深度解读用户画像_光环大数据培训

1、 光环大数据光环大数据-大数据培训知名品牌大数据培训知名品牌http:/ 光环大数据光环大数据 http:/深度解读用户画像深度解读用户画像_ _光环大数据培训光环大数据培训光环大数据培训机构，用户画像的概念大热，众多企业都希望通过“用户画 像”驱动产品智能，但什么才是用户画像呢？通过这篇文章，我们介绍我们理解的两种用户画像（User Persona 和 User Profile），以及如何构建用户画像（User Profile）的标签体系并驱动产品智 能。UserUser PersonaPersona第一种用户画像（User Persona）是产品设计、运营人员从用户群体中抽象出 来的典型用户：在用户调研阶段，产品经理经过调查问卷、客户访谈了解用户的共性与 差异，汇总成不同的虚拟用户；在产品原型设计、开发阶段，产品经理围绕这些虚拟用户的需求、场景， 研究设计产品用户体验与使用流程；当产品设计出现分歧时，产品经理能够借助用户画像，跳出离散的需求， 聚焦到目标用户，不再讨论这个功能要不要保留，而是讨论用户可能需 要这个功能，可能如何使用这个功能等等。例如某招聘类产品在调研阶段构建的用户画

2、像（User Persona）：所以，这类用户画像（UserPersona），本质是一个用以描述用户需求的工具， 它帮助不同角色在产品研发过程中，站在用户的角度思考问题。光环大数据光环大数据-大数据培训知名品牌大数据培训知名品牌http:/ 光环大数据光环大数据 http:/在产品设计阶段和原型开发阶段，产品经理会较多地借助用户画像（User Persona）理解用户的需求，想象用户使用的场景。随着产品上线后不断迭代， 积累真实用户，仅通过用户画像（User Persona）难以量化地评估用户需求， 也很难通过数据证伪，不确定用户画像（User Persona）虚构的人物是不是真 的目标群体。同时，真实用户群体也随时间推移变化，在设计阶段虚构的用户画像（User Persona）需要重新调研、设想。UserUser ProfileProfile与此同时，我们也希望通过产品积累的用户行为数据，为产品运营提供更好的 支撑，例如根据用户浏览记录向用户提供个性化服务。这就是本文着重介绍的 第二种用户画像（User Profile）根据每个人在产品中的用户行为数据， 产出描述用户的标签的集合。例

3、如猜他是男是女，生活工作所在地，乃至喜欢哪个明星，要买什么东西等。随着“千人千面”等理念深入人心，在与许多企业客户的沟通中，我们希望客 户更加清楚两种用户画像的差异。与第一种用户画像（User Persona）不同的是，用户画像（User Profile）的建设更加关注：是否反应受众的真实需求：用户画像（User Profile）这个词的字面意义，是关注人口属性、生活状态等 静态信息，但这些信息并不一定直接反应用户兴趣。产品更关注的往往是某用 户“最近喜欢看哪类视频”、“准备买多少钱的手机”这样能帮助产品运营的 动态信息；时效性：用户的兴趣偏好随时都在发生变化，需要及时更新用户标签；光环大数据光环大数据-大数据培训知名品牌大数据培训知名品牌http:/ 光环大数据光环大数据 http:/覆盖度：用户画像（User Profile）既要勾勒出用户感兴趣的内容，也要记录用户不感兴趣的信息，尽量多地满足产品运营的需要。但同时，除了人口属性等明确的 属性外，大多数用户画像的正确与否是没有意义的。如“最近喜欢看搞笑视频”这个标签，并不表示用户下一次一定观看搞笑视频， 因此执着于提升标签的准确度，

4、不如设计出多更清晰描述受众需求的标签，更 多时候我们注重提升用户画像的覆盖度，同时提供更细粒度的画像。设计用户画像的标签体系设计用户画像的标签体系用户画像（以下均指 User Profile）一般通过标签体系落地，简单说就是你把 用户分到多少个类里面去，当然，每个用户是可以分到多个类上的。这些类都 是什么，彼此之间有何联系，就构成了标签体系。通常有两种思路设计用户画 像的标签体系。一是结构化的标签体系，这类标签可以直接从人口属性、物品信息等基本信息 中直接得到，有明确的层级关系，如性别、省市、视频分类、商品分类等。光环大数据光环大数据-大数据培训知名品牌大数据培训知名品牌http:/ 光环大数据光环大数据 http:/结构化的标签体系通常较为简单，一般可以直接通过用户的行为映射得到，例 如根据用户的购买记录，为用户构建物品对应的结构化标签。但结构化标签往往粒度较粗，无法充分衡量用户的兴趣。例如新闻类 App 中用户阅读了一条关于某明星的娱乐类新闻，其实无法推断出 他对所有娱乐类新闻感兴趣，也不一定只对该明星情有独钟。一种是非结构化标签体系，就是各个标签各自反应各自的用户兴趣，彼此之间

5、并无层级关系。典型的非结构化的标签，如搜索广告系统中的关键词，或者阅 读类产品中的文档主题模型（Topic Model），或者向量化的用户、物品Embedding。标签体系的建设一要便于使用，二要区分度明显。结合具体产品而言：在不同 的场景下，对这两点的要求重点是不同的；最终在产品中选择哪些标签并没有 明确的依据，还是需要充分了解到底是什么驱动用户使用产品。光环大数据光环大数据-大数据培训知名品牌大数据培训知名品牌http:/ 光环大数据光环大数据 http:/有效的标签体系，要能反应用户决定买什么、不买什么的逻辑与依据。例如电商产品中，以新闻频道的方法，为用户构建“财经、体育、旅游、”这样的标签，虽然并不难，但也没多大意义。用户画像行业实践用户画像行业实践神策数据与国内某知名视频聚合网站共同建设视频推荐服务。该网站每天聚合 全网的视频，向用户提供热门视频、视频检索等服务。网站已经积累了大量的 用户和行为数据，围绕新、老用户的运营模型在发生着变化。另与传统的视频站点不同，短视频的运营特点有：播放随意性强：短视频播放虽然是个高频、周期性强的娱乐应用，但单 次观影时间短，用户选择随意性大；

6、热点轮换迅速：平台中不断加入新视频，每天的热门内容不断变化，网 站需要发现用户潜在的兴趣点，向用户推荐新鲜内容；光环大数据光环大数据-大数据培训知名品牌大数据培训知名品牌http:/ 光环大数据光环大数据 http:/场景驱动：场景是特定的时间、地点和人物的组合下的特定的消费意图。不同的时间、地点，不同类型的用户的消费意图会有差异。例如白领乘 地铁上班，会关注当日的新闻热点；周末晚上在家，用户更喜欢点击娱 乐搞笑视频。场景辨识越细致，越能了解用户的消费意图，推荐满意度 也就越高。随着视频资源的不断丰富和用户需求的多样化，如何准确向客户推荐视频，是该产品用户画像的一个基本目标。我们十分看重推荐系统中，推荐结果的可解 释性，即让用户能感觉到每一条推荐视频的推荐理由。因此，我们构建用户画 像也以观看场景和观看兴趣为主。我们考虑新用户和老用户两大类群体：新用户第一次进入 App，在这一阶段的 运营目标以留存为主，主要向用户推荐近期热门视频。除了常规的设备信息、地理信息外，我们对用户了解甚少，可以通过猜测下列 问题：用户在哪里？这个时段可能处于什么场景？构建用户画像，进行场景推荐。这两种标签的获

7、取较为直接，通过用户手机的 地理位置信息和当前时段就可以得到。不同场景下，我们向新用户推荐不同的 视频，例如：工作日，7:00-10:00： 用户可能搭乘公共交通工具前往公司，乘车时使 用 3G/4G 流量上网，时间较为碎片化，并且容易受到打扰而中断观看。 通常，这个时段用户希望了解当天的时事、新闻。因此我们推荐短小精 悍的热点新闻；工作日，12:30-14:00：用户可能在公司午休，我们推荐娱乐、搞笑类的 视频，目的性较弱，随意寻找符合自己口味的内容，但有可能因为午睡 或工作，观影时间碎片化。因此，我们推荐视频时长较短，娱乐、搞笑 类的视频，如 X 奇艺的“笑 X 来了”等；光环大数据光环大数据-大数据培训知名品牌大数据培训知名品牌http:/ 光环大数据光环大数据 http:/周末，19:00-23:00：用户可能在家中休息，观看时间较为充足；使用Wifi，速度稳定；这个时段用户目的性通常较强，例如看看 ”XX 歌手”、 “XX 男” 等综艺节目的热门片段更新没有。因此我们可以推荐综艺节目、 电影片花等，满足用户长时间放松的需求。通过场景推荐的方式，我们在不了解用户兴趣的情况下，针

8、对不同场景标签下的新用户推荐不同热门视频，满足用户需求。而对于老用户，运营目标是提升用户体验，向用户推荐感兴趣的内容，能提高 观影时长；结合场景推荐用户可能感兴趣的新鲜内容，能提高用户留存率。除 常规信息、场景信息外，构建老用户的用户画像还会考虑：用户在不同时段的兴趣点用户是否喜欢探索新鲜视频用户召回需求对于第一类“用户兴趣标签”，可以通过视频本身的分类信息构建结构化的兴 趣标签。我们在实际处理中，将每个用户最近观看记录作为一个观影序列，通过Item2Vec（Item2Vec: NeuralItem Embedding for Collaborative Filtering, https:/arxiv.org/pdf/1603.04259v2.pdf）产出视频的Embedding 矩阵，并用 Bag of Words 的思想以每个用户的最近观看记录描述 用户兴趣，得到用户 Embedding，作为用户兴趣标签。通过用户兴趣标签，我们可以将用户兴趣融入前文描述的场景推荐中，例如在 工作日的 7:00-10:00，我们根据用户兴趣，从热点新闻中筛选用户感兴趣的军 事、财经等品类；在周末的 19:00-23:00，我们根据用户上周的观影记录，重 复推荐相同的新一期的综艺类节目。对于第二类“用户新鲜度需求标签”，我们通过衡量用户观影记录中，各影片 之间的相似度得到。影片分类覆盖越多，或影片之间的向量距离越远，说明用 户越喜欢探索新内容。光环大数据光环大数据-大数据培训知名品牌大数据培训知名品牌http:/ 光环大数据光环大数据 http:/对于喜欢探索不同类型的视频的用户，我们会更倾向于从用户未观看过的分类中，抽取新鲜热门视频加入推荐排序结果中。现在互联网产品的获客成本很高，神策分析可以通过多维分析的方式寻找用户流失的原因，同时我们也通过统计方法预测用户流失风险。对于视频网站的老用户，观影习惯和场景通常较为固定，当用户最近一段时间 内的观看频次显著低于过往，甚至没有打开 App 时，我们判定用户有流失风险， 可以通过推送感兴

《深度解读用户画像_光环大数据培训》由会员gua****an分享，可在线阅读，更多相关《深度解读用户画像_光环大数据培训》请在金锄头文库上搜索。