阿里用户画像标签体系 2分钟了解用户画像标签

最近，我开始了一个用户画像项目。这里面真的有很多“坑”。你肯定很想问，不就是用户画像吗？会这么讨厌吗？现在做这个项目可能要拆分成几个问题。什么是用户画像？用户画像，又称人群

最近，我开始了一个用户画像项目。这里面真的有很多“坑”。你肯定很想问，不就是用户画像吗？会这么讨厌吗？现在做这个项目可能要拆分成几个问题。

什么是用户画像？

用户画像，又称人群画像，是基于用户的人口统计信息(自身属性)、社交关系、偏好和消费行为的抽象标签化画像。

如何制作用户画像

构建用户画像的核心工作是给用户贴标签。

什么是“标签”？

对特定群体或物体的特征的抽象分类或概括。那么你可能会得到这样一张图片:

“标签”是根据用户的行为数据直接获取的，其中一部分是通过一系列算法或规则挖掘获得的。得到的数据很好理解，比如用户在网站或app上主动填写上传的数据。一些严格的平台(如电商平台)会要求用户上传身份证、学生证、驾驶证、银行卡等。，所以这样的数据准确率更高。

所以，毫无疑问，阿里、JD.COM、腾讯在用户基础数据的准确性上打败了百度好几个街区(有唯一的用户识别账号，比如你的微信号号、淘宝账号、JD.COM账号)。

关于标签准确性，你会想到几个公司？没错，中国移动、中国联通、中国电信的标签系统本来就准确，而且准确得可怕。

为什么这么说？首先，申请一个手机号。你的所有信息几乎都被记录了，比如性别、年龄、居住地等用户基本信息。这时候你会想是不是只有这些东西会被记录下来。那你真的想多了，因为你用什么上网？流动。“流量”基本可以记录你用了什么app，访问了什么页面，每秒浏览了多长时间……。

当然，这些信息不算什么。最妙的是，只要带上手机，手机卡大约等于一个GPS。你住过的什么咖啡店，什么酒店都会有标注。未来5G出来的时候通信基站的定位精度应该在5m以内(这个时候可以了解一下基站和通信原理)。(不敢做多)

为什么被人像标签系统炸了？

根据这里的处理过程和获取标签的方式，标签分为三种:事实标签、模型标签和预测标签。不同类别有不同的处理方式。看下图:

事实标签:直接从原始数据中提取，如性别、年龄、常住户口、上网时间等。

模型标签:注意这里的模型不是指机器学习模型，而是类似于类别偏好、RFM模型之类的。

预测标记:预测标记有时与事实标记结合使用。例如，用户不会注册性别消息(无实名注册系统)，或者他填写了虚假的性别。这时候我们就可以通过聚类分析和相似度计算，看看和这个用户相似的一些人(这群人已经知道性别)的行为，根据这些不同的规则来判断和标记这个人的性别。

通过算法和数据挖掘得到的预测标签也可以这样理解:比如一个用户最近开始购买母婴用品(比如新宝宝的一段奶粉和纸尿裤)，可以根据用户购买的频率和数量，结合用户的年龄和性别，推断是否是新妈妈/爸爸。其实就是通过用户行为建立特征工程，然后进行预测。

这很容易理解，但实际上，这些任务是最耗时耗力的。有时候因为一个逻辑错误，可能需要重新计算ETL脚本作业，不断推翻重新开始，不断踩坑爬坑。然而，这是一项非常重要的任务。无论是下面的精准营销，还是个性化推荐，第一步都是要有一个完整精准的用户画像标注体系。最后，与业务线核对，调整现有的贴标体系，形成一个完善的闭环。

最后，Python无法解决上述工作。当我们真正做一些可视化的用户画像，或者建立相关的机器学习算法模型的时候，就需要使用各种计算好的标签表，开发相应的Python脚本，然后部署到线上。所以，要说一个好的分析师或者算法工程师，绝不是“[S2/]数据科学，而是你连HQL ”都不会。

总结:本文只是个人项目工作学习的一个思考过程，会有一些问题。希望大家多多指教，多多讨论。也希望大家每次都能脚踏实地，做好你们眼中的基础工作。如果你把你的分析定位为分子，那么你就是分子。如果你明白你的分析是为什么，那么你就是一个分析师，一个不可或缺的分析师。