编辑导语：如今在这个大数据时代，我们常常会被“标签化”，最常见的就是你逛 *** 时，会按照你的乐趣喜好等等特征举办推荐；本文是作者分享的关于从0到1搭建用户画像系统的设计思路，我们一起来进修一下。

一、需求目标

1）商城已上线2周年，已有10万+在售物品；数据客栈中积聚着大量的业务数据、日志数据及埋点数据；如何充实挖掘沉淀在数据客栈中的数据的代价，有效的支持用户画像的建树，成为当前的重要事情。

2）在担保用户局限不绝增长的方针下，运营方思量成立用户流失预警机制，实时识别将要流失的用户群体，实时采纳运营计策换回用户。

二、产物布局

三、用户画像系统搭建流程

今朝团队已经搭建了较量成熟的数据客栈。也就是说已经有布局化的、清晰的用户属性、用户行为相关数据。

在此基本上，搭建用户画像系统，需要：

四、数据建模

对人、货、场举办阐明，对用户个另外性质和特征做出归纳综合，形成相应的用户属性标签、用户行为标签后。才可以开始建模。

建模需要别离从定性、定量，两个方面入手：

定性：在从已有数据中心，选择特征；假设这些特征与你要预测的值有一个干系，这个干系就是一个原始的模子。

定量：确定模子中涉及到的所有未知系数。

模子计较完成后，需要计较模子的置信度；此时按照测试数据（可以是团队内部测试、灰度测试等 *** ），来判定模子计较的功效，与预期是否相符。

假如相符，就可以用这个模子来预测用户喜欢什么；假如与预期不相符，那么久需要反复上述进程。

好比商城系统中，有以下数据项：

用户忠诚度指标（L），与用户活泼度、购物车商品数、保藏数、下单数、在线时长的用户行为指标有必然的干系；将这5项数据指标的熵权值，界说为用户忠诚度指标，可以用以下公式暗示：

个中a暗示上表中A2-A6的归一化值，归一化计较公式如下：

w暗示权重。权重系数计较公式如下：

个中，e为行为数据信息熵，计较公式如下：

最终计较所有的用户的指标L后，譬喻可以取前25%为高忠诚用户，25-50%为普通忠诚用户，剩余为低忠诚用户，取值范畴可以按照业务实际环境调解。

别的，由于权重系数，有大概随时间的增加而衰减；所以假如需要，还需要界说衰减因子r；插手衰减因子后，标签权重=衰减因子*行为权重。

五、梳理用户画像维度

设计用户画像维度时，发起利用MECE（Mutually Exclusive Collectively Exhaustive）准则；也就是对付一个重大的议题，可以或许做到不重叠、不漏掉的分类，并且可以或许借此有效掌握问题的焦点，并成为有效办理问题的要领。

好比劈头搭建用户画像维度，可以参考下图：

上图为商城系统，劈头的用户画像维度。图中的数据，凭据获取的 *** ，可以分为：统计类标签、法则类标签、挖掘类标签。

统计类标签：这类标签是最为基本也最为常见的标签范例，譬喻对付某个用户来说，他的性别、年数、都市、星座、近7日活泼时长、近7日活泼天数、近7日活泼次数等字段可以从用户注册数据、用户会见、消费类数据中统计得出；该类标签组成了用户画像的基本。

法则类标签：该类标签基于用户行为及确定的法则发生；譬喻对平台上“消费活泼”用户这一口径的界说为近30天生意业务次数>=2，在实际开拓画像的进程中，由于运营人员对业务更为熟悉、而数据人员对数据的布局、漫衍、特征更为熟悉；因此法则类标签的法则确定由运营人员和数据人员配合协商确定。