利用AI构建动态用户画像的七步法

背景：虽然听过很多用户画像的神奇功能和成功案例，但对用户画像的构建实际是需要从技术和业务高度融合的角度来设计，否则建立的用户画像流于表面的形式而不能发挥作用。

用户画像构建的流程和思路 1. 构建用户画像的战略目标

构建用户画像之前，需要先明确用户画像构建的战略意义，设定用户画像使用的基本目标。

对于某宝而言，用户画像能够比较准确地反映用户在一段时间内对商品和服务相对稳定的兴趣需求，结合用户动机、场景、能力和环境要素的数据分析。

一方面能够支持智能化、个性化的产品推荐和优质服务；另一方面能够全面支持企业精细化运营，提高ROI,合理布局商品和服务。

下图为某宝的用户画像产品的运用：

图1

2. 构建用户画像的方法和流程

“标签体系”方法是构建用户画像的核心方法论。标签强调的是跟业务的紧密联系。标签是某一种用户特征的符号表示，标签体系两个视角：

1. “化整为零”，每个标签都规定了我们观察、认识和描述用户的一个角度；
2. “化零为整”，用户画像是一个整体，各个维度不孤立，标签之间有联系。

标签知识图谱化图如下图：

图2

“标签体系”方法的基础是数据标签化。

构建用户画像的核心流程如下图：

图3

3. 用户画像基础数据采集

基础数据采集需要全面收集用户在站内和站外所有相关的静态数据和动态数据。

梳理基础数据，需要明确目前都有哪些数据源，比如核心的系统线下场景门店、机器、小程序、电子数据渠道、营销渠道和第三方数据。

梳理基础数据，需要结合实际需求，梳理相关的数据实体和关联关系；并且根据相关性原则，对某宝的用户、商品和机器渠道三类数据实体进行数据分析维度的列举。

针对每一类数据实体，进一步分解可落地的数据维度，形成字段集如下举例。

用户数据：

• 用户自然特征：性别，年龄，地域，教育水平，出生日期，职业，星座；
• 用户兴趣特征：兴趣爱好，使用某宝APP/网站【可爬】,浏览/收藏内容，互动内容，品牌偏好，产品偏好；
• 用户社会特征:婚姻状况，家庭情况，社交/信息渠道偏好；
• 用户消费特征：收入状况,购买力水平，已购商品，购买渠道偏好，最后购买时间，购买频次。

商品数据(以消费电子类为例)：

• 手机：品牌，颜色，尺寸，电池容量，内存，摄像头，CPU，材质，散热，价格区间；
• 笔记本：品牌，屏幕尺寸，配置，颜色，风格，薄厚，价格区间；
• 智能手表：品牌，功能，材质，电池容量，颜色，风格，价格区间。

渠道数据(以消费电子类为例)：

• 信息渠道：微信，微博，论坛，SNS，贴吧，新闻网站，咨询App；
• 购买渠道:电商平台，微店，官网，实体店，卖场。

图4

4. 用户画像行为建模

完成基础数据采集后，需要对这些数据进行清洗、拉通、整合以及分析建模，之后才能构建用户画像。

首先用户多渠道信息打通，多数据源的情况下，我们要将不同数据源的同一个用户的信息打通。我们可以把用户手机号、身份证等信息视为用户的ID，如果用户的信息在不同数据源，那么我们需要进行连接，从而构建一张关联图：

图5

图6

图中连通的ID可以视为同一个用户，从而实现用户拉通，拉通可以基于图的方法进行强拉通，也可以采用机器学习的方法进行模糊拉通，预测出拉通的概率。

另外，拉通的可信程度由业务的密度决定，密度越高，对可信度的要求越高，譬如推荐是低密度业务，即使识别错误，影响比较小，但对于 电商的 短信通知服务，如果识别错误，体验就会非常差。

图7

用户画像的底层是机器学习，那么无论是要做客户分群还是精准营销，都先要将用户数据进行规整处理，转化为相同维度的特征向量，诸多华丽的算法才可以有用武之地，像是聚类，回归，关联，各种分类器等等。

对于结构化数据而言，特征提取工作往往都是从给数据打标签开始的，比如购买渠道，消费频率，年龄性别，家庭状况等等。

好的特征标签的选择可以使对用户刻画变得更丰富，也能提升机器学习算法的效果（准确度，收敛速度等）。

图8

5. 用户画像可视化

（1）用户个体画像；

（2）用户群体画像。

图9

6. 用户画像在业务上的应用

图10

7. 智能推荐

协同过滤和贝叶斯智能评分混合推荐。

小结

AI产品经理以大数据为基础通过：

第一步，设定用户画像的目标；

第二步，构建以标签知识图谱化为系统的标签体系；

第三步，采集数据；

第四步，通过对采集的用户行为数据建模；

第五步，实现用户画像可视化；

第六步，讲按照时间序列更新迭代并应用；

第七步，在应用用户画像知识图谱过程中结合算法实现智能推荐。