用户画像分析方法（案例）

1. 用户画像分析方法（案例）

上篇文章，我们了解了常见的业务场景（案例）和5种分析方法。这篇文章将带领大家走进工作时候的业务场景，学习在几种较为复杂的业务场景下，我们都是如何借助数据进行分析，解决问题的。
  
 平常我们在网上也会对用户画像进行搜索，一般情况都会下会找到两种结果的答案。
  
 第一种是会告诉你用户偏标签数字的内容。
  
 第二种是描述一个用户的职业兴趣爱好以及使用产品时候的一些特点。
  
 两种也会有一些差距。第一种一般指的是用户在系统里面产生的一些行为一些用户特征，或者用户主动填写的资料，更偏数据统计过程中形成的标签系统。第二种更是偏用户访谈用户研究的，一些感性的东西。
  
 第一种我们就会用在产品的推广运营，产品设计中。这种一般是来自产品具体数据的表现，所以用在商务或运营中会比较多一些。第二种一般会帮助我们识别产品所主要服务的人是什么类型的，是比较感性的一个东西。但是它对于指导我们具体工作时，会有缺失的。
  
 两者之间有一些差异，但是还是要多了解一下第一种基于数据的用户画像。
  
 
  
                                          
 基础属性（用户的基本情况）：年龄、性别、生日、星座、教育、身高、收入、职业 ....
  
 社会关系：婚姻、有无小孩、有无女孩、家有老人、性取向....
  
 行为特征：基本行为 注册时间、来源渠道....           业务行为 买过特惠商品、曾获优秀学员
  
 业务相关（运动类型产品）：高矮胖瘦、体脂率、在练肌肉、日均9000步、收藏100个健身计划....
  
  1、直接填写（比如是注册的时候，相亲的产品，外卖的产品，装修的产品） 
  
  2、通过用户自己的已有特征推得（一般是在做活动的时候，简单个性化运营，业务分析要拆成不通群体观察，用户研究（准备）） 
  
 举个案例：产品是一个电商平台，运营部门要针对与北京的女大学生做一个女生节这样的运营活动。
  
 这个时候我们如何去区分性别，地址，消费能力。
  
 我们可以用现在已有的特征去推。我们可以通过买过的东西推算，如买过多次男性产品的归为男性，买过多种卫生巾产品的用户归为女性。地址也可以通过收货地址推算得出。消费能力也是可以通过细节消费（比如买一个消耗品超过200元钱这个样子）通过用户特征做推断，都是通过以往信息来筛选。不可能所有用户都发生这样的行为，这样的我们只能给一部分用户打标签，还有一部分用户没有识别出来的。
  
 当然我们还是需要做进一步的推演。比如地址我们也可以进一步通过用户的常用IP来得出是否在北京。或者说消费能力也可以查看用户使用的手机型号是否为新款。比如通过手机型号vivo和美图手机也可以得出大部分女性用户（当然也会有些误判）职业可以通过收货地址是大学消费等地方。
  
  3、通过用户身边的人推断 
  
 距离相近（某些属性，周围的人都具备，用户大概率也具备）
  
 行为相似（通过协调过滤，找到行为相似的目标用户）
  
 常见特征：基础属性 社会关系 行为特征 业务相关
    
 使用场景：市场营销，个性化运营，业务分析，用户研究....
  
 通过用户画像去了解数字背后的用户一般情况下会有三种落地的场景（高质量拉新，精准运营推送，辅助产品设计）
  
  如何高质量拉新？ （一个2手书籍交易平台）
  
 
  
                                          
  1如何从现有的用户里面找到我们，那些是真正的用户 
  
 定义什么是我们真正的用户（比如：高留存用户，核心行为频次，完成率高）
  
  2真正用户的特征 
  
 是谁？     电商平台可以通过他购买的书籍。倒推他们的年龄，受教育程度，地域，消费能力。
  
 从哪里来？   电话访谈等方式，发现很多来自朋友推荐。
  
  3按此类型，找到类似的用户 
  
  用户画像：高校、科研院所、知识密集型工作区域。消费倾向社科类书籍。
    
 有的时候人拉人的这种手段不一定会做的很好。会有很多条件限制我们，没有办法去做。在这种情况下我们可以选择很多渠道做合作做投放，不同渠道会有不同属性，不同渠道的用户会有不同的标签，比如年龄的标签职业性别等。我们有了自己的标签之后，在对接渠道时候我们可以将我们的诉求和特征对应起来选择更好的投放渠道。
  
 另外也有很多广告投放也做的很好，都是可以精准的选择受众。对比两个平台的标签和画像，都是可以对的上。但一开始的时候一定要梳理好我们要投放什么类型的人，不然再好的平台也是用不上的。我们有一个用户画像之后，在拉新的时候会有一个大体的参考。

2. 用户画像分析怎么做

用户画像分析就是基于大量的数据，建立用户的属性标签体系，同时利用这种属性标签体系去描述用户。
可以运用营销自动化微信用户标签库来给用户打标签，“标签“就是带有特定含义用于描述真实的用户自身带有的属性特征。“标签”相较于其他用户画像基础要素来说，标签可以是动态的，通过动态的社交活动行为，例如：搜索、浏览、评论、点赞等构建出3D的用户画像。
通过对折叠屏手机用户的标签数据分析，可以得知用户的购物偏好特征和生活属性，从而品牌可以更针对性地展示不同用户想看的内容，还有为以用户需求为导向的产品研发，提供数据支持。

用户画像基本要素
1、地域
即用户所在的地理位置，不同城市的生活消费形态也是不同的。普遍一二线城市的居民平均收入要比三四线城市的居民平均收入要高一些。
2、性别
性别也是对消费需求影响较大的因素之一。参考该要素来宣传产品或服务，能够大大提高品牌的营销效率。
3、年龄
即用户的社会角色，每个年龄段的用户社会角色也不同，感兴趣的商品特性也不同。
4、受教育程度
受教育程度不同的用户对营销内容的要求也会不同，对于生活的态度和关注的事情也不同。
5、行业特征
了解用户所在行业，对产品或服务的关注点不同。

3. 用户画像分析怎么做

首先，是找到目标用户。以Tik Tok为例。在Tik Tok刚刚开始上线之后，分析我们的用户是谁是非常重要的，比如什么年龄，性别，地域教育等等。这样可以快速帮助产品找到当前的主流用户群体是否是产品的初始定位。如果完全不同，那就是产品的设计出了问题，偏离了方向。
上线一段时间后，我们可以把用户分成不同的活跃程度。比如都玩Tik Tok，有的天天玩有的偶尔玩，有的能刷很久，有的刷完就走了。频率和时长成了此时用户最大的特征差异。那么，不同频率和时长的用户在年龄、性别、地域上有什么区别呢？这些是对特征的进一步认识。
一段时间后，部分用户会保留和流失用户，需要分析保留用户和流失用户在行为特征上是否有特殊差异。
https://iknow-pic.cdn.bcebos.com/f703738da977391294357ff1ea198618367ae20b?x-bce-process=image%2Fresize%2Cm_lfit%2Cw_600%2Ch_800%2Climit_1%2Fquality%2Cq_85%2Fformat%2Cf_auto

4. 简单用户画像分析

 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。
   比如拉面说在微信进行推广，因为拉面是即食食品，更加吸引年轻人，且更加偏向城市里忙碌的社畜，那么拉面说的用户画像就为年轻化（年龄）、上班族（职业）。
   用户画像的标签有4种：
   如：姓名、性别、年龄、星座、教育、身高、收入、职业等。
   如：婚姻、有无女孩、有无男孩、家里是否有老人等。
    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。    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。
   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。
   1、注册信息   一开始注册叫你填多少岁、地域的基础信息   and选择你喜欢的领域、兴趣，你在app搜索关键词等等
   2、通过用户自己的已有特征推导   比如：从买过的东西去推，比如说买过女士衣服+化妆品。常用IP进行推导地域等。
   3、通过用户身边的人推断   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。   通过行为：通过协同过滤，找到行为相似的目标用户。
   例：EXCEL的数据透视图   当你需要看哪个属性的时候，图跟随你的选择变化，如下动图：
                                           此时你可以清晰地看到省份、城市的数据情况，或者可以选择下次在进行广告投放的时候更加偏重于这些区域。
   由于这个功能会比较简单，下次和切片器一起写。   还有用tableau的仪表盘，或者是python的pychart包，后面有时间会教怎么用。

5. 用户画像数据建模方法_用户画像分析

近些年，互联网进入了“ 大数据 时代”。经历了12、13两年热炒之后，人们逐渐冷静下来，更加聚 焦于如何利用大数据挖掘潜在的商业价值，如何在企业中实实在在的应用大数据技术。伴随着大数据应用的讨论、创新，个性化技术成为了一个重要落地点。伴随着对人的了解逐步深入，一个概念悄然而生： 用户画像 （UserProfile），完美地抽象出一 个用户的信息全貌，可以看作企业应用大数据的根基。
  
  一、什么是用户画像？ 
  
 男，31岁，已婚，收入1万以上，爱美食，团购达人，喜欢红酒配香烟。
  
 这样一串描述即为用户画像的典型案例。如果用一句话来描述，即：用户信息标签化。
  
 如果用一幅图来展现，即：
                                          
  二、为什么需要用户画像 
  
 用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如，可以做分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？
  
 也可以做数据挖掘工作：利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌？利用聚类算法分析，喜欢红酒的人年龄段分布情况？
  
 大数据处理，离不开计算机的运算，标签提供了一种便捷的方式，使得计算机能够程序化处理与人相关的信息，甚至通过算法、模型能够“理解” 人。当计算机具备这样的能力后，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。
  
  三、如何构建用户画像 
  
 一个标签通常是人为规定的高度精炼的特征标识，如年龄段标签：25~35岁，地域标签：北京，标签呈现出两个重要特征：语义化，人能很方便地理解每 个标签含义。这也使得用户画像模型具备实际意义。能够较好的满足业务需求。如，判断用户偏好。短文本，每个标签通常只表示一种含义，标签本身无需再做过多 文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。
  
 人制定标签规则，并能够通过标签快速读出其中的信息，机器方便做标签提取、聚合分析。所以，用户画像，即：用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。
  
  3.1 数据源分析 
  
 构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。
  
 对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类， 高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期…所有的子分类将构成了类目空间的全部集合。
  
 这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。
  
 本文将用户数据划分为静态信息数据、动态信息数据两大类。
                                          
  静态信息数据 
  
 用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。
  
  动态信息数据 
  
 用户不断变化的行为信息，如果存在上帝，每一个人的行为都在时刻被上帝那双无形的眼睛监控着，广义上讲，一个用户打开网页，买了一个杯子；与该用户 傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等一样都是上帝眼中的用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦很多，如上图所示：浏览凡 客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“双十一大促给力”的微博消息。等等均可看作互联网用户行为。
  
 本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差异）。
  
 在互联网上，用户行为，可以看作用户动态信息的唯一数据来源。如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。
  
  3.2 目标分析 
  
 用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。如，红酒 0.8、李宁 0.6。
  
 标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。
  
 权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。
  
  3.3 数据建模方法 
  
 下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。
  
  什么用户 ：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。
                                          
 以上列举了互联网主要的用户标识方法，获取方式由易到难。视企业的用户粘性，可以获取的标识信息有所差异。
  
  什么时间 ：时间包括两个重要信息，时间戳+时间长度。时间 戳，为了标识用户行为的时间点，如，1395121950（精度到秒），1395121950.083612（精度到微秒），通常采用精度到秒的时间戳即 可。因为微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。
  
  什么地点 ：用户接触点，Touch Point。对于每个用户接触点。潜在包含了两层信息：网址 + 内容。网址：每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。可以是PC上某电商网站的页面url，也可以是手机 上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微信订阅号页面，某游戏的过关页。
  
  内容 ：每个url网址（页面/屏幕）中的内容。可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，红酒，长城，干红，对于每个互联网接触点，其中网址决定了权重；内容决定了标签。
  
 注：接触点可以是网址，也可以是某个产品的特定功能界面。如，同样一瓶矿泉水，超市卖1元，火车 上卖3元，景区卖5元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不同体现出了权重差异。这里的权重可以理解为用户对于矿 泉水的需求程度不同。即，愿意支付的价值不同。
  
 标签 权重
  
 矿泉水 1 // 超市
  
 矿泉水 3 // 火车
  
 矿泉水 5 // 景区
  
 类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。
  
 所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。
  
  什么事 ：用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏 等等。
  
 不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。如，购买权重计为5，浏览计为1
  
 红酒 1 // 浏览红酒
  
 红酒 5 // 购买红酒
  
 综合上述分析，用户画像的数据模型，可以概括为下面的公式：用户标识 + 时间 + 行为类型 + 接触点（网址+内容），某用户因为在什么时间、地点、做了什么事。所以会打上**标签。
  
 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、网址决定了权重，内容决定了标签，进一步转换为公式：
  
 标签权重=衰减因子×行为权重×网址子权重
  
 如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。
  
 标签：红酒，长城
  
 时间：因为是昨天的行为，假设衰减因子为：r=0.95
  
 行为类型：浏览行为记为权重1
  
 地点：品尚红酒单品页的网址子权重记为 0.9（相比京东红酒单品页的0.7）
  
 假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。
  
 则用户偏好标签是：红酒，权重是0.95*0.7 * 1=0.665，即，用户A：红酒 0.665、长城 0.665。
  
 上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。
  
  四、总结 ：
  
 本文并未涉及具体算法，更多的是阐述了一种分析思想，在计划构建用户画像时，能够给您提供一个系统性、框架性的思维指导。
  
 核心在于对用户接触点的理解，接触点内容直接决定了标签信息。内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。模型举例偏重电商，但其实，可以根据产品的不同，重新定义接触点。
  
 比如影视产品，我看了一部电影《英雄本色》，可能产生的标签是：周润发 0.6、枪战 0.5、港台 0.3。
  
 最后，接触点本身并不一定有内容，也可以泛化理解为某种阈值，某个行为超过多少次，达到多长时间等。
  
 比如游戏产品，典型接触点可能会是，关键任务，关键指数（分数）等等。如，积分超过1万分，则标记为钻石级用户。钻石用户 1.0。
  
 百分点现已全面应用用户画像技术于推荐引擎中，在对某电商客户，针对活动页新访客的应用中，依靠用户画像产生的个性化效果，对比热销榜，推荐效果有显著提升：推荐栏点击率提升27%， 订单转化率提升34%。

6. 产品分析：用户画像

什么是用户画像？ 
  
 用户画像分为个人用户画像和用户群画像。个人用户画像可以理解为产品用户的所有相关数据。用户群画像可以理解为将所有个人画像通过不同标识（用户属性、用户角色、应用场景、用户行为、生命周期以及产品的特征）进行划分（分层、分组、分群）。
  
 每个产品定义的用户画像基本都不一样，即便是同类产品，对用户画像的定义也可能不一样；用户画像的呈现和定义是产品经理对产品、对用户、对场景、对生命周期以及对行业的理解等综合因素的转化和抽取。
  
 
  
  
  如何对用户进行划分？ 
  
 就是为用户贴上标签。用户的属性、用户角色、应用场景、用户行为、生命周期以及产品的特征等都可以是明显标识或者根据产品情况定义的特征标识。产品经理根据这些标识进行组合、筛选出用户，以快速对这些用户群进行统计、分析、应用和运营，并为产品经理提供决策依据。
  
 
  
  
  用户画像属性示例 
  
 以物联网智能家居用户为示例简单介绍（假设用户家庭的电子设备全部为智能设备，而使用智能设备的用户就是我们的用户）：
  
 用户属性：用户终端账号（App或其他智能设备账号）、名称、性别、年龄、用户所属家庭角色
  
 房屋属性：房屋位置、房间数量、各房间名称、各房间设备数量
  
 智能设备：设备ID、设备名称、设备分类、图片、联网方式、设备激活时间、设备活跃时间、设备明细参数、设备日志
  
 应用场景：回家（设置时间回家后自动开空调）、离家（自动关闭所有灯关、空调、部分插座）、日出（早晨窗帘自动打开）、日落（窗帘自动关闭）
  
 用户行为：什么时间通过什么方式什么原因使用智能设备（晚上睡觉前语音控制关灯、夜起后夜起灯自动亮）
  
 周期：不同设备生命周期、设备的使用周期、app的使用周期、设备的使用频率、app的使用频率
  
 …
  
 以上用户画像属性数据仅为简单示例，实际物联网智能家居用户画像的数据深度、广度、多维度非常复杂。
  
 
  
  
  用户标签示例 
  
 位置：国家、省、市、区
  
 性别：男、女
  
 年龄段：5-18、19-25、26-30、30-40、40-50、50-60、60以上
  
 家庭角色：父亲、母亲、女儿、儿子、孙子、孙女
  
 房间数量：0-1、1-2、2-3、3-5
  
 智能设备数量：0、1-2、3-5、6-10、10-20、20以上
  
 智能设备活跃度：0、1-3天、4-10天、10天以上
  
 App用户的活跃度：0、1-3天、4-10天、10天以上
  
 智能设备分类：摄像机、电源开关、照明、家居安防、路由网关、厨房电器等
  
 …
  
 以上用户标签数据仅为简单示例，实际物联网智能家居用户标签的数据深度、广度、多维度非常复杂。
  
 
  
  
  用户画像有什么作用？ 
  
 1、 精准营销：邮件、短信、App消息推送、个性化广告、个性化推荐等，通过用户标签筛选出需要的用户画像进行精准运营。
  
 2、 产品定位，用户画像可以围绕产品进行人群细分，确定产品的核心人群，从而有助于确定产品定位，优化产品的功能点
  
 3、  战略决策：好的用户画像可以帮助企业进行市场洞察、预估市场规模，从而辅助制定阶段性目标，指导重大决策。
  
 4、  数据价值：用户画像有助于建立数据资产，挖掘数据的价值，使数据分析更为精确，甚至可以进行数据交易，促进数据流通

7. 浅谈用户画像

用户画像分两类，一给人看，二给机器看，如下图所示：
                                          
 从产品角度而言，精确的用户画像是产品定位的基础以及后续产品优化的方向。在此我大致分为三类：
  
  01 
  
 目标明晰群体：例如百度搜索---搜索内容；高德地图---使用导航；锤子便签---记录事件。我们会发现服务于明确目标用户群体的产品会更偏向于工具类，当然绝不以偏概全。
  
  02 
  
 内容消费群体：例如腾讯视频---看视频；今日头条--看新闻；知乎---看内容；这类APP都偏向内容输出方向。用户在空闲时刻就可以利用这类产品浏览内容，学习知识。
  
  03 
  
 走马观花群体：例如小红书和礼物说，它们和京东最大不同就是没有提供精准搜索。因为服务群体不一样，小红书和礼物说的用户群体是女性，其目的就是为了提供一个随意逛街的场景，并不是购买。
  
 淘宝和微博是一个综合体，他们有一个共同的特征是他们都有头羊，微博的大V用户就是头羊；淘宝的店主就是头羊。有了头羊就有羊群，就有用户群。
  
 从智能推荐而言，目前用户画像大多都只是对用户行为数据的统计和匹配工作。数据来源大致分为两类。一是人口统计学，包括姓名、年龄、地域、教育等基本资料信息；二是用户历史行为数据统计。机器算法大致分为结构化文本提取和标签选择，后续会详细介绍。
  
 
  
  如何构建用户画像？ 
  
 
                                          
 以上是最简单的一个流程框架，实际运用中远比这复杂。数据对于推荐而言非常必要，如何获取数据，智能匹配仍然是需要长期实践的过程。
  
  01 
  
 如何收集数据：最简单的方法是用户主动提供，举个最常见的产品---QQ，它在发布动态时用户可主动添加标签。这样的产品还很多，尤其是UGC创作平台。但更多的是在技术层面上实现对用户行为数据的精确收集。
  
  02 
  
 如何保证数据的准确性：前期很重要的一点是产品规划，必须明确产品路径上的所有数据埋点，另外要预留风险方案；其次只能依靠技术手段实现数据保障。
  
  03 
  
 如何精确匹配数据：对于机器而言，用户画像实质上就是用户信息向量化表示。大致分为几个要素，以民宿来举例说明：
  
     1）、向量的维度：地理位置、价格、舒适度；
  
     2）、向量的量化：对维度赋予分值，若三个维度都是1-5分；
  
     3）、效果评估：对应民宿的订购率和入住率，还有好评度。
  
 每个用户都会有自己的量化分，拿一些场景举例，若我第二天要赶飞机，那么地理位置对我很重要，相应分值提高；如果我现在经济条件不充裕，那么相应价格分值会提高。
  
 所以不同场景会有不同量化分，结合场景进行个性化推荐是最终目标。
  
  以上为几点思考，多多交流！

8. 用户画像与开发策略

一、认识用户画像1. 什么是用户画像用户画像是一个描述用户的工具，刻画出用户个体或者用户群体全方位的特征，为运营分析人员提供用户的偏好、行为等信息进而优化运营策略，为产品提供准确的用户角色信息以便进行针对性的产品设计。用户画像系统集用户画像的生产与应用于一身，对外（如产品运营、推荐系统等）封装提供用户画像信息，以便对产品更好的设计以及对用户更好的运营。2. 用户画像与数仓的关系前面介绍了数据仓库的搭建《数据产品经理如何推进数据仓库的落地》，那么用户画像与数仓是一个什么样的关系？一般来说，数据仓库存储的是结构化的数据，而构建用户画像需要结构化数据，也有非结构化和半结构化数据，既拥有结构化数据又拥有半结构化数据和非结构化数据的系统称之为数据湖。相对来说，结构化的数据更容易构建用户画像，只需要对结构化的数据直接进行标签化，而非结构化和半结构化数据需要通过算法进行处理后再进行标签化。【摘要】
用户画像与开发策略【提问】
一、认识用户画像1. 什么是用户画像用户画像是一个描述用户的工具，刻画出用户个体或者用户群体全方位的特征，为运营分析人员提供用户的偏好、行为等信息进而优化运营策略，为产品提供准确的用户角色信息以便进行针对性的产品设计。用户画像系统集用户画像的生产与应用于一身，对外（如产品运营、推荐系统等）封装提供用户画像信息，以便对产品更好的设计以及对用户更好的运营。2. 用户画像与数仓的关系前面介绍了数据仓库的搭建《数据产品经理如何推进数据仓库的落地》，那么用户画像与数仓是一个什么样的关系？一般来说，数据仓库存储的是结构化的数据，而构建用户画像需要结构化数据，也有非结构化和半结构化数据，既拥有结构化数据又拥有半结构化数据和非结构化数据的系统称之为数据湖。相对来说，结构化的数据更容易构建用户画像，只需要对结构化的数据直接进行标签化，而非结构化和半结构化数据需要通过算法进行处理后再进行标签化。【回答】
二、用户画像规划在构建用户画像之前，需要产品同学进行一个规划，说明下项目的背景以及做这个系统的必要性，最终要实现的目标是什么，即提供什么样的功能，为了达成这个目标需要的人力以及物力资源。1. 所需物力资源这里需要计算一下需要什么硬件，如多大的磁盘、内存，需要哪些，具体可以将硬盘和内存分配到每个存储及计算组件上，这个工作可与技术同学协商完成。2. 所需人力资源基于前面的介绍，设备的维护以及各存储计算组件的运行保障这里需要运维工程师，数据的清洗需要ETL工程师。数据的存储、标签生成、流式计算等需要用到多种的大数据组件，这就需要大数据开发工程师，同时存储的数据库各种备份维护等工作需要配备数据库工程师。非结构化和半结构化数据需要经过算法处理，所以算法工程师也是必需的；最后，用户画像需要进行可视化，还需要配备一个前端工程师。【回答】
三、怎么构建用户画像1. 用户画像实施在开始构建用户画像之前，需要数据产品出一个详细的实施文档，如果说用户画像规划文档是说做什么的话，那用户画像实施文档就是说明具体要怎么做；这样开发人员才知道具体的逻辑着手实施，如受多个因素影响的标签每个因素的权重是多少，这样才能计算出最终标签的值。以下各步骤均要在实施文档里面详细说明：2. 数据建模数据的如何从原始数据最终转化成标签数据，需要定义一个标准处理流程，这就是数据建模。【回答】