数据分析系列：用户分群和画像分析

傷城~ 2023-07-23 14:56 24阅读 0赞

本来想自己总结一下关于数据分析的一些东西，包括漏斗分析、存留分析、用户粘性、用户价值（如rfm）和用户画像分析等方面的内容。但是网上资料十分多，自知肯定没有那些资深大牛写得好，而且自己写东西时间有限，想多总结一些关于模型和统计方面的东西。所以还是直接引用别人表述的比较清晰的文章吧，在此基础上加入一些自己的理解和注释。

本文大部分内容取自[数据分析（5）：用户画像分析法][5]，并在此基础上加入看了一些自己的理解和看法

#### 一、什么是用户画像？ ####

用户画像是通过对用户各类特征进行标识，通过标识给用户贴上各类标签，再通过标签把用户分为不同的群体，以便对不同的群体分别进行产品/运营运作。（**注：往往这些用户画像标签放在数据仓库中，使用t+n离线计算就行，用的时候直接掉用，不需要每次实时计算，对应不同业务，每个业务可以设计一张画像宽表，也可以从中间层关联提取**）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70]

#### 二、标签都有哪些？ ####

这里呢我们把标签分为四大类：  
**第一类：基础属性**  
像年龄、性别、生日、星座、教育、身高、收入、职业等。（**这些一般在填写信息和注册时就会得到**）

**第二类：社会关系**  
婚姻、有无女孩、有无男孩、家里是否有老人、性取向等。（**注：一些关系是显性的，比如婚姻等，但还有一些关系是隐形的，比如人群编好的相似度等隐性关系，隐性关系我们往往需要通过建模得到**）

**第三类：行为特征**  
行为特征又分为两块儿：

1.  基本行为：  
    注册时间、来源渠道、最近一次活跃的时间、最近一次支付的时间。（**可以理解为用户都会经历的行为，其中行为指标可以是具体的，比如注册时间。也可以是统计特征，比如近一周的登录次数等**）
2.  业务行为：  
    是否买过特惠商品、是否曾获优秀学员，这些标识都会对产品的后期运营有所帮助。（**可以理解为用户的独特个体行为，通长这些特征是稀疏的，这类特征往往不太适合建立复杂建模，但是对于分析和定向运营有一定帮助**）

**第四类：业务相关**  
这一类跟其他类不太一样，就像第三类中的业务行为，它是通过业务行为产生出来的特征，而业务相关呢，它是积累了其他的业务不会去记录的一些数据，比如运动健身类的产品。  
它会涉及到：胖瘦高矮、体脂率、BMI、在练胸或者练臀、日均10000步、收藏了多少份健身计划等等。（**根据具体业务确立特征，对用户分群和建立数据壁垒等方面均有一定作用**）

#### 三、标签从哪儿来？ ####

**第一：直接填写**  
通过产品的一些特殊的步骤，让用户直接填写，比如注册页面，下图是某陌生人社交产品，通过用户注册让用户去填写年龄和性别。（**注：信息填写过多虽然有利于画像的精确建立，但是产品的体验会下降，需要权衡两者的关系，使用A/Btest等方式确定合适的填写信息**）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 2]  
还有一些是运用借地打地的手段，比如一些电商、外卖类的产品和地图类的产品，首先是让用户填写地址，其次是让用户选择标签，表面上是提供一个工具，事实上让用户帮助产品获取结构化的工具，让系统知道，用户作为一个个体，他的家、公司、学校在什么地方。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 3]  
还有一些像装修类的产品，看上去是一个便捷的功能，平台方通过这个功能可以收集到大量跟业务相关的详情信息。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 4]  
随着用户的自我保护意识越来越强，而且呢用户又非常的懒，莫名其妙填一些信息用户也比较反感。那就有了第二种获取标签的途径。

**第二：通过用户自己的已有特征推导**  
当然，这种方式的成本比较高，没有让用户直接填写来的简单方便，一般的产品不会经常去这样做，它适用的场景有以下几种（**个人认为一些场景的画像预测是十分必要的，比如在在推荐领域，我们总会碰到事前预测，此时利用预测的画像数据时必要的。又比如在风控领域中，我们通常会进行信息一致性校验，如果用户填写信息（比如有房）与我们的预测画像信息（无房）不一致，则此用户需要格外注意。**）：

**（1）做活动时**

相信大家都有做活动的经验，我们在做活动时会筛选一批用户出来做定向推广，比如说年龄、地区、新老用户。

举个栗子：你是某电商平台的产品经理，现在要做一个推广活动，面向的用户群体为在消费能力强的上海女性。现在需要向这个群体的用户去宣传这个活动，那怎么做？

首先，区分出来性别，即男、女。

用户如果没有填写性别，我们可以从他买过的东西去推，比如说买过女士衣服+化妆品。

其次，推算出在上海的用户。

假设大部分人买东西是给自己买，收货地址是上海市的，我们可以推算出此用户是上海市的。

最后，验证消费能力是否强。

消费能力如果从她历史消费的总金额推算，感觉有点不合理，但它也能验证一部分，我们可以再加一些条件，比如购买过进口的小商品，比如牙膏，一般消费能力不强的用户，很少会花将近百元去买一支进口的牙膏。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 5]  
上面是通过用户的业务特征做的推断。

但是，不是所有的用户都发生过以上的行为，通过以上业务行为筛选之后，可以给部分用户打上标签，还有一部分用户她没有标签，所以，我们再做进一步的推导。

*  性别：除了通过从购买的商品推导以后，还可以通过她使用的是手机是否为美图手机；
 *  地区：可以用常用IP进行推导；
 *  消费能力：可以用使用的手机为最新款且价格在5000元以上的用户。
 *

当然，这里面肯定会有误判，但是，就算是有误判我们也认了，因为很难做到百分百精准。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 6]  
**（2）简单的个性化运营**

比如说首页的某个推广模块，面对不同的用户群体推广不同的内容。

**（3）业务分析**

在做业务分析时，需要把用户拆分成不同的群体，看在业务中的表现情况，比如是否领取七天/15天的会员卡。

**（4）用户研究**

如果有用户标签的基础，做用户研究的童鞋的研究效果会更加的精准。

如果通过前面两种方式已经把80%的用户打标签了，还剩下的20%怎么办？这里我们就会运用到第三种推导方式：

**第三：通过用户身边的人推断**  
首先，通过距离：基于某些属性，周围的人都具备，用户大概率也具备。  
其次，是通过行为：通过协同过滤，找到行为相似的目标用户。  
**注：现在流行的图计算技术可以很好的解决这个问题，但对算力的要求比较大**

比如说，刚才我们通过买过女士衣服和化妆品的用户打上了女性的标签，但是这种方式有局限性，可能有些用户本身就不在你的平台上买衣服和化妆品，这里我们可以通过这种用户的其他行为，比如说买了卫生巾或者其他的女性用品，然后通过她购买的商品，再找到跟她购买过相似商品的用户打上女性用户的标签。

说在最后：

第三种的精确度是最低的（**但是个人感觉这部分现在应用非常多，尤其是推荐领域**），但是在一些场景中，不需要精确度那么高，当然，我们也可以通过此类用户的后期行为，迭代这些标签。至少我们通过这三种方式把所有的用户都分了群。

好啦，用户画像分析法到这里就完结啦。

那最后通过一张架构图来总结一下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 7]

[5]: https://blog.csdn.net/u010199413/article/details/104335108?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522158631479219724843339495%2522%252C%2522scm%2522%253A%252220140713.130056874..%2522%257D&request_id=158631479219724843339495&biz_id=0&utm_source=distribute.pc_search_result.none-task-blog-blog_SOOPENSEARCH-16
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70]: /images/20230528/0a2a96ea922e4478aa45579b74a2843d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 1]: /images/20230528/face38f27c6a44d2ba1b21146b25c13a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 2]: /images/20230528/412d0525b1be4ebe9ebcaaae0d374844.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 3]: /images/20230528/a6935d3660ba4c30ad17a7ee4b93281b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 4]: /images/20230528/67c0fd82dc7b4fb48811933d551d12e5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 5]: /images/20230528/e99321d018d94d9b94b304c9ae03e922.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 6]: /images/20230528/3304998fe4284f7d9a21b83aecf89ac1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTE1MTcxMzI_size_16_color_FFFFFF_t_70 7]: /images/20230528/a378c5d8b2c940d8a7f7078e71df319a.png