深度解析用户画像的标签体系

产品的生命周期

先来回顾一下互联网产品从诞生到实现商业化的整个生命周期过程：

• 首先要选择一个合适的赛道，然后找到一个比较好的切入点；
• 开发第一版产品上线，找到产品的种子用户，根据种子用户的反馈来改进产品；
• 产品开始运营推广，扩散到其他更大更广的用户圈层；
• 开始商业化，并且想办法维系用户关系；
• 产品增长受阻，需要寻找新的机会点，为产品续命。

用户画像已经是作为一个数据从业者来说家常便饭的内容，围绕自然人的年龄、性别、职业、收入、风险、兴趣等各个维度去建立和完善相关的标签体系，重复重复再重复的优化。

用户标签是表达人的基本属性、行为倾向、兴趣偏好等某一个维度的数据标识，它是一种相关性很强的关键字，可以简洁的描述和分类人群。比如好人和坏人、90后80后，星座、白领等。具体流程一般是从纷乱复杂、琐碎的用户行为流（日志）中挖掘用户在一段时间内比较稳定的特征，即给用户打上标签，标签的确定，一般是先人工筛选小样本规则，进行验证标注，规则合理后，在通过算法扩展。

最后是评估画像的好坏：小样本的真实验证；A/B Test； 在实际的case 中迭代验证，这点从技术角度而言会有些挑战，比如怎么保证准确率和覆盖率。

用户画像的意义

用户画像将产品设计的焦点放在目标用户的动机和行为上，从而避免产品设计人员草率地代表用户。产品设计人员经常不自觉的把自己当作用户代表，根据自己的需求设计产品，导致无法抓住实际用户的需求。往往对产品做了很多功能的升级，用户却觉得体验变差了。

在大数据领域，用户画像的作用远不止于此。用户的行为数据无法直接用于数据分析和模型训练，我们也无法从用户的行为日志中直接获取有用的信息。而将用户的行为数据标签化以后，我们对用户就有了一个直观的认识。

同时计算机也能够理解用户，将用户的行为信息用于个性化推荐、个性化搜索、广告精准投放和智能营销等领域。

什么是用户画像?

用户画像，是大数据三百六十行居家旅行、装逼煽情必备的概念，它还有个类似的概念叫受众定向。个人觉得，“用户画像”这个词听起来更加关注人口属性、生活状态这些基本静态信息，这多少有点误导：我们重点关注的，往往是某用户“最近要不要旅游”、“准备买多少钱的车”这样能驱动直接效果的动态信息。从这层意思来看，用“受众定向”更加准确。

俗话说，“画龙画虎难画骨，知人知面不知心。”为什么知人心这么难呢?道理很简单：猜对了也好，猜错了也罢，都是一头雾水，并没有可靠的正确答案(术语称为“Ground Truth”)。

对此，白居易老先生早有教诲：

周公恐惧流言日，王莽谦恭未篡时，向使当初身便死，一生真伪复谁知?

用户画像，跟这个也有点类似。比如你把某人标成“足球爱好者”，对不对他自己都不一定拿得准。就拿中国足球事业的革命家、教育家高俅同志来说，他到底算“足球爱好者”么?恐怕答案是见仁见智的。因此，先要给大家解放下思想：除了性别、年龄这些有明确答案的标签，其他大多数兴趣标签，探讨其“准确程度”是没有意义的。

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。

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。

用户画像的标签体系

从技术层面看，用户画像的过程比较乏味。我们今天来讨论一个看起来最简单、却最难以把握精髓的环节：如何设计用户画像的标签体系。

什么是标签体系?

简单说就是你把用户分到多少个类里面去。当然，每个用户是可以分到多个类上的。这些类都是什么，彼此之间有何联系，就构成了标签体系。标签体系的设计有两个常见要求，一是便于检索，二是效果显著。在不同的场景下，对这两点的要求重点是不同的。笔者见过很多做用户画像的产品经理，往往醉心于设计一个伟大、 光荣、正确的标签体系，这往往是形式主义的调调儿。

一般来说，设计一个标签体系有三种思路：

1. 结构化标签体系

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，在面向品牌广告主开喷时比较好用。性别、年龄这类人口属性标签，是最典型的结构化体系。下图就是Yahoo!受众定向广告平台采用的结构化标签体系。

不过，实践当中即使是面向品牌广告主，售卖非人口属性的受众也存在很大困难，原因又回到文章开头说的问题：这些标签从原理上就是无法监测的。

1. 半结构化标签体系

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。下图是Bluekai聚合多家数据形成的半结构化标签体系：

当然，标签体系太过混乱的话，投放运营起来就比较困难。因此，实践中往往还需要对一定程度的结构化做妥协，除非整个投放逻辑是机器决策的(比如个性化重定向)。

1. 非结构化标签体系

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。还有Facebook用的用户兴趣词，意思也一样。

半结构化标签操作上已经很困难了，非结构化的关键词为什么在市场上能够盛行呢?这主要是因为搜索广告的市场地位太重要了，围绕它的关键词选择和优化，已经形成了一套成熟的方法论。

面向品牌的结构化标签体系，设计的好坏似乎并不太重要;而彻底非结构化的标签，也没有太多设计的需求。产品狗们碰到的难点，往往是如果设计合理的半结构化标签体系以驱动广告的实效。这里面最关键的诀窍，是深入研究某个具体行业的用户决策过程。

站在上帝造万物的视角，以电视台分频道的方法将用户分到财经、体育、旅游……这样的框框里去，其实并不难，也没有太大意义。真正务实的思维，是不要关注那么多的行业，把目光聚焦在你目前服务的客户类型上。本来，你接的都是电商客户，关注教育行业用户分类有啥意义呢?

在确定了行业之后，要建立该行业的用户标签体系就有点儿挑战了。什么叫深入研究用户决策过程呢?说白了就是要洞彻在这个行业里，用户决定买什么、不买什么的原因和逻辑。我们举几个常见的行业说明此事：

(1)汽车行业

先来看汽车行业，是因为这里的用户决策逻辑比较清晰。一个准备购买汽车的用户，首先考虑的因素，一定是价格。有二十万预算，就买不了五十万的车，也不大会考虑十万以下的车。接下来要挑选的，就是车型了。如果家里有两个孩子，十有八九会考虑七座车;要是单身贵族，没准会弄个跑车玩玩。这两项都是比较理性甚至刚性的约束。而在这之后，才是对品牌精挑细选。

因此，汽车行业的标签体系大体应该是：价格—>车型—>品牌，注意重要程度的排序是不能错的。如果从直觉上先考虑品牌、调性，那便是形式主义的思路了。

(2)游戏行业

游戏的用户决策过程总体上令人难以捉摸，这是因为它有点儿电影、音乐一样的艺术性特质。而人们对艺术的喜爱，并不是理性的，也就难以总结规律。本人不玩游戏，也搞不清RPG、ACT、SLG、RTS、STG这些类型(不玩你这词儿可够熟的!)。

那么用这些分类用做标签体系行不行?这也是形式主义的思路：因为上面的分类只是为了便于游戏组织和索引，并不是用户的决策逻辑。难道一个“RPG游戏爱好者”，会看到RPG就非玩不可，其他的游戏都不屑一顾么?

那么游戏行业就没法做了么?当然不是。要想把游戏的用户标签做好，就要深入到细分的游戏场景中去深入研究。比方说，玩slots(老虎机)游戏的用户，往往经常换不同素材的新游戏。也就是说，将“slots”作为一个用户标签，与用户决策过程是相符的。而喜欢海岛奇兵游戏的用户，对于SuperCell新出的游戏也心向往之，此时“SuperCell”这个品牌就成了有效的用户标签。

(3)电商行业

从消费者的角度来看，电商行业其实不能称为是一个行业，而是多个行业的集合。不过对于电商中典型的商品类型，例如服装，用户决策过程其实是相当微妙的：某个女生看了H&M的某款裙子，其实无法推断出她要买裙子，也不一定是对H&M情有独钟，也许仅仅是因为该款裙子某个特殊的造型。在这类商品中，“H&M”或者“连衣裙”都不一定是有效的用户标签。

因此，电商行业的实际做法大家都看到了，基本上不依靠分类，完全以“单品+个性化推荐”的方法构建和使用标签体系。

那么，教育行业怎么做?旅游行业怎么做?这篇文章不是教材，无法一一尽述。大家掌握了上面的思路和方法，应该能够自己举一反三。有人会问了，那么是不是每个行业研究透彻以后，给出一个标准的用户标签体系，就可以一劳永逸了么?答案是否定的，这里面有两个原因：

大多数情况下标签体系是开放的，并不存在一劳永逸的列举结果。上面电商行业就是个很好的例子：新的商品、新的产品类别不断产生，不断地研究和调整也就必不可少。

每家公司面向的客户都有自己独特的特点，再加上拥有的数据源不同，只有根据这些灵活调整标签体系，才可能取得最好的效果。比如教育行业，在整体上研究用户决策过程，可以得到一个通用标签体系;但是如果特别关注儿童教育、考研教育、或者英语教育，显然还要研究更加精细的决策过程和标签体系。

总之，不要以为用户标签体系的设计跟编纂新华字典一样，在案头潜心研究逻辑就能一劳永逸地做好。实际上，这是一项持续进行的、黑手黑脚的实战性极强的产品工作。

还有个小问题：前面我们说了，标签没法衡量准确性，那怎么判断用户画像结果的质量呢?这里要用到reach/CTR曲线。我们以下图为例来说说：

上图是一条典型的reach/CTR曲线：它的横坐标即reach，表示的是某个标签(例如“汽车”)触及到的用户在整体用户中的占比;它的纵坐标即CTR，表示的是该标签的用户在对应类型的广告(上例中为汽车广告)上表现出来的点击率。

为什么会是一条曲线呢?因为我们在做受众定向时，往往会在用户在该标签的得分上设置一个阈值，判断是否是该类型用户，随着阈值设置的不同，reach水平就会变化，相应地CTR也就会变化。

这条曲线的最右端，即reach等于100%的点，对应的CTR是该类型广告的平均点击率，这个点跟模型无关，是固定的。而随着reach的降低，一般来说CTR会对应提高(当然这一点没有理论上的保证)。一般来说，两条reach/CTR曲线相比时，整体处于上方的曲线有较好的定向性能。

每个交互设计师，都要好好理解一下reach/CTR曲线，从思想根源上破除“标签准确性如何”这样的疑问。