初識用戶畫像

• 用畫像概念
• • 百度百科：
  • 維基百科：
  • 論文
• 技術實現
• • 技術選型
  • 關鍵技術
  • • 聚類技術
    • 推薦技術

用畫像概念

百度百科：

用戶畫像又稱用戶角色，作為一種勾畫目標用戶、聯系用戶訴求與設計方向的有效工具，用戶畫像在各領域得到了廣泛的應用。我們在實際操作的過程中往往會以最為淺顯和貼近生活的話語將用戶的屬性、行為與期待的數據轉化聯結起來。作為實際用戶的虛擬代表，用戶畫像所形成的用戶角色并不是脫離產品和市場之外所構建出來的，形成的用戶角色需要有代表性能代表產品的主要受眾和目標群體。
用戶畫像的PERSONAL八要素
P代表基本性(Primary)：指該用戶角色是否基于對真實用戶的情景訪談;
E代表同理性(Empathy)：指用戶角色中包含姓名、照片和產品相關的描述，該用戶角色是否引同理心;
R代表真實性(Realistic)：指對那些每天與顧客打交道的人來說，用戶角色是否看起來像真實人物;
S代表獨特性(Singular)：每個用戶是否是獨特的，彼此很少有相似性;
O代表目標性(Objectives)：該用戶角色是否包含與產品相關的高層次目標，是否包含關鍵詞來描述該目標;
N代表數量性(Number)：用戶角色的數量是否足夠少，以便設計團隊能記住每個用戶角色的姓名，以及其中的一個主要用戶角色;
A代表應用性(Applicable)：設計團隊是否能使用用戶角色作為一種實用工具進行設計決策。
L代表長久性(Long)：用戶標簽的長久性。

維基百科：

A user profile is a visual display of personal data associated with a specific user, or a customized desktop environment ，用戶畫像就是與該用戶相關聯的數據的可視化的展現；一句話來總結就是：用戶信息標簽化。

論文

用戶畫像有user portrait、persona、user profile 三個英文解釋。user portrait 主要是指對用戶肖像的繪畫，本文中的用戶畫像可理解為通過研究用戶屬性、行為習慣等主要數據，提煉出真實用戶的虛擬全貌，用虛擬標簽代替對真實用戶的理解。
常見人物畫像

金融產品評級畫像

群體維度-今日頭條

技術實現

技術選型

數據以結構化、半結構化、非結構化數據為主，可以采用Hadoop和mahout來實現

關鍵技術

用戶畫像技術在用戶標簽化完成的基礎上，在大數據平臺分析層面進行聚類和推薦。通過此技術對用戶進行精準高效的數據推送

聚類技術

聚類技術是對過程中的多維時空數據安裝相似程度進行分簇歸類的分析方法。聚類最終達到的結果就是盡可能的提高組內對象的相似度，降低組間對象的相似度。
聚類分析的過程分為：算法需求，變量選擇，聚類分析，解釋命名。算法需求，即面對海量的類型不同、復雜多維的公安教育數據，聚類算法不僅要解決數值型數據，還要對文本型等其他類型數據進行清洗和處理，不僅要滿足低緯度數據的分析，還要滿足當下快速發展的多維度數據分析。變量選擇，一般在問卷調查和用戶注冊時提前假定，優先選取對用戶行為有影響的變量，
聚類分析，數據預處理的工作做完后，運用統計軟件將數據按類劃分。解釋命名，在聚類完成后，對每一類別的數據選擇突出的特稱進行標注，幫助分析這記憶和工作。聚類肥西方法中比較常見的有基于劃分的方法、基于模型的方法、基于網格的方法、基于密度的方法、基于層次的方法、基于高緯度數據的方法、基于約束的方法等。常用的是K-means算法，其在計算過程中迭代運算，每次聚類完成時也是下次聚類的開始，不斷的進行簇中心和簇本身的調整和變幻，如果聚類的結果與上次運算不同，則重新進行調整，繼續在調整簇中心后做聚類操作，如果某次的結果和上次的相同，即不需要再進行簇中心和簇的調整，也就是聚類完成

推薦技術

協同過濾推薦（Collaborative Filterting,CF）、基于內容的推薦（Content-based,CB）、基于知識的推薦（Knowledge-base,KB）、混合推薦（Hybrid Method）。

總結

以上是生活随笔為你收集整理的初识用户画像的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。