电商产品如何依靠用户画像做个性化推荐.pdf

电商产品如何依靠用户画像做个性化推荐 了解和分析用户最好的办法就是建立 persona （人物角色或者用户画像），它是产品最重要 的设计工具和沟通工具。但很多用户研究更多针对的是在产品设计初期对潜在用户的需求 定义， persona 所代表的是某类人群，一个产品通常会设计 3～ 6个角色代表所有的用户群体 。 在用户画像的过程中有一个很重要的概念叫做颗粒度，就是我们的用户画像应该细化到哪种程度。 颗粒度太大，对于产品设计的指导意义就会变小，如果太细，无疑是在压缩潜在用户的范围。 但对于电商产品设计及运营来说，尽量丰富用户画像是最重要也是最需要细致打磨的环节，也就是 要做到具象的定量个体描述才能够基于用户数据提供个性化推荐，个性化推荐既是节省用户成本， 提升用户体验，也是电商产品提升产品转化率与促进商品交叉销售的重要手段。 所以，依靠用户数据创建用户画像在当前热议大数据的时代越来越受到重视。如何依靠用户数据构 建用户画像？这里引用百分点技术总监郭志金《用户画像数据建模方法》一文中所述。 数据源分析 构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。 对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人 ，一种是学英语的人，一种是不学英语的人；客户分三类，高价值客户，中价值客户，低价值客户 ；产品生命周期分为，投入期、成长期、成熟期、衰退期 …… 所有的子分类将构成了类目空间的全 部集合。 这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类 没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景，业务需求的 不同，也许各有道理，按需划分即可。 本文将用户数据划分为静态信息数据、动态信息数据两大类。 静态信息数据 用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。这类信息，自成标签 ，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模 不是本篇文章重点。 动态信息数据 用户不断变化的行为信息，一个用户打开网页，买了一个杯子；与该用户傍晚溜了趟狗，白天取了 一次钱，打了一个哈欠等等都是用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦 很多，如上图所示：浏览凡客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞 “ 双十一大促给力 ”的微博消息。等等均可看作互联网用户行为。 本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是 数据获取途径，用户识别方式有些差异）。 在互联网上，用户行为，可以看作用户动态信息的唯一数据来源。如何对用户行为数据构建数据 模型，分析出用户标签，将是本文着重介绍的内容。 目标分析 用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。如，红酒 0.8 、李宁 0.6 。 数据建模方法 下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、 地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什 么时间，什么地点，做了什么事。 什么用户： 关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。 以上列举了互联网主要的用户标识方法，获取方式由易到难。视企业的用户粘性，可以获取的标识 信息有所差异。 什么时间： 时间包括两个重要信息，时间戳 + 时间长度。时间戳，为了标识用户行为的时间点 ，如， 1395121950 （精度到秒）， 1395121950.083612 （精度到微秒），通常采用精度到秒的时 间戳即可。因为微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间 长度，为了标识用户在某一页面的停留时间。 什么地点： 用户接触点， Touch Point 。对于每个用户接触点。潜在包含了两层信息：网址 + 内容 。网址：每一个 url链接（页面 /屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。 可以是 PC 上某电商网站的页面 url，也可以是手机上的微博，微信等应用某个功能页面，某款产品 应用的特定画面。如