一文从到掌握用户画像知识体系

转载自人人都是产品经理作者大鹏原文地址:.前段时间上了一个用户画像的课程，另外也研读了一些讲述用户画像的文章；基于对上述学习内容的理解，同时结合工作实践，通过本文和大家分享下有关用户画像的认知、建设方法、产品化和应用

网站运营指标体系

一、初识用户画像.用户画像随着用户的一切行为数据可以被企业追踪到，企业的关注点日益聚焦在如何利用大数据为经营分析和精准营销服务；而要做精细化运营，首先要建立本企业的用户画像

网站运营体系

网站运营

用户角色建立在对真实用户深刻理解，及高精准相关数据的概括之上，虚构的包含典型用户特征的人物形象

有关用户画像系统、落地应用的详细描述，见「用户画像产品化」「用户画像应用」「用户画像实践案例」章节

）用户标签建立用户标签，不用非要组合用户属性和行为事件，单用用户属性可以，单用行为事件也可以；基于用户属性、行为事件计算出的用户标签，本质也是用户属性，或者说用户属性本身就是标签

）规则类标签该类标签基于用户行为、用户属性和确定的规则产生；例如，对平台上“消费活跃”用户这一口径的定义为“近天交易次数≥”；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由运营人员和数据人员共同协商确定

）机器学习挖掘类标签该类标签通过机器学习挖掘产生，用于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

在项目工程实践中，一般统计类和规则类的标签即可以满足应用需求，在开发中占有较大比例；机器学习挖掘类标签多用于预测场景，如判断用户性别、用户购买商品偏好、用户流失意向等；一般地，机器学习标签开发周期较长，开发成本较高，因此其开发所占比例较小

事实上，最终标签体系中是以用户视角定义的，需要结合具体的业务；比如某电商业务标签分类，用户属性维度标签、用户行为维度标签、用户消费维度标签、风险控制维度标签、社交属性维度标签

.标签建设流程下图是一个标签建设流程，会侧重产品经理视角，主要描述需求的分析过程和产出文档，同时对标签的开发原理进行简单总结

）需求收集与分析在需求收集与分析环节，可以按还原业务流程——明确商业目的——从策略推标签——汇聚标签的步骤开展

此处推荐：OSM模型（O、S、M）销售公式=流量*转化率*客单价*复购率从商业目的导向运营策略设计及用户标签需求针对不同商业目的，对标签体系的建设也是不一样的，因此要从运营策略推导出标签；比如业务部门要做个性化推荐，做关于物或者人的兴趣、偏好的标签会比较有价值；但是如果要做精细化运营，关于用户的留存、活跃标签会更有价值

参考下方用户标签选用的案例：把提升扫码方式关注率作为量化的目标，选用的运营策略是通过推送优惠券方式吸引用户扫码，新粉丝扫码关注后推送元优惠券，老粉丝扫码后推送元优惠券，那么执行运营策略过程中需要用到“是否新粉丝”这个标签

在此阶段，可以准备一个简单的记录沟通内容的E模板，列表头包括标签名、标签规则、使用场景等，和业务方一起把沟通内容记录下来

组织标签关于组织标签，需要基于对业务和策略的理解，以用户视角进行分类管理

下面是一个参考框架：用户属性类标签：性别、年龄、省份、城市、注册日期、等；用户行为类标签：近日访问次数、近日客单价、近日活跃天数、近日访问时长、平均访问深度等；用户消费类标签：收入状况、购买力水平、已购商品、购买渠道偏好、最后购买时间、购买频次等；商品品类类标签：高跟鞋、靴子、衬衫、法式连衣裙、牛仔裤等；社交属性类标签：经常活跃的时间段、活跃地点、单身、评价次数、好评度等；）产出标签需求文档经过前面的需求收集与分析，已明确了业务方的标签需求

撰写标签体系文档在此环节，数据产品经理需要根据前期和业务方的沟通内容，产出具体的标签体系文档：标签ID：例如，ATTRITUBE_U__，其中“ATTRITUBE”为人口属性主题，“_”后面的”U”为维度，“_”后面“”为一级归类，最后面的“”为该一级标签下的标签明细标签名称：英文格式名称，例如，标签汉语：女标签主题：描述标签所属的主题，例如，用户属性维度标签、用户行为维度标签、用户消费维度标签；标签层级ID：标签所属的层级，一般会分为级；名称：与ID对应的名称；标签类型：统计类标签、规则类标签、机器学习算法类标签；更新频率：实时更新、离线T+更新、单次计算；标签算法规则：需要描述选择哪张数据表中的具体哪个字段，若需要多张表做关联，还需要说明通过什么字段进行；具体的算法逻辑和统计周期，比如“近天支付次数”，就是需要统计近天支付的总次数；使用场景描述；排期；开发人；需求方；优先级；根据标签规则确定埋点：前面已经明确了标签的算法规则，接下来要进一步确定应该埋哪些点来采集所需的数据，下面是一个具体案例：针对“购买商品品类偏好”这个标签，会用到点击下单按钮事件数据，以及商品名称、商品分类等事件属性数据，那么就需要对点击下单按钮事件进行埋点

）撰写数据需求文档埋点取哪些数据已经确定了，就需要产出具体的数据需求文档，交付负责埋点的开发同事进行埋点取数了

比如对于点击下单事件，可以选择点击了下单按钮时就进行上报；埋点形式：根据实际情况，选择是客户端埋点，还是服务端埋点；比如“购买商品品类偏好”标签的下单按钮点击事件，因为只是想判断用户对购买商品的偏好，用户点击按钮后已经能说明是否有偏好了，不需要等服务端返回是否成功的提醒，因此适合采用客户端埋点形式；属性名：事件属性的名称，比如点击下单按钮事件的商品名称属性；属性值：比如衬衫；备注；实际工作中，撰写标签体系文档、根据标签规则确定埋点、撰写数据需求文档，会是一个互相完善补充的过程

除去基础设施外，系统主体还包括ETL作业、用户画像主题建模、标签结果数据在应用端的存储个重要组成部分

如图所示是用户画像数仓架构图，下面对其进行简单介绍：H数据仓库ETL作业下方虚线框中为常见的数据仓库ETL加工流程，也就是将每日的业务数据、日志数据、埋点数据等经过ETL过程，加工到数据仓库对应的ODS层、DW层、DM层中

监控预警数据：在对画像的数据监控中，调度流每跑完相应的模块，就将该模块的监控数据插入MSQL中，当校验任务判断达到触发告警阈值时，就触发告警

HB与H不同的是，HB能够在数据库上实时运行，而不是跑MR任务，适合进行大数据的实时查询；下面通过一个案例来介绍HB在画像系统中的应用场景和工程化实现方式：某渠道运营人员为促进未注册的新安装用户注册、下单，计划通过A首页弹窗发放红包或优惠券的方式进行引导；每天画像系统的ETL调度完成后对应人群数据就被推送到广告系统（HB数据库进行存储）；满足条件的新用户来访A时，由在线接口读取HB数据库，在查询到该用户时为其推送该弹窗

对于用户标签查询、用户人群计算、用户群多维透视分析这类对响应时间要求较高的场景，也可以考虑选用E进行存储

三、用户画像产品化从业务价值来说，标签和画像类似一个为前台服务提供数据支持的中间层系统模块；开发完画像标签数据，如果只是“躺在”数据仓库中，并不能发挥更大的业务价值；只有将画像数据产品化后才能以标准方式提升数据处理链路上各个环节的效率，同时也更便于业务方使用

SDK：客户端SDK：通过客户端SDK埋点，可以采集OS、A、小程序、网站等各种客户端的用户行为数据和用户属性信息

服务端SDK：若数据已经存在数据库、数据仓库，比如订单信息，可以使用对应开发语言的服务端SDK进行数据的采集

L：针对不同第三方产品OAPI的特点，采用接收事件消息推送、或主动轮询方式采集用户在不同第三方应用系统的个人属性和行为事件数据

）数据接入埋点数据先大量进入K，然后慢慢消费接入后续的数据整合存储系统

）数据整合T：C：比如，某个用户的出生年月时间是未来的某个日期时刻，因此就需要把这类脏数据给过滤掉T：比如，通过某个第三方应用API获取到的所有用户的地区信息是IPB标准编码形式，为了能和其他渠道的信息一起进行分析，就需要根据IPB标准编码转换成标准的省、市格式IM：各个渠道接进来的用户属性数据、行为事件数据等都是孤立的，为了能计算用户的全方位的综合标签，就需要做用户的识别合并；比如通过ID，识别合并绑定在同一开放平台的公众号、小程序、网站的同一个用户的信息

）标签应用标签的应用主要分为前端画像展示、通过API接入其他系统两大类应用方式，通过下面的「.用户画像产品化功能模块」章节具体描述

旨在建立和统一使用者对企业数据资产或者核心人群数据的基础认知，主要分成以下几类：用户量级及变化趋势：不同设备类型ID量级、不同类型用户量级(如注册与非注册用户、付费与非付费用户等)；标签资产：按主要类目统计标签个数等；核心用户标签：展示固有或自定义人群的关键标签画像数据等；）标签管理供业务人员进行标签的增、删、改、查等操作，包含：标签分类、新建标签、标签审核、标签上下架、标签覆盖人数监控等

基于用户行为数据、用户属性数据，通过设置标签规则创建标签：）单用户画像主要能力包含通过输入用户ID，来查看单用户画像的详情数据，如用户的属性信息、用户行为等数据

产品经理、运营、客服等业务人员在应用标签时，可能不仅仅只查看某一个标签对应的人群情况，更多地可能需要组合多个标签来满足其在业务上对人群的定义

用户群画像和用户分群功能相似，用户群画像功能首先也需要组合标签圈定用户群体，不同之处在于用户群画像功能支持从多个维度去分析圈定用户群体的特征；而用户分群功能侧重的是将筛选出来的用户群推送到各业务系统中，提供服务支持

）BI分析BI平台和这些数据打通后，可以丰富数据的维度，支持通过多种分析模型进行更加丰富和深层的分析及对比

）OAPIOAPI能够保障画像系统数据与各系统之间打通，如推送系统、营销系统、广告系统、推荐系统、BI等平台，并且保证各系统数据的实时更新，避免同源不同数的问题

为了精准定位目标人群流量，渠道运营人员现在计划做两个AB组测试，首先需要做好流量的切分，可以使用AB人群

在该测试方案中，控制组A选取了A路径、近天来访过，且近天内浏览加购过该零食的用户群，给该批用户推送零售文案A；对照组B选取了B路径、近天来访过，且近天内浏览加购过该零食的用户群，给该批用户推送零食文案B

该测试方案中，控制组A选取了A路径、近天来访过，近天内浏览加购过该零食的用户群；对照组B选取了B路径、近天来访过，且没有类目偏好的用户群；对AB组用户群都消息推送相同的文案，后续监控两组人群的点击率大小，进而分析精准营销推送带来的增长点大小

）效果分析在AB组人群消息推送上线后，后续需要搭建监控报表来监测控制组和测试组的流量和转化情况，主要关注下方列表中的指标：例如，使用事件分析模型搭建的AB人群的GMV对比报表，见下图：.女神节定向营销）案例背景某主打女士商品的品牌商，计划在女神节对不同品类偏好的女神进行定向营销；营销信息会分两次推送，首次是在当天的:推送促销信息，第二次是在当天晚上的:再统一来一波促销提醒，最后通过追踪目标受众的当日支付订单完成率来评估营销效果

.新安装未注册用户实时营销）案例背景某零食商城A运营人员为促进未注册的新安装用户注册、下单，制定了运营规则：新安装未注册用户打开A时，通过A弹窗方式为其推送优惠券进行营销；比如，用户安装A后未进行注册，用户改天打开后立马对其推送A弹窗优惠券，以更好地引导用户完成注册、下单