用户画像数据建模方法_用户画像分析

1. 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%。

2. 大数据用户画像的方法、实践与行业应用

大数据用户画像的方法、实践与行业应用
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。相比传统的线下会员管理、问卷调查、购物篮分析，大数据第一次使得企业能够通过互联网便利地获取用户更为广泛的反馈信息，为进一步精准、快速地分析用户行为习惯、消费习惯等重要商业信息，提供了足够的数据基础。
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。

3. 用户画像

什么是用户画像?用户画像-百度百科用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待的数据转化联结起来。作为实际用户的虚拟代表，用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有代表性，能代表产品的主要受众和目标群体。

用户画像的起源用户画像最初是在电商领域得到应用的，在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。
用户画像的优点用户画像可以使产品的服务对象更加聚焦，更加的专注。在行业里，我们经常看到这样一种现象：做一个产品，期望目标用户能涵盖所有人，男人女人、老人小孩、专家小白、文青屌丝...... 通常这样的产品会走向消亡，因为每一个产品都是为特定目标群的共同标准而服务的，当目标群的基数越大，这个标准就越低。换言之， 如果这个产品是适合每一个人的，那么其实它是为最低的标准服务的，这样的产品要么毫无特色，要么过于简陋。
用户画像还可以提高决策效率。在产品设计流程中，各个环节的参与者非常多，分歧总是不可避免，决策效率无疑影响着项目的进度。而用户画像是来自于对目标用户的研究，当所有参与产品的人都基于一致的用户进行讨论和决策，就很容易约束各方能保持在同一个大方向上，提高决策的效率。

4. 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。

5. 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

6. 用户画像

目录：
  
 一、概念
  
 二、目的
  
 三、用法和具体应用场景
  
 四、如何构建
  
 
  
  
 用户画像是根据用户社会属性、生活习惯和消费行为等信息抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析得来的高度精炼的特征标识。
  
 User Persona和User Profile似乎都可以译成用户画像，本文讨论的是User Persona，区分如下：
  
 产品经理通过调研（问卷、访谈等）找出用户（目标、行为、观点上）的共性与差异，将其区分为不同类型，每种类型中抽取出典型特征。赋予名字、照片、人口统计学要素、场景描述，构建出人物原型。它让产品经理做设计时抛开个人喜好——“为具体的用户做设计，要远远优于为脑中虚构的人物做设计。”
  
 Alan Cooper（交互设计之父）最早提出Persona的概念：“Personas are a concrete representation of target users.”  Persona是目标用户的具体表示，是建立在真实数据上的目标用户模型。Persona是为产品设计服务的，关注焦点在用户行为、动机、态度上。
  
 Profile的标签是每个用户独有的，是利用已获得的数据，勾勒用户偏好的数据分析方法。猜测这个用户是男是女，生活工作所在地，喜欢哪个明星，要买什么东西等。这些数据为运营人员实现精准营销、个性化推荐、获取、挽留客户提供了依据。对电商、金融行业、内容类产品（知乎、豆瓣、微博、短视频等）尤为重要。
  
 在知乎上有一个与此相关的帖子 User Persona 和 User Profile 
  
 1.精准营销，分析产品潜在用户，针对特定群体利用短信邮件等方式进行营销；
  
 2.用户统计，比如中国大学购买书籍人数 TOP10，全国分城市奶爸指数；
  
 3.数据挖掘，构建智能推荐系统，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；
  
 4.进行效果评估，完善产品运营，提升服务质量，其实这也就相当于市场调研、用户调研，迅速下定位服务群体，提供高水平的服务；
  
 5.对服务或产品进行私人定制，即个性化的服务某类群体甚至每一位用户（个人认为这是目前的发展趋势，未来的消费主流）。比如，某公司想推出一款面向5－10岁儿童的玩具，通过用户画像进行分析，发现形象＝“喜羊羊”、价格区间＝“中等”的偏好比重最大，那么就给新产品提供类非常客观有效的决策依据。
  
 6.业务经营分析以及竞争分析，影响企业发展战略
  
 
  
  
 用户画像在阶段和目标不同的时候承担的使命也不尽相同，咱们分别针对三个阶段来说说用户画像的意义：
  
 1.初创期：产品还未定型
  
 这个阶段往往指的是公司刚刚创立，产品还未成形，需要通过用户画像来定义产品模式与功能的阶段，这个阶段你需要做大量偏宏观的调研，明确你的产品切入的是哪一个细分市场，这个细分市场中的人群又有哪些特点，他们喜欢什么，不喜欢什么，平均消费水平怎么样，每天的时间分配是怎么样等等等等。
  
 在这个阶段，你做用户画像的意义在于为你的产品定义一个市场，并且你能够清楚地知道这个市场能不能做，能不能以你现有的产品构思去做，做的过程中会不会出现一些与基本逻辑相违背的问题。如果分析之后可以做，那就立马作出产品原型，小步快跑、试错迭代；如若不行，赶紧换个方向、换个思路。
  
  所以，这个阶段的用户画像意义在于业务经营分析以及竞争分析，影响企业发展战略战略。 
  
 2.成长期：产品运营中
  
 在这个阶段你公司产品已经被市场认可，各项数据处于一个上升期。这个时候用户画像所承担的责任就又变了。在这个阶段，你需要通过产品后台所反馈的数据（显性、隐形等，后文会介绍）进行整理，得出一个详细的用户画像，这里不像在初创期那样做泛调查，抓宏观。而是需要改变策略，从细节抓起，从每一次和用户的交互中寻找用户的真实需求。比如，你是做微信运营的，昨天的阅读量和前天相比是多了还是少了？转发数和收藏数都是什么变化？用户留言是增加还是减少？后台反馈怎么样？通过这些对比，你大致就会得出结论，并指导优化往后的工作。如果是产品运营那涉及的数据就更多了，访问数据、打开频率、登录次数、活跃时间等等，结合起来分析，用户的需求会更加明确。
    
  所以，这个阶段的用户画像意义在于精准营销，使产品的服务对象更加聚焦，更加的专注，能更好地满足用户的需求，优化运营手段，并提升公司的经营效益。 
  
 3.成熟期：寻求突破口
  
 这个阶段，产品已经很成熟了，公司也已经有了稳定的运作模式，市场地位趋于稳定，日常工作也大多以维护为主。这个时候，用户画像用来干嘛？寻找新的增长点和突破口。
  
 当产品转型时，老用户会有什么样的反应？离开还是成为新的核心用户？新产品预计会有多少用户导入？结合老用户需求，新产品有哪些功能不能被遗弃？
  
 这都是你要考虑的问题，这个阶段的用户画像建议将初创期的泛调查与成长期累积的用户画像结合起来做，这样对于新产品才有一个更好的保障。
  
 
  
  
 用户画像不是拍脑袋想出来的，是建立在系统的调研分析，数据统计基础之上得出的科学结论。
  
 用户画像一般会存在多个，要考虑用户画像的优先级，不能为超过三个以上的用户设计产品，容易产生需求冲突，要分清楚哪些是核心用户，哪些是打酱油用户。
  
 同时，用户画像不是一确定就一成不变的，而是根据实际情况不断修正。
  
 显性画像：即用户群体的可视化的特征描述，如目标用户的年龄、性别、职业、地域、兴趣爱好等特征；
  
 隐性画像：用户内在的深层次的特征描述。包含了用户的产品使用目的、用户偏好、用户需求、产品的使用场景等。
                                          
 一般分为三个步骤：基础数据采集、分析建模、结果呈现
  
  1）基础数据采集 
  
 数据不说谎，是构建用户画像的核心依据，建立在客观数据基础上的用户画像才是有说服力的。
  
 在基础数据采集方面，可以通过列举法，先列举出构建用户画像所需要的基础数据。
  
 具体的思路如下：
                                          
 当然上面列举的数据纬度相对比较多，在构建用户画像过程中会根据需求进行相关的数据筛选。
  
 在基础资料和数据收集环节我们会通过一手资料和二手资料获取相应的基础数据。
                                            
 关于通过问卷调查和访谈的形式做用户画像调研：
  
 A.问卷调研
                                          
 问卷调查第一要考虑样本的数量，其次内容的设计，要考虑研究的目的，毕竟这是一项有目的的研究实践，另外，通过问卷获取的信息，不一定是非常确定的，存在很多变量因素，数据可以作为参考，要以质疑的眼光看待。
  
 B.用户访谈
  
 访谈之前要列好访谈提纲，围绕用户的角度，他的想法，他的行为等角度，具体步骤如下：
                                          
 在分析访谈结果时，采取关键词提炼法，针对每个用户对每个问题的回答，进行关键词提炼，将共性词汇总，具体思路如下：
                                          
  2）分析建模 
  
 当我们对用户画像所需要的资料和基础数据收集完毕后，需要对这些资料进行分析和加工，提炼关键要素，构建可视化模型。
  
 案例：
  
 有一个网络来源资料，关于95后的用户群体的研究。
  
 通过搜索你可以获取到以下资料（ 基础数据采集 ）：
  
 企额智库《透视95后：新生代社交行为》
  
 QQ空间独家大数据《“95后”新生代社交网络喜好报告》
  
 百度《00后用户移动互联网行为洞察》
  
 中国大数据产业观察《2015年95后生活形态调研报告》
  
 接着，对这些报告进行分析和关键词提炼，概括出整个95后群体标签（ 分析建模 ），具体如下：
                                          
  3）画像呈现 
  
 画像呈现即从显性画像、隐性画像、场景和需求等方面，给用户打标签。
  
 案例：
                                          
 这一步也要将收集到的信息进行整理和分析并归类，创建出用户角色框架（更全面地反映出用户的状态），然后根据产品侧重点提取出来，进行用户评估分级，并结合用户规模、用户价值和使用频率来划分，确定主要用户、次要用户和潜在用户。
                                          
 构建用户画像的目的，是为了充分了解用户，为产品设计和运营提供有有价值的参考，为运营战略服务。

7. 用户画像介绍

 用户画像是指根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。   通俗说就是给用户打标签，而标签是通过对用户信息分析而来的高度精炼的特征标识。通过打标签可以利用一些高度概括、容易理解的特征来描述用户，可以让人更容易理解用户，并且可以方便计算机处理。
   标签的分类方法比较多样，可以按标签的产出方式分，也可以按实际业务分，也可以组合起来分类。   按产出方式来分的话：   1）事实统计类标签  例如近7日活跃时长、近7日活跃次数等等   2）事实规则类标签  例如消费活跃：近30天交易次数>=2   3）模型类标签  例如RFM模型，AARRR模型   4）算法类标签  例如根据用户购买的商品判断其购物性别、对某商品的偏好程度   按实际业务来分的话：   1）用户属性标签   2）用户消费标签   3）用户行为标签   4）风险控制标签   。。。
   在互联网、电商领域用户画像常用来作为精准营销、推荐系统的基础性工作，其作用总体包括：   1）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，提升营销效率和营销效果。   2）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。   3）数据挖掘：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。   4）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。   5）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   6）ABtest：用于创建ABtest实验，和实验效果分析
    用户画像必须从实际业务场景出发，解决实际的业务问题，之所以进行用户画像，要么是获取新用户，要么是提升用户体验、或者挽回流失用户等具有明确的业务目标。 
                                           数据源的数据是标签构建的最底层，来源于各个业务端的数据，主要有离线和实时两大数据来源，一般的大数据架构会有流批处理的链路分别处理，也有流批一体的架构，数据产品可不重点关注。
   数据层开始数据产品会比较关注，数据产品在设计标签时需要关注标签的生产在数据仓库的流转口径，特别是在定义原子标签的时候，需要深入理解业务，了解用户的来源，状态，订单的渠道，线上线下，订单状态等等。
   标签层一般的，会按照上面说的实际业务分类进行标签的建设，一般构建原子标签就足够了，在服务层的标签工厂可以个性化的创建新的派生标签。
   服务层主要包含两块，一个是画像平台的应用，一个是画像数据的统一API服务，给前台的营销系统、广告系统等提供标签分群数据支持。
   以上是用户画像系统的基础概念，下一节我们了解下画像系统的难点之一：如何构建oneid？

8. 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。