶 180 天內開啟 APP 的天數。這兩個數據都會作為特徵，考慮用戶短期和長期的情況。

用戶 30 天內使用 APP 時長佔比、用戶 180 天內使用 APP 時長佔比。剛才說的是次數，這塊是時長，用戶可能反覆打開，但是總時長很短。

2、興趣特徵：雖然信息有損失，但是泛化效果更好。舉個例子，你是 A 站用戶，他是 B 站用戶，理論上講，如果我們用最底層的數據，你們兩個人是不太一樣的，但某種程度上，他們都是對二次元感興趣的人；

近期用戶興趣標籤歸一化值、長期用戶興趣標籤歸一化值。用戶長短期基於興趣標籤下使用不同 APP 的熵值、歷史某類 APP 時間消耗佔比變動比例。其實反映了我們要看這個分布，以及分布的趨勢性，你過去關注度高，現在關注度減弱，和你過去關注度不高，現在關注度高，其實這兩個是完全對應不同的人，這也是我們參考的特徵。

3、設備與環境特徵：近期使用的設備品牌、近期使用的設備型號；工作日時間段內 Wi-Fi 使用時間分布、休息日時間段內 Wi-Fi 使用時間分布（工作日與假日的區分）。

1、模型選擇。有有監督的分類算法：邏輯回歸、SVM、決策樹、Bagging、深度學習；

2、二分類 or 多分類。二分類比較簡單，多分類則有不同的拆分策略。舉個例子，把人分為男女，是二分類的問題；分為年齡段，就是多分類的問題，我們在機器學習當中也有不同的做法，OvO（一對一）、OvR（一對其他）、MvM（多對多）。

3、結果評估。評估指標包括：正確率、召回率、應用效果。但是對於統計型標籤來說無正確率，召回率看閾值，今天你只看一個汽車的型號，理論上我也可以給你打一個標籤，但是分值非常低，這個分值到底要不要算做這個標籤的人，要看中選什麼樣強度的人。預測型標籤，一般看 Precision，Recall，F-Score，ROC。

4、Ranking 任務。一類特殊的定製化標籤。針對特定場景，如對電話營銷需要按照可能性排序打電話。套用上述模型，可以用最終得分來做 Ranking。

15、關於標籤評估的延展

標籤的生產不是目的，使用才是。正確率≠效果，舉個例子：喜歡看車不代表是試駕購車的目前人群。

第一，用戶分層的評估。針對於重點人群進行評估，不同人群分層進行評估；第二，從全局進行評估。不要只局限於樣本集合的評估，參看一些全局統計數據。例如，人口屬性的分布和統計局的結果是否相符？第三，有效果反饋的應用。將標籤直接應用於使用場景中檢驗效果。例如，進行營銷的定向投放，測試點擊率；第四，利用其它數據佐證。使用其他行為數據來驗證標籤的有效性。例如，在電商環境中後續的行為差異來評估顯著性。

我們今天不再強調標籤豐富度，而是快速建模的能力。快速建模怎麼做到？這套系統在【友盟+】比較完備，使得我們收到一個樣本就可以很快訓練模型，這個流程最快 3 個小時就能夠把標籤算出來。

Data -> Insight -> Action->Data->…

第一步，先有數據，就像標籤生產出來，要有數據的過程；第二步，分析，洞察。洞察並不是最終目的，因為洞察只是得到一個結論或者方向；第三步，開始應用；應用後又帶來新的數據，從而形成數據的閉環。舉個例子，廣告怎樣的群體點擊了，數據被反饋回來，下一個循環可以進行調整，不斷地迭代，優化整個效果。

DIP營銷服務流程

關於上述流程的實際使用，結合【友盟+】DIP 數據智能平臺講一下營銷服務流程是如何做的。

左上面是我們一些數據，例如：客戶上傳數據後，我們會有一個匹配的過程，把所有數據打通連接。上傳、匹配之後，會對這些數據做人群分析。比如說寶馬 X1 今年剛上市，他們把去年購買 X1 的用戶都上傳上來，我們會分析這樣的用戶在哪些方面是有特性的，比如年齡段、地域分布、收入、偏好。有了這樣的分析後，我們可以選擇相應的人群，基於歷史的偏好、特徵，然後再去投放；如果中間我們會發現人群量不夠，最初選擇 10 萬人可以放大到 100 萬人。最後輸出到媒體、RTB 等渠道商。做預算，看效果，將效果數據回流，再去迭代，以進一步提高投放的精準率。這是我們常用的一個流程。

在舉個實際的例子，如果要做一個新產品的傳播推廣，這時需要做定向投放。我們先要對潛在用戶要進行分析，例如對於科技產品非常感興趣的人，我們發現他每天 8、9 點特別活躍，通過進一步分析，他會和哪些媒體做觸達，或者他看不看電視會不會留意到地鐵裡面的廣告，這也是一個觸達渠道，以及看什麼樣類型的，看資訊、社交、八卦，這個不太一樣。要找到受眾，應該到哪找？比如說去這種有態度的網易新聞，還是個性化的今日頭條，或者說騰訊新聞，這都需要進行分析。

基於上面的分析之後，再做結合分析。舉個例子，你對科技感興趣，那你的手機是不是到了更新期，你手機大概用了三年，應該到了更新期，就可以對這樣的特定人進行投放。把人圈出來，投放、曝光，曝光之後我們去看營銷的結果，然後返回來繼續分析，會不會對其他內容感興趣，再去做下一輪分析。

這就是我們之前做的一系列方法的一個應用。

最後關於數據應用我再給出一些通用型的建議：

第一、分析：

1、結合業務場景去選擇分析維度：如果你是給中年婦女推薦保健品，你去分析她們喜歡不喜歡二次元，這就非常說不通了。

2、不要只是簡單的看畫像分布，一定要做對比。

3、例如，與大盤對比情況：TGI。上圖是我們分析一個 APP 內的購買人群。紫色的線是人群的分布，年齡段的分布。我們看到 18-30 歲之間的人很多，感覺還不錯。但是，如果你做一下大盤情況，APP 的用戶大多是年輕人，因為本身這個產品有一個年齡偏小的分布特徵。通過分析對比之後發現，TGI 比較高是 30-39 歲的人，這個範圍的人才是在購買人群裡面是顯著的，這個群人才是你去做運營活動、投放的人群。

分析，一定要去做對比，單純看分布是並沒有太多信息含量。不對比看不出來差異。

4、環節的對比。哪些人我觸達了，哪些人到這裡落地了，哪些人註冊了、哪些人真正瀏覽、哪些是留存、哪些是付費，每一個環節你都可以做這樣的分析。

第二、精準投放（Action）。這是我們今天做標籤非常大的一類應用。這時候大家可能會發現，我們做品牌廣告、效果廣告是不同的，舉個例子，品牌廣告我們就會關心 TA 濃度，關注我投放廣告的人性別怎麼樣、年齡分布怎麼樣。效果廣告是不一樣的，效果廣告通常很直接，你這個人是不是點了，最終 CTR 高不高，最終購買 ROI 高不高，這種一定是你最直接的興趣是什麼，你什麼性別不重要，我就想知道你要不要。

另外一點，直覺未必靠譜，一定要通過反饋來檢測，就是剛才說我們為什麼要數據閉環，比如說，有一個商品設計者說，我這個產品目標是吸引白領女性，實際上他上市場去賣的時候發現，買他的男性大學生最多，跟他想的根本不一樣。

如果你一直持續的給白領女性做廣告投放，實際上效果可能不是最優的，反而你做校園活動會達到更好的效果。

甚至說，你可以基於你的用戶場景做專屬標籤，以及你可以通過人群放大來做處理。舉個例子說，我今天有新的車型上市，一個方法是，先選取對汽車感興趣的人，或者 SUV 感興趣的人，就可以去做投放，這個效果就可能不是最優的，更優的情況是針對你這個 case，去針對性的做訓練，針對性的選取跟你相關的人，通常效果上比通用的標籤選取更好，這時候我建議如果你特別強調你的效果，就去試試訓練專屬的標籤。

更多詳細講解，請見知乎 Live

以上就是本次公開課的關鍵內容，更多演示請點擊「極客公開課•Live」第十四期或掃描下方二維碼查看獲取：