初識用戶畫像
用戶畫像
隨著用戶的一切行為數據可以被企業追踪到，企業的關注點日益聚焦在如何利用大數據為經營分析和精準行銷服務，而要做精細化運營，首先要建立本企業的用戶畫像。
HubSpot白皮書：2020行銷技術新風向- Linkflow聯否官網 
提到用戶畫像的概念，我們區分下用戶角色（Persona）和用戶畫像（Profile）：
用戶角色（Persona）
用戶角色本質是一個用以溝通的工具，當我們討論產品、需求、場景、用戶體驗的時候，為了避免在目標用戶理解上的分歧，用戶角色應運而生。用戶角色建立在對真實用戶深刻理解，及高精準相關數據的概括之上，虛構的包含典型用戶特徵的人物形象。如下是一個典型的用戶角色：
用戶畫像（Profile）
用戶畫像更多被運營和數據分析師使用，精準行銷、經營分析、個性化推薦都是基於用戶畫像的應用。用戶畫像是各類描述用戶數據的變量集合，能夠準確描述任何一個真實用戶。如下是一個簡化的用戶畫像：
{ “ID”: 123456,
“姓名”: “張建國”,
“性別”: “男”,
“出生年月”: 631123200,
“籍貫”: “北京”,
“居住地”: “北京”,
“教育背景”:
{ “學校”:”北京大學”,
“專業”: “CS”,
“入學年月”:1220198400
}
}
用戶畫像產品化
從業務價值來說，標籤和畫像類似一個為前台服務提供數據支持的中間層系統模塊。開發完畫像標籤數據，如果只是“躺在”數據倉庫中，並不能發揮更大的業務價值。只有將畫像數據產品化後才能以標準方式提升數據處理鏈路上各個環節的效率，同時也更便於業務方使用。下面分別從產品化後涵蓋的標籤生產架構和功能模塊兩個角度進行總結：
用戶畫像產品系統架構
下圖是一個用戶畫像產品系統的結構圖，數據是從左到右的，主要包括數據採集、數據接入、數據整合/標籤計算、標籤應用4個層級。下面嘗試對其進行簡單描述：
數據採集
在數據採集模塊，主要通過客戶端/服務端SDK、導入、對接第三方應用3種埋點方式進行日誌數據、業務數據、第三方數據的採集。
1、SDK
（1）客戶端SDK：通過客戶端SDK埋點，可以採集iOS、Android、小程序、網站等各種客戶端的用戶行為數據和用戶屬性訊息。
（2）服務端SDK：若數據已經存在數據庫、數據倉庫，比如訂單訊息，可以使用對應開發語言的服務端SDK進行數據的採集。
2、Importer
可以根據運行環境、源數據格式、導入數據量的大小等影響因素，選擇不同大導入方式，把歷史文件數據導進用戶畫像產品系統。
3、Link針對不同第三方產品OpenAPI的特點，採用接收事件消息推送、或主動輪詢方式採集用戶在不同第三方應用系統的個人屬性和行為事件數據。
數據接入
埋點數據先大量進入Kafka，然後慢慢消費接入後續的數據整合存儲系統。
數據整合/標籤計算
在用戶畫像系統中，主要使用Hive作為數據倉庫，進行ETL處理，開發相應的用戶屬性表和用戶行為表，以及標籤的計算。
1、數據整合
各種渠道接進來的數據，存在孤立、空值、格式不對應、超過極限範圍等數據質量問題，因此需要進行臟數據清洗、格式轉換、用戶識別與合併等整合工作：
（1）Clean/Transform
a.Clean：比如，某個用戶的出生年月時間是未來的某個日期時刻，因此就需要把這類臟數據給過濾掉
b.Transform：比如，通過某個第三方應用API獲取到的所有用戶的地區訊息是IPB標準編碼形式，為了能和其他渠道的訊息一起進行分析，就需要根據IPB標準編碼轉換成標準的省、市格式
（2）Id Mapping
a.各個渠道接進來的用戶屬性數據、行為事件數據等都是孤立的，為了能計算用戶的全方位的綜合標籤，就需要做用戶的識別合併，比如通過unionID，識別合併綁定在同一微信開放平台的公眾號、小程序、網站的同一個用戶的訊息。
經過數據整合處理，數據會進入下面的數據模型中：
2、標籤計算
在用戶畫像系統，會做一套批量離線的標籤處理引擎，依賴的是底層比較穩定的數據結構。這個標籤引擎一邊讀事件數據，一邊讀用戶的屬性數據，再配合上特定的標籤規則，做一個批量計算，最後生成用戶標籤。
標籤應用
標籤的應用主要分為前端畫像展示、通過API接入其他系統兩大類應用方式，通過下面的「3.2 用戶畫像產品化功能模塊」章節具體描述。
用戶畫像產品功能模塊
系統看板
通常用戶畫像系統的數據看板，以可視化形式展示企業的核心用戶數據資產情況或者重點關注的人群數據。旨在建立和統一使用者對企業數據資產或者核心人群數據的基礎認知，主要分成以下幾類：
1、用戶量級及變化趨勢：不同設備類型ID量級、不同類型用戶量級(如註冊與非註冊用戶、付費與非付費用戶等)；
2、標籤資產：按主要類目統計標籤個數等；
3、核心用戶標籤：展示固有或自定義人群的關鍵標籤畫像數據等；
標籤管理
供業務人員進行標籤的增、刪、改、查等操作，包含：標籤分類、新建標籤、標籤審核、標籤上下架、標籤覆蓋人數監控等。
基於用戶行為數據、用戶屬性數據，通過設置標籤規則創建標籤：
單用戶畫像
主要能力包含通過輸入用戶ID，來查看單用戶畫像的詳情數據，如用戶的屬性訊息、用戶行為等數據。
3.2.4用戶分群和用戶群畫像
1、用戶分群
用戶分群功能主要是面向業務人員使用。產品經理、運營、客服等業務人員在應用標籤時，可能不僅僅只查看某一個標籤對應的人群情況，更多地可能需要組合多個標籤來滿足其在業務上對人群的定義。例如：組合“過去7天領取優惠券次數大於1次”、“活動活躍度等於高和極高”、“女性”用戶這3個標籤定義目標人群，查看該類人群覆蓋的用戶量。
2、用戶群畫像
和用戶分群功能相似，用戶群畫像功能首先也需要組合標籤圈定用戶群體，不同之處在於用戶群畫像功能支持從多個維度去分析圈定用戶群體的特徵，而用戶分群功能側重的是將篩選出來的用戶群推送到各業務系統中，提供服務支持。
用戶畫像應用
前面提到過用戶畫像主要有：經營分析、精準行銷、個性化推薦與服務3個方面的應用。具體又可以分為：
經營分析
用戶畫像系統的標籤數據通過API進入分析系統後，可以豐富分析數據的維度，支持進行多種業務對象的經營分析。下面總結的是一些市場、運營、產品人員分析時會關注的指標：
流量分析
1、流量來源
2、流量數量：UV、PV
3、流量質量：瀏覽深度（UV、PV）、停留時長、來源轉化、ROI（投資回報率，return on investment）
用戶分析
1、用戶數量：新用戶數、老用戶數、新/老用戶數量比
2、用戶質量：新增用戶數（App啟動）、活躍用戶數（App啟動）、用戶留存（App啟動-App啟動）、用戶參與度、沉睡、客單價
商品分析
1、商品動銷：GMV、客單價、下單人數、取消購買人數、退貨人數、各端复購率、購買頻次分佈、運營位購買轉化
2、商品品類：支付訂單情況（次數、人數、趨勢、复購）、訪購情況、申請退貨情況、取消訂單情況、關注情況
訂單分析
1、訂單指標：總訂單量、退款訂單量、訂單應付金額、訂單實付金額、下單人數
2、轉化率指標：新增訂單/訪問UV、有效訂單/訪問UV
渠道分析
1、用戶活躍
（1）活躍用戶：UV、PV
（2）新增用戶：註冊量、註冊同環比
2、用戶質量
（1）留存：次日/7日/30日留存率
3、渠道收入
（1）訂單：訂單量、日均訂單量、訂單同環比
（2）營收：付費金額、日均付費金額、金額同環比（3）用戶：人均訂單量、人均訂單金額
產品分析
1、搜索功能：搜索人數/次數、搜索功能滲透率、搜索關鍵詞
2、關鍵路徑漏斗等產品功能設計分析
精準行銷
短信/郵件/push行銷
日常生活中我們經常會從許多渠道接收到行銷來的訊息。一條關於紅包到賬的短信消息推送可能會促使用戶打開已經很久沒訪問的App，一條關於心願單裡面圖書降價的郵件消息推送可能會刺激用戶打開推送鏈接直接下單購買。具體有哪些類型的行銷方式呢？大致可以分為以下4類：
1、基於行為行銷：產品瀏覽、加入購物車、門店掃碼、訂單取消、訂單退貨等
2、基於位置行銷：周邊門店、周邊活動、常去區域等3、基於節日行銷：生日、春節、雙十一、雙十二、聖誕等
4、基於會員行銷：歡迎入會、卡券提醒、積分變更、等級變化、會員禮遇等
客服話術
當我們在向某平台的客服部門投訴、諮詢或反饋意見時，客服人員可以準確的說出我們在平台的購買情況，上一次諮詢問題的處理結果等訊息，針對性的提出解決方法，對於高價值用戶提供VIP客服通道等專項服務。
個性化推薦與服務
應用的運營者，可以通過個推用戶畫像中的性別、年齡段、興趣愛好、瀏覽購買行為等標籤，給用戶推薦不同的內容。如今日頭條上的個性化文章內容推薦、抖音上基於用戶畫像做的個性化視頻內容推薦、淘寶上基於用戶瀏覽行為等畫像數據做的個性化商品推薦等。
