资讯

历史

科技

环境与自然

成长

游戏

财经

文学与艺术

美食

健康

家居

文化

情感

汽车

三农

军事

旅行

运动

教育

生活

星座命理

浅谈用户标签/画像系统构建

创作时间:

作者:

@小白创作中心

浅谈用户标签/画像系统构建

引用

CSDN

https://blog.csdn.net/LXWalaz1s1s/article/details/140587409

用户画像系统是大数据应用的重要方向之一，通过构建用户画像可以实现个性化推荐、精准营销等应用场景。本文将详细介绍用户画像系统的构建流程，包括数据集成与治理、用户画像概念和类别、标签的设计与实现、标签系统产品化等内容。

1. 数据集成与治理

构建用户画像的前提是需要先了解自己公司的私域有什么数据，私域里面哪些数据是自己可控的，哪些是需要沟通与协作才能获取的，公域中又有什么数据能赋能自己。

1.1 私域

私域需要盘点自己企业内的所有触点或者系统，弄清楚这些系统及触点的职能和有什么数据等，但是因为系统分布问题，有些系统虽然是私域的，但是本身集成在公司集团侧，甚至在Global侧，这些数据虽然在私域，但是却需要一定的沟通与协助才能集成，如图1.1.1。

toC系统：App，小程序，官网，微信公众号……
toB系统：门店管理系统，活动管理系统……
CRM系统：用户信息系统，会员俱乐部系统……
主数据系统：产品主数据，IoT数据……
其他：用户行为埋点系统……

图 1.1.1 私域系统数据梳理

1.2 公域

这方面的数据主要来源于第三方的DMP(Data Management Platform)数据管理平台（如阿里瓴羊，字节火山引擎，腾讯企点等）；以及咱们公司行业的垂媒（如汽车行业的汽车之家，易车，懂车帝；电商行业的淘宝，天猫，京东，拼多多等）。但是这些公域的数据由于法律法规隐私的问题，往往是不支持直接导出给到咱们的，一般支持在这些公域平台的上直接集成应用，通过应用（广告，活动，发券等）形式将第三方的用户引流到私域来。

1.3 私域和公域数据对比及应用

1.3.1 数据对比

主要从数据丰富度和API开放程度对比公域和私域的数据，数据丰富度体现数据应用的可能性，API开放度体现定制化数需求的落地实现的可能性，具体如图1.3.1。

图 1.3.1 公域/私域数据对比

1.3.2 数据治理与打通

目前私域和公域的数据打通主要还是比较依赖用户的手机号及邮箱，围绕手机号为中心构建内部的OneID，如果特殊的生态圈如微信生态圈，则支持同一个开发者账号下的微信生态圈下UnionID能唯一标识用户，具体如图1.3.2所示。

图 1.3.2 公域/私域数据对比

1.3.3 数据应用链路

先将私域/公域平台的数据进行集成和治理，打破各渠道间的数据壁垒，构建用户在全渠道上的行为链路，为营销自动化和个性化数据服务等功能提供数据支持，具体链路如图1.3.3。

图 1.3.3 数据应用链路

2. 用户画像概念和类别

2.1 用户画像核心技术和应用场景

用户画像的核心技术重在解决以下几个方面：

数据指标体系：分析用户从游客，注册用户，潜客，高潜，线上进店或门店，体验产品，购买，售后等关键节点的User Journal的数据指标，从而构建完整的数据指标体系，为全貌的用户画像打下基础。
标签数据的存储：标签的元数据（标签的类别，Comment，Description，etc等描述标签介绍的数据），本身数据量不大，适合关系型数据库的存储；根据用户ID查询用户画像标签则适合Key/Value的数据库，以及根据标签圈选人群的需求时，标签的组合对索引性能的要求比较高，一般会适合存在具有搜索引擎功能的数据库内。
标签数据开发：进入用户画像的底层表及产品化的开发；
开发性能调优：针对标签计算，存储侧遇到的一些负载不均衡或瓶颈进行相应的优化迭代。
用户画像系统和其他系统的打通：针对标签的具体应用场景与下游系统的自动化集成，如和终端触点的个性化推荐，微信朋友圈、抖音，百度广告的个性化营销投放等。

图2.1.1 用户画像核心技术举例

用户画像的核心应用场景如下：

全渠道用户运营
用户生命周期运营
个性化MA（Marketing Automation）及Promotion
用户特征库筛人
A/B群效果测试
人群CJA（Customer Journal Analysis）
用户个性化服务
全渠道用户运营

图2.1.2 用户画像8大应用场景

2.2 用户画像和用户标签的关系

用户画像=标签的集合。

用户标签：化整为零，每个标签规定了观察，认识，描述用户的一个角度；
用户画像：化零为整，用户画像是一个整体，各维度不孤立，标签之间有联系。

2.3 定量画像Profile和定性画像Persona

用户画像总体可以分为定量（Profile）的画像和定性（Persona）的画像，定量的画像主要来源于在线触点和系统，通过大数据沉淀出来的画像规律；定性的画像更多是通过和客户的线上和线下交流，得到的用户反馈，具体如图2.3.1。

图2.3.1 定量画像Profile和定性画像Persona

2.4 用户标签的类型

用户标签的分类依据有很多，通常根据标签的产生原理可以分为统计类标签，规则类标签和机器学习挖掘类（算法类）标签，具体如图2.4.1。

图2.4.1 用户标签的类型

3. 标签的设计与实现

3.1 标签元数据表

标签的元数据（metadata），就是解释现有标签的类别，描述，计算逻辑等标签介绍的数据，每次新增，修改，删除，编辑标签都需要先来该表内完成注册及更改，具体如表3.1.1。

表 3.1.1 标签的元数据表

label_id	label_name	label_weight_example	label_logic	label_type
REG_USER	注册用户	360	用户注册日期起到目前的天数	统计类标签
LAST_VISIT_USER	最近几天访问用户App	12	用户最近几天访问了App	规则类标签
FAVOR_SPORT_PRODUCT	最喜欢的体用商品	篮球	用户最喜欢的体育用品	算法类标签

3.2 用户标签明细表

标签明细表记录每个用户的user_id和现在有标签id的之间的关系，为了方便数据的更新，采用user_id和label_id之间一对多的关系存储，具体如表3.2.1。

表 3.2.1 用户标签明细

user_id	label_id	label_weight
Zp7Gzh0ExCSnD	REG_USER	360
VP90Vq-8PN	LAST_VISIT_USER	12
Zp7Gzh0ExCSnD	FAVOR_SPORT_PRODUCT	篮球

3.3 用户标签汇总表

用户标签汇总表则以user_id为聚合依据，将该user_id下所有的标签聚合层key，value的键值对的map结构如表3.3.1。

select ul.user_id
      ,str_to_map(concat_ws(',',collect_set(concat(ul.label_id,':',ul.label_weight)))) as tags_map_id
      ,str_to_map(concat_ws(',',collect_set(concat(ul.label_name,':',ul.label_weight)))) as tags_map_name
from       dwd.dwd_user_label ul
inner join dim.dim_label_dic  ld
        on ul.label_id=ld.id
where      ul.dt='2024-07-13'
group by   ul.user_id
;

表 3.3.1 用户标签汇总

user_id	tags_map_id	tags_map_name
Zp7Gzh0ExCSnD	{"REG_USER":"360","FAVOR_SPORT_PRODUCT":"篮球"}	{"注册用户":"360","最喜欢的体用商品":"篮球"}
VP90Vq-8PN	{"LAST_VISIT_USER":"12"}	{"用户最近几天访问了App":"12"}