5分鐘看完這篇，成為用戶畫像專家

　 阿里云優惠券 先領券再下單

導語： 如今，大數據的概念已得到全面普及，數據價值的重要性也得到很多行業認可。甚至很多傳統行業的企業也開始重視數據，做好數據采集、保存、挖掘、應用的工作。具體到如何利用數據金礦，用數據驅動業務運營和自身發展，還是要回歸到基本概念，理解大數據相關概念的本質和核心思想，從而牢牢把握住在DI時代(DI，為Data Intelligence的縮寫，“DI時代”即“數據智能時代”)的數據海洋中航行的方向盤。本文圍繞大數據諸多概念中最常見和常用的“用戶畫像”，第一部分就先為大家淺述一下用戶畫像的基本概念和構建原理。

用戶畫像初探

用戶畫像，英文為 User Profile，是根據用戶基本屬性、社會屬性、行為屬性、心理屬性等真實信息而抽象出的一個標簽化的、虛擬的用戶模型。“用戶畫像”的實質是對 “人”的數字化。

用戶畫像的應用場景有很多，比如個性化推薦、精準營銷、金融風控、精細化運營等等。

舉個例子來理解用戶畫像的實際應用價值，我們經常用手機網購，但其實我們每個人的購物APP頁面都不一樣。所謂“千人千面”，即電商APP的個性化推薦系統會給每個用戶“量身定制”專屬首頁，精準推送符合用戶需求和偏好的商品，從而提升轉化率和用戶體驗。

而 用戶畫像 構建 的核心工作 ，即 是給用戶貼“標簽”。 標簽(tag)：也稱數據點。我們通過“標簽”來對用戶的多維度特征進行提煉和標識。以目前在APP開發者和運營者當中使用比較多的個推用戶畫像產品——個像為例，來看下業內的大數據公司是如何通過“貼標簽”來構建自己的用戶畫像體系的。

以消息推送服務起家的個推，自2010年成立以來，已成功服務了數十萬APP，累計覆蓋40億移動終端，有著維度全、覆蓋面廣的數據基礎。依托海量線上用戶APP興趣偏好數據、線下用戶基于場景的活動數據沉淀 以及強大的數據分析能力和算法建模能力 ，個推根據自己獨創的 “冷數據“、”溫數據“、”熱數據”的原理 構建出覆蓋人群屬性、興趣偏好、用戶行為、實時場景等眾多細分維度，擁有性別、年齡層次、消費水平、職業、購物偏好等上千多個標簽的用戶畫像體系，并面向A PP 開發者推出用戶畫像產品——個像 ，旨在幫助APP開發者360度勾勒立體用戶畫像，深入洞察用戶，精準把握受眾，為APP在不同時期的精細化運營提供全面、可靠的數據支撐，幫助APP全方位了解用戶，助力APP推廣和運營。

個推的“冷、溫、熱”數據原理

冷數據：性別、興趣、常駐地、職業、收入水平和年齡層次等相對穩定的用戶畫像數據。

溫數據：近期活躍應用、近期活躍場景等具有一定時效性的用戶行為數據。

熱數據：當前區域、當下打開的應用等場景化明顯的實時數據。

用戶畫像再探

當下，很多企業都積累了一定的數據，也開始或已經構建自己的用戶畫像體系，很多運營人員也將用戶畫像作為“用戶洞察“、開展“精細化運營“的基礎。但是，對于用戶畫像，我們真的完全理解嗎？ 本文第二部分，筆者就總結了對用戶畫像常見的3點誤解，我們一起再和用戶畫像來一次”去偽求真“的親密接觸吧。

誤解一：將標簽等同于特征。

標簽標識多維度的特征。但標簽不同于特征。有的單個特征可以當做一個標簽來使用，但有的標簽是由多個特征聚類組合加工而成的。所以，不能把標簽等同于特征。

還以個推旗下的用戶畫像產品——個像為例，其 “有車一族”這一標簽就是由“男性(冷數據)”“手機安裝有并經常打開汽車資訊類APP(溫數據)” “常出現在4S店(基于LBS技術可以得到的場景化的熱數據)”等特征綜合提煉得出。

誤解二：認為用戶畫像就是客觀事實。

一般來說，企業在構建標簽體系時，會標注標簽屬性，幫助內部理解標簽賦值的來源，進而理解指標的含義。一般來說，常見的有5種標簽屬性：固有屬性、推導屬性、行為屬性、態度屬性、測試屬性。

固有屬性 即指這些指標的賦值體現的是用戶生而有之或者客觀存在的屬性，比如：性別、年齡、是否生育等。推導屬性 則是由其他屬性推導而來的屬性，比如星座，我們可以通過用戶的生日推導;而用戶的品類偏好，則可以通過日常購買來推導。行為屬性 是產品內外實際發生的行為被記錄后形成的賦值，比如用戶的登陸時間、頁面停留時長等。態度屬性 則是用戶自我表達的態度和意愿。在大數據的需求背景下，以往通過問卷來調研手機用戶態度屬性的方式顯得有些低效;現在更多的則是利用產品中相關的模塊做用戶態度信息收集，比如微博的“點贊”按鈕，用戶可以表達自己對某觀點的贊同。測試屬性 是指來自用戶的態度表達，但并不是用戶直接表達的內容，而是通過分析用戶的表達，結構化處理后，得出的測試結論?，F在很多產品都有UGC功能，用戶可以表達自己的觀點、情感、態度，通過對用戶生成的內容進行文本挖掘分析，可以得出用戶的價值觀、性格等屬性。

所以，標簽數據未必是客觀事實，但也不是完全虛構，而是基于事實數據進行符合邏輯的模型分析得出。所以，用戶畫像中對某個人或某人群的描述，未必就是客觀事實，只是該描述可以通過多維度數據進行推斷得出，而這個推斷有很高的合理性，能高度接近、刻畫現實。這里就是對第二個誤解的闡述，即用戶畫像不是客觀事實。

誤解三：認為用戶畫像都是對單個用戶的描述

在互聯網全面普及、物聯網正進入爆發的當下，對特定用戶的洞察有海量數據和前沿的數據智能技術作為支撐和依托，特定用戶的畫像構建當然是可行的。比如， APP/應用可以基于自身積累的用戶注冊數據和用戶行為數據來綜合刻畫特定用戶的畫像，基于此，金融風控類應用可以精準識別高風險用戶;新聞類應用可以準確篩選出熱衷發表一些過激或負面言論跟帖的用戶;電商類應用可以判斷那些總是在頻繁下單、打五星好評、然后取消訂單的刷單用戶…。

然而，目前行業更多聚焦于對某一人群或行業的洞察上，也會通過數據報告的形式呈現洞察結果。比如，數據智能企業個推通過對移動互聯網的用戶特征和行業趨勢進行深入洞察和剖析，跟進市場發展熱點，于前段時間發布的《5G手機首批用戶畫像報告》《生鮮電商APP數據報告》等。

當然，一個多維度、立體化、能實現360度洞察的用戶畫像體系才能最大程度上幫助企業和開發者更精準地洞察用戶需求，為用戶提供更人性化、智能化的服務。行業內也確實有進行用戶畫像和定制化標簽合作的案例，如同“拼積木“一樣，通過數據源之間的碰撞，最終”拼湊“出全面、清晰的用戶畫像。 以移動互聯網領域為例，針對普通APP開發者構建用戶畫像時可能會面臨的APP自有的數據體量不夠龐大、數據過于垂直，覆蓋面不夠廣、即使有一定的體量，但團隊的數據分析能力和建模能力有所欠缺等問題，個像用自己具有行業覆蓋廣度的數據體量和數據建模算法能力，基于雙方各自優勢，為APP開發者提供定制化標簽服務。

總結

本文上半部分簡單講述了用戶畫像的基本概念、應用價值，并以當下大數據公司為例，闡述了用戶畫像構建的實質和核心;下半部分則結合筆者經驗，總結了3個對用戶畫像的常見認知誤區;從初探到再探，希望能和大家一起加強對大數據領域一些常見概念的理解。后續，希望能和大家對用戶畫像在“精細化運營”“個性化推薦”等特定領域的應用實踐一起做更多的探索，敬請期待。

申請創業報道，分享創業好點子。點擊此處，共同探討創業新機遇！