摸鱼大数据——用户画像——如何给用户“画像”

 2、如何给用户“画像”

2.1 什么是标签体系

标签: 是某一种用户特征的符号表示

标签体系: 把用户分到多少类别里面去, 这些类是什么, 彼此之间有什么关系, 就构成了标签体系

标签解决的问题: 解决描述(或命名)问题以及解决数据之间的关联

2.2.1 标签的分类

用户画像标签一般分为两大类: 基础属性标签和行为属性标签

  • 基础属性标签:

 例如:用户基本信息:  性别、年龄、上网场景、所在地等​用户情况:  学历、婚恋情况、兴趣等​用户行为: 付费用户、消费能力、移动定向(设备价格、操作系统、联网方式、移动运营商、移动媒体分类)等
  • 行为属性标签:

 例如:个人喜好: 资源分类标签、喜好标签、风格标签、收听时间等​收听行为: 主动播放、听完、跳过、单曲循环、分享、收藏、拉黑

当然还有另一种说法: 静态标签和动态标签

 静态:  不变的属性  如 性别 出生日期 出生地动态:  变化的属性  如 爱好 职业 婚否等

由于基于一个目标的画像,其标签是在动态扩展的,所以其标签体系也没有统一的模板,在大分类上,与自身的业务特征有很大的关联,在整体思路上可以从横纵两个维度展开思考:横向是产品内数据和产品外数据,纵向是线上数据和线下数据。而正中间则是永恒不变的“人物基础属性”。

2.2.2 标签的级别

分级有二层含义: 一是指标从最底层涵盖的层级 二是指标的运算层级

  • 指标桶运算层级角度分为三层: 事实标签、模型标签、预测标签

    • 事实标签(基础标签)/规则匹配类: 是通过对于原始数据库的数据进行统计分析而来的, 如用户投诉次数,是基于用户一段时间内实际投诉的行为做的统计

    • 模型标签(统计标签): 是以事实标签为基础, 通过构建事实标签与业务问题之间的模型, 进行模型分析得到的. 如: 结合用户实际投诉次数、用户购买品类、用户支付的金额等, 进行用户 投诉倾向类型的识别, 方便客服分类处理

    • 预测标签(挖掘标签): 是在模型的基础上做预测, 如: 针对投诉倾向类型结构的变化, 预测平台舆情分险指数

2.2.3 标签命名&赋值

注意:根据实际业务场景标签分级和命名方式是不同的。

2.2.4 标签属性

标签属性可以理解为针对标签进行再标注, 这一环节的工作主要目的是帮助内部理解标签赋值的来源, 进而理解指标的含义。

  • 固有属性: 用户生而有之或者事实存在的。比如:性别、年龄、是否生育等。

  • 推导属性: 由其他属性推导而来的属性, 比如星座,我们可以通过用户的生日推导,比如用户的品类偏好,则可以通过日常购买来推导。

  • 行为属性: 产品内外实际发生的行为被记录后形成的赋值,比如用户的登陆时间,页面停留时长等。

  • 态度属性: 用户自我表达的态度和意愿。比如说我们通过一份问卷向用户询问一些问题,并形成标签,如询问用户:是否愿意结婚,是否喜欢某个品牌等。当然在大数据的需求背景下,利用问卷收集用户标签的方法效率显得过低,更多的是利用产品中相关的模块做了用户态度信息收集。

  • 测试属性: 测试属性是指来自用户的态度表达,但并不是用户直接表达的内容,而是通过分析用户的表达,结构化处理后,得出的测试结论。比如,用户填答了一系列的态度问卷,推导出用户的价值观类型等。

 特别注意:一种标签的属性可以是多重的, 比如: 个人星座这个标签, 既是固有属性, 也是推导属性即使构建了用户画像标签体系, 但也不代表完成了用户画像, 因为需要对标签赋值, 但有些标签根据无法获得或者无法赋值标签无法赋值的原因: 数据无法采集(如敏感数据) 数据库无法打通 建模失败 等等...

2.2.5 标签体系结构

1: 原始输入层
主要指用户的历史数据信息,如会员信息、消费信息、网络行为信息。经过数据的清洗,从而达到用户标签体系的事实层。
2: 事实层
事实层是用户信息的准确描述层,其最重要的特点是,可以从用户身上得到确定与肯定的验证。如用户的人口属性、性别、年龄、籍贯、会员信息等。
3: 模型预测层
通过利用统计建模,数据挖掘、机器学习的思想,对事实层的数据进行分析利用,从而得到描述用户更为深刻的信息。如通过建模分析,可以对用户的性别偏好进行预测,从而能对没有收集到性别数据的新用户进行预测。还可以通过建模与数据挖掘,使用聚类、关联思想,发现人群的聚集特征。
4: 营销模型预测
利用模型预测层结果,对不同用户群体,相同需求的客户,通过打标签,建立营销模型,从而分析用户的活跃度、忠诚度、流失度、影响力等可以用来进行营销的数据。
5: 业务层
业务层可以是展现层。它是业务逻辑的直接体现,如图中所表示的,有车一族、有房一族等。

2.2.6 标签体系结构分类

一般来说,设计一个标签体系有3种思路,分别是:1)结构化标签体系;2)半结构化标签体系;3)非结构化标签体系。

  • 结构化标签体系(最多)

     简单地说,就是标签组织成比较规整的树或森林,有明确的层级划分和父子关系。结构化标签体系看起来整洁,又比较好解释,在面向品牌广告井喷时比较好用。性别、年龄这类人口属性标签,最典型的结构化体系

  • 半结构化标签体系(少有)

     在用于效果广告时,标签设计的灵活性大大提高了。标签体系是不是规整,就不那么重要了,只要有效果就行。在这种思路下,用户标签往往是在行业上呈现出一定的并列体系,而各行业内的标签设计则以“逮住老鼠就是好猫”为最高指导原则,切不可拘泥于形式。
  • 非结构化标签体系(少有)

     非结构化,就是各个标签就事论事,各自反应各自的用户兴趣,彼此之间并无层级关系,也很难组织成规整的树状结构。非结构化标签的典型例子,是搜索广告里用的关键词。

2.2.7 用户画像标签层级的建模方法

用户画像的核心是标签的建立,用户画像标签建立的各个阶段使用的模型和算法如下图所示。

  • 原始数据层: 对原始数据,我们主要使用文本挖掘的算法进行分析如常见的TF-IDF、TopicModel主题模型、LDA 等算法,主要是对原始数据的预处理和清洗,对用户数据的匹配和标识。

  • 事实标签层: 通过文本挖掘的方法,我们从数据中尽可能多的提取事实数据信息,如人口属性信息,用户行为信息,消费信息等。其主要使用的算法是分类和聚类。分类主要用于预测新用户,信息不全的用户的信息,对用户进行预测分类。聚类主要用于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。对于文本的特征数据,其主要使用相似度计算,如余弦夹角,欧式距离等。

  • 模型标签层:使用机器学习的方法,结合推荐算法。模型标签层完成对用户的标签建模与用户标识。其主要可以采用的算法有回归,决策树,支持向量机等。通过建模分析,我们可以进一步挖掘出用户的群体特征和个性权重特征,从而完善用户的价值衡量,服务满意度衡量等。

  • 预测层:也是标签体系中的营销模型预测层。这一层级利用预测算法,如机器学习中的监督学习,计量经济学中的回归预测,数学中的线性规划等方法。实习对用户的流失预测,忠实度预测,兴趣程度预测等等,从而实现精准营销,个性化和定制化服务。

2.2 如何进行打标签

例如有如下标签信息:

标签ID标签名称标签级别标签关系(PID)
1性别40
251
351
4学历40
5专科54
6本科54
7硕士54

打标签:

用户 ID用户标签
100012, 5
100023, 6
100032, 6
100043, 7
100052, 7
100062, 6

标签命名方式:

2.3 用户画像基本步骤与验证

根据具体业务规则确定用户画像方向后,开展用户画像分析,总体来说,一个用户画像流程包括以下几步:

  • 1-用户画像数据来源

  • 2-用户画像的标签体系构建

  • 3-用户画像的标签计算

  • 4-用户画像的标签调度

  • 5-用户画像标签的管理

细化说明:

  • 用户画像数据来源:

    • 静态数据: 画像的数据主要来自数仓

动态数据: 用户行为日志

用户画像的标签体系构建

用户画像的标签计算

用户画像的标签调度

用户画像标签的管理

用户画像何如验证?

  • 可以通过上游推荐系统和标签本身逻辑可靠性和完整性衡量

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/874163.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

《Nginx核心技术》第04章:生成缩略图

作者:冰河 星球:http://m6z.cn/6aeFbs 博客:https://binghe.gitcode.host 文章汇总:https://binghe.gitcode.host/md/all/all.html 星球项目地址:https://binghe.gitcode.host/md/zsxq/introduce.html 沉淀&#xff0c…

Vue学习---vue 防抖处理函数,是处理什么场景

Vue防抖处理函数是用来处理在快速连续操作中,只执行最后一次操作的情况。 例如,在输入框输入时,我们可能希望只在用户完成输入后进行处理,而不是在每次键入时都处理。(n秒后触发一次) 以下是一个简单的Vue防抖处理函数的例子&am…

今日总结:雪花算法,拉取在线用户

雪花算法: public class SnowflakeIdGenerator {private final long epoch 1626804000000L; // 定义起始时间戳,这里设置为2021-07-21 00:00:00 UTCprivate final long workerIdBits 5L; // 机器ID所占的位数private final long sequenceBits 10L; /…

【附源码】IMX6U嵌入式Linux开发板连接阿里云--MQTT协议

演示 IMX6U嵌入式Linux开发板连接阿里云 阿里云创建设备&&获取LinkSDK 如果还不知道怎么在阿里云创建设备和获取连接阿里云的LinkSDK的话,先看这篇文章,再到这里。看这篇文章的时候,麻烦将下方文章打开对照着看,因为一些…

分布式锁的最佳实践之Redisson

从库存超卖问题分析锁和分布式锁的应用(一) 从库存超卖问题分析锁和分布式锁的应用(二) 分布式锁的最佳实践之Redisson 本文接从库存超卖问题分析锁和分布式锁的应用(二)讲解Redisson在分布式锁的应用实践…

重测序数据处理得到vcf文件

重测序数据处理得到vcf文件 文章目录 重测序数据处理前言1. 数据是rawdata,需用fastp对数据进行质控和过滤2. 利用getorganelle软件组装叶绿体基因组3. 检查基因组大小,确认是否完整,然后和已知的红毛菜科叶绿体基因组一起构树4. 根据树形结果…

微积分-微分应用2(平均值定理)

要得出平均值定理,我们首先需要以下结果。 罗尔定理 设函数 f f f 满足以下三个假设: f f f 在闭区间 [ a , b ] [a, b] [a,b] 上连续。 f f f 在开区间 ( a , b ) (a, b) (a,b) 上可导。 f ( a ) f ( b ) f(a) f(b) f(a)f(b) 则在开区间 ( a , b …

CTFHUB-SQL注入-UA注入

目录 判断是否存在注入 判断字段数量 判断回显位置 查询数据库名 查询数据库下的表名 查询表中的字段名 查询字段名下的数据 由于本关是UA注入,就不浪费时间判断是什么注入了,在该页面使用 burp工具 抓包,修改User-Agent,加…

JavaScript之Web APIs-DOM

目录 DOM获取元素一、Web API 基本认知1.1 变量声明1.2 作用和分类1.3 DOM树1.4 DOM对象 二、获取DOM对象2.1 通过CSS选择器来获取DOM元素2.2 通过其他方式来获取DOM元素 三、操作元素内容3.1 元素.innerTest属性3.2 元素.innerHTML属性 四、操作元素属性4.1 操作元素常用属性4…

图形编辑器基于Paper.js教程09:鼠标拖动画布,以鼠标点为缩放中心进行视图的缩放

如何使用Paper.js实现画布的缩放与拖动功能 在Web开发中,利用Paper.js库进行图形的绘制和交互操作是一种常见的实践。Paper.js是一个强大的矢量图形库,可以让开发者通过简洁的API完成复杂的图形操作。在本文中,我们将详细探讨如何使用Paper.…

autohotkey自动化执行vim命令

开发原因 首先讲一下为什么用这个自动化执行脚本? 存在的问题: vim作为linux自带唯一的编辑器, 开发时, 不得不用, 但是他的按键模式复杂, 就比如最简单的复制黏贴, 都需要按下好几次esc按键和插入, 极大的增加了初学者的学习成本, 并且在掌握了更快的键盘方案后, 就感觉vi…

昇思25天学习打卡营第29天 | 基于MindSpore通过GPT实现情感分类

基于MindSpore框架通过GPT模型实现情感分类展示了从项目设置、数据预处理到模型训练和评估的详细步骤,提供了一个完整的案例来理解如何在自然语言处理任务中实现情感分析。 首先,环境配置是任何机器学习项目的起点。项目通过安装特定版本的MindSpore和相…

Linux:使用vim编辑文件为什么会影响目录的mtime

一个有趣的现象 最近在调试一个问题时,发现了一个有趣的现象:touch一个存在的文件,文件的mtime发生了更新,文件所在目录的mtime不会更新;而使用vim编辑这个文件后再保存,文件和文件所在目录的mtime都会被更…

kotlin中常见的创建协程的方式

以下是kotlin开发中一些最常见的创建协程的方式: 1. 使用CoroutineScope.launch 这是最常见的启动协程的方式,通常用于不需要返回结果的协程。它返回一个Job对象,可以用来管理协程的生命周期。 val scope CoroutineScope(Dispatchers.Def…

未来已来:生成式 AI 在对话系统与自主代理中的探索

🍎个人博客:个人主页 🏆个人专栏:日常聊聊 ⛳️ 功不唐捐,玉汝于成 目录 前言 正文 一、整体介绍 对话系统(Chat) 自主代理(Agent) 二、技术对比 技术差异 优…

安装anaconda后jupyter notebook打不开 闪退

首先,通过清华源安装了最新的anaconda(安装在了D盘) 尝试打开jupyter,发现小黑框1s后自己关了,根本不打开浏览器 之后尝试按照这个做了一遍https://blog.csdn.net/gary101818/article/details/123560304还是不行。。…

Nagios高频面试题及参考答案(2万字长文)

目录 什么是Nagios?它的主要功能是什么? Nagios可以监控哪些类型的资源? 描述Nagios的架构 Nagios如何处理高可用性? 解释Nagios中的“被动检查”和“主动检查” Nagios中有哪些主要的服务状态? Nagios配置文件的结构是什么样的? 描述Nagios的核心组件 如何在Na…

【BUG】已解决:TypeError: Descriptors cannot not be created directly.

已解决:TypeError: Descriptors cannot not be created directly. 目录 已解决:TypeError: Descriptors cannot not be created directly. 【常见模块错误】 【错误原因】 【解决方案】 欢迎来到英杰社区https://bbs.csdn.net/topics/617804998 欢迎来…

创建和管理大量的数据对象:ScriptableObject

一、创建一个继承自ScriptableObject,名为ItemData的类 1、ItemData.cs using UnityEngine;[CreateAssetMenu(menuName "Items/Item")] public class ItemData : ScriptableObject {public string description;public Sprite thumbnail;public GameObj…

数据挖掘-分类和预测

来自🥬🐶程序员 Truraly | 田园 的博客,最新文章首发于:田园幻想乡 | 原文链接 | github (欢迎关注) 文章目录 概念KNN 算法决策树ID3 算法缺点 C4.5 算法CART 算法 贝叶斯算法朴素贝叶斯算法贝叶斯信念网络…