對企業而言，得用戶者得天下，能夠有一套科學的精準營銷、個性化推薦模型，無疑會促進業務的增長；對開發者而言，用戶畫像也是頻繁被提及的技術，這樣可以根據目標用戶的動機和行為上進行產品設計，遠遠優於為腦中虛構的東西做設計。
用戶畫像的應用場景甚多，但即使是從事這方面研發的人，對其內部邏輯也是似是而非。大家都希望自己的用戶畫像模型更加精準，如何做到？這就要深入解剖，理解用戶畫像與標籤的關係、根據何種理論建模更加有效？大數據時代，需要上帝的視角，有了科學的大數據思維方法和理論指導，才能在結合實際業務建模中游刃有餘。
DT時代要從比特流中理解人類行為
水有源木有本，之所以需要用戶畫像，是因為DT時代相較傳統IT時代發生很大變化：DT時代的數據是現實世界的虛擬化表現，數據本身構成了一個虛擬世界，這使得IT系統構建在虛擬系統上，也變得更加智能。
尤其表現在信息化建設、可穿戴設備、信息網絡的發展，使全社會的信息化程度越來越高，越來越多的業務需要計算機應用，將設備和人連接在一起，用戶與這些應用、設備交互中產生大量數據。
在這種社會科技發展趨勢下，人與人溝通的方式發生了根本變革，這就導致“要學會從比特流中解讀他人”，因此要構建用戶畫像；但數據這麼大，人工顯然無法應對，所以“還要教會機器從比特流中理解人類”，再在畫像的基礎上構建一些應用，比如個性化推薦、精準廣告、金融徵信等，進行機器與人的交互。
你真的理解用戶畫像是什麼意思嗎？給你深度解析
用戶畫像、標籤、360度用戶視圖等這些詞經常被提起，但實際上連從事研發工作的人，對這些概念也不甚瞭解。要想搞清楚，還需要從理論層面解讀。
用戶畫像從某種程度上說來源於對事物的描述，但每個人描述事物的方式和角度不一樣，梳理共性，可將用戶畫像分為五個層次：
第一個是目標，目標都是為了描述人、認識人、瞭解人、理解人。這是用戶畫像最大的目標。
第二是描述的方式，分為非形式化（語音、文本、視頻、圖像……）和形式化（讀卡器讀取信息的形式）兩種手段。
第三是組織方式，就是結構化和非結構化的組織方式，我們前面看到的球員數據它就是結構化的。
第四個就是用戶畫像標準，包括常識、共識、體系。這個很重要（比如說某個人特別二次元，這個詞對方就可能聽不懂，是因為雙方對二次元這個詞沒有達成共識，所以必須有一套達成共識的知識體系，不然用戶畫像這件事是沒有辦法達到的。）
最後一個是驗證，依據：事實、推理過程、檢驗。為什麼一定要驗證？舉個例子，比如說某個人“特別不靠譜”，相當於打上標籤，但會被反問為什麼不靠譜、依據是什麼？所以要提前驗證，否則會喪失可信力。
據此，可以得出用戶畫像的定義：用戶畫像是對現實世界中用戶的數學建模。
一方面，用戶畫像是描述用戶的數據，是符合特定用戶需求的對用戶的形式化描述。從業務中抽象出來，可以形容為“來源於現實，高於現實”。另一方面，用戶畫像是一種模型，是通過分析挖掘用戶儘可能多的數據信息得到的。對數據做抽象，可以形容為“來源於數據，高於數據”。反過來，根據這個模型，可以挖掘出更多用戶畫像。
如何構建用戶畫像？讓機器根據一套知識體系理解人類
在90年代流行一種”本體論”方法，但非常複雜。所以重點來了，用戶畫像構建需要根據一套原則，在這裡分享一套相對樸素的方法：
樸素的知識表現方法：符號-概念法。符號與概念是相對應的，比如，狗這個詞是一個符號，但人們腦子中的概念是”四條腿、看家的、一個能汪汪叫的動物”。
樸素的用戶特徵表現方法：標籤-模型法。標籤的定義是用戶特徵的符號表現，模型定義是經驗總結的用戶特徵。什麼是標籤?舉例來說，比如”收入高、坐辦公室” 這個群體可以打上白領這個標籤；同時標籤是跟業務場景綁定在一起的，脫離業務場景的符號沒有明確的含義。比如在阿里內部，關於男女，這樣最簡單的標籤，也有12個男和女，它與業務密切相關，不僅僅是指生理上的男和女，還包括在互聯網喜歡買男性的商品或者女性的商品定義的男女等等。
那麼，用戶畫像和標籤有什麼關係？其實二者是整體和局部的關係，用戶畫像是整體，標籤是局部，而整體和局部的關係可以通過“標籤體系”體現。
根據這個邏輯，可以得出，用戶畫像可以用標籤的集合來表現，即“標籤體系”方法，用戶畫像（整體）和標籤（局部）還包含兩方面的關係：化整為零，整體如何反映在局部；化零為整，局部如何組成整體。
舉例來說：“人都有一雙眼睛一個鼻子”，化整為零來看：應該觀察到每個人都有一雙眼睛和一個鼻子；化零為整：只有位置合適的一雙眼睛和一個鼻子才被認為是一個人。
至於標籤體系，因為標籤是和業務密切相關的，對應的標籤體系也要蒐集所有業務方的需求，制定出標籤體系後，給每一個標籤標準進行定義，最後進行標籤開發。
另外，在用戶畫像建模方面，可以將標籤建模分為四層：第一層是事實類標籤，譬如用戶購物了什麼品類；第二層是機器學習模型的預測標籤，譬如當下需求、潛在需求等；第三層是營銷模型類標籤，譬如用戶價值、活躍度和忠誠度等；第四層是業務類的標籤，譬如高奢人群、有房一族等，它是由底層的標籤組合生成的，通常由業務人員定義。
最後是驗證，對模型的驗證可以分成兩個方面，一個是準確率的驗證，標籤打得準不準；第二個是標籤打得全不全。但這兩個方面沒有辦法同時滿足的。現實業務中無法追求100%完備的標籤體系。不過，目前談得最多的是準確率。其分為兩種，一種是有事實標準的，譬如生理性別；另外一種是無事實標準的，譬如用戶的忠誠度，只能驗證過程，具體效果需要通過線上業務A/B Test進行驗證。
構建用戶畫像的關鍵難題：需要上帝視角
要想精準構建用戶畫像還面臨著許多技術難題，比如用戶多渠道信息打通、多渠道的產品打通、實時採集用戶數據，以及用戶數據挖掘建模等方面。重點解讀下用戶多渠道信息打通和多渠道的產品打通兩個關鍵問題。
首先是用戶多渠道信息打通，大數據時代我們需要上帝視角。
因為用戶與企業的觸點非常多，譬如手機、郵箱、Cookie等，要將同一個用戶的多個觸點進行打通。方法就是把用戶ID視為圖中的頂點，如果用戶的兩個觸點在同一個場景出現（比如用郵箱登陸），那麼就可以把在用戶的郵箱和Cookie用一條邊進行連接，從而構建一張圖。
用戶打通可以基於圖例的方法進行強拉通，也可以採用機器學習方法進行模糊拉通，預測出拉通的概率。
除了用戶打通，不同渠道的產品也需要拉通，可採用標籤體系拉通方法：建立一套標準的分類標籤體系，比如一顆分類樹，任何商品都能劃分到這個分類樹的葉子節點。根據百分點的實踐經驗，手工映射的方法成本高、難以大規模開展，實際工作中會採用機器學習模型+少量的人工規則來實現。
但要實現自動分類，其中難點不在於模型，而在於獲得訓練數據、feature engineering，以及分類樹層級節點之間的依賴問題。
用戶畫像應用，是業務和技術的最佳結合點
可以說，“用戶畫像”在行業應用中算是曝光率最高的技術之一，有很多用武之地，總結來說，包括：售前的精準營銷、售中的個性化推薦，以及售後的增值服務等；用戶畫像的標籤維度包括人口屬性、上網特徵、購物偏好等。
需要強調的是，標籤和應用是相互相承的關係，一方面可以根據現有的標籤維度開發應用，另一方面也可以根據應用的需求擴展標籤的維度，兩者互相促進。
首先，根據用戶畫像進行精準營銷。不同於門戶廣告等DSP公司投放的程序化廣告，百分點著眼點在於幫助企業整合、拉通自己的第一方數據，建立企業用戶畫像、實現全渠道營銷。
而且結合百分點的營銷管家產品，可以實現觸發式的營銷。
比如，用戶在某網站下單購買一款手機，便可以立馬給他推送該品牌手機對應的手機配件廣告。最終效果是，通過用戶拉通用戶畫像，對59萬個潛在消費者形成4個精準人群，並進行投放，是盲投點擊率的10倍。
其次是售中的個性化推薦。這是百分點最開始創立時做的事情，目前已經服務超過1500家的電商和媒體客戶，是國內最大的第三方推薦服務提供商。
值得一提的是百分點推薦引擎的設計架構，核心為四大組件：場景引擎、規則引擎、算法引擎和展示引擎，尤其是規則引擎非常強大，可以根據客戶的業務需求可視化配置推薦邏輯，譬如推新品、清庫存等等，而不僅僅是點擊率最優。
比如百分點的某個團購網站客戶，採用這個推薦引擎解決下單率的問題，通過分析發現了該網站用戶的一系列特徵，譬如忠誠度低、區域性購買等。
最後是如何結合用戶畫像提供“售後”增值服務。上圖是百分點客戶的應用系統方案，通過數據接口實時反饋用戶相關信息，包括歷史維修、歷史諮詢並進行知識推薦等內容，支撐服務效率、提升客戶滿意度；同時收集用戶的服務滿意度數據，進一步補充、完善用戶畫像信息。
小 結
在大數據時代，機器要學會從比特流中解讀用戶，構建用戶畫像變得尤其重要，是上層各種應用的基礎。
用戶畫像不是數學遊戲，而是嚴肅的業務問題。構建用戶畫像的核心是進行標籤建模，標籤不僅僅是個符號，更要和業務緊密關聯，是業務和技術的最佳結合點，是現實與數據化的最佳實踐。不斷從更深的邏輯角度思考建模理論，並有效匹配業務應用，用戶畫像在實際業務中的重要價值將會越來越大。
講師介紹：蘇海波，百分點集團研發總監，清華大學電子工程系博士。擅長文本分析、機器學習，精於個性化推薦以及計算廣告學；多篇論文發表於GLOBECOM、ICC、IEICE Transactions 等國外頂尖學術會議和期刊；曾負責噹噹網百貨搜索以及adsmart廣告系統的算法效果優化；曾負責新浪微博信息流廣告產品整體算法策略的設計及研發。
閱讀更多 樂調查 的文章
