既是概述，也是笔记，持续更新 ~
参考文章：
1、用户画像的技术和方法论
2、用户画像是怎么生成出来的？
3、用户画像：User persona 和 User profile
4、 终于有人把用户画像（客户画像和市场细分）的流程、方法讲明白了
5、用户行为分析与用户画像（下）
6、户画像体系介绍汇总
7、比你更了解你，浅谈用户画像
一、用户画像的诞生背景
1.1 行业背景？
在互联网逐渐步入大数据时代后，用户的所有行为在企业面前几乎都是可视的。深入挖掘用户数据的潜在商业价值，利用大数据为企业进行人、货、场的精准布局，用户画像的概念也就应运而生。
1.2 互联网公司的核心？
围绕购物旅程后的用户体验（购物旅程：商品、供应链、物流、营销活动等）。
1.3 如何在现有体系下最大化满意度？
以增量用户拉取，存量用户数量和价值的保有为目标，利用大数据技术精准用户画像，并结合商品画像，解构用户及商品，精细化耕作，最终在重点目标客户群体上形成突破。
二、What ？什么是用户画像？
2.1 用户画像的概念
- 用户信息标签化（与用户相关联的数据的可视化展现）。
- 通俗理解：从用户的海量数据里，根据用户属性、目标、偏好、行为等，将他们分为不同的类型，然后从每种类型中抽取出典型特征，赋予高度精炼的特征标识，也就是用户信息标签化。
2.2 用户画像的分类（user profile 和 user persona）
User Profile
- User Profile：数据偏理性，一般基于用户在系统里产生的真实数据、行为特征和用户主动填写的行为资料，更偏数据统计、计算过程形成的标签系统。
- 应用：① 为优化产品用户体验提供方向；② 挖掘用户数据进行个性化推送；③ 衡量用户价值 ARUP
User Persona
- User Persona：一般来自于用户访谈、用户研究，是一个比较抽象的，比较感性的画像。
- 应用：① 产品定义阶段（需求分析：用户-场景-问题-解决方案）；② 产品设计阶段（从典型用户画像出发，进行流程和用户体验设计）
User Profile 对比 User Persona
- 简言之，用户画像（user profile）是基于大量用户积累下的数据，结合相应的需求和场景沉淀出的一系列标签，这些标签共同为提供更好的产品迭代提供数据支持。用户画像（user persona）是产品设计人员在产品规划阶段，基于对用户的真实需求虚拟出的典型人物角色。
三、Why？为什么使用用户画像？
3.1 为什么？
- 数据驱动决策，做到利益最大化。
- 通俗理解：找到并更好地服务于为产品买单的那一群人。
3.2 用户画像的作用？
从人、货、场的角度解读：
- 人：用户通过内容形成粉丝，精准引导及匹配消费
- 货：商品走向柔性供应链，数据驱动产销配一体化
- 场：渠道匹配品牌和运营能力的节奏布局（含场景）
从用户画像的应用角度解读：
- 精准营销：根据历史用户特征，分析产品的潜在用户和用户的潜在需求，针对特定群体，利用短信、邮件等方式进行营销。
- 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。
- 数据应用：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升服务精准度。
- 服务产品：对产品进行用户画像，对产品进行受众分析，更透彻地理解用户使用产品的心理动机和行为习惯，完善产品运营，提升服务质量。
- 行业报告 & 用户研究：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
四、How？如何构建用户画像？
用户画像的构建流程基本可概述为：数据采集（收集+分层）→ 数据建模 → 构建画像（闭环）
4.1 数据采集：维度、粒度、静/动态、分层
数据维度：
- 人口属性 —— 用户的基本特征（性别、年龄、地理位置等）
- 社会属性 —— 用户职业相关特征（所属行业、岗位层级、工作年限等）
- 消费需求 —— 消费习惯和消费偏好（生活习惯、便利性、价格和品质敏感度、风险偏好等）
- 购买能力 —— 收入及购买力、购买频次和渠道（月收入、财务状况、消费能力等）
- 兴趣爱好 —— 品牌偏好、个人兴趣（游戏、吃货、圈子、粉丝等）
- 社交属性 —— 用户活跃场景（社交关系、上网时间、活跃度、社交媒体等）
数据粒度：
- 过细的粒度会导致标签没有泛化能力和使用价值，过粗的粒度会导致没有区分度。
- 因此，在模型构建中一般采用层次化的标签体系，同时用几个粒度的标签去匹配，既保证了标签的准确性，又保证了标签的泛化性。
静态/动态：
- 静态数据：用户相对稳定的信息，实时性弱，覆盖广，粒度粗（例如：性别、年龄、收入、地域等）
- 动态数据：用户不断变化的行为信息，时效性敏感（例如：访问设备，活跃度，消费偏好等）
- 统计/预测类数据：维度子特征占比（例如：消费类型占比等）
数据分层：
- 浅层用户数据：根据用户基本属性和行为，对数据进行浅层次的收集和汇总分析
- 深层用户数据：结合业务知识，对数据进行归纳和拆分，便于后续构建标签体系
- （参考文章：用户画像的技术和方法论，原文是为用户画像构建的分层，即“浅层用户画像”与“深层用户画像”，其中心思想是，越深层的用户画像越贴近业务。但缺乏各层次构建的依据和框架，因此在本文，为了使标签体系的构建更有条理性，仅保留“深层-业务”的中心思想，对原始数据进行分层和理解，而后标签的分层在后续将按照“原始数据-事实标签-模型标签-高级标签”，来递进分层）。
4.3 数据建模
4.3.1 数据挖掘
1、SDK 埋点：
- 预先设定需获取的“事件”，将“事件”嵌入相应页面形成触点，让用户在点击时直接产生网络行为数据和服务内行为数据，用于追踪和记录用户行为，并将实时数据传送至后台数据库或客户端。
△ 事件：指用户作用于产品、网站页面的一系列行为，并用程序语言进行描述。
△ 网络行为数据：登陆次数、访问时长、**率、外部触点、社交数据等。
△ 服务内行为数据：浏览路径、页面停留时间、访问深度、唯一页面浏览次数等。 - 数据反馈到服务器，被存放于后台或者客户端，就是我们所要获取到的用户基础数据。
2、A/B test：
- 为同一个目标制定两个方案，让一部分用户使用 A 方案，另一部分用户使用 B 方案，记录用户的使用情况，获取进一步的信息数据。
- A/B test 流程概述：确定目标 → 创建变体 → 生成假设 → 收集数据 → 运行试验 → 分析结果
3、问卷调查、访谈、观察
- 问卷调查：可以用在产品生命周期的各个阶段，它的优点是多快好省。
- 访谈：访谈针对的对象，主要是那些愿意说，说得清楚的用户。通过访谈了解用户内心的真实想法。
- 观察：主要分为旁站式观察和沉浸式观察。旁站式观即站在旁边观察用户的使用行为情况，并且记录下来。沉浸式观察即和用户一起操作一遍，以便了解用户的真实内心想法。
4.3.2 研究方法：定性/定量相结合
1、定性的方法：
- 确定事物的性质，是描述性的。
- 表现为对产品、行为、用户个体的性质和特征作出概括，形成对应的产品标签、行为标签、用户标签。
2、定量的方法：
- 确定对象数量特征、数量关系和数量变化，是可量化的。
- 定量的方法是在定性的基础上，给每一个标签打上特定的权重，最后通过数学公式计算得出总的标签权重，从而形成完整的用户模型。
4.3.3 标签权重
- 标签 = 用户标识 (who) + 时间 (when) + 接触点 (where) + 商品/内容 (what) + 行为 (which)
- 根据标签权重，为用户打上标签，而后基于标签聚类进行用户分类
- 标签权重 = 时间衰减因子 x 行为权重 x 网址权重
（考虑用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子 r，行为类型与网址决定了权重，内容决定了标签）
4.3.4 标签体系 & 常用算法
1、原始数据：
- 客户基本信息、历史交易、渠道使用、收入支出等原始数据信息。
- 对原始数据，主要使用文本挖掘的算法进行分析，例如 TF-IDF、LDA，对原始数据预处理和清洗，对用户数据的匹配和标识。
2、事实标签：
- 基于原始数据，从数据库直接获取（如注册信息），或通过简单统计得到的标签。这类标签构建难度低、实际含义明确，且部分标签可用作后续标签挖掘的基础特征（如产品购买次数可用来作为用户购物偏好的输入特征数据）。
- 对原始数据，通过文本挖掘，提取更多事实数据信息（如人口属性、行为与消费信息），主要使用分类与聚类算法，对信息不全的用户，进行预测分类。同时分析挖掘出具有相同特征的群体信息，进行受众细分，市场细分。对文本特征数据，使用相似度计算，最终得到事实标签层。
3、模型标签：
- 利用模型（业务规则、算法模型），根据业务需求构造出的标签。
- 对原始数据与事实标签层数据，使用回归、决策树等机器学习模型，进一步挖掘用户群体特征和个性权重特征，从而完善用户的价值衡量、偏好衡量、满意度衡量等。
4、预测标签：
- 基于事实标签和模型标签，结合业务指标，进行统计建模后预测分析得出。
- 利用预测算法，对用户的流失、忠实度、需求等预测，从而实现精准营销，个性化和定制化营销。
五、构建画像（闭环）
5.1 构建画像
根据具体业务规则，与标签体系，构建最终的用户画像。
常见的维度：基本特征、购买能力、行为特征、兴趣爱好、心理特征、社交网络等。
5.2 画像验证与效果评估
5.2.1 事中验证：
1、模型验证指标
① 准确性验证指标：Confusion Matrix、ROC、AUC、KS
- 准确率：是预测正确的结果占总样本的百分比
Accurary = (TP + TN) / (TP + TN + FP + FN) - 召回率 / 查全率 / 真正率：在实际为正的样本中，被预测为正样本的概率
Recall = TPR = TP / (TP + FN) - 假正率：在实际为负的样本中，被预测为正样本的概率
FPR = FP / (FP + TN) - 精确率 / 查准率：在被预测为正的样本中，实际为正的样本的概率
Precision = TP / (TP + FP) - F1 分数：同时考虑查准率与查全率，让二者同时达到最高，取平衡点
F1 = 2 * Precision * Recall / (Precision + Recall) - ROC 曲线：横坐标为假正率（FPR），纵坐标为真正率（TPR），可以无视样本不平衡
- AUC：ROC 曲线下的面积，积分或投点法求解。AUC 可以解读为模型将某个随机正类别样本，排列在某个随机负类别样本之上的概率。TPR越高，FPR越低，也就是 ROC 曲线越陡，模型的性能就越好。
② 模型覆盖率：被打上标签的用户占全量用户的比例
- 但覆盖率和准确率是一对矛盾的指标，需要对二者进行权衡，一般的做法是在准确率符合一定标准的情况下，尽可能的提升覆盖率。
- 因此标签整体覆盖率一般拆解为 2 个指标：标签覆盖的用户比例、覆盖用户的人均标签数
③ 时效性：对于不同的标签，需要建立合理的更新机制，以保证标签时间上的有效性（例如：强时效性的兴趣标签、轨迹标签等；弱时效性的性别标签、年龄标签等）。
④ 其他指标：标签还需要有一定的可解释性，便于理解。同时需要便于维护且有一定的可扩展性，方便后续标签的添加。这些指标难以给出量化的标准，但在构架用户画像时也需要注意。
2、抽样验证：采取分层抽样验证、或随机抽样验证，对画像准确性进行验证。
3、交叉验证：画像指标间的交叉验证、外部数据的补充交叉验证。
5.2.2 事后验证：
1、真实数据验证：基于随业务发展增加的数据源（真实数据），对用户画像进行验证与更新。
2、A/B test：对比实验组与对照组的结果，验证用户画像的准确率与有效性。
3、业务反馈数据验证：看业务反馈排序与画像模型排序模型是否呈现单调性。
5.2.3 构建闭环
结合业务，构建闭环，用数据来提升业务理解，通过业务理解来快速构建与更新画像数据体系。