初識用戶畫像

• 用畫像概念
• • 百度百科：
  • 維基百科：
  • 論文
• 技術(shù)實(shí)現(xiàn)
• • 技術(shù)選型
  • 關(guān)鍵技術(shù)
  • • 聚類技術(shù)
    • 推薦技術(shù)

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(biāo)用戶、聯(lián)系用戶訴求與設(shè)計(jì)方向的有效工具，用戶畫像在各領(lǐng)域得到了廣泛的應(yīng)用。我們在實(shí)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(shù)據(jù)轉(zhuǎn)化聯(lián)結(jié)起來。作為實(shí)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(chǎn)品和市場之外所構(gòu)建出來的，形成的用戶角色需要有代表性能代表產(chǎn)品的主要受眾和目標(biāo)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(shí)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(chǎn)品相關(guān)的描述，該用戶角色是否引同理心;
R代表真實(shí)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(shí)人物;
S代表獨(dú)特性(Singular)：每個用戶是否是獨(dú)特的，彼此很少有相似性;
O代表目標(biāo)性(Objectives)：該用戶角色是否包含與產(chǎn)品相關(guān)的高層次目標(biāo)，是否包含關(guān)鍵詞來描述該目標(biāo);
N代表數(shù)量性(Number)：用戶角色的數(shù)量是否足夠少，以便設(shè)計(jì)團(tuán)隊(duì)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(yīng)用性(Applicable)：設(shè)計(jì)團(tuán)隊(duì)是否能使用用戶角色作為一種實(shí)用工具進(jìn)行設(shè)計(jì)決策。
L代表長久性(Long)：用戶標(biāo)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(guān)聯(lián)的數(shù)據(jù)的可視化的展現(xiàn)；一句話來總結(jié)就是：用戶信息標(biāo)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(xí)慣等主要數(shù)據(jù)，提煉出真實(shí)用戶的虛擬全貌，用虛擬標(biāo)簽代替對真實(shí)用戶的理解。
常見人物畫像

金融產(chǎn)品評級畫像

群體維度-今日頭條

技術(shù)實(shí)現(xiàn)

技術(shù)選型

數(shù)據(jù)以結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)為主，可以采用Hadoop和mahout來實(shí)現(xiàn)

關(guān)鍵技術(shù)

用戶畫像技術(shù)在用戶標(biāo)簽化完成的基礎(chǔ)上，在大數(shù)據(jù)平臺分析層面進(jìn)行聚類和推薦。通過此技術(shù)對用戶進(jìn)行精準(zhǔn)高效的數(shù)據(jù)推送

聚類技術(shù)

聚類技術(shù)是對過程中的多維時空數(shù)據(jù)安裝相似程度進(jìn)行分簇歸類的分析方法。聚類最終達(dá)到的結(jié)果就是盡可能的提高組內(nèi)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(fù)雜多維的公安教育數(shù)據(jù)，聚類算法不僅要解決數(shù)值型數(shù)據(jù)，還要對文本型等其他類型數(shù)據(jù)進(jìn)行清洗和處理，不僅要滿足低緯度數(shù)據(jù)的分析，還要滿足當(dāng)下快速發(fā)展的多維度數(shù)據(jù)分析。變量選擇，一般在問卷調(diào)查和用戶注冊時提前假定，優(yōu)先選取對用戶行為有影響的變量，
聚類分析，數(shù)據(jù)預(yù)處理的工作做完后，運(yùn)用統(tǒng)計(jì)軟件將數(shù)據(jù)按類劃分。解釋命名，在聚類完成后，對每一類別的數(shù)據(jù)選擇突出的特稱進(jìn)行標(biāo)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(wǎng)格的方法、基于密度的方法、基于層次的方法、基于高緯度數(shù)據(jù)的方法、基于約束的方法等。常用的是K-means算法，其在計(jì)算過程中迭代運(yùn)算，每次聚類完成時也是下次聚類的開始，不斷的進(jìn)行簇中心和簇本身的調(diào)整和變幻，如果聚類的結(jié)果與上次運(yùn)算不同，則重新進(jìn)行調(diào)整，繼續(xù)在調(diào)整簇中心后做聚類操作，如果某次的結(jié)果和上次的相同，即不需要再進(jìn)行簇中心和簇的調(diào)整，也就是聚類完成

推薦技術(shù)

協(xié)同過濾推薦（Collaborative Filterting,CF）、基于內(nèi)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(jié)

以上是生活随笔為你收集整理的初识用户画像的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。