什么是用户画像
用户画像( profile) :即用户信息标签化,就是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后,完美地抽象出一个用户的商业全貌,是企业应用大数据技术的基本方式。
用户画像可以帮助我们了解到用户需求是什么,通过建立用户画像(一个真实用户的形象),可以让我们设身处地地去思考用户需求。
用户画像的价值与应用
战略分析
- 业务经营分析
- 收入分析
- 竞争分析
- 用户维护
产品运营
-
业务运营监控
- 异动智能分析(风控)
- 用户漏斗分析
- 用户生命周期管理
-
用户体验优化
- 产品体验分析
- 口碑监测
盈利变现
-
数据服务
- 分析结果可视化
- 数据分析产品化
-
精细化营销
- 个性化推荐
- 定向广告
- 活动效果提升
如何创建用户画像
用户画像的核心其实就是给用户“打标签”,即标签化用户的行为特征,企业通过用户画像中的标签来分析用户的社会属性、生活习惯、消费行为等信息,然后进行商业应用。构建一个标签系统成为企业赋能更多业务的关键。
核心:定位&认识你的用户
画像标签分类
画像标签体系
用户画像的关键难题
构建用户画像需要实时采集数据建模,且同一用户可能使用多台设备,或多个用户使用一台设备;用户在多个产品间的账号体系也不尽相同。因此如何采集、清洗、打通数据和挖掘建模是几大关键难题。
抖音、QQ浏览器、百度APP的用户画像差异
抖音APP用户画像
抖音:年轻用户主导,地域分布有一定下沉特征。接下来进行2021年11月,抖音App用户画像分析
*抖音用户中男性比例稍高于女性,达到55%; 30岁以下年轻用户占比接近50%,地域分布以新一线城市、三线以上城市居多,呈现出一定下沉特征。 *
QQ浏览器APP用户画像
QQ浏览器:用户性别、城市分布较均衡。接下来进行2021年11月,QQ浏览器App用户画像分析。
QQ用户基础较稳定,男女比例均衡,年轻用户占比大,城市线级分布中一线城市占比仅10%,其他城市线级分布相对较均衡。
百度APP用户画像
百度:青年用户为主,地域分布有一 定下沉趋势。接下来进行2021年11月,百度App用户画像分析。
百度用户男性占比稍多于女性,达57.8%;年龄分布中31-35岁的用户占比最大,接近三成;城市线级分布中新一线和二三线城市占比较多。
推荐系统中的用户画像
推荐系统的用户画像,一般包括用户基础信息和偏好信息。而偏好画像是重点,数量上占了推荐系统用户画像的绝大多数,是我们召回和模型训练的基石。
推荐系统架构
召回阶段使用用户画像,主要是通过用户画像召回相似的物品。
比如:一个短视频APP上,用户海贼王偏好值比较高,就可以针对海贼王进行内容召回。
排序阶段使用用户画像,是在模型上使用的。
模型将用户画像数据作为一部分的特征值,用于模型的离线训练或者实时模型更新。
推荐系统的用户画像
推荐系统关键点:
用户画像为核心基础
以效果广告为代表的精准营销
以视频推荐为代表的相关推荐
以电商推荐为代表的效果推荐
QQ好友,微博等关系链推荐
Tips定向推荐
...
存储格式:结构化数据、文本、图像、音频、视频···
数据-用户:
数据-场景:
数据-场景:
推荐位置变量: PC页面、客户端、无线侧
环境变量:雾霾、下雨、紫外线
时间变量:早中晚、周末、假日
空间变量: LBS数据.
其他变量:实时行为、状态
算法:针对不同的推荐场景,基于不同的数据采用不同的算法策略