大数据时代的用户画像

  你被人悄悄画像了吗？当你上网浏览或在线下消费时，你就在某处留下了你的痕迹。这些痕迹数据，将可能被企业用于为你画像！用户画像成了当前的热点话题。

一、大数据时代的用户画像背景

  何谓用户画像？

  在回答之前，让我们先来看一则几个月前的网上报道：

  一名黑龙江男子2000年杀害3人后潜逃至安徽凤阳县的龙兴寺出家。这之后一路“成长”为寺庙住持、佛教协会副会长、政协委员。结果，因为一次偶发的事件，当地警方通过人像比对发现了他的破绽。

  警方使用的人像比对技术就是用户画像技术。

  提到用户画像，中国自古就有“张三，李四，王二麻子”说法，这里的王二麻子就是用户画像。美国甲壳虫乐队成员跨年度变化画像，用一种较为微妙的方式向世人传递了美国人生活方式的演变。

  用户画像就是用户信息标签化，比如，有人喜欢旅游，则给他贴上旅游爱好者标签。当然，为最大限度地展示用户特征，分析人员需要收集尽可能多的信息并提炼其显著特征。

  传统的画像受当时技术的限制，仅能勾画人的脸部特征，而无法进行立体化再现，这会极大地限制用户画像的应用。比如，如果某村有二个脸上有麻子的王姓村民，那你就很难基于“王二麻子”这单一标签进行村民识别。

  大数据时代的用户画像不同于传统的用户画像。

  在大数据时代，数据源很丰富。除了传统意义上的结构化数据，还有邮件、论坛、图片等类型的非结构化数据。数据同步、分析与展示技术，使得用户画像几乎能够全方位再现用户外在的、内在的特征。

  用户画像背景：

  用户画像成了当前的热点话题，有其深刻的时代背景。用大尺度视角来看，人类演进史表明，当前人类比历史上的任何时候更为重要。   聚集资源的力量，从早期的血缘、权力、资本变成人的思想。罗振宇说，消息者赋能之后就成了君王。因而，企业必须非常重视用户。

  早在八十年代，中国商业界有一个很响亮的口号，客户是上帝，即确立了以消费者为导向的营销理念。

  到了九十年代，部分国内外知名企业及本土市场研究公司开始了以消费者为导向的实践尝试。

  到了二十一世纪的今天，随着互联网、大数据、云计算技术的发展，消费者理念开始在中国真正落地。其落地的内在逻辑是，在需求侧，用户画像让消费者几乎成了透明人，供应商能更精准地把握用户特征;在供给侧，3D打印、敏捷制造、柔性物流、平台外包技术的发展使产品个性化定制成为现实；日益发展的各种智能终端、VR设备等，成了联结需求侧与供给侧的桥梁

  ——在大数据时代，这一切都被打通了。用户画像正当其时。

二、大数据时代的用户画像方法

  如何进行用户画像呢？用户画像的一个重点应用是精准营销。为了更全面地理解用户画像，让我们先了解基于用户画像的精益营销平台，然后重点介绍用户画像的内容、方法、技术与流程。

  一般来说，企业精益营销平台分四层：第一层是数据来源层，第二层是数据管理层，第三层是规则模型层，第四层是画像应用层。

平台通过收集不同来源渠道的数据，经过数据清理、整合与处理，构建联通的数据库。

  分析人员在应用目标指引下，结合现有数据资源特征，采用相应的分析方法与算法技术，构建规则模型，形成用户画像。

  最后，基于用户画像，实施个性化搜索、社交传播、会员营销、智能选品、DSP广告、个性化推荐等精准营销应用。

  画像内容：

  为有效支撑企业精准营销，用户画像应包含用户时间、地点、内容和行为等关键信息。

  以用户上网为例，它涉及到用户在什么时间、通过什么渠道或方式进入某个网页，观看了网页中那些栏目内容，并记录用户在网上的浏览、购买、点评行为等。分析人员通过整合反映用户基础属性的注册信息及来自合作伙伴的共享数据或第三方的购买数据，形成用户画像的数据基础。

  画像方法：

  有三种方法：预先定义法、数据分析法和复合划分法。

  预先定义法是指分析人员基于业务理解，预先形成用户画像维度，然后按照设定的用户画像维度进行数据分析，基于数据分析结果给出用户画像。

  数据分析法是指分析人员先抛开预先的任何假设，纯粹基于数据分析结果给出用户画像，即用数据说话。

复合划分法是指分析人员综合上述两种方法，采用不断迭代方式，最后给出用户画像。

  画像技术：

  凡是能够揭示用户特征的技术，均可用于用户画像。用户画像技术很多，常用的技术有RFM、聚类技术、决策树规则和响应模型等。

  营销人员往往设定，最近消费的、经常消费的、消费金额较大的用户是重度消费者，基于这三个指标的加权得分，能有效区分不同用户的特征。RFM就是这三个指标的英文名称的首字母组合。

  聚类技术的理念基于中国的传统说法“物以类聚，人以群分”，但在实现技术上，分析人员需要基于不同数据特征选择不同的聚类算法，常用的分割方法是K-means。

  决策树一般都是自上而下的来生成的。每个决策或事件都可能引出两个或多个事件，导致不同的结果，把这种决策分支画成图形很像一棵树的枝干，故称决策树。决策树的最大优点是能生成可理解的决策树，不足之处是对连续性的字段比较难预测。

  响应模型是指基于业务场景产生的数据而构建的预测模型，其中涉及的主要数据挖掘技术包括逻辑回归、神经网络、支持向量机等。

这些技术各有优、缺点，没有那个算法在任何场景下都总能最优，所以在通常数据分析中，分析人员都会尝试多种不同的算法，然后根据随后的验证效果以及项目资源和价值进行权衡，并做出最终的选择。

  画像流程：

  用户画像可分五步操作。

  第一步：数据收集、整理与整合；

  第二步：识别与业务场景强相关的字段；

  第三步：对数据进行分类与标签化；

  第四步：引入外部数据；

  第五步，用户特征识别。

  第一步属基础性工作，常占用数据分析人员80%的时间。第二步特别考验数据分析人员的业务知觉与分析技巧。第三步需要数据分析人员与业务人员多多沟通，以便数据分类与标签化能符合后期的业务应用。第四步引入恰当的外部数据，可有效扩大可能的用户画像应用范围。第五步是用户画像结果呈现，需要分析人员结合展示技术和工具。

三、大数据时代的用户画像案例

  用户画像能应用于政府治理、企业营销、个人交友等多个领域。目前在中国，用户画像应用较多的是企业中的精准营销。用户画像是精准营销的基础。

  电信用户画像案例：

  电信运营商拥有丰富的数据，如通信数据和时序数据，上网数据和终端数据，消费数据，社交数据和位置数据等。电信运营商拥有深度分析能力，可提供多种服务，如位置类应用、洞察类应用等。

  金融用户画像案例：

  在大数据时代，金融用户消费行为发生了较大的改变，企业难以接触到客户；用户群体正在出现分化，市场上很少有一种产品和一种金融服务可以满足所有用户的需求。

  金融产品也需要进行细化，为不同客户提供不同产品。

  企业可基于用户画像，提供针对性的产品服务，如针对理财客户，通过大数据分析发现有客户将工资/资产转到外部，但是电商消费并不活跃，其互联网理财可能性较大，可以为其提供理财服务，将资金留在本行。

  电商用户画像案例：

  当你打开电商网站或者登陆手机App时，电商可基于用户画像，确定在一个页面或者一个手机登录页上面的产品展示顺序。当你上当当网购买书类产品，网页将即时向你进行个性化推荐。