|用户画像规划流程和方法

编辑导语：如今在这个大数据时代， “用户画像”这个词经常出现，它跟精准营销挂钩，可以根据一个人的兴趣、地理位置等进行精确的推送，达到良好的营销效果；本文作者分享了关于用户画像规划的流程和方法，我们一起来看一下。

本文插图

互联网行业飞速的发展，带动行业业务量激增，同时伴随数据量的增加，互联网各行各业慢慢形成头部企业， 2/8原则下长尾企业也越来越多；因此，在大数据量和激烈竞争下，如何更好的对产品进行营销，如何制定价格策略，越来越重要。
那么，如何制定准确的营销和价格，就需要我们针对不同人群，不同个体的特点进行精细化推荐，所要本章介绍了如何进行用户画像。
文章结构：

本文插图

一、什么是用户画像
用户画像就是对用户按照一定的规则进行统计，划分，从而能够指导用户推荐，客户分层运营，达到营销效果。
昨天：手机APP大爆发是随着手机硬件的发展而发展起来的，发展前期大量APP为抢占市场纷纷上线；用户画像只是为了指导产品设计，主要用于产品设计前夕的用户访谈、用户调研的前期工作，而且一般覆盖的人群比较狭隘，精准度差，产品经理设计产品全靠感觉。
今天：行业竞争越来越大，行业产生的数据量也越来越大，各大公司开始建造自己的数据仓库；那么如何应用数据仓库中的数据，如何进行精细化运营，用户画像越来越受到重视。
明天：随着大数据技术的成熟应用，用户画像标签将越来越多，目前互联网行业中比较成功的标签系统是淘宝的千人千面，技术创新必将推动用户画像的精准度。
二、用户画像常用场景
用户画像概况可应用于一下三个场景：

产品设计：开发前期的产品定位设计；
产品营销：指导运营对特定用户进行推送活动信息，推广信息，个性化推荐等。
产品决策：分析用户画像统计对产品的发展现状和发展趋势进行预测，及时调整产品发展路线。

按照用户标签的生产方式可分为：
统计标签：现有的可以直接从数据中提取出来的标签；包括用户自然属性，用户行为统计等信息。
规则标签：自定义规则进行标签建模；根据业务流程提取需要统计的标签。
算法模型标签：根据机器学习等算法进行用户行为预测分类；具有不确定性、开发周期长、成本高，因此系统中此类标签数量较少。
三、用户画像系统搭建流程
1. 数据采集
对用户数据进行采集，数据预处理，数据挖掘和过滤等手段得出期望的数据集。
用户数据一般分为埋点数据和业务数据：

埋点数据：根据用户的行为特征进行埋点，将得到的数据进行处理存储；
业务数据：用户的姓名、年龄、地理位置等自然属性，同时包括用户购买、用户评价、用户评论等隐形数据。

具体采集方法可以使用如下算法模型：
【|用户画像规划流程和方法】文本挖掘模型（TF-IDF）：处理文本类型，提取数据信息。
TF是词频， IDF是逆向文件频率， TF-IDF是词频和逆向文件频率的乘积。
Nij就是词i在j文章中出现的次数，分母就是文章的总词数。
D就是语料库中文件总数，下面分母就是词i出现的文档数，然后取对数。
该算法可以直接调用python库Sklearn进行实现，但是该算法比较单一，不考虑词条在文章中的位置，不能准确描述词的重要程度，一般需要结合其他其他算法或者增加权重改进。