用户画像(User Profile)的本质是用户需求描述,一种刻画用户需求的模型。
用户画像在推荐系统、广告系统、商业分析、数据分析、用户增长、用户研究、产品设计、数据运营、精准营销、量化风控等领域得到广泛应用。
本文系统地构建了用户画像的知识体系。首先,介绍了用户画像的概念、要素、关系、意义等用户画像的基础知识;接着,介绍了用户画像的方法、分层标签、AARRR 用户分层模型、分群标签、RFM 用户分群模型、个性化标签、人工打标签、机器打标签、混合打标签、用户画像的原则、用户画像的检验等用户画像原理;然后,介绍百度的用户画像、微博的用户画像、今日头条的用户画像;最后,指出用户画像在推荐系统中的应用,以及用户画像的本质和用户画像面临的挑战。本文目录如下:
1. 用户画像基础1.1. 用户1.2. 用户画像的概念1.3. 用户画像的要素1.4. 用户画像的关系1.5. 用户画像的意义2. 用户画像原理2.1. 用户画像的方法2.2. 分层标签2.2.1. AARRR 用户分层模型2.3. 分群标签2.3.1. RFM 用户分群模型2.4. 个性化标签2.4.1. 人工打标签2.4.2. 机器打标签2.4.3. 混合打标签2.5. 用户画像的原则2.6. 用户画像的检验3. 用户画像应用3.1. 百度的用户画像3.2. 微博的用户画像3.3. 今日头条的用户画像4. 用户画像总结4.1. 推荐系统的用户画像4.2. 用户画像的本质4.3. 用户画像的挑战
接下来,让我一起走进用户画像的世界。
用户画像的基础、原理、方法论(模型)和应用
1. 用户画像基础
1.1. 用户
要想搞清楚用户画像,首先得搞清楚用户。比如:
- 你的用户的特征是什么?
- 怎么描述用户需求?
- 不同阶段的用户特征又是什么?
用户关于用户还有用户关键路径、用户旅程(customer journey map)、用户决策过程等等。
1.2. 用户画像的概念
怎样区分User Portrait(用户肖像)、Customer Segment(用户细分)、User Persona(用户角色)、User Profile(用户画像)?
用户画像的概念用户肖像、用户细分、用户角色和用户画像的对比如下表所示:
高层、产品、开发、市场、运营眼中的用户画像是什么?
用户画像是刻画用户需求的模型。
用户画像是一种公共语言,串联互联网商业的高层、产品、开发、市场、运营等,提高沟通效率。
1.3. 用户画像的要素
用户画像的三要素:人、物、环境。
用户画像的要素1.4. 用户画像的关系
用户画像描述的是用户与物品的关系。
用户画像的关系1.5. 用户画像的意义
用户画像广泛应用在推荐系统、广告系统、商业分析、数据分析、用户增长、数据运营、精准营销、量化风控等领域。
用户画像的意义
2. 用户画像原理
用户画像原理的目录2.1. 用户画像的方法
用户画像的主流方法:用户标签化。
用户画像的方法标签是用户属性、兴趣、行为等特征的抽象与描述。
从分层标签、分群标签到个性化标签,正是一个由粗到细的过程。
2.2. 分层标签
将总体中各个用户按某种特征分成若干个互不重叠的几部分,每一部分叫做层。
分层标签是指根据分层规则,对用户进行分层而打的标签。
用户分层是指基于分层标签描述用户。
分层标签2.2.1. AARRR 用户分层模型
举个用户分层的例子:AARRR 用户分层模型。
AARRR 模型是由Acquisition(获取)、Activation(激活)、Retention(留存)、Referral(推荐)、Revenue(变现)等五个部分组成,形成一个用户流量漏斗。
按“从获取的用户到最终推荐的用户的演进路线”进行分层如下:
将同一层内的用户继续切分以满足个性化需求。
所以还需要继续切分,获取分群标签。
2.3. 分群标签
按照指定规则,将总体中若干个用户合并为组,这样的组称为群。
分群标签是指根据分群规则,对用户进行分群而打的标签。
用户分群是指基于分群标签描述用户。
分群标签2.3.1. RFM 用户分群模型
举个用户分层的例子:RFM 用户分群模型(Recency、Frequency、Monetary )。
RFM是根据用户活跃程度、交易金额的贡献,对用户价值进行分群的一种方法。
RFM 的 8 个象限分别表示 8 类用户如下:
将同一群内的用户继续切分以满足精细化需求。
所以还需要继续切分,获取个性化标签。
2.4. 个性化标签
全面、完整、细致地标签化用户个性化特征。
通常把用户的个性化标签近似称为用户画像。
个性化标签生成主要三种方式:人工打标签、机器打标签、混合打标签(人工+机器)。
个性化标签2.4.1. 人工打标签
人工打标签,即手动打标签,可以打上自如属性标签、社会属性标签、关系属性标签等。
2.4.2. 机器打标签
机器打标签,也称自动打标签,是指根据用户消费过的文本、图片、视频等数据,机器自动学习出用户兴趣、喜好等标签。
比如,对文本进行机器打标签,其标签类型有:关键词标签、实体标签、类别标签、聚合标签、主题标签、Embedding标签等。
2.4.3. 混合打标签
首先,先人工打分层标签、分群标签等粗粒度标签;
然后,再用机器打细粒度标签。
2.5. 用户画像的原则
真实性:真实的用户数据,而不是想象的伪需求画像。
统一性:用户标签与物品标签要统一,双向匹配。
用户画像的原则2.6. 用户画像的检验
通过业务指标、离线指标、线上指标检验用户画像的准确率和覆盖率。
其实画像有点数、画像有点率等指标也依赖A/B测试(也称A/B试验),其中A/B测试的原理和应用可参考:
刘启林:A/B测试(A/B试验)的概述、原理、公式推导、Python实现和应用
用户画像的检验
3. 用户画像应用
用户画像应用的目录3.1. 百度的用户画像
百度的用户画像框架如下:
百度的用户画像框架3.2. 微博的用户画像
微博的用户画像框架如下:
微博的用户画像框架3.3. 今日头条的用户画像
今日头条的用户画像框架如下:
今日头条的用户画像框架百度、微博、今日头条的用户画像对比如下:
4. 用户画像总结
用户画像总结的目录4.1. 推荐系统的用户画像
推荐系统中,用户画像是给机器看得,不是给人看的。
推荐系统的用户画像用户画像在推荐系统中的应用:
- 召回阶段:用户画像用于物品过滤
- 排序阶段:用户画像用于物品排序
4.2. 用户画像的本质
用户画像是刻画用户需求的模型,所以用户画像的本质是用户需求。
用户画像的本质4.3. 用户画像的挑战
用户画像其实是用过去预测现在,但用户需求变化很快。
用户画像若只刻画自己喜欢的东西,容易陷入信息茧房。
用户画像的挑战结束语:
用户画像的本质是用户需求,用户需求是商业的起点。那么,
你能用一句话描述你的用户是谁吗?
你的用户的立体特征是什么?
可以详细地描述你的用户需求?
扩展阅读:
有了真实的用户需求,接着提供对应的产品或者服务,然后会面临一个新的挑战:用户增长。
《用户增长的基础、原理和方法论(模型)》可参考:
参考文献:
用户画像的参考文献
能力和水平有限,我的可能是错的。
能力和水平有限,我的可能是错的
去年今日运营文章
- 2023: 刘润:《底层逻辑》思维导图分享(0)
- 2023: 刘润《底层逻辑》Xmind思维导图(0)
- 2023: 刘润《底层逻辑》详解——看清世界的底牌(0)
- 2023: 《100个思维模型系列》034.反向失败思维模型(2)
- 2023: 视频号直播信用分与常见违禁词(0)
本文转载于网络,本文观点不代表爱运营立场,转载请联系原出处。如内容、图片有任何版权问题,请联系爱运营处理。