如何构建企业级用户画像

之前我分享过一篇关于用户画像的文章，有兴趣的朋友可以回过头去看看➡️如何快速搭建常用的数据指标体系今天我想跟大家再探讨一下用户画像这个话题，因为它在实际工作中应用非常广泛，很多行业都有其身影。

一、数据标签体系与用户画像的区别与联系

用户画像与上篇分享的数据标签体系经常有交叉重合，但也有不同。主要区别在于用户画像描述的对象是人，而数据标签体系描述的对象不仅仅是人，还可以是其他，它们之间的关系如下图。

例如，你想在京东商城上买一本书，打开京东商城首页在搜索栏🔍下方就有「手机、食品、生鲜、图书、数码、家居日用」等类目，同一栏最右侧有个「分类」可以展开找到所有的商品类目。

「分类」展开后如下图，左边的分类就是京东商城上的商品类目，这些分类类目其实就是我们通常所说的标签，只是这些都是商品的标签。

例如我们选择左边的「图书文娱」然后选择这个类目下的细分类目「童书馆」，可以看到很多不同年龄段不同类型的儿童图书分类，这些都是图书的标签，与数据标签体系中的细分标签其实是同一个道理。

因此，我们可以简单总结得到京东商城上的商品标签划分大致如下：

那么问题来了，京东商城为什么要做如此纷繁复杂的标签类目，前面我们单看「图书文娱」这个分类就有这么多的细分类目了，如果要把所有商品的细分标签类目都构建出来，岂不是有成百上千甚至上万个细分标签？的确如此，那为什么我们要花如此大力气去做这个商品标签分类呢，有什么好处？好处就是可以提高商品搜索和推荐的准确度以及效率！

二、如何构建企业用户画像

结合到我们的实际工作中，怎么去构建属于我们企业自己的用户画像呢？跟构建京东商城商品标签类似，构建用户画像必须有一个个能从不同维度描述用户的标签，用户标签一般分为3-5个层级，同时包含多个不同类型的标签，常用的用户标签分类如下：

首先，构建用户各个维度特征需要有用户数据作为基础，因此构建用户画像第一步是获取用户数据，这个可以通过数据埋点也可以通过其他方式获取原始用户数据，例如用户id、性别、年龄、职业、行为数据、购买数据等都属于原始用户数据。

通常情况下，获取的原始用户数据不能直接使用，需要我们先对原始用户数据进行一定的清洗处理，去除无效的脏数据，再对部分数据进行加工，让原始的用户数据变成一个个我们可以使用的标签数据。例如用户的年龄数据，原始数据可能是一个个用户独立的甚至是缺失的数据，这时候我们可以对缺失的数据填充为未知年龄，同时对各个用户的年龄数据进行分段处理。

例如，将用户年龄划分为0-18岁、19-25岁、26-35岁、36-45岁、46-55岁、55岁以上等，这样根据每个用户的实际年龄落在哪个区间，我们就将用户划分到对应的年龄区间中即可，最终就可以得到年龄这个可用的用户标签，这是用户的基础属性标签的一般处理方法。

对于用户行为标签或用户偏好类标签在处理上要稍微复杂一些，这时候可以根据我们既定的规则对用户的行为或偏好进行标签定义，再根据定义对标签进行加工处理，例如用户的行为标签，用户近一个月经常浏览和购买婴幼儿奶粉，那么该用户她很可能是一名宝妈，在进行商品推荐时可以考虑推荐与其经常购买年龄段相对应的母婴用品，例如纸尿裤或婴幼儿服装等。

值得注意的是，在处理用户的兴趣或者行为偏好标签时应该要考虑时间效应，因为用户的兴趣或者说其身份随着时间在变化，那么推荐给用户的商品也应该跟着变化，这个其实最终应该是根据用户近期的行为变化来加以判断的，因此在用户的行为习惯或者偏好标签处理中应该要考虑加上一个时间衰减因子，即离当前更近的行为习惯越能表示用户当下的兴趣或偏好。

最终汇总前面各个维度的用户标签，抽取出关键特征就是我们通常所说的用户画像，例如喜欢游戏动漫、美食、旅游、视频音乐的大学生群体的用户画像词云图效果图如下：

三、总结

前面就是构建企业用户画像的一般方法和流程，需要注意的是，用户画像不是用于描述单个用户的，因为那没有意义，它主要是用于描述一个群体的主要特征，是了解企业用户基本情况的重要方法。

用户画像在如今的精细化用户运营、广告投放、推荐系统等方面发挥着越来越重要的作用，所以掌握构建企业用户画像的通用方法很有必要，能给企业带来价值！相信通过本次内容以及上次分享的内容，你一定对用户画像和数据标签体系有了更全面的认识，希望大家在实际工作中多加思考，学以致用！