用户画像如何从搭建到应用实战？

　　用户画像是指根据用户的基本属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。那么，我们要怎么去应用这些用户画像呢？
　　一、用户画像是什么？
　　用户画像是指根据用户的基本属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。每一个标签及标签权重即为用户的一个向量，一个用户可以理解为超维空间的多个向量（标签）的和。即通过数据方式来描述用户，最终将一个用户表达为计算机可识别的用户，以此为基础实现用户画像应用。
　　二、用户画像应用
　　当一个用户可以被计算机全面识别理解后，我们就可以用来做精准营销、个性化推荐等基础性工作，其作用总体包括：
　　精准营销：根据用户特征，针对特定群体，利用短信、邮件、AppPush、App弹窗、微信公众号、微信群等方式进行营销。
　　用户统计：根据用户的属性、行为特征对用户进行分类后，统计不同特征下的用户数量、分布；分析不同用户画像群体的分布特征。
　　个性推荐：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升转化率。
　　行业研究：通过用户画像分析可以了解行业动态，比如人群消费习惯、消费偏好分析、不同地域品类消费差异分析。
　　三、用户画像如何提供以上能力
　　用户画像有以上应用，到底是怎么应用的呢？我们一个一个解释一遍。
　　1。精准营销
　　根据用户特征，针对特定群体，利用短信、邮件、AppPush、App弹窗、微信群、h5等方式进行营销。如果没有用户画像，也能完成短信、邮件、Apppush、App弹窗的运营，但是不能保证资源有效利用。
　　为什么这么说呢？在平台用户量低的时候，我们很容易做运营，我们将运营内容全量推送，发现召回率、转化率并不会很低。这是因为初期我们的用户都很精准，所以召回率转化率不会很低。但随着用户基数的逐渐增加，这种运营效果越来越差转化率越来越低。
　　因为随着用户量的增加，推送的内容只能打动那一小撮人，为了提升转化效率，运营位资源的有效利用，我们需要借助用户画像的能力。
　　（1）分群运营
　　分群运营是此问题很好的解决方案，通过用户画像的标签筛选，筛选出不同的用户群，筛选出的用户群每个用户群都有一个唯一id。通过push或弹窗配置平台，输入用户群id实现精细化运营。
　　（2）自动化运营
　　我们让用户群的粒度无限小，最后会小到一个个体。我们针对每个个体去做push或者弹屏，运营效率还是太低了。基于用户画像的自动化运营就发挥了作用。我们一起看一下如何实现自动化运营。
　　粗略定向（城市：北京；属性：新用户）此类设置为满足业务需求，比如暑假低价课的广告弹屏只针对没有购买过长期班的用户。这是通过事实标签来实现。
　　精细定向：设置偏好标签及标签值来确定精细用户群。原理很简单，给一个策略设定好偏好标签及标签权重后，相当于在空间中绘制出一个用户向量，我们用真实用户向量与此向量进行空间向量的余弦相似计算，或欧几里得距离计算相似性，最相似的则优先显示。如果相同相似则按创建时间倒叙展示。这样设定权重好处：可以很好的避免不同业务部门App内流量的争抢。只有设置的标签才参与计算，不是全部标签进行相似计算。
　　设定push文案
　　push落地页
　　设定开始结束机制（时间控件）
　　举个例子：
　　背景：
　　暑期结束场景下的收心课；
　　针对没有报名暑假长期班的学员；
　　目标100w。
　　配置：
　　设置人群；没有购买2019暑期长期班的学员；
　　设置权重：数学：0。8，短期班：0。7，暑假：0。6，开学：0。5；
　　设置文案：亲爱的斑马家长你好，暑假愉快，学而思网校为您准备9。9元10节暑假数学收心课；
　　设置落地页：www。banma。
　　时间设置：2019082320190824。
　　图示：
　　2。用户统计
　　根据用户的属性、行为特征对用户进行分类后，统计不同特征下的用户数量、分布、走势等。
　　这里不做多阐述，参考神策。截图大家参考下，数据已脱敏。
　　北京的完成加入购物车操作的用户数的趋势
　　3。用户组成
　　4。个性推荐
　　个性推荐：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升转化率。
　　这里重点介绍一下推荐系统，其他与推荐逻辑大同小异。
　　推荐系统一般都分为召回和排序两个阶段。因为全量物品（Item）通常数量非常大，无法为一个用户（User）逐一计算每一个物品（Item）的评分，这时候就需要一个召回阶段，其实就是预先筛选一部分物品（Item），从而降低计算量。
　　海量Item召回（粗排）候选集合排序（精排）排序列表规则（多样化推荐）推荐结果。用户画像除了用于最终匹配评分，还要用于在召回。
　　那用户画像是如何做召回？
　　我们先看一下用户画像的用户偏好表存储（用户画像有好多个表，文章画像构建部分会具体讲解）：
　　当我们购买完成一个带有标签id1，标签id2，标签id3的课程后，一般在购买完成页会有交叉销售场景，我们通过用户偏好表的标签及权重，基于用户相似，或Item相似的协同过滤算法，召回一部分课程。这就是粗排的过程。简单理解就是找到用户喜欢的其他课程。
　　协同过滤：基于用户相似推荐：欧几里得距离公式userid1与userid2〔（标签id1标签id1）2（标签id2标签id2）2（标签idn标签idn）2〕
　　5。行业研究
　　行业研究就很好理解了，我们经常听到马爸爸拿一些标签，说明这个地方人喜欢买什么？为什么喜欢买？那个地方人喜欢买什么？为什么喜欢？
　　最经典的就是每年的年终总结H5，这里不多赘述此内容。
　　四、用户画像的搭建
　　1。标签管理系统搭建
　　（1）什么是标签管理系统？
　　标签与用户画像的关系，在介绍什么是用户画像时候就已经说过。
　　我们说一下什么是标签管理系统：
　　一般来说，将能关联到具体用户数据的标签，称为叶子标签。对叶子标签进行分类汇总的标签，称为父标签。父标签和叶子标签共同构成标签体系，但两者是相对概念。
　　用户画像的本质就是使用不同的标签来描述表达用户，那这些标签是需要我们事先准备好的。每个用户都有成千上万的标签，我们维护这么大量级的标签，我们事先一定要构建健康的标签体系。
　　所以标签管理系统要支持对所有标签查询、修改、删除、新增等功能，主要包括两个模块：标签树和标签查询。
　　标签树：以树形结构呈现标签之间的层级和逻辑关系，并且可以对任意层级的标签名进行修改、新增和删除；
　　标签查询：对某一时间段内的标签进行查询，可以实现自定义查询及条件查询，并实现标签下的用户数的统计功能。
　　（2）标签管理系统功能列表
　　（3）标签管理系统页面
　　（4）标签体系构建
　　1）偏好标签
　　偏好标签简单理解就是用户对不同标签的喜爱程度，通过用户与标签的行为类型、行为权重、行为次数、时间衰减来计算。后续具体讲解如何进行计算，偏好标签是做推荐及策略方向最重要的标签。
　　2）标签梳理
　　该类标签梳理很简单，在我们数据仓库中有不同的内容表。
　　比如课程数据库表结构：上课地点、上课时间、老师、价格、大纲、评价
　　比如教师表结构：教师名称、有无教师资格证、年龄、学校、性别、评价
　　这里每一个字段就是一个偏好标签，当然字段值也是标签。因为用户与这些内容发生关系，间接是与这些标签放生关系。
　　偏好标签是固定的，不可编辑修改，数据来源于平台内全部内容的表字段及值。
　　3）事实标签
　　信息标签：用户的基本信息标签（城市、年级、年龄、性别）
　　业务标签：来自业务的标签（在读、非在读、长期班、短期班、语文、数学、英语）
　　规则标签：自定义的规则（低潜、中潜、高潜、核心）
　　4）标签梳理
　　用户基本信息，用户业务信息，工作人员定的规则，比如：低潜用户，中潜用户
　　5）预测标签
　　这种标签是根据机器学习预测的标签，比如：流失预测，虎跃预测，转化预测等等。
　　6）标签梳理
　　很简单，就那么几个想预测啥就添加啥。标签之间具有层级的逻辑关系，1级是2级标签的父级，2级是1级标签的子级，以此类推。
　　偏好标签不可编辑，数据来源于不同内容的表字段。事实标签与预测标签当子级有内容则父级不可删除，但可编辑。只有下一级没有任何子级的情况下可以进行删除操作。
　　2。标签权重计算
　　这里的标签权重计算特指偏好标签。
　　画像的用户偏好标签存储结构：
　　这里的每一个用户每一个标签下的值就是标签的权重，这节讲解的重点。
　　这个标签权重影响着对用户属性的归类，属性归类不准确，接下来给予画像对用户进行推荐，精细化运营也就无从谈起。
　　（1）基于TFIDF算法计算
　　1）算法思想
　　用户标签权重，是由该标签对用户本身的重要性与该标签在业务上，对用户的重要性共同决定的。
　　标签本身对用户重要性是通过TFIDF计算得到的，业务权重是通过用户对标签的行为来决定的，即：
　　用户标签权重业务权重TFIDF权重
　　用户标签权重行为类型权重行为次数时间衰减TFIDF权重
　　2）简单理解
　　就是用户对一个标签，会有不同行为触达，不同的行为有不同的难度，比如：购买行为大于搜索行为，搜索行为大于浏览行为。所以不同行为就会有不同的权重，行为越难代表越喜欢，权重越高同理行为次数越多也代表越喜欢。
　　标签对这个用户来说越稀有代表越喜欢，喜欢程度会随着时间的增加而逐渐降低，通过这个公式计算标签权重。
　　3）行为类型权重
　　用户浏览、点击、搜索、收藏、分享、下单、购买等不同行为对用户而且有不同重要性，一般使用层次分析法定义一个基本行为权重。
　　4）行为次数
　　这里的行为次数表示每一种行为的次数。
　　5）时间衰减
　　时间衰减是指用户的行为会随着时间的流逝，用户偏好会不断减弱。在建立与时间衰减相关的函数时，我们可套用牛顿冷却定律数学模型。
　　牛顿冷却定律：
　　较热物体的温度F（t）是随着时间t的增长而呈现指数型衰减，其温度衰减公式为：F（t）Texp（t）。
　　T：初始温度
　　：衰减常数即冷却系数，是自己定义的数值，一般通过回归可计算得出
　　t：时间间隔
　　冷却系数如何计算呢？
　　冷却系数是自己定义的数值，一般通过回归可计算得出。例如：初始温度100摄氏度，1小时后的温度为85摄氏度，即85100exp（1），求得0。16。
　　在这里我们用R语言来模拟一下这个冷却曲线：
　　100exp（0。16t）c（1：100）plot（x）
　　c（1：100）
　　plot（x）
　　6）TFIDF
　　TFIDFTFIDF
　　TF：
　　这里我们用N（P，T）表示一个标签T被用于标签用户P的次数。
　　TF（P，T）表示这个标记次数在用户P所有标签标记次数中所占的比例。
　　TF（P，T）N（P，T）N（P，Ti）
　　N（P，T）：打在某用户身上某个标签的个数
　　N（P，Ti）：该用户身上全部标签的个数
　　Ti该用户全部标签个数
　　IDF：
　　IDF（P，T）：表示标签T在全部标签中的稀缺程度
　　如果一个标签出现的几率很小，同时被用户标记某个用户，这就使得该用户与该标签T之间的关系更加紧密。
　　IDF（P，T）N（Pi，Ti）N（Pi，T）
　　N（Pi，Ti）：全部用户的全部标签之和
　　N（Pi，T）：所有打T标签的用户之和
　　7）计算方式
　　举例子：
　　用户“斑马”，对于标签“语文”的标签权重计算：假设我们之前定义冷却系数0。16。
　　行为表：
　　20190822
　　20190823
　　20190824
　　用户“斑马”对标签“语文”的权重：
　　20190822：语文20。120。230。610。510。93。8
　　20100823：语文3。8exp（1）10。110。220。610。505。067718
　　20100823：语文5。067718exp（1）4。318424
　　3。标签存储
　　（1）事实标签
　　1）基础信息表
　　2）事实标签在读信息表
　　3）事实标签报名信息表
　　4）事实标签规则信息表
　　（2）偏好标签预测标签