2.用户画像：方法论与工程化解决方案 --- 数据指标体系

Posted 2022-01-07 enlyhua

第2章　数据指标体系
	数据指标体系是建立用户画像的关键环节，也是在标签开发之前要进行的工作，具体来说就是需要结合企业的业务情况设定的相关指标。

	互联网企业在建立用户画像时一般除了基于用户维度(userid)建立一套用户标签体系外，还会基于用户使用的设备维度(cookieid)建立相应的标签体系。
基于cookieid维度的标签应用也很容易理解，当用户没有登录账户而访问设备时，也可以基于用户在设备上的行为对该设备推送相关的广告，产品和服务。
	
	建立的用户标签按标签类型可以分为 统计类，规则类和机器学习挖掘类。从建立的标签维度看，可以将其分为 用户属性类，用户行为类，用户消费类和风险
控制类。

2.1　用户属性维度
	2.1.1　常见用户属性
		用户属性是刻画用户的基础。常见用户属性指标包括：用户的年龄，性别，安装时间，注册状态，城市，省份，活跃登陆地，历史购买状态，历史购买金额等。

	2.1.2　用户性别
		用户性别可以细分为 自然性别和购物性别两种。
			1.自然性别，是指用户的实际性别，一般可以通过用户注册信息，填写问卷调查表单等途径获得。该标签只需要从相应的表中抽取数据即可，加工起来较为方便。
			2.用户购物性别，是指用户购买物品时的性别取向。例如，一位实际性别为男性的用户，可能经常给妻子购买女性的衣物，包等商品，那么这位用户的购物性别则是
			女性。

2.2　用户行为维度
	用户行为是另一种刻画用户的常见维度，通过用户行为可以挖掘其偏好和特征。常见用户行为维度指标包括：用户订单相关行为，下单/访问行为，用户近30天行为类型指标，
用户高频活跃时间段，用户购买品类，点击偏好，营销敏感度等相关行为。

2.3　用户消费维度
	对于用户消费维度指标体系的建设，可从用户 浏览，加购，下单，收藏，搜索商品对应的品类入手，品类越细越精确，给用户推荐或营销商品的准确性越高。

	用户消费维度：
		1.近7日流量品类
		2.近7日加购品类
		3.近7日收藏品类
		4.近7日购买品类

	这里通过一个场景来介绍构建用户消费维度的标签的应用。某女装大促活动期间，渠道运营人员需要筛选平台上的优质用户，并通过邮件，短信，Push等渠道进行营销，可以通过
圈选出"浏览" "收藏" "加购" "购买" "搜索" 与该女装相关的品类 的标签来筛选出可能对该女装感兴趣的潜在用户，进一步组合其他标签(如"性别" "消费金额" "活跃度"等)
筛选出对应的高质量用户群，推送到对应的渠道。因此将商品品类抽象成标签后，可以通过 品类+行为 的组合应用方式找到目标潜在的用户人群。

2.4　风险控制维度
	互联网企业的用户可能会遇到 薅羊毛，恶意刷单，借贷欺诈等行为的用户，为了防止这类用户给平台带来损失和风险，互联网公司需要在风险控制维度构建起相关的指标体系，有效
监控平台的不良用户。结合公司业务方向，例如从 账号风险，设备风险，借贷风险等维度入手构建风控维度标签体系。

2.5　社交属性维度
	社交属性用于了解用户的 家庭成员，社交关系，社交偏好，社交活跃度等方面，通过这些信息可以更好的为用户提供个性化服务。

2.6　其他常见标签划分方式
	前面从 用户属性，用户行为，用户消费，风险控制，社交属性共5个维度划分归类了用户标签指标体系，通过应用场景对标签进行分类也是常见的标签划分方式。

	从业务场景的角度出发，可以将用户标签体系贵归为 用户属性，用户行为，营销场景，地域细分，偏好细分，用户分层等维度。每个维度可细分为二级标签，三级标签等。
		1.用户维度
			包括用户的年龄，性别，设备型号，安装/注册状态，职业等刻画用户静态特征的属性。
		2.用户行为
			包括用户的消费行为，购买后行为，近n日的访问，收藏，下单，购买，售后等相关行为。
		3.偏好细分
			用户对于商品品类，商品价格段，各营销渠道，购买的偏好类型，不同营销方式等方面的偏好特征。
		4.风险控制
			对用户从征信风险，使用设备的风险，在平台消费过程中产生的问题等维度考量其风险程度。
		5.业务专用
			应用在各种业务上的标签，如A/B测试标签，Push系统标签等。
		6.营销场景
			以场景化进行分类，根据业务需要构建一系列营销场景，激发用户的潜在需求，如差异化服务，场景用户，再营销用户等。
		7.地域细分
			标识用户的常驻城市，居住商圈，工作商圈等信息，应用在基于用户地理位置进行推荐的场景中。
		8.用户分层
			对用户按照生命周期，RFM，消费水平类型，活跃度类型等进行分层划分。

2.7　标签命名方式
	为了方便对诸多标签进行集中管理，需要对每个标签对应的标签id进行命名。
		1.标签主题
			用于刻画属于哪种类型的标签，如人口属性，行为属性，用户消费，风险控制等多种类型，可分别用 ATTRITUBE,ACTION,CONSUME,RISKMANAGE等单词表示各标签
		主题。

		2.用户维度
			用于刻画该标签是打在 用户唯一标识(userid)上，还是打在用户使用的设备(cookieid)上。可用U,C 等字母分别表示 userid 和 cookieid 维度。

		3.标签类型
			类型可以划分为 统计型，规则型和算法型。其中统计型开发科直接从数据仓库中各主题表建模加工而成，规则型需要结合公司业务和数据情况，算法型开发需要对数据
		做机器学习的算法处理得到相应的标签。

		4.一级归类
			在每个标签主题的大类下面，进一步细分维度来刻画用户。

	对于用户的性别标签，标签主题是人口属性，用户维度是userid，标签类型属于算法型。给男性用户打上标签"ATTRITUBE_U_01_001"，女性是"ATTRITUBE_U_01_002"。
其中，"ATTRITEBU" 为人口属性主题，，"_"后面的 "U" 为userid维度，"01" 为一级归类，最后面的 "001" 和 "002" 为该一级标签下面的标签明细。如果是划分高中低活跃
用户的，对应一级标签下的明细可划分为 "001" "002" "003"。
	
	标签统一命名后，维护一张 码表 记录标签id名称，标签含义及标签口径等主要信息，后期方面元数据的维护和管理。