博瑞用户画像设计

前言

基于博瑞的业务特性，为了满足产品与运营人员对客户的理解、调研与认知，采集真实积累的用户行为，结合具体的业务场景产生一系列标签，共同构成对于一个用户的真实描述，实时的推动业务健康发展。本文主要内容是博瑞用户画像设计方案，内容包括以下五个部分：

Ø 背景介绍

Ø 应用场景

Ø 方案设计

Ø 实践挑战

Ø 总结与展望

1. 背景介绍

用户画像是角色是目标用户的具体表示，又被称为用户角色，是基于大量目标用户群的真实信息构建的用户标签体系，是对产品或服务的目标人群做出的特征刻画。通过收集用户的人口统计信息、偏好信息及行为信息等，构建出用户画像，可以让产品经理更好地了解用户，设计出合适的产品原型，因此，用户画像是用户需求与产品设计的联系的桥梁。

 

2. 应用场景

用户画像应用领域较为广泛，适合于各个产品周期，从新用户的引流到潜在用户的挖掘、

从老用户的培养到流失用户的回流等。通过挖掘用户兴趣、偏好、人口统计特征，可以直接

作用于提升营销精准度、推荐匹配度，最终提升产品服务和企业利润。还包括广告投放、产品布局和行业报告等。

2.1精准营销

常见的营销方式包括APP信息推送、短信营销和邮件营销等。随着运营方式从粗放式到精细化，用户画像技术能更深入和直观的了解用户，而越了解用户就越能够做出正确的决策，通过产品或服务的潜在用户进行分析，将用户划分成更细的粒度，针对特定群体进行营销，辅以短信、推送、邮件、活动等手段，趋以关怀、挽回、激励等策略。既能减少全量推送造成的资源浪费，又能达到较好的营销转化效果。

 

短信和邮件的发送也是有成本的, 所以对于一些企业来讲, 不可能会在每一次营销中对所有人发送短信和邮件, 在不同的活动中, 可能会选取不同特征的一类用户, 对其进行短信或者邮件的营销, 那么这里就需要对用户进行分群。

2.2数据化运营

现在需要对整个产品的风格进行改版, 那我们应该需要一张图, 来看到我们的产品在哪个年龄段最受欢迎, 要致敬这个年龄段的用户。类似的场景还有很多, 通过数据来说话, 来找到运营的策略, 正是一种非常有必要的事情, 也是发展趋势。截取拼多多用户画像如下：

 

2.3推荐系统

 

2.4广告投放

广告的本质是传播，是为了某种特定的需要通过一定形式的媒体，公开而广泛地向公众传递信息的宣传手段。著名广告大师约翰•沃纳梅克提出“我知道我的广告费有一半浪费了，但遗憾的是，我不知道是哪一半被浪费了”。通过用户画像的技术，从最早的广而告之逐渐转变为精准的定向投放，对用户数据进行标签化，还原用户的信息全貌。广告主可以通过标签筛选要触达的用户，进而实现针对特定用户 群体进行广告投放，减少不必要的广告费用。

2.5产品布局

一个产品设计之初，有一定的目标用户定位。随着产品的发展，想要得到更广泛的应用， 还需结合 用户的特性来做出相应的调整和改变。用户画像技术可以恰到好处地理解用户使用产品的心理动机和行 为习惯，助力产品设计的持续的完善，提升服务质量。

2.6行业报告

通过对用户画像技术可以了解行业动态，常见的有市场分析、品牌受众人群、不同地域品类消费差异等。这些行业报告可以指导平台更好的运营、把握大方向，也能提供细分领域的深入洞察。

3. 方案设计

博瑞用户画像设计方案是基于AI健康平台进行设计和开发，是面向使用用户的偏好、行为习惯和人口属性的画像还原。提供用户喜好和个性特征帮助AI健康平台提升用户体验度等。

3.1. 功能模块

整个项目分为如下几个功能模块，具体描述 ：

模块	子模块
标签体系	基础标签 组合标签
标签引擎	规则和数据源管理 模型管理-规则标签模型 模型管理-统计标签模型 模型管理-挖掘标签模型 模型管理-引擎状态监控
画像模块	个体画像 群体画像
标签查询	覆盖用户查询 标签用户查询
系统设置	用户管理 权限管理

3.1.1标签体系

标签体系模块基于本体论建立，包括基础标签和组合标签两个子模块。基础标签维护了人口属性、 业务属性、行为属性和用户价值4个方面。组合标签是在基础标签的基础上创建的，用于反映目标群体在特定研究范围的强势和弱势。

3.1.2标签引擎

标签引擎模块是用户画像运转的核心实现，维护标签的具体实现逻辑，包括标签以来的数据源、规则和模型的信息。同时提供每一个标签引擎运行状态的可视化监控。

3.1.3画像模块

画像模块是对实体（用户/物品）信息全貌可视化的精准还原，包括对个体的全方位还原和群体的全方位还原。

3.1.4标签查询

标签查询模块是查看标签所覆盖的实体，用于查看标签体系中所有标签包含的商品详细信息和经过脱敏后的用户信息。

3.1.5系统设置

系统设置模块主要包括用户管理、权限管理。

3.2. 技术架构

3.2.1博瑞用户画像设计方案总体架构图

 

3.2.2 ETL处理流程图

 

3.3. 标签梳理

整个用户画像平台主要针对用户标签进行操作的，包含给用户打标签及管理用户标签，标签的设计如下所述。

3.3.1标签定义依据

基于知识工程的用户定性画像中，核心思想是利用本体对用户画像中的标签进行表示、验证、推理和解释。本体的结构包括类、属性、实例、公理和推理规则。

Ø 类：Thing为本体中所有类的父类，如酒类。

Ø 属性：每个类都有属性，在酒类当中包括：白酒、啤酒、红酒等属性。

Ø 实例：指类的具体对象，如茅台酒、二锅头酒。

Ø 公理：本体中的永真式，描述类的约束条件，该条件在某个领域中是永远成立的。例如茅台酒厂生 产的酒就是茅台酒，这个公理即永远成立。

Ø 推理规则：本体所在领域以专家知识的形式化表示，用于保证本体的完整性和一致性。

3.3.2 标签体系需求分析

标签体系是根据已注册用户的偏好、行为习惯和人口属性等不同的领域进行建立的，按领域可以分为人口属性、业务属性、行为属性和价值属性四类。按具体的实现方式分为规则标签、统计标签和挖掘标签。按业务类型划分维基础标签和组合标签。

 

3.4. 项目环境

3.4.1 基础环境

Ø JDK 1.8 所有的大数据框架（90%）基于Java语言编写的

Ø Scala 2.11 Spark框架和Kafka框架使用Scala语言编写的

Ø MySQL 5.6.24

3.4.2 分布式协调服务Zookeeper

3.4.3 大数据基础框架Hadoop

3.4.4 数仓Hive

3.4.5 NoSQL数据库HBase

3.4.6 大数据分析框架Spark

4. 实践挑战

Ø 

Ø 时效性：用户的个性特征与偏好随时都在发生变化，需要及时更新用户标签。极端情况下，我们甚至希望用户上一次浏览的情况，在他进行下一次浏览前就能体现并更新到用户画像上。

Ø 覆盖度：用户画像既要勾勒出用户感兴趣的内容，也要记录用户不感兴趣的信息，尽量多地满足产品运营的需求。但同时，除了人口属性等明确的属性外，大多数用户画像的正确与否是没有意义的。如“最近喜欢的运动类健康文章”这类标签，并不表示用户下一次一定看运动类的健康文章，因此执着于提升标签的准确度，不如设计出更多清晰的描述受众需求的标签，更多时候我们注重提升用户画像的覆盖度，同事提供更细粒度的画像。

5. 总结与展望

正所谓万变不离其宗，数据产品的各种变化形式，其核心还是在于业务，用户画像也是一样。希望能从0-1建设博瑞自己的用户画像体系，从产品设计流程，需求分析、到标签/指标设计、后台设计，最终应用于业务，助力业务腾飞。