40亿移动设备的用户画像和标签架构实践
http://www.infoq.com/cn/articles/4-billion-mobile-device-user-portrait-and-tag-architecture
大家好，我是來自TalkingData的王鵬，很高興在這里和大家一起探討大數(shù)據(jù)的應(yīng)用。
說起大數(shù)據(jù)的應(yīng)用可能很多朋友們腦子里邊第一映像就是畫像，我想從以下幾個方面跟大家聊聊畫像相關(guān)的事情：1、什么是畫像；2、畫像的用處；3、如何進行用戶畫像；4畫像應(yīng)用中的難點。
什么是畫像呢？可能大家看到過一些外文資料或者演講中出現(xiàn)過profile一詞，其實和畫像是一個概念，都是從不同的維度來表達一個人，這些維度可以是事實的，可以是抽象的；可以是自然屬性，比如性別、年齡；可以是社會屬性，比如職業(yè)、社交特征；可以是財富狀況，比如是否高收入人群，是否有固定資產(chǎn)；可以是家庭情況，比如是否已經(jīng)結(jié)婚，是否有孩子；可以是購物習(xí)慣，比如喜歡網(wǎng)購還是喜歡逛商場；可以是位置特征，比如在哪個城市生活；可以是其他行為習(xí)慣?？傊?#xff0c;所有大家能想到的描述一個人的特征的都可以算作是畫像的范疇，畫像其實就是想方設(shè)法用數(shù)據(jù)來描述人的特征。
畫像有什么用處呢？大家之所以要進行用戶畫像，就是為了解決業(yè)務(wù)問題，或者為了拓展一個新用戶，或者為了獲得一個新訂單。想要獲得新用戶，首先必須知道自己產(chǎn)品定位的用戶畫像（也就是用戶長什么樣子，有什么行為特征），而很多產(chǎn)品設(shè)計的時候可能由于定位不清晰，對用戶的了解不夠，導(dǎo)致最后產(chǎn)品上線后效果與預(yù)期大相徑庭。
這里舉一個例子，A銀行的電子支付團隊計劃與Uber公司合作，在春節(jié)后以短信推送優(yōu)惠劵的方式進行營銷，選擇了多類人群進行投放，其中有“有打車需求且有車”和“有打車需求且無車”兩類人群，本以為“有需求且無車”人群的廣告觸達的營銷效果會更好，結(jié)果卻完全相反，“有需求且有車”人群的廣告觸達的比例反而最高。這可能映射出無論是開車還是打車，習(xí)慣了車反而離不開車。用數(shù)據(jù)來畫像正是幫助企業(yè)了解用戶和定位產(chǎn)品的最直接的方法。?
綜上我們可以看到要向更好的解決業(yè)務(wù)問題，首先必須明確業(yè)務(wù)目標，而用戶畫像是幫助企業(yè)明確目標客群的重要手段之一。當(dāng)企業(yè)了解了自己的用戶都長什么樣子以后，接下來的任務(wù)就是如何將有類似畫像特征人群的潛在用戶變成自己的用戶，也就是在營銷上獲新客的過程。所以，從大的框架來看，用戶畫像承載了兩個業(yè)務(wù)目標：一是如何準確的了解現(xiàn)有用戶；二是如何在茫茫人海中通過廣告營銷獲取類似畫像特征的新用戶。
如果仔細琢磨這兩個目標，其實在根源上邏輯是有些相悖的。了解現(xiàn)有用戶的畫像，需要的是少量、畫像特征覆蓋度全面的無傾斜的精準樣本，這樣能更精確的定位產(chǎn)品的用戶。而通過畫像結(jié)果做廣告營銷獲取新用戶，在一定程度上需要的是大量的相似樣本。量的大小和精準度的不同決定了后續(xù)畫像模型在應(yīng)用設(shè)計中的不同。
提到用戶畫像就不得不提到一個詞“標簽”。標簽是表達人的基本屬性、行為傾向、興趣偏好等某一個維度的數(shù)據(jù)標識，它是一種相關(guān)性很強的關(guān)鍵字，可以簡潔的描述和分類人群。標簽的定義來源于業(yè)務(wù)目標，基于不同的行業(yè)，不同的應(yīng)用場景，同樣的標簽名稱可能代表了不同的含義，也決定了不同的模型設(shè)計和數(shù)據(jù)處理方式。
舉個例子，如果一款賣男裝的app想在近期做營銷，只篩選“男性”和“網(wǎng)絡(luò)購物”這兩個標簽進行投放，可能效果并不一定理想。因為“性別（男/女）”可能有多種維度，真實性別男女是一種維度，網(wǎng)絡(luò)購物特征男女是一種維度，性取向男女可能又是另外一種維度。因為網(wǎng)絡(luò)的發(fā)展，你甚至都不知道網(wǎng)絡(luò)的另一端是不是一個人，更何況是男女呢。想要正確的設(shè)計標簽?zāi)Ｐ秃陀嬎闾幚頂?shù)據(jù)，必須了解畫像標簽應(yīng)用的場景和目標。
接下來如何進行用戶畫像呢？這完全取決于業(yè)務(wù)目標（需要什么樣的畫像標簽）和有什么樣的原材料（有什么類型的數(shù)據(jù)源），基于這兩樣才能確定使用什么樣的模型設(shè)計和數(shù)據(jù)計算處理方式。就像做菜一樣，要做一頓美味的晚餐，必須知道客戶是想吃中餐還是西餐，配菜都有哪些魚蛋肉和蔬菜，然后才能確定牛肉是紅燒還是煎炸。
仍然以性別（男/女）為例，嘗試演繹一下剛才的三個場景。
如果業(yè)務(wù)是征信場景，想知道的是這個人的真實性別（男/女），在沒有全量真實數(shù)據(jù)的前提下可以采取如下的方法來處理，可以選取少量真實樣本，使用這些真實樣本追加一些特征因子，使用lookalike算法進行樣本擴展，將該少數(shù)樣本特征擴展到大量或者全量數(shù)據(jù)。當(dāng)然，這些數(shù)據(jù)的準確度取決于樣本的均衡程度和算法的質(zhì)量。
如果業(yè)務(wù)是網(wǎng)絡(luò)購物的電商場景，我們先不嘗試判斷真實購買男裝的是否是男性（很多已婚人士是妻子負責(zé)網(wǎng)購丈夫的裝備），僅僅考慮將來該網(wǎng)絡(luò)賬戶實體是否會購買男裝的角度考慮，需要的是“男裝購買傾向”的標簽，可以直接基于所有賬戶實體以往購買記錄來計算處理該標簽。
如果是業(yè)務(wù)場景是blued（一款同志交友app）定義的男性又是另外一個特殊群體，基于客戶想拓展新客，這里定義的特殊男性群體或許可以定義為“男性同志”標簽，而實現(xiàn)該標簽可以考慮通過安裝了類似同志交友的app人群或者以同志人群經(jīng)常出現(xiàn)的聚集地進行計算處理。
所以說針對不同的行業(yè)，不同的應(yīng)用場景，需要使用不同的數(shù)據(jù)源進行不同的標簽設(shè)計和計算。
說起標簽，可能每個行業(yè)有每個行業(yè)的標簽體系，各個公司基于自己的數(shù)據(jù)源和特征不同也設(shè)立了不同的標簽體系。我認為這些標簽都可以歸納為以下幾個方面。
?
要支持以上這些標簽的設(shè)計和計算，需要多種維度的數(shù)據(jù)源，從產(chǎn)生維度來看：可以包含PC端的數(shù)據(jù)、移動終端的數(shù)據(jù)、線下的數(shù)據(jù)；從數(shù)據(jù)擁有者來看：可以包含一方客戶自己的數(shù)據(jù)、外部官方渠道的數(shù)據(jù)、市場采集的數(shù)據(jù)；從數(shù)據(jù)類型來看：有社交數(shù)據(jù)、交易數(shù)據(jù)、位置數(shù)據(jù)、運營商數(shù)據(jù)等。
使用這些不同源的數(shù)據(jù)，我們?nèi)绾斡嬎闾幚順I(yè)務(wù)需要的標簽?zāi)?#xff1f;一般都會經(jīng)過如下幾步：
?
一般標簽計算無外乎以上過程，以“大學(xué)生”標簽為例，假如我們需要針對移動終端人群設(shè)計一個大學(xué)生標簽，而我們并沒有每個大學(xué)生的入學(xué)信息和證件信息，我們該如何操作呢。首先進行業(yè)務(wù)分析，發(fā)現(xiàn)大學(xué)生的行為特征，一般大學(xué)生都會在大學(xué)校園內(nèi)活動比較多，我們可以將全國2000多所高校的位置找到，根據(jù)移動終端設(shè)備的位置信息來篩選“大學(xué)生”人群；另外大學(xué)生可能還會使用一些特殊的app比如考研類、四六級、超級課程表等這些特殊app，我們可以通過app進行“大學(xué)生”人群的篩選。
如果不用算法，就只用規(guī)則，我們想找精確的“大學(xué)生”人群，可以將位置和app行為兩個特征疊加使用；如果我們想要擴展樣本進行大規(guī)模廣告投放，可以考慮含有位置、app行為任意一個特征的人群，同時還可以通過算法進行l(wèi)ookalike的擴展樣本學(xué)習(xí)。
注：以上表達的都是數(shù)據(jù)和標簽處理的邏輯過程，實際業(yè)務(wù)中的數(shù)據(jù)處理要視具體情況而定。
最后說一說用戶畫像和標簽設(shè)計/計算中的一些難點。
1. 如何定義畫像主體？也可以理解為如何唯一標識一個實體？
可以理解真實世界每個人都是一個實體，但是虛擬世界他可能就變身為多個，比如人可能有一個身份ID，但是可能有多個手機，就對應(yīng)了多個手機號，多個設(shè)備終端ID，那就對應(yīng)多個移動終端的使用行為；這多個終端ID分別代表了這個實體的不同特征，只有將這個實體拼接起來才能代表完整的畫像。一個人可能有多個qq號，如果從qq行為的角度分析，同樣的邏輯。這是終端實體多對一的體現(xiàn)。
反過來也會有一對多的情況，比如就一個家庭用的ipad，孩子用ipad來玩游戲，父親用ipad來查收郵件，母親用ipad來購物，這一個ipad代表了多個實體的行為特征，并且無法分拆。所以要想唯一完整的定義一個實體其實很難。所以在業(yè)務(wù)領(lǐng)域中追求標簽的完整性有時候是一個很難達到的目標，反過來應(yīng)該更多的關(guān)注標簽的代表性，無論是一對多還是多對一，只要能通過標簽篩選出來想尋找的受眾群體就可以，即便是家庭公用的ipad，有游戲標簽也表明了家庭中有成員有該方面的興趣偏好。
2. 如何打通不同源的數(shù)據(jù)？
pc端的行為信息、移動終端的行為信息和TV端的行為信息，如何將這些信息關(guān)聯(lián)起來？核心問題在于如何將這些終端的唯一標識ID打通。TalkingData的數(shù)據(jù)體系已經(jīng)建立了以TDID為核心ID的關(guān)聯(lián)圖譜，TalkingData的IDmapping能力已經(jīng)實現(xiàn)了跨設(shè)備ID的關(guān)聯(lián)映射。所以要解決不同源ID的打通只要接入一家類似TalkingData的數(shù)據(jù)即可。
感謝大家能如此長時間的聽我嘮叨，希望這些信息對您的工作能有所幫助。
大家都剛剛跨入大數(shù)據(jù)的門檻，大數(shù)據(jù)在各個領(lǐng)域的應(yīng)用任重而道遠，希望同行多多切磋學(xué)習(xí)，一起前行。
答疑部分
Q1：畫像的時候常用的算法有哪些，比如什么類型的標簽適合什么類型的算法？怎么評估畫像畫的好壞？
王鵬：我們除了用常規(guī)的算法以外，還有自研的開源算法系統(tǒng)fregata，基于spark，支持10億樣本1億維度的超大規(guī)模運算，無需調(diào)參，超高速度。
(點擊放大圖像)
評估畫像的好壞：1、小樣本的真實驗證；2，在實際的case中迭代驗證
Q2：畫像的標簽體系一般怎么設(shè)計，還有你們的標簽體系如何存儲？更便于不同畫像標簽之間的追溯？
王鵬：畫像的體系一般參考你們公司的業(yè)務(wù)體系來設(shè)計。標簽的存儲也取決于你的服務(wù)應(yīng)用場景：我們的存儲有多種：hdfs、vertica、hbase。標簽的追溯屬于另外一個問題，取決于你的標簽的生命周期，有的標簽就是最新的，有的標簽就是每周每月加工的，有的標簽是有時間衰減迭代的。
Q3：標簽的確定一般是怎樣的？是人工打標簽，想業(yè)務(wù)場景，還是通過自動的算法跑出來？TalkingData目前又是如何實現(xiàn)的呢？
王鵬：標簽的確定，一般是先人工篩選小樣本規(guī)則，進行驗證，規(guī)則合理后，在通過算法擴展。
人工和自動是結(jié)合的，取決于該標簽的具體場景、字典數(shù)據(jù)的使用、主數(shù)據(jù)的量等各種因素。
TD的標簽也是結(jié)合這二者一起完成的。
Q4：計算標簽的具體流程是怎樣的 效果如何評估 謝謝 ？
王鵬：計算標簽的具體流程我在剛才講的過程中已經(jīng)說過了，這里可以再貼一下：
效果評估除了剛才說的真實case驗證以外，還可以考慮外部標簽的交叉驗證，自有標簽的交叉驗證，比如：有“已婚”標簽的，不可能是“18歲以下”人群；“已婚”標簽的“大學(xué)生”人群也應(yīng)該極少；“大學(xué)生”標簽的人群“有車”標簽的也應(yīng)該很少。
Q5：在做用戶畫像時如何解決數(shù)據(jù)準確性不足的問題，畢竟非BAT公司太多，很多數(shù)據(jù)都不完善，或者說沒有準確數(shù)據(jù)。
王鵬：說到這個問題，談?wù)勎覍Υ髷?shù)據(jù)的看法：我理解大數(shù)據(jù)本身不存在所謂的正確性，大數(shù)據(jù)是用來驗證人的先驗知識/經(jīng)驗的一種工具，這個里邊應(yīng)該考慮的不止是準確性的問題，而是如何能更好的提高你認為的準確率的問題，大數(shù)據(jù)由于體量大，需要的是數(shù)量、時間等多維的迭代，維度的擴展。
轉(zhuǎn)載于:https://www.cnblogs.com/davidwang456/articles/9815733.html
總結(jié)
以上是生活随笔為你收集整理的40亿移动设备的用户画像和标签架构实践的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 机器学习实战读书笔记--logistic
- 下一篇： gradle本地、远程仓库配置--转