來(lái)源：數(shù)據(jù)猿  投遞：神策數(shù)據(jù)資深算法工程師 鄒雨晗

用戶畫像的概念大熱，眾多企業(yè)都希望通過(guò)“用戶畫像”實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)產(chǎn)品智能，但什么才是用戶畫像呢？

通過(guò)這篇文章，我們介紹我們理解的兩種用戶畫像（User Persona 和 User Profile），以及如何構(gòu)建用戶畫像（User Profile）的標(biāo)簽體系并驅(qū)動(dòng)產(chǎn)品智能。

1.User Persona

第一種用戶畫像（User Persona）是產(chǎn)品設(shè)計(jì)、運(yùn)營(yíng)人員從用戶群體中抽象出來(lái)的典型用戶：

?在用戶調(diào)研階段，產(chǎn)品經(jīng)理經(jīng)過(guò)調(diào)查問(wèn)卷、客戶訪談了解用戶的共性與差異，匯總成不同的虛擬用戶；

?在產(chǎn)品原型設(shè)計(jì)、開發(fā)階段，產(chǎn)品經(jīng)理圍繞這些虛擬用戶的需求、場(chǎng)景，研究設(shè)計(jì)產(chǎn)品用戶體驗(yàn)與使用流程；

?當(dāng)產(chǎn)品設(shè)計(jì)出現(xiàn)分歧時(shí)，產(chǎn)品經(jīng)理能夠借助用戶畫像，跳出離散的需求，聚焦到目標(biāo)用戶，不再討論這個(gè)功能要不要保留，而是討論用戶可能需要這個(gè)功能，可能如何使用這個(gè)功能等等。

例如某招聘類產(chǎn)品在調(diào)研階段構(gòu)建的用戶畫像（User Persona）：

所以，這類用戶畫像（UserPersona），本質(zhì)是一個(gè)用以描述用戶需求的工具，它幫助不同角色在產(chǎn)品研發(fā)過(guò)程中，站在用戶的角度思考問(wèn)題。

在產(chǎn)品設(shè)計(jì)階段和原型開發(fā)階段，產(chǎn)品經(jīng)理會(huì)較多地借助用戶畫像（User Persona）理解用戶的需求，想象用戶使用的場(chǎng)景。隨著產(chǎn)品上線后不斷迭代，積累真實(shí)用戶，僅通過(guò)用戶畫像（User Persona）難以量化地評(píng)估用戶需求，也很難通過(guò)數(shù)據(jù)證偽，不確定用戶畫像（User Persona）虛構(gòu)的人物是不是真的目標(biāo)群體。同時(shí)，真實(shí)用戶群體也隨時(shí)間推移變化，在設(shè)計(jì)階段虛構(gòu)的用戶畫像（User Persona）需要重新調(diào)研、設(shè)想。

2.User Profile

與此同時(shí)，我們也希望通過(guò)產(chǎn)品積累的用戶行為數(shù)據(jù)，為產(chǎn)品運(yùn)營(yíng)提供更好的支撐，例如根據(jù)用戶瀏覽記錄向用戶提供個(gè)性化服務(wù)。這就是本文著重介紹的第二種用戶畫像（User Profile）——根據(jù)每個(gè)人在產(chǎn)品中的用戶行為數(shù)據(jù)，產(chǎn)出描述用戶的標(biāo)簽的集合。例如猜他是男是女，生活工作所在地，乃至喜歡哪個(gè)明星，要買什么東西等。

隨著“千人千面”等理念深入人心，在與許多企業(yè)客戶的溝通中，我們希望客戶更加清楚兩種用戶畫像的差異。與第一種用戶畫像（User Persona）不同的是，用戶畫像（User Profile）的建設(shè)更加關(guān)注：

?是否反應(yīng)受眾的真實(shí)需求：用戶畫像（User Profile）這個(gè)詞的字面意義，是關(guān)注人口屬性、生活狀態(tài)等靜態(tài)信息，但這些信息并不一定直接反應(yīng)用戶興趣。產(chǎn)品更關(guān)注的往往是某用戶“最近喜歡看哪類視頻”、“準(zhǔn)備買多少錢的手機(jī)”這樣能幫助產(chǎn)品運(yùn)營(yíng)的動(dòng)態(tài)信息；

?時(shí)效性：用戶的興趣偏好隨時(shí)都在發(fā)生變化，需要及時(shí)更新用戶標(biāo)簽；

?覆蓋度：用戶畫像（User Profile）既要勾勒出用戶感興趣的內(nèi)容，也要記錄用戶不感興趣的信息，盡量多地滿足產(chǎn)品運(yùn)營(yíng)的需要。但同時(shí)，除了人口屬性等明確的屬性外，大多數(shù)用戶畫像的正確與否是沒(méi)有意義的。如“最近喜歡看搞笑視頻”這個(gè)標(biāo)簽，并不表示用戶下一次一定觀看搞笑視頻，因此執(zhí)著于提升標(biāo)簽的準(zhǔn)確度，不如設(shè)計(jì)出多更清晰描述受眾需求的標(biāo)簽，更多時(shí)候我們注重提升用戶畫像的覆蓋度，同時(shí)提供更細(xì)粒度的畫像。

設(shè)計(jì)用戶畫像的標(biāo)簽體系

用戶畫像（以下均指 User Profile）一般通過(guò)標(biāo)簽體系落地，簡(jiǎn)單說(shuō)就是你把用戶分到多少個(gè)類里面去，當(dāng)然，每個(gè)用戶是可以分到多個(gè)類上的。這些類都是什么，彼此之間有何聯(lián)系，就構(gòu)成了標(biāo)簽體系。通常有兩種思路設(shè)計(jì)用戶畫像的標(biāo)簽體系。

一是結(jié)構(gòu)化的標(biāo)簽體系，這類標(biāo)簽可以直接從人口屬性、物品信息等基本信息中直接得到，有明確的層級(jí)關(guān)系，如性別、省市、視頻分類、商品分類等。

結(jié)構(gòu)化的標(biāo)簽體系通常較為簡(jiǎn)單，一般可以直接通過(guò)用戶的行為映射得到，例如根據(jù)用戶的購(gòu)買記錄，為用戶構(gòu)建物品對(duì)應(yīng)的結(jié)構(gòu)化標(biāo)簽。但結(jié)構(gòu)化標(biāo)簽往往粒度較粗，無(wú)法充分衡量用戶的興趣，例如新聞?lì)?nbsp;App 中用戶閱讀了一條關(guān)于某明星的娛樂(lè)類新聞，其實(shí)無(wú)法推斷出他對(duì)所有娛樂(lè)類新聞感興趣，也不一定只對(duì)該明星情有獨(dú)鐘。

另一種是非結(jié)構(gòu)化標(biāo)簽體系，就是各個(gè)標(biāo)簽各自反應(yīng)各自的用戶興趣，彼此之間并無(wú)層級(jí)關(guān)系。典型的非結(jié)構(gòu)化的標(biāo)簽，如搜索廣告系統(tǒng)中的關(guān)鍵詞，或者閱讀類產(chǎn)品中的文檔主題模型（Topic Model），或者向量化的用戶、物品 Embedding。

標(biāo)簽體系的建設(shè)一要便于使用，二要區(qū)分度明顯。結(jié)合具體產(chǎn)品而言，在不同的場(chǎng)景下，對(duì)這兩點(diǎn)的要求重點(diǎn)是不同的。最終在產(chǎn)品中選擇哪些標(biāo)簽并沒(méi)有明確的依據(jù)，還是需要充分了解到底是什么驅(qū)動(dòng)用戶使用產(chǎn)品。有效的標(biāo)簽體系，要能反應(yīng)用戶決定買什么、不買什么的邏輯與依據(jù)。例如電商產(chǎn)品中，以新聞?lì)l道的方法，為用戶構(gòu)建“財(cái)經(jīng)、體育、旅游、…”這樣的標(biāo)簽，雖然并不難，但也沒(méi)多大意義。

用戶畫像行業(yè)實(shí)踐

神策數(shù)據(jù)與國(guó)內(nèi)某知名視頻聚合網(wǎng)站共同建設(shè)視頻推薦服務(wù)。該網(wǎng)站每天聚合全網(wǎng)的視頻，向用戶提供熱門視頻、視頻檢索等服務(wù)。網(wǎng)站已經(jīng)積累了大量的用戶和行為數(shù)據(jù)，圍繞新、老用戶的運(yùn)營(yíng)模型在發(fā)生著變化。

與傳統(tǒng)的視頻站點(diǎn)不同，短視頻的運(yùn)營(yíng)特點(diǎn)有：

播放隨意性強(qiáng)：短視頻播放雖然是個(gè)高頻、周期性強(qiáng)的娛樂(lè)應(yīng)用，但單次觀影時(shí)間短，用戶選擇隨意性大；

熱點(diǎn)輪換迅速：平臺(tái)中不斷加入新視頻，每天的熱門內(nèi)容不斷變化，網(wǎng)站需要發(fā)現(xiàn)用戶潛在的興趣點(diǎn)，向用戶推薦新鮮內(nèi)容；

場(chǎng)景驅(qū)動(dòng)：場(chǎng)景是特定的時(shí)間、地點(diǎn)和人物的組合下的特定的消費(fèi)意圖。不同的時(shí)間、地點(diǎn)，不同類型的用戶的消費(fèi)意圖會(huì)有差異。例如白領(lǐng)乘地鐵上班，會(huì)關(guān)注當(dāng)日的新聞熱點(diǎn)；周末晚上在家，用戶更喜歡點(diǎn)擊娛樂(lè)搞笑視頻。場(chǎng)景辨識(shí)越細(xì)致，越能了解用戶的消費(fèi)意圖，推薦滿意度也就越高。

隨著視頻資源的不斷豐富和用戶需求的多樣化，如何準(zhǔn)確向客戶推薦視頻，是該產(chǎn)品用戶畫像的一個(gè)基本目標(biāo)。我們十分看重推薦系統(tǒng)中，推薦結(jié)果的可解釋性，即讓用戶能感覺到每一條推薦視頻的推薦理由。因此，我們構(gòu)建用戶畫像也以觀看場(chǎng)景和觀看興趣為主。

用戶畫像

我們考慮新用戶和老用戶兩大類群體。新用戶第一次進(jìn)入 App，在這一階段的運(yùn)營(yíng)目標(biāo)以留存為主，主要向用戶推薦近期熱門視頻。除了常規(guī)的設(shè)備信息、地理信息外，我們對(duì)用戶了解甚少，可以通過(guò)猜測(cè)下列問(wèn)題：

•用戶在哪里？

•這個(gè)時(shí)段可能處于什么場(chǎng)景？

構(gòu)建用戶畫像，進(jìn)行場(chǎng)景推薦。這兩種標(biāo)簽的獲取較為直接，通過(guò)用戶手機(jī)的地理位置信息和當(dāng)前時(shí)段就可以得到。不同場(chǎng)景下，我們向新用戶推薦不同的視頻，例如：

•工作日，7:00-10:00： 用戶可能搭乘公共交通工具前往公司，乘車時(shí)使用 3G/4G 流量上網(wǎng)，時(shí)間較為碎片化，并且容易受到打擾而中斷觀看。通常，這個(gè)時(shí)段用戶希望了解當(dāng)天的時(shí)事、新聞。因此我們推薦短小精悍的熱點(diǎn)新聞；

•工作日，12:30-14:00：用戶可能在公司午休，我們推薦娛樂(lè)、搞笑類的視頻，目的性較弱，隨意尋找符合自己口味的內(nèi)容，但有可能因?yàn)槲缢蚬ぷ鳎^影時(shí)間碎片化。因此，我們推薦視頻時(shí)長(zhǎng)較短，娛樂(lè)、搞笑類的視頻，如 X 奇藝的“笑 X 來(lái)了”等；

•周末，19:00-23:00：用戶可能在家中休息，觀看時(shí)間較為充足；使用 Wifi，速度穩(wěn)定；這個(gè)時(shí)段用戶目的性通常較強(qiáng)，例如看看 ”XX 歌手”、“XX 男” 等綜藝節(jié)目的熱門片段更新沒(méi)有。因此我們可以推薦綜藝節(jié)目、電影片花等，滿足用戶長(zhǎng)時(shí)間放松的需求。

通過(guò)場(chǎng)景推薦的方式，我們?cè)诓涣私庥脩襞d趣的情況下，針對(duì)不同場(chǎng)景標(biāo)簽下的新用戶推薦不同熱門視頻，滿足用戶需求。

而對(duì)于老用戶，運(yùn)營(yíng)目標(biāo)是提升用戶體驗(yàn)，向用戶推薦感興趣的內(nèi)容，能提高觀影時(shí)長(zhǎng)；結(jié)合場(chǎng)景推薦用戶可能感興趣的新鮮內(nèi)容，能提高用戶留存率。除常規(guī)信息、場(chǎng)景信息外，構(gòu)建老用戶的用戶畫像還會(huì)考慮：

•用戶在不同時(shí)段的興趣點(diǎn)

•用戶是否喜歡探索新鮮視頻

•用戶召回需求

對(duì)于第一類“用戶興趣標(biāo)簽”，可以通過(guò)視頻本身的分類信息構(gòu)建結(jié)構(gòu)化的興趣標(biāo)簽。

我們?cè)趯?shí)際處理中，將每個(gè)用戶最近觀看記錄作為一個(gè)觀影序列，通過(guò) Item2Vec（《Item2Vec: NeuralItem Embedding for Collaborative Filtering》, https://arxiv.org/pdf/1603.04259v2.pdf）產(chǎn)出視頻的 Embedding 矩陣，并用 Bag of Words 的思想以每個(gè)用戶的最近觀看記錄描述用戶興趣，得到用戶 Embedding，作為用戶興趣標(biāo)簽。

通過(guò)用戶興趣標(biāo)簽，我們可以將用戶興趣融入前文描述的場(chǎng)景推薦中，例如在工作日的 7:00-10:00，我們根據(jù)用戶興趣，從熱點(diǎn)新聞中篩選用戶感興趣的軍事、財(cái)經(jīng)等品類；在周末的 19:00-23:00，我們根據(jù)用戶上周的觀影記錄，重復(fù)推薦相同的新一期的綜藝類節(jié)目。

對(duì)于第二類“用戶新鮮度需求標(biāo)簽”，我們通過(guò)衡量用戶觀影記錄中，各影片之間的相似度得到。影片分類覆蓋越多，或影片之間的向量距離越遠(yuǎn)，說(shuō)明用戶越喜歡探索新內(nèi)容。

對(duì)于喜歡探索不同類型的視頻的用戶，我們會(huì)更傾向于從用戶未觀看過(guò)的分類中，抽取新鮮熱門視頻加入推薦排序結(jié)果中。

現(xiàn)在互聯(lián)網(wǎng)產(chǎn)品的獲客成本很高，神策分析可以通過(guò)多維分析的方式尋找用戶流失的原因，同時(shí)我們也通過(guò)統(tǒng)計(jì)方法預(yù)測(cè)用戶流失風(fēng)險(xiǎn)。

對(duì)于視頻網(wǎng)站的老用戶，觀影習(xí)慣和場(chǎng)景通常較為固定，當(dāng)用戶最近一段時(shí)間內(nèi)的觀看頻次顯著低于過(guò)往，甚至沒(méi)有打開 App 時(shí)，我們判定用戶有流失風(fēng)險(xiǎn)，可以通過(guò)推送感興趣的視頻等手段，召回用戶。

小結(jié)

短視頻是一個(gè)高頻、隨意性強(qiáng)的產(chǎn)品，用戶的觀看行為受時(shí)間、場(chǎng)地等場(chǎng)景因素影響較大，需要對(duì)用戶在不同場(chǎng)景下的觀看行為做深入了解，歸納不同場(chǎng)景下用戶個(gè)體需求、群體需求的差異，針對(duì)不同場(chǎng)景制定相應(yīng)的推薦策略，這也是我們選擇場(chǎng)景作為短視頻產(chǎn)品用戶畫像的突破口的原因。

同時(shí)我們?cè)跇?gòu)建視頻推薦的用戶畫像時(shí)還面臨如下挑戰(zhàn)：

•數(shù)據(jù)稀疏性：個(gè)人的觀看記錄相對(duì)整體的覆蓋度是十分低的，不同的個(gè)體間重合度也很低。我們需要從這些稀疏的數(shù)據(jù)中得到個(gè)體、群體的興趣標(biāo)簽。

•用戶興趣變化快：用戶的興趣點(diǎn)隨時(shí)間、熱點(diǎn)變化，用戶觀看了幾次關(guān)于某明星的短視頻，并不代表第二天或未來(lái)用戶會(huì)對(duì)他感興趣。我們需要分別構(gòu)建用戶短期、長(zhǎng)期的興趣標(biāo)簽。

•場(chǎng)景識(shí)別難：目前我們的場(chǎng)景識(shí)別以時(shí)間段為主，未加入地理位置信息，而后者能顯著提高細(xì)粒度場(chǎng)景識(shí)別的準(zhǔn)確度。

3.總結(jié)

最后，總結(jié)一下文中提到的兩種用戶畫像。User Persona 可以幫助我們形象的了解目標(biāo)用戶的行為特征，作為我們判斷用戶需求的依據(jù)；User Profile 從用戶行為中構(gòu)建各種標(biāo)簽，在用戶生命周期中不斷刻畫用戶意圖，輔助產(chǎn)品運(yùn)營(yíng)。

畫像標(biāo)簽體系的建設(shè)是不斷迭代的過(guò)程，例如視頻產(chǎn)品中，新的視頻、新的熱門話題不斷產(chǎn)生，不斷地研究和調(diào)整也就必不可少。只有根據(jù)產(chǎn)品運(yùn)營(yíng)的目標(biāo)，靈活調(diào)整標(biāo)簽體系，才能取得最好的效果。

注：

本文由 神策數(shù)據(jù) 投稿數(shù)據(jù)猿發(fā)布。

歡迎更多大數(shù)據(jù)企業(yè)、愛好者投稿數(shù)據(jù)猿，來(lái)稿請(qǐng)直接投遞至：tougao@datayuan.cn

來(lái)源：數(shù)據(jù)猿