一文搞懂使用者畫像︱敏捷軟體開發之使用者故事

使用者畫像，最簡單理解為一堆使用者特徵或者標籤的組合。

關於“使用者特徵”

特徵，是指對於同一個指標，在某個維度上的表現特別與眾不同。並且這種與眾不同在營銷上也具備較強的知道意義。所以，使用者畫像中的維度並不是什麼阿貓阿狗都能納入的。正因如此使用者畫像才能理解為“一堆使用者特徵或標籤的組合”。

有時候，我們也把使用者畫像叫做：營銷工具。

使用者標籤是對資料的再加工。本質上來講，標籤就是對使用者特徵的描述，如男/女，偏好，狀態等，很多時候也是作為使用者分層/分群的規則之一。

標籤包括使用者的屬性資料、行為資料、偏好資料等，在標籤屬性上又可以分為靜態標籤和動態標籤，這些資料構成了建立使用者畫像模型的基礎。

關於“標籤”

標籤，也是營銷工具，並且標籤可以嵌入到業務流程中的各個系統中實現運營策略的自動化。例如流程中中斷的使用者，會被打上標籤，然後在一定週期內觸發各種策略（推送等）。同時我們常說的“千人千面”也是根據使用者標籤來實現的。

這裡也補充我在課程中關於靜態標籤、動態標籤的示意圖：

那為什麼要做使用者畫像呢？企業在發展壯大時期，很重要的一點是對使用者的認知和了解。

使用者畫像是瞭解使用者及產品健康度的有效工具，如核心使用者屬性是否變化，平臺使用者構成等，也可以更多維度的對使用者行為屬性變化做深層的分析對比。

關於“對使用者的認知和了解”

事實上，營銷或者業務層面對於瞭解使用者認知使用者的方式方法非常多，但最終都是都會落地為使用者畫像。

透過對使用者標籤特徵進行分析、統計以及挖掘潛在價值資訊，從而抽象出一個使用者的資訊全貌。使用者畫像也可以看做是企業應用大資料的根基，是定向廣告投放與個性化推薦的前置條件，以及資料驅動運營的基礎。

上面我們說到，使用者畫像建模過程其實就是為使用者打標籤。對於標籤的產生，在來源上一般分為三種：

1）統計類標籤：這類標籤是最為基礎的標籤型別，例如：使用者屬性標籤，性別、城市等，使用者行為標籤，如APP使用時長、活躍天數、累計消費金額等，是可從使用者相關明細表/資料中統計得出。

該標籤構成了使用者畫像的基礎，是使用者畫像最常應用的分類規則。

關於“統計類標籤”

這個確實是最常用的，因為可以根據非常簡單的統計方法即可生成。但是涉及到行為類的統計標籤，通常還會和下面的規則類標籤一併使用。

2）基於規則的標籤：該類標籤基於使用者行為及確定的規則產生，如最近30天活躍天數大於15天，為“活躍使用者”的標籤規則。

關於“規則類標籤”

規則類標籤是典型的人工標籤，即人為基於對業務的理解而制定的標籤。這類標籤和業務聯絡極為緊密，通常是有了明確的業務目標後才開發此標籤。規則類標籤不太靈活，例如上面的“活躍使用者”標籤的定義是“最近30天活躍天數大於15天”，如果業務目標改為“最近10天活躍天數大於5天”的話，要麼重新開發新標籤，要麼將規則類標籤進行引數化處理以適應不同業務的需求。

3）基於挖掘的標籤：該類標籤多用於預測，需要透過演算法挖掘產生。例如：根據一個使用者的行為習慣判斷是男性還是女性，根據一個使用者的行為判斷其對某商品的偏好程度等。

資料來源的梳理和基礎規則的應用是應用挖掘類標籤的前提。挖掘類的標籤是個循序漸進的過程，在實際使用過程中可做不斷調優。

需要注意的是，在著手搭建使用者畫像體系之初，要從業務實際需求出發，使用者畫像是為了驅動業務、實現增長，而不是為了有標籤畫像而做標籤畫像，不能本末倒置。

很多傳統企業做使用者畫像有一個誤區，即使用者畫像就是一份高大上的使用者分析報告，畫像標籤多以使用者基本屬性和靜態標籤為主，但實際跟業務系統並沒有打通，也沒有真正對業務產生價值，淪為了形式主義。

因此做使用者標籤畫像應以終為始，明確業務場景和需求解決的問題。標籤畫像 “有了”和“用上了”，以及“做了”跟“做好”，中間存在著很大的鴻溝。

應用場景1：精細化使用者運營，提升使用者生命週期價值此類應用場景是使用者畫像最基礎且應用最為廣泛的場景，即根據使用者行為標籤特徵進行使用者分群，制定使用者生命週期管理模型。透過監控使用者階段（標籤）的變化，根據使用者的實時狀態、行為與標籤的遷移進行運營幹預，達到預防流失、召回的目的。

關於“精細化使用者運營”

這個場景的典型使用流程是：

業務目標 -> 使用者畫像 -> 專家解讀 -> 開發標籤 -> 制定策略 -> 分析效果。

所以，在營銷中的標籤，通常為上篇講到的規則類標籤，即人工制定規則。

例如對預流失標籤+某產品型別的偏好使用者群體做及時的個性化內容觸達，達到預防流失的目的等；

關於“流失召回”

存量時代新增枯竭，流量運營的大方向就是兩個：提升留存和流失召回。流失召回也是一項很考驗運營能力的工作，詳情請參閱本站原創文章：

《深入探討使用者的沉默和流失》

《沉默使用者預警體系的搭建與運營》

《【續】沉默使用者預警體系的搭建與運營》

《【完結】沉默使用者預警體系的搭建與運營》

同時，透過使用者價值標籤對高價值使用者投入更多的成本做差異化運營，提升投入產出比。我們熟知的RFM模型，就是最常見的一種使用者畫像應用之一。舉個例子：目標是提升理財交易額，把轉化高價值潛客使用者作為其中一個策略，並定義為投資意向價值使用者轉化營銷。這時人群策略就呼之欲出了，投放人群策略描述為有理財意向的非理財潛在高價值使用者，便可以從各種各樣維度選取相應標籤，並透過標籤快捷篩選獲取名單，然後實施精準觸達使用者，最後再評估營銷效果。這整個流程是分群營銷中常見的一種思路。最後，透過測試最佳化形成自動化觸達機制。

關於上圖

上圖中應用的標籤非常多，所以在實際營銷過程中還會涉及一個重要問題：標籤的交叉。在業務系統的標籤應用中，常會出現標籤的邏輯運算，如下所示：

（（男性 & 高價值） | （女性 & 低價值）） & （高活躍）

應用場景2：廣告最佳化在獲客成本持續走高的今天，企業透過對平臺目標使用者畫像特徵分析/挖掘，建立全景目標使用者畫像，在投放上精準觸達目標使用者群裡，達到提高轉化率降低獲客成本的目的，即知道使用者是誰，從哪裡來。

使用者標籤資料的來源除了企業本身的資料外，很多企業也會與第三方資料平臺合作，透過ID-Mapping的方式補充豐富使用者畫像特徵。

包括使用者安裝/使用最多的app，瀏覽/購買偏好、使用者搜尋詞等行為資料，透過使用者唯一標識進行匹配，進一步完善使用者全景畫像。

關於“第三方資料平臺”

因為企業自有的資料始終是侷限和有限的。處於商業和營銷的角度，企業確實需要了解使用者在企業外的特徵，所以需要藉助第三方資料公司來提供更完善的使用者畫像。例如下圖是某第三方資料公司可以提供的使用者畫像維度和量級：

關於“聯邦建模”

但是企業內外部進行資料交換會涉及使用者隱私，所以 2017 年穀歌提出了聯邦建模的概念，在保證企業內部使用者隱私不外流的情況下進行內外部資料的標籤匹配：

投放最佳化通常會透過觸達渠道最佳化、觸達地域、性別年齡、偏好特徵等，將廣告資訊精準曝光給目標使用者客群。此應用場景較多應用在有特定使用者群體的產品推廣中，在網際網路金融領域也有較多應用，例如線上借貸平臺希望透過投放最佳化提升稽核透過率，透過對平臺按期使用者與逾期使用者的特徵對比，找到兩類使用者特徵差異，做定向觸達最佳化等。此應用場景也較多在網際網路金融行業使用，例如對平臺按期還款使用者與預期使用者的特徵對比，找到目標使用者特徵差異，做定向觸達等。

應用場景3：交叉營銷交叉營銷一般有兩種場景，一是對已完成轉化的使用者進行不同品類的交叉推薦。例如很多電商平臺有類似‘買過此類商品的使用者還喜歡’的推薦欄目，就是應用標籤畫像的交叉營銷場景；如果企業已積累大量的使用者購買資料，可以應用資料探勘，包括鏈路分析、網路分析的方法，確定商品間的相關程度，從而確定交叉銷售的商品/物件。第二種場景是篩選更有可能購買某類產品的潛客進行營銷推薦。這種場景可以直接應用分類模型，對於已經完成某類產品轉化的人群的屬性資訊及交易行為等資訊進行特徵分析，在未完成此類產品轉化的使用者中找到更有可能購買的目標使用者群做潛客營銷， 以提升購買率。

關於“交叉營銷”

交叉營銷是平臺型產品的重要營銷工具，常用於提升留存和營收。交叉營銷一般是指跨業務場景、或跨業務形態的場景相互引流，核心邏輯是滿足使用者的多樣性需求。

有興趣的同學可以參詳本站原創文章：

《深入探討交叉營銷（一）》

《（續）交叉營銷中的峰終定律》

《（續二）交叉營銷中的資料模型》

應用場景4：個性化推薦個性化推薦強調‘千人千面’，基於演算法模型的建立和調優，對比上面三種應用場景，整體的投入成本也更高。個性化推薦實際解決海量的資訊內容與使用者的匹配問題，為使用者推薦其感興趣的內容、商品或服務。通常在內容分發平臺及電商平臺有廣泛的應用。

關於“個性化推薦”

個性化推薦是非常複雜的標籤應用場景，也是將標籤特性發揮的淋漓盡致的場景。在個性化推薦中，通常包括應用框架級別和內容級別兩種，前者是在應用的UI架構上實現功能、服務的個性化推薦，也叫“千人千面”，這是重要的營銷能力，可以將很多二三級頁面直接推到一級曝光位上來獲得流量；後者就是大家熟知的推薦策略了，更詳細的內容可以參詳本站原創文章：

《【7000字】為什麼我說你並不懂標籤體系》

應用場景5：產品應用/分析洞察最後一個場景是產品化應用，可以理解為資料中臺營銷服務的一個功能。標籤是很多資料產品的基礎，諸如廣告系統、個性化推薦系統、CRM 基礎搭建等，目前市面上有很多成熟的標籤搭建和管理的產品。如果選擇自建自動化運營平臺，本質上對底層的要求就是標籤體系。自建平臺可以更靈活的滿足企業的個性化需求，以及實現更多維度的對使用者行為屬性變化做深層的分析對比。

使用者畫像的構建是個系統性的工作，需要區分不同的場景及不同的應用模式。

如何根據業務實際搭建使用者標籤畫像體系？具體從搭建到應用總體需要以下幾個步驟：

STEP 1：理解業務需求，明確標籤畫像需要解決的問題

上面我們講了使用者畫像的常見應用場景，在搭建使用者標籤畫像之初，首先應明確公司/業務需求及目的。

每個公司對標籤體系建立的目的可能都是非常不一樣的，體系的搭建始終圍繞核心問題，一開始不要求大而全， 而是是實際業務出發，逐步進行完善。

關於“明確需求”

跑一次使用者畫像需要很多的資源，所以在看畫像前務必明確業務需求和目標。並且不要試圖先跑畫像再去分析，這樣什麼也分析不出來。

STEP 2：從業務場景出發梳理標籤層級分類

梳理使用者標籤體系是搭建使用者畫像過程中最基礎，也是最重要的工作，後續的完善及應用都依賴於標籤體系的搭建。

根據業務場景從不同維度對標籤進行分類和組織，方便使用者在不同業務場景對標籤進行檢索使用。

關於“分類和組織”

標籤是典型的資料產品，需要被高效和有效的管理。所以通常在企業內有一套標籤管理平臺來集中管理，主要包括標籤的：分類體系、業務體系、口徑管理、應用管理等，還有幾個更重要的功能：近似標籤的識別和去重，標籤的廢棄管理。

1）使用者屬性標籤

又分為人口屬性及平臺屬性，主要為靜態標籤。

人口屬性如性別、年齡、地域等，平臺屬性如註冊渠道，關鍵詞來源等；

因不涉及規則邏輯計算，梳理及開發都相對簡單，重點是需要資料運營同學瞭解標籤資料獲得形式，資料準確性、覆蓋率、實用性等，明確應用場景及業務含義；

2）使用者行為標籤

基於統計資料的使用者行為標籤，以業務事實資料為資料來源。此類標籤又分為數值型及分型別。

數值型標籤為事實行為標籤，方便運營同學從更細粒度對單個使用者進行分析探查，以及可作為後期資料探勘的基礎資料，如使用者累計交易金額，交易次數、活躍天數等。

分型別標籤為事實標籤的聚合標籤，方便對行為相似的使用者群體做分組/分群的運營策略或觸達操作。如將累計交易金額大於某數值的使用者，定義標籤為‘交易高價值使用者’等。

目前很多資料產品都支援自定義標籤的功能，方便在運營初期對標籤規則的靈活調整需求。

3）使用者偏好及預測標籤

在使用者行為標籤的基礎上，根據業務規則設定使用者各類行為的權重，以及標籤的權重，透過資料探勘對使用者行為標籤資料的再加工產生。通常有多個輸入欄位，如對於使用者偏好標籤，收藏行為的權重大於瀏覽行為，此外，由於使用者偏好及需求會隨著時間發生改變，還應考慮時間衰減係數。

預測類標籤生成邏輯與偏好標籤類似，都是透過多個影響因素對使用者進行傾向預判，如根據行為發生時間、行為次數、行為型別偏好等資料，做進一步的資料處理，形成分類或聚類規則。如流失傾向預測標籤。可透過模型提前識別要流失的使用者，有針對性的對這批使用者進行挽留。

關於“使用者偏好和預測標籤”

這類標籤統稱：使用者興趣標籤。一般分為主興趣、即時興趣、短期興趣和長期興趣。每種興趣對應了使用者對於不同事物關注的深度和強度，同時每種興趣都有對應的場景和營銷策略。

使用者的興趣標籤一般會有“衰減”，常見的衰減演算法有：時間衰減、指數衰減（如下圖）、牛頓冷卻模型等。

4）群體屬性畫像

群體屬性畫像關注重點是群體，是從使用者個人相關標籤的基礎上加工而來。

標籤的加工邏輯是對使用者群體進行聚類，分析每類人群的行為特徵/偏好，形成使用者群體標籤。例如，某電商平臺透過對‘女性白領’使用者群體的偏好特徵進行分析，為符合此類人群的新使用者做產品推薦以提升轉化率。

這類標籤的梳理重點有兩個，一是關鍵業務流程節點及所代表的業務含義，二是應用場景的明確。

上圖是一個相對通用的標籤體系架構，在梳理標籤和畫像時，這是一個很好的參考框架，透過這個框架梳理業務場景和目標，再反向設計標籤。標籤的設計與應用一定要基於對業務和架構的理解。

STEP 3：明確標籤規則口徑

確定了標籤的分類體系，下一步就是確定規則和挖掘類標籤口徑，包括調整最佳化模型及相關權重配置；

對於標籤規則的確定，在業務發展初期時，通常以業務性質（如高頻/低頻）、結合資料分佈形態以及運營人員的業務經驗為判斷依據。

在業務發展到有一定的使用者規模時，通常需要結合資料探勘的形式以最佳化調整標籤規則/邏輯。

需要注意的是，標籤的搭建也需要考慮“ROI”，即投入的人力開發等成本與本身業務可帶來的直接收益。

標籤體系的搭建其實跟做產品一樣，業務發展初期，可以透過上線‘最小可用性’的標籤規則1。0，就能帶來很好的效果，能使用規則的標籤優先使用規則標籤。

一開始就去做大而全的挖掘類標籤實用性就沒有那麼強了。

很容易理解，使用者體量1000萬時2%轉化率的提升價值，和使用者量1000的2%的轉化率價值是有很大差異的。

所以，搭建使用者標籤畫像應隨著業務體量的增大，不斷豐富標籤畫像體系。

關於“不斷豐富”

因為標籤是資料產品，需要持續迭代和最佳化，所以要用產品的思維來看待標籤。

推薦體系需根據使用者歷史行為推測使用者偏好，因此使用者行為資料的積累是推薦系統的前置條件。

對於有歷史行為資料的使用者，需要明確偏好標籤的規則，即標籤權重。

關於“標籤權重”

因為營銷資源是有限的，且並不是使用者的需求都需要滿足，事實上，能夠滿足使用者20%的核心需求就已經OK了。所以需要將使用者畫像的特徵標籤打上權重，才能有輕重緩急的去針對性營銷。

使用者在平臺上的不同行為，對應到使用者標籤層面有著不同的行為權重。該權重影響著對使用者屬性的歸類。屬性歸類不準確，後續基於畫像對使用者進行推薦、營銷的準確性也就無從談起。

具體到產品層面需要使用者畫像建模人員與運營人員充分溝通，結合業務場景給不同的行為型別定權重，下面主要介紹通用的綜合權重計算方法。

標籤權重計算公式主要由以下幾個引數構成：

行為型別權重：使用者瀏覽、搜尋、收藏、關注、下單等不同行為對應這不同的使用者傾向權重，一般而言，操作複雜程度越高的行為權重越大，該權重值一般有運營人員根據業務經驗判斷。

時間衰減係數：使用者的偏好並非固定不變，因此需考慮時效因素。使用者某些行為受時間影響不斷減弱，即行為時間距離現在越遠，該行為權重越低。

使用者行為次數：週期內使用者與該標籤產生的行為次數越多，該標籤的權重越大。

TF-IDF計算標籤權重：TF-IDF的統計方法是用於評估使用者與標籤之前的權重關係，具體來說，是指每個標籤對使用者的重要性及該標籤在全體標籤中的重要性的乘積，得出每個標籤的客觀權重值。對於每個使用者來說，其身上同一個標籤出現的次數越多，該標籤對這個使用者來說權重越高。該標籤在全部使用者的多有標籤產生的標籤集中出現的次數越多，改標籤的重要性越低。

終端使用者標籤權重公式為：行為型別權重 x 時間衰減 x 使用者行為次數 x TF-IDF 計算標籤權重。

關於“使用者標籤權重公式”

這裡是業務化的表述方式。在工程中，由於各個標籤會相互產生交叉影響，所以常用演算法模型來處理，讓標籤對映為向量，然後計算權重、影響和特徵。

記得之前我分享過我們團隊做的使用者偏好模型，從使用者訪問的場景數量、深度、粘性等來判斷使用者的綜合偏好，有興趣的歡迎交流。

對於群體偏好標籤的搭建，一般分為三步：

1、根據使用者屬性將使用者分組（不同的應用場景有不同的劃分方式）；

2、應用TF-IDF演算法計算使用者標籤中每類人群各標籤的權重值，對標籤按權重值大小排序；

3、取出每類使用者群體中的TopN標籤，即得到目標使用者群體的偏好標籤。

對於在平臺上行為很少或初入平臺的新使用者來說，如何針對其設計個性化推薦內容是冷啟動階段面臨的主要問題。

當新使用者瀏覽首次登陸時，由於沒有歷史資料，只能給使用者推薦綜合熱門內容。但如果我們知道這名使用者是青年男性，那麼可以給他推薦這個使用者群喜歡的內容。雖然這種推薦的粒度很粗，但是相對於不區分使用者群體的方式，這種精度已經大大提高了，這也正是建立使用者群體畫像的作用。

關於“新使用者瀏覽首次登入”

統稱：使用者冷啟動。使用者冷啟動非常重要，主要服務於以下幾個場景：新使用者首次落地、沉默使用者首次召回。目的是在使用者冷啟動的過程中降低流失，提高留存。但由於使用者冷啟動時我們缺乏使用者畫像的標籤，難以準確理解和洞察使用者。

所以在工程中解決使用者冷啟動的策略常見有：產品功能引導關注內容/人、用站內熱點/新內容來承載，或設計全轄兜底的策略來承載。

另外一種冷啟動即是：內容冷啟動。

上圖為在精細化運營中標籤畫像落地應用通用模板，透過對業務流程、業務目標及策略的梳理，幫助完善標籤畫像應用策略。

關於上圖

上圖左邊就是使用者生命全週期，也是3A3R模型的全流程，也是做使用者營銷的重要框架。很簡單，但不簡約，每個模組都是一塊很重的業務。

根據既定業務場景及目標對不同使用者群體定製、推送更適合他們的產品或內容，從而更好的提升使用者轉化率、使用者活躍及使用者價值，並透過測試最佳化確定自動化觸達機制。

案例1：某電商平臺計劃透過精準營銷提升某類產品銷量人群策略：1）偏好標籤：商品型別偏好標籤為A同類商品 2）行為標籤：近兩週瀏覽過A同類商品 3）平臺歷史付費大於某金額；以上三條規則中，第一條和第二條分別對可能購買A商品的使用者做篩選，第三條篩選使用者消費等級。三條規則的交集即為目標營銷人群。在後續的營銷效果追蹤中發現，透過使用者畫像對潛在購買使用者形成4個精準人群進行簡訊和push投放，其點選率是盲投點選率的10倍，成交量是盲投成交量的5倍。

案例2：某網際網路理財平臺對預流失使用者採取分級挽留機制，預防流失。選擇人群條件：1）生命週期標籤：交易流失期 2）使用者價值標籤：平臺交易金額大於某金額；3）理財偏好標籤 4）使用者單均交易金額觸達策略：對於交易流失期的使用者做觸達，推薦其偏好理財產品，並根據其投資價值等級、單均交易金額制定相應召回禮券，例如單均交易金額為1。2萬的使用者，觸達其偏好產品1。5萬投資禮包。除達到召回目的外對提升單均投資金額也有提升作用。

目前很多資料產品支援使用者畫像分群分析，資料運營人員可以直觀的瞭解到不同群體使用者在app裡的行為、路徑、以及屬性分析情況，也可透過標籤來圈定人群，從而瞭解該群體的使用特徵、分佈特徵。如分析不同價值等級的使用者行為特徵等。以上案例策略均可透過AB test測試調優並最終形成人群模板，設定觸達週期、觸達方式、以及自動化文案。需要強調的是，使用者畫像是需求驅動型專案，以需求為導向來驅動畫像的建設工作，從應用的角度來說，標籤的個數不是越多越好，單純為追求標籤的個數而建立成百上千維度的標籤會為後期的管理和維護帶來不便，使用者也不知道應使用哪些標籤作為應用重點。最後，畫像標籤資料的質量管理也是需要重點關注的，所謂‘垃圾進，垃圾出’，基礎資料的質量如果無法得到保證，後續的推薦、分析等工作將可能是徒勞，甚至得出錯誤的分析結論。因此，對於畫像資料需要建立一套完整有效的管理方式，可以透過設定各類畫像標籤的資料監控範圍，當資料有異常變動時，及時透過標籤排查發現並解決。（文章來源：磊叔的資料增長實驗室）