一、初識使用者畫像

1. 使用者畫像

隨著使用者的一切行為資料可以被企業追蹤到，企業的關注點日益聚焦在如何利用大資料為經營分析和精準營銷服務；而要做精細化運營，首先要建立本企業的使用者畫像。

提到使用者畫像的概念，我們區分下使用者角色（Persona）和使用者畫像（Profile）：

1）使用者角色（Persona）

使用者角色本質是一個用以溝通的工具，當我們討論產品、需求、場景、使用者體驗的時候，為了避免在目標使用者理解上的分歧，使用者角色應運而生。

使用者角色建立在對真實使用者深刻理解，及高精準相關資料的概括之上，虛構的包含典型使用者特徵的人物形象。

如下是一個典型的使用者角色：

2）使用者畫像（Profile）

使用者畫像更多被運營和資料分析師使用，精準營銷、經營分析、個性化推薦都是基於使用者畫像的應用；使用者畫像是各類描述使用者資料的變數集合，能夠準確描述任何一個真實使用者。

如下是一個簡化的使用者畫像：

【“ID”：123456，“姓名”：張建國，“性別”：男，“出生年月”：631123200，“籍貫”：北京，“居住地”：北京】

【“教育背景”：學校：北京大學，專業：CS，入學年月：1220198400】

2. 使用者標籤和使用者畫像

1）使用者標籤

使用者標籤，即對使用者某個維度屬性的描述，具有相互獨立、可列舉窮盡的特點；採集業務、日誌、埋點等資料後，經過不同統計方式計算出使用者屬性、使用者行為、使用者消費、風險控制、社交等維度標籤；例如：性別、年齡、近30日訪問次數、購買水平、經常活躍時間段等，有關使用者標籤體系建設的詳細描述，見「2 建設標籤和標籤體系」章節。

2）使用者畫像

構建使用者畫像，就是給使用者打上各種維度的標籤。從業務價值來說，標籤和畫像是類似中間層的系統模組，為資料驅動運營奠定了基礎，可以幫助大資料“走出”資料倉庫，針對使用者進行個性化推薦、精準營銷等多樣化服務。有關使用者畫像系統、落地應用的詳細描述，見「3 使用者畫像產品化」「4 使用者畫像應用」「5 使用者畫像實踐案例」章節。1.3 使用者群組和使用者標籤

使用者標籤和使用者群組是兩個容易混淆、具有迷惑的概念，下面嘗試區分：

3. 區分

1）使用者群組

需要使用者屬性和行為組合，才能圈選出全面的目標群體；只有行為資料，只能看到這個人做過什麼事，但這個人是男是女、年齡多大、註冊多久 、購買能力如何等資訊都不知道，這樣圈選出的使用者群是有缺陷的，一般不會直接應用於精準營銷場景。

2）使用者標籤

建立使用者標籤，不用非要組合使用者屬性和行為事件，單用使用者屬性可以，單用行為事件也可以；基於使用者屬性、行為事件計算出的使用者標籤，本質也是使用者屬性，或者說使用者屬性本身就是標籤。

3）群組是標籤的一種應用方式

標籤作為一箇中間層系統模組，在精準營銷場景，往往不會只使用一個標籤進行推送，更多情況下需要組合多個標籤來滿足業務上對人群的定義，見下圖：

這裡透過一個場景來介紹基於使用者標籤圈選使用者群組的應用，某女裝大促活動期間，渠道運營人員需要篩選出平臺上的優質使用者，並透過簡訊、郵件、Push等渠道進行營銷。

1. 透過圈選“瀏覽”“收藏”“加購”“購買”“搜尋”與該女裝相關品類的標籤來篩選出可能對該女裝感興趣的潛在使用者
2. 組合其他標籤（如“性別”“消費金額”“活躍度”等）篩選出對應的高質量使用者群，推送到對應渠道。

因此，將使用者屬性、行為事件資料抽象成標籤後，可透過組合標籤方式找到目標潛在使用者人群；從這個角度理解，使用者群組是使用者標籤應用的一種方式。

二、建設標籤和標籤體系

1. 標籤的分類

標籤本身會有很多分類方式，但從標籤的實現規則來看，大致可以分為以下3種類型：統計類標籤、規則類標籤、機器學習挖掘類標籤。

1）統計類標籤

這類標籤是最為基礎也最為常見的標籤型別，例如，對於某個使用者來說，其性別、年齡、城市、星座、近7日活躍時長、近7日活躍天數、近7日活躍次數等欄位可以從使用者註冊資料、使用者訪問、消費資料中統計得出，該類標籤構成了使用者畫像的基礎。

2）規則類標籤

該類標籤基於使用者行為、使用者屬性和確定的規則產生；例如，對平臺上“消費活躍”使用者這一口徑的定義為“近30天交易次數≥2”；在實際開發畫像的過程中，由於運營人員對業務更為熟悉，而資料人員對資料的結構、分佈、特徵更為熟悉，因此規則類標籤的規則由運營人員和資料人員共同協商確定。

3）機器學習挖掘類標籤

該類標籤透過機器學習挖掘產生，用於對使用者的某些屬性或某些行為進行預測判斷；例如，根據一個使用者的行為習慣判斷該使用者是男性還是女性、根據一個使用者的消費習慣判斷其對某商品的偏好程度。該類標籤需要透過演算法挖掘產生。

在專案工程實踐中，一般統計類和規則類的標籤即可以滿足應用需求，在開發中佔有較大比例；機器學習挖掘類標籤多用於預測場景，如判斷使用者性別、使用者購買商品偏好、使用者流失意向等；一般地，機器學習標籤開發週期較長，開發成本較高，因此其開發所佔比例較小。

事實上，最終標籤體系中是以使用者視角定義的，需要結合具體的業務；比如某電商業務標籤分類，使用者屬性維度標籤、使用者行為維度標籤、使用者消費維度標籤、風險控制維度標籤、社交屬性維度標籤。

2. 標籤建設流程

下圖是一個標籤建設流程，會側重產品經理視角，主要描述需求的分析過程和產出文件，同時對標籤的開發原理進行簡單總結。

1）需求收集與分析

在需求收集與分析環節，可以按還原業務流程——明確商業目的——從策略推標籤——匯聚標籤的步驟開展。

某服裝零售商，透過佈局線上商城和線下實體店來擴大經營。線上的話，主要是透過微信公眾號引流到小程式，然後在小程式完成交易。

下面透過該服裝零售案例，具體描述下，如何進行標籤需求的收集與分析：

識別分析業務流程和業務場景觸點：

使用者畫像是基於業務的，因此，構建標籤的第一個步驟就是識別與分析使用者的決策流程和業務場景，以便快速熟悉業務。

參考下方案例業務流程的還原：

首先是透過各種場景被吸引來的微信使用者關注公眾號成為了粉絲，然後公眾號運營人員會給微信粉絲推送圖文訊息進行粉絲運營；同時把粉絲引流到小程式商城，公眾號粉絲最終會在小程式商城成交轉化；在整個過程中，公眾號運營人員會持續進行微信粉絲的維護和流失粉絲的挽回等運營工作。

此處推薦：《有效需求分析》中詳細需求篇業務功能支援主線需求分析方法。

明確每個業務場景觸點的商業目：

的這一步基於之前對業務流程的梳理，洞察業務問題，明確想要達到什麼商業目的，並對商業目的進行拆分；參考下方案例從明確整體商業目標，到商業目標拆解和量化的過程：

O：假設該服裝零售商線上的佈局已經比較完善，現階段的首要商業目的就是提升銷售金額，因此“提升銷售金額”就是該零售電商的北極星指標，那麼提升流量、提升轉化率、提升客單價、提升復購率就是拆解後的核心指標。

S：此處假設想要提升進入小程式商城的流量，可以採取的策略也很多；比如，透過掃碼關注後推送優惠券方式吸引更多的微信使用者關注成為粉絲；再比如，產出更高質量微信圖文，更好的運營微信私域流量。

M：緊接上一步，針對推送優惠券吸引使用者關注公眾號這個策略，我們可以重點關注透過掃碼方式關注公眾號比率、取關的比率，新舊粉絲的比率。

此處推薦：

• OSM模型（Objective、Strategy、Measurement）
• 銷售公式=流量*轉化率*客單價*復購率

從商業目的導向運營策略設計及使用者標籤需求針對不同商業目的，對標籤體系的建設也是不一樣的，因此要從運營策略推匯出標籤；比如業務部門要做個性化推薦，做關於物或者人的興趣、偏好的標籤會比較有價值；但是如果要做精細化運營，關於使用者的留存、活躍標籤會更有價值。

參考下方使用者標籤選用的案例：

把提升掃碼方式關注率作為量化的目標，選用的運營策略是透過推送優惠券方式吸引微信使用者掃碼，新粉絲掃碼關注後推送100元優惠券，老粉絲掃碼後推送50元優惠券，那麼執行運營策略過程中需要用到“是否新粉絲”這個標籤。

在此階段，可以準備一個簡單的記錄溝通內容的Excel模板，列表頭包括標籤名、標籤規則、使用場景等，和業務方一起把溝通內容記錄下來。

組織標籤關於組織標籤，需要基於對業務和策略的理解，以使用者視角進行分類管理。下面是一個參考框架：

• 使用者屬性類標籤：性別、年齡、省份、城市、註冊日期、手機號碼等；
• 使用者行為類標籤：近30日訪問次數、近30日客單價、近30日活躍天數、近30日訪問時長、平均訪問深度等；

• 使用者消費類標籤：收入狀況、購買力水平、已購商品、購買渠道偏好、最後購買時間、購買頻次等；
• 商品品類類標籤：高跟鞋、靴子、襯衫、法式連衣裙、牛仔褲等；

• 社交屬性類標籤：經常活躍的時間段、活躍地點、單身、評價次數、好評度等；

2）產出標籤需求文件

經過前面的需求收集與分析，已明確了業務方的標籤需求。為了順利交付研發，接下來還需要：撰寫標籤體系文件——根據標籤規則確定埋點——撰寫資料需求文件。

撰寫標籤體系文件在此環節，資料產品經理需要根據前期和業務方的溝通內容，產出具體的標籤體系文件：

• 標籤ID：例如， ATTRITUBE_U_01_001， 其中“ATTRITUBE”為人口屬性主題，“_”後面的”U”為userid維度，“_”後面“01”為一級歸類，最後面的“001”為該一級標籤下的標籤明細
• 標籤名稱：英文格式名稱，例如，famale

• 標籤漢語：女
• 標籤主題：描述標籤所屬的主題，例如，使用者屬性維度標籤、使用者行為維度標籤、使用者消費維度標籤；

• 標籤層級ID：標籤所屬的層級，一般會分為2級；
• 名稱：與ID對應的名稱；

• 標籤型別：統計類標籤、規則類標籤、機器學習演算法類標籤；
• 更新頻率：實時更新、離線T+1更新、單次計算；

• 標籤演算法規則：需要描述選擇哪張資料表中的具體哪個欄位，若需要多張表做關聯，還需要說明透過什麼欄位進行join；具體的演算法邏輯和統計週期，比如“近7天支付次數”，就是需要統計近7天支付的總次數；
• 使用場景描述；

• 排期；
• 開發人；

• 需求方；
• 優先順序；

根據標籤規則確定埋點：

前面已經明確了標籤的演算法規則，接下來要進一步確定應該埋哪些點來採集所需的資料，下面是一個具體案例：

針對“購買商品品類偏好”這個標籤，會用到點選下單按鈕事件資料，以及商品名稱、商品分類等事件屬性資料，那麼就需要對點選下單按鈕事件進行埋點。

3）撰寫資料需求文件

埋點取哪些資料已經確定了，就需要產出具體的資料需求文件，交付負責埋點的開發同事進行埋點取數了。

在資料需求文件，應該明確以下內容：

• 埋點名：click_order；
• 埋點顯示名：點選下單按鈕；

• 上報時機：根據實際情況，選擇是何時進行上報。比如對於點選下單事件，可以選擇點選了下單按鈕時就進行上報；
• 埋點形式：根據實際情況，選擇是客戶端埋點，還是服務端埋點；比如“購買商品品類偏好”標籤的下單按鈕點選事件，因為只是想判斷使用者對購買商品的偏好，使用者點選按鈕後已經能說明是否有偏好了，不需要等服務端返回是否成功的提醒，因此適合採用客戶端埋點形式；

• 屬性名：事件屬性的名稱，比如點選下單按鈕事件的商品名稱屬性；
• 屬性值：比如襯衫；

• 備註；

實際工作中，撰寫標籤體系文件、根據標籤規則確定埋點、撰寫資料需求文件，會是一個互相完善補充的過程。

4）標籤的開發

在整個工程化方案中，系統依賴的基礎設施包括Spark、Hive、HBase、Airflow、MySQL、Redis、Elasticsearch。除去基礎設施外，系統主體還包括ETL作業、使用者畫像主題建模、標籤結果資料在應用端的儲存3個重要組成部分。

如圖所示是使用者畫像數倉架構圖，下面對其進行簡單介紹：

• Hive資料倉庫ETL作業下方虛線框中為常見的資料倉庫ETL加工流程，也就是將每日的業務資料、日誌資料、埋點資料等經過ETL過程，加工到資料倉庫對應的ODS層、DW層、DM層中。
• Hive資料倉庫使用者畫像主題建模：中間的虛線框即為使用者畫像建模的主要環節，會對基於資料倉庫ODS層、DW層、DM層中與使用者相關資料進行二次建模加工。

• 標籤結果資料在應用端的儲存：在使用者畫像主題建模過程中，會將使用者標籤計算結果寫入Hive。

由於不同資料庫有不同的應用場景，下面分別進行描述：

MySQL：

作為關係型資料庫，在使用者畫像中可用於元資料管理、監控預警資料、結果集儲存等應用中，下面詳細介紹這3個應用場景：

• 元資料管理：MySQL具有更快的讀寫速度，平臺標籤檢視中（Web端產品）的標籤元資料可以維護在MySQL關係資料庫中，便於標籤的編輯、查詢和管理。
• 監控預警資料：在對畫像的資料監控中，排程流每跑完相應的模組，就將該模組的監控資料插入MySQL中，當校驗任務判斷達到觸發告警閾值時，就觸發告警。

• 結果集儲存：儲存多維透視分析用的標籤、圈人服務用的使用者標籤、當日記錄各標籤數量等。

HBase與Hive不同的是，HBase能夠在資料庫上實時執行，而不是跑MapReduce任務，適合進行大資料的實時查詢；下面透過一個案例來介紹HBase在畫像系統中的應用場景和工程化實現方式：

某渠道運營人員為促進未註冊的新安裝使用者註冊、下單，計劃透過App首頁彈窗發放紅包或優惠券的方式進行引導；每天畫像系統的ETL排程完成後對應人群資料就被推送到廣告系統（HBase資料庫進行儲存）；滿足條件的新使用者來訪App時，由線上介面讀取HBase資料庫，在查詢到該使用者時為其推送該彈窗。

Elasticsearch：

是一個開源的分散式全文檢索引擎，可以近乎實時地儲存、檢索資料。對於使用者標籤查詢、使用者人群計算、使用者群多維透視分析這類對響應時間要求較高的場景，也可以考慮選用Elasticsearch進行儲存。

5）標籤釋出與效果追蹤

透過開發測試，上線後需要持續追蹤標籤應用效果及業務方反饋，調整最佳化模型及相關權重配置。

三、使用者畫像產品化

從業務價值來說，標籤和畫像類似一個為前臺服務提供資料支援的中間層系統模組；開發完畫像標籤資料，如果只是“躺在”資料倉庫中，並不能發揮更大的業務價值；只有將畫像資料產品化後才能以標準方式提升資料處理鏈路上各個環節的效率，同時也更便於業務方使用。

下面分別從產品化後涵蓋的標籤生產架構和功能模組兩個角度進行總結：

1. 使用者畫像產品系統架構

下圖是一個使用者畫像產品系統的結構圖，資料是從左到右的，主要包括資料採集、資料接入、資料整合/標籤計算、標籤應用4個層級。

下面嘗試對其進行簡單描述：

1）資料採集在資料採集模組，主要透過客戶端/服務端SDK、匯入、對接第三方應用3種埋點方式進行日誌資料、業務資料、第三方資料的採集。

SDK：

• 客戶端SDK：透過客戶端SDK埋點，可以採集iOS、Android、小程式、網站等各種客戶端的使用者行為資料和使用者屬性資訊。
• 服務端SDK：若資料已經存在資料庫、資料倉庫，比如訂單資訊，可以使用對應開發語言的服務端SDK進行資料的採集。

Importer：

可以根據執行環境、源資料格式、匯入資料量的大小等影響因素，選擇不同大匯入方式，把歷史檔案資料導進使用者畫像產品系統。

Link：

針對不同第三方產品OpenAPI的特點，採用接收事件訊息推送、或主動輪詢方式採集使用者在不同第三方應用系統的個人屬性和行為事件資料。

2）資料接入

埋點資料先大量進入Kafka，然後慢慢消費接入後續的資料整合儲存系統。

3）資料整合/標籤計算

在使用者畫像系統中，主要使用Hive作為資料倉庫，進行ETL處理，開發相應的使用者屬性表和使用者行為表，以及標籤的計算。

資料整合：各種渠道接進來的資料，存在孤立、空值、格式不對應、超過極限範圍等資料質量問題；因此需要進行髒資料清洗、格式轉換、使用者識別與合併等整合工作。

Clean/Transform：

• Clean：比如，某個使用者的出生年月時間是未來的某個日期時刻，因此就需要把這類髒資料給過濾掉
• Transform：比如，透過某個第三方應用API獲取到的所有使用者的地區資訊是IPB標準編碼形式，為了能和其他渠道的資訊一起進行分析，就需要根據IPB標準編碼轉換成標準的省、市格式

Id Mapping：

各個渠道接進來的使用者屬性資料、行為事件資料等都是孤立的，為了能計算使用者的全方位的綜合標籤，就需要做使用者的識別合併；比如透過unionID，識別合併繫結在同一微信開放平臺的公眾號、小程式、網站的同一個使用者的資訊。

經過資料整合處理，資料會進入下面的資料模型中：

標籤計算在使用者畫像系統，會做一套批次離線的標籤處理引擎，依賴的是底層比較穩定的資料結構；這個標籤引擎一邊讀事件資料，一邊讀使用者的屬性資料，再配合上特定的標籤規則，做一個批次計算，最後生成使用者標籤。

4）標籤應用標籤的應用主要分為前端畫像展示、透過API接入其他系統兩大類應用方式，透過下面的「3.2 使用者畫像產品化功能模組」章節具體描述。

2. 使用者畫像產品功能模組

1）系統看板

通常使用者畫像系統的資料看板，以視覺化形式展示企業的核心使用者資料資產情況或者重點關注的人群資料。

旨在建立和統一使用者對企業資料資產或者核心人群資料的基礎認知，主要分成以下幾類：

• 使用者量級及變化趨勢：不同裝置型別ID量級、不同型別使用者量級(如註冊與非註冊使用者、付費與非付費使用者等)；
• 標籤資產：按主要類目統計標籤個數等；

• 核心使用者標籤：展示固有或自定義人群的關鍵標籤畫像資料等；

2）標籤管理供業務人員進行標籤的增、刪、改、查等操作，包含：標籤分類、新建標籤、標籤稽核、標籤上下架、標籤覆蓋人數監控等。

基於使用者行為資料、使用者屬性資料，透過設定標籤規則建立標籤：

3）單使用者畫像主要能力包含透過輸入使用者ID，來檢視單使用者畫像的詳情資料，如使用者的屬性資訊、使用者行為等資料。

4）使用者分群和使用者群畫像1、使用者分群

使用者分群功能主要是面向業務人員使用。產品經理、運營、客服等業務人員在應用標籤時，可能不僅僅只檢視某一個標籤對應的人群情況，更多地可能需要組合多個標籤來滿足其在業務上對人群的定義。

例如：組合“過去7天領取優惠券次數大於1次”、“活動活躍度等於高和極高”、“女性”使用者這3個標籤定義目標人群，檢視該類人群覆蓋的使用者量。

使用者群畫像和使用者分群功能相似，使用者群畫像功能首先也需要組合標籤圈定使用者群體，不同之處在於使用者群畫像功能支援從多個維度去分析圈定使用者群體的特徵；而使用者分群功能側重的是將篩選出來的使用者群推送到各業務系統中，提供服務支援。

5）BI分析BI平臺和這些資料打通後，可以豐富資料的維度，支援透過多種分析模型進行更加豐富和深層的分析及對比。

6）OpenAPIOpenAPI能夠保障畫像系統資料與各系統之間打通，如push推送系統、營銷系統、廣告系統、推薦系統、BI等平臺，並且保證各系統資料的實時更新，避免同源不同數的問題。

四、使用者畫像應用

前面提到過使用者畫像主要有：經營分析、精準營銷、個性化推薦與服務3個方面的應用。具體又可以分為：

1. 經營分析

使用者畫像系統的標籤資料透過API進入分析系統後，可以豐富分析資料的維度，支援進行多種業務物件的經營分析。

下面總結的是一些市場、運營、產品人員分析時會關注的指標：

1）流量分析

• 流量來源；
• 流量數量：UV、PV；

• 流量質量：瀏覽深度（UV、PV）、停留時長、來源轉化、ROI（投資回報率，return on investment）；

2）使用者分析

• 使用者數量：新使用者數、老使用者數、新/老使用者數量比；
• 使用者質量：新增使用者數（App啟動）、活躍使用者數（App啟動）、使用者留存（App啟動-App啟動）、使用者參與度、沉睡、客單價；

3）商品分析

• 商品動銷：GMV、客單價、下單人數、取消購買人數、退貨人數、各端復購率、購買頻次分佈、運營位購買轉化；
• 商品品類：支付訂單情況（次數、人數、趨勢、復購）、訪購情況、申請退貨情況、取消訂單情況、關注情況/；

4）訂單分析

• 訂單指標：總訂單量、退款訂單量、訂單應付金額、訂單實付金額、下單人數；
• 轉化率指標：新增訂單/訪問UV、有效訂單/訪問UV；

5）渠道分析

使用者活躍：

• 活躍使用者：UV、PV
• 新增使用者：註冊量、註冊同環比

使用者質量：

留存：次日/7日/30日留存率

渠道收入：

• 訂單：訂單量、日均訂單量、訂單同環比
• 營收：付費金額、日均付費金額、金額同環比

• 使用者：人均訂單量、人均訂單金額

6）產品分析

• 搜尋功能：搜尋人數/次數、搜尋功能滲透率、搜尋關鍵詞；
• 關鍵路徑漏斗等產品功能設計分析；

2. 精準營銷

1）簡訊/郵件/push營銷

日常生活中我們經常會從許多渠道接收到營銷來的資訊：一條關於紅包到賬的簡訊訊息推送可能會促使使用者開啟已經很久沒訪問的App，一條關於心願單裡面圖書降價的郵件訊息推送可能會刺激使用者開啟推送連結直接下單購買。

具體有哪些型別的營銷方式呢？

大致可以分為以下4類：

• 基於行為營銷：產品瀏覽、加入購物車、門店掃碼、訂單取消、訂單退貨等；
• 基於位置營銷：周邊門店、周邊活動、常去區域等；

• 基於節日營銷：生日、春節、雙十一、雙十二、聖誕等；
• 基於會員營銷：歡迎入會、卡券提醒、積分變更、等級變化、會員禮遇等；

2）客服話術

當我們在向某平臺的客服部門投訴、諮詢或反饋意見時，客服人員可以準確的說出我們在平臺的購買情況，上一次諮詢問題的處理結果等資訊，針對性的提出解決方法，對於高價值使用者提供VIP客服通道等專項服務。

3. 個性化推薦與服務

應用的運營者，可以透過個推使用者畫像中的性別、年齡段、興趣愛好、瀏覽購買行為等標籤，給使用者推薦不同的內容；如今日頭條上的個性化文章內容推薦、抖音上基於使用者畫像做的個性化影片內容推薦、淘寶上基於使用者瀏覽行為等畫像資料做的個性化商品推薦等。

五、使用者畫像實踐案例

基於畫像系統去做多方面的資料分析、觸達使用者的運營方案，可以快速地將標籤資料應用到服務層（T+1、實時應用），透過效果分析得到使用者反饋後，幫助迭代營銷策略或產品設計。

下面透過一些實踐案例來場景化復現使用者畫像的應用點和應用方式：

1. A/B人群效果測試

1）案例背景

某零食類快消商品為在大促活動期間獲得較好的銷量，計劃透過訊息推送的方式種草新上市產品、產品的保健功能等系列文章，為大促活動造勢，激發銷量轉化。

為了精準定位目標人群流量，渠道運營人員現在計劃做兩個A/B人群效果測試：

• 不同內容標題對流量的影響；
• 精準推送相比普通推送帶來的流量提升。

2）使用者畫像切入點

整個專案中需要梳理清楚如何切分AB組流量，如何設計好AB組人群規則和效果監測。

下面分步驟介紹畫像系統如何切入AB人群測試中：

對AB組使用者做切分：為了做A/B組測試，首先需要做好流量的切分，可以使用A/B分配隨機分流的形式，將使用者劃分為A/B人群。

測試文案標題對流量影響的方案：某平臺渠道運營人員為在大促活動期間召回更多使用者來訪App，計劃在活動預熱期選取少量使用者做一版文案標題的AB效果測試。

在該測試方案中，控制組A選取了A路徑、近x天來訪過，且近x天內瀏覽/收藏/加購過該零食的使用者群，給該批使用者推送零售文案A；對照組B選取了B路徑、近x天來訪過，且近x天內瀏覽/收藏/加購過該零食的使用者群，給該批使用者推送零食文案B。

控制組和對照組的使用者量相同，但文案不同，後續監控兩組人群的點選率大小，進而分析不同文案對使用者點選的影響；例如，透過使用者群組功能圈選出A組的使用者，見下圖：

精準推送相比普通推送帶來的流量提升的測試方案在使用畫像系統精細化推送人群前，某平臺對使用者採用無差別推送訊息的形式進行推送；為了測試精細化運營人群相比無差別運營帶來的流量提升，渠道運營人員決定在近期重點運營的零食營銷會場做一個AB效果測試。

該測試方案中，控制組A選取了A路徑、近x天來訪過，近x天內瀏覽/收藏/加購過該零食的使用者群；對照組B選取了B路徑、近x天來訪過，且沒有類目偏好的使用者群；對AB組使用者群都訊息推送相同的文案，後續監控兩組人群的點選率大小，進而分析精準營銷推送帶來的增長點大小。

3）效果分析

在AB組人群訊息推送上線後，後續需要搭建監控報表來監測控制組和測試組的流量和轉化情況，主要關注下方列表中的指標：

例如，使用事件分析模型搭建的AB人群的GMV對比報表，見下圖：

2. 女神節定向營銷

1）案例背景

某主打女士商品的品牌商，計劃在女神節對不同品類偏好的女神進行定向營銷；營銷資訊會分兩次推送，首次是在當天的10:00推送促銷資訊，第二次是在當天晚上的10:00再統一來一波促銷提醒，最後透過追蹤目標受眾的當日支付訂單完成率來評估營銷效果。

2）實現邏輯

首先基於使用者性別標籤、年齡標籤圈選出18~40歲，女性的使用者；然後統一延時至2020－03－08 上午 10:00，根據使用者品類偏好標籤定向推送不同的營銷內容，比如給品類偏好=彩妝護膚的人群推送春日美妝節類的營銷資訊；第二波推送會延時至2020－03－08 下午 10:00 進行推送，推送資訊為統一的促銷提醒。

3. 新安裝未註冊使用者實時營銷

1）案例背景

某零食商城App運營人員為促進未註冊的新安裝使用者註冊、下單，制定了運營規則：新安裝未註冊使用者開啟App時，透過App彈窗方式為其推送優惠券進行營銷；比如，使用者安裝App後未進行註冊，使用者改天開啟後立馬對其推送App彈窗優惠券，以更好地引導使用者完成註冊、下單。

2）使用者畫像切入點

渠道運營人員透過組合使用者標籤（如“未註冊使用者”和“安裝距今天數”小於××天）篩選出對應的使用者群，然後選擇將對應人群推送到“廣告系統”。

這樣每天畫像系統的ETL排程完成後對應人群資料就被推送到HBase資料庫進行儲存，滿足條件的新使用者來訪App時，由線上介面讀取HBase資料庫，在查詢到該使用者時為其推送該彈窗。

4. 某電商再營銷廣告

1）案例背景

某電商App的商品運營團隊欲提升電子產品的老客復購率、新客下單率，於是選擇了和頭條合作投放再營銷廣告；比如，某使用者在該電商App看了vivo手機，第二天刷今日頭條的時候，就看到了對應手機的廣告資訊。

2）實現邏輯

首先需要保證該電商App和今日頭條的API已經打通，然後基於使用者在App內行為（瀏覽、收藏、加購、搜尋等）進行演算法挖掘產生使用者商品偏好的標籤。

當今日頭條捕獲使用者裝置資訊後，就會向該電商傳送一個請求，詢問是否需要對這個使用者展示廣告；這個時候電商平臺會判斷該使用者是否是自己的使用者，如果是自己使用者，就會對今日頭條返回一個推薦結果；那麼使用者就會在今日頭條看到之前瀏覽過的商品資訊了，點選後就可以跳轉到電商App內的商品詳情頁了。

六、總結

• 首先，描述了有關使用者畫像、使用者標籤、使用者群組的認知性概念；
• 然後，闡述了標籤體系的分類、標籤建設的流程和方法；

• 為了說明如何讓“躺在”資料倉庫中的畫像標籤資料發揮更大的業務價值，接下來從系統架構、應用層功能兩個角度簡單總結了使用者畫像系統的建設；
• 最後，從經營分析、精準營銷、個性化推薦3個角度總結了使用者畫像的應用，並在實踐案例部分列舉幾個使用者畫像實際應用的案例。

作者 ：大鵬