大数据培训如何使用 DPM 规划用户画像

​

用户画像是数据仓库、数据产品的一个重要且热门的分支，它与提升用户体验、扩大市场规模等用途息息相关。既可以实现个性化推荐、广告、push 等场景，也可提升流量的消耗效率。那么，面对诸多的用户身份信息，用户行为数据，我们该如何规划用户画像标签呢，用以赋能到运营业务上，使数据信息发挥更大的价值。

一、用户画像基本概念

用户在注册信息和日常产品的使用中，通过信息记录和埋点上报，收集了用户的大量信息。将这些信息通过逻辑处理，形成一个用户 ID 为主的标签体系。标签体系多层级、多维度组织构建，通常，我们用最底层的一级来构建用户画像的宽表。

标签的具体类型包括：

通常，用户标签具有时效性，随着产品功能的迭代，标签可能会成为废弃数据。为了规范整理标签，应及时对废弃标签下限；并且对线上使用的标签做定期更新。

一般情况，标签按照更新需要分为两类：

1. 静态标签：例如性别等，一般不需要更新。

2. 动态标签：重要动作的频次，商品类型偏好等，需要经常更新，一般更新频次为天。

二、用户画像构建

一般构建用户画像，需要满足高概括性和延展性。

概括性是指需要尽可能覆盖所有业务，避免遗漏，可以多收集一下业务方的需求。

延展性是指标签在创建成功后可以正确的归类_大数据培训。

构建思路：

通常，用户画像会从 8 个组织维度去进行开发，进行整体架构的构建。

三、用户画像应用场景

在搭建完用户画像的体系后，我们应该考虑用户画像应用在哪些场景，同时也可以基于使用场景反推用户画像的优化。

1.用户探查对用户的基本认知

通过用户画像的统计，可以判断出，某一款产品、功能的使用对象有哪些特点，基本情况如何，是否是目标用户群体，生成一份基本的用户认知报告。

2.定向营销和精细化运营

用户画像通常作为圈定用户来使用，运营同学根据需求和背景，圈定人群做定向的活动和营销，以及各种促销活动。这些措施对人群标签的精细度要求极高。

3.搜索推荐，风控广告等算法策略

用户画像同样应用在算法的各个环节，在召回和排序的策略中，都会使用到。通过对用户的品类偏好标签等进行拆解和计算，达到策略的最终目的。

四、用户画像思考

对用户画像的思考：

做用户画像不是目的，只是手段，避免走入图谱化的误区。画像不单独产生业务价值，只是为精细化运营提供数据基础。通过对用户充分的认知、长短期偏好、行为意图的挖掘，对用户有具体的营销分层，使用触达手段，转化每一层用户。

用户画像是精细化营销的基建，通过梳理对应的营销动作，提炼出需要的维度，才能使用户画像发挥更大的价值。

文章来源于数据仓库与 Python 大数据

​