大数据营销之用户画像
点击标题下「蓝色微信名」可快速关注
用户画像，即用户信息标签化。用户信息包括用户的基本信息、社会属性信息、人口统计学信息和在APP上的行为信息等。根据用户真实数据，通过建立用户模型，将用户的各项属性和特征抽象为一个个的标签，供上游其他系统使用。原始的用户画像不仅仅包含标签，还包含权重。
如下图所示，通过用户画像，目标用户身上被打上了许多许多的标签，其中字体越大的即说明对应权重值越高。
用户画像的主要工作是用户信息的标签化，一个个的标签非常适合计算机进行处理。没有用户画像的情况下，日常运营活动、广告投放、产品功能优化等要么全量进行，要么凭经验预估进行，有需要的用户可能没收到推送，没需要的用户无端受到打扰，因此对用户造成损害的同时，也在浪费成本，且用户画像的缺失，会导致无法对效果进行细致评估。有了用户画像，这些日常工作将收到事半功倍的效果。
用户画像的应用非常广泛，因其囊括了用户相关的大量信息，在很多场景下都可以发挥其威力，下面我来为大家介绍下其常见的四种典型应用场景：
一个APP的用户量级动辄成千上万乃至上千万，用户与用户之间千差万别，更重要的是，如今各种信息过载，那么挑选用户所喜欢的内容及时送到用户面前，是任何一个APP成功“黏”住用户的必备技能之一，因此，基于用户画像而进行的个性化推荐就显得十分有必要了。
任何一个APP最终要解决的都是如何实现商业变现，承接广告是普遍采取的方式之一。可是，该承接什么样的广告、怎样让广告主信服你的APP能带来收益、如何合理的去实施广告投放都是首先要解决的问题。因此，你必须对你的用户有一定的了解，比如，是男性用户偏多还是女性用户偏多，年龄分布，家庭收入如何，消费水平和消费记录是什么样的，有没有什么特殊的偏好等等，当有了完整的用户画像体系，对用户的这些信息都一清二楚以后，就可以对广告主的各种投放需求(比如广告主只想投放北上广喜欢看综艺的用户)做更好的承接，也可以做广告的精准投放，知道什么广告该给什么样的用户投放。
一个产品设计之初，有一定的目标用户定位，但随着产品的发展，未来的发展规划，还需结合用户的特性来调整和改变。比如OTT端智能电视类视频APP，设计之初是面向家庭用户，发展一段时间以后，通过用户画像发现，家庭组成中有小孩的居多，于是衍生出一款独立APP，专门针对有小孩的家庭用户，新的APP以少儿类视频节目和少儿教育课程为主，通过课程收费实现收益。
随着产品功能的不断丰富和用户量的不断增多，用户的需求与产品功能之间的匹配关系需要得到精细化的运营。而精细化的运营就是通过用户分群，对不同需求的用户匹配不同的服务和内容，从而满足其个性化的需求，以更好的完成运营中拉新、促活的工作。
采集数据时，需要根据用户画像的构建目标采集多维度的数据，像用户的基本信息数据、社会属性数据可通过用户访谈、用户信息填写及问卷等方式获得，而用户的人口统计学数据和行为数据需要通过埋点等方式获得。
数据预处理包括数据清洗、数据结构化处理、数据合并等基础工作，数据清洗主要是过滤无效或者虚假数据，针对特定的业务系统如用户画像而言，还包括过滤掉非目标数据；而数据结构化处理、数据合并等需结合具体业务和应用场景，整合出用户信息雏形。
在这一步是将得到的各项用户信息映射到对应的标签上，且给各个标签赋以相应的权重，而权重值的计算是用户画像标签体系得以构建的关键，以视频类APP中所有内容偏好的标签信息都基于用户的播放行为产生为例，某标签的行为用户越多，权重则越高，且随着时间的推移，权重值会相应的发生变化。下面给出一个生成用户标签及对应的权重的实现方案。
Step 1：确定行为几率与行为用户占比
其中，
Step 2：时间衰减
其中，
Step 3：确定权重
最终，
用户喜欢观看的各视频类型的标签数据如下：
每个用户的所有信息生成标签并得到权重值以后，一个用户的所有标签合并起来组成该用户完整画像，最终生成的用户画像数据落地入库，每日计算更新，然后再根据各业务应用场景的不同需求进行调整和对接，比如与会员运营平台、广告运营平台等打通，为之提供决策支撑。
了解是采取行动的前提，怎样才能获得用户的关注，取决于你有多了解用户以及他们的需求，就像追求恋人，投其所好方能终成眷属，所以，通过构建用户画像才能使得产品更贴近用户的需求，获得用户的青睐与信任。
更多精彩内容
长按扫码可关注