用户画像技术把脉营销难题

　　大数据的灵魂

　　我们处于一个信息大爆炸的时代，海量消费者和商品产生了从浏览、搜索、评价、交易到支付、收货、客服等多维度、全覆盖的数据体系。用户画像就是基于各种用户行为数据进行大数据分析，使用数据挖掘的方法对用户的基础属性、兴趣爱好、心理特征、购买能力、社交关系等进行定量与定性刻画的技术。用户画像对于洞察消费者行为与需求具有重要意义，是大数据挖掘的核心和灵魂所在。

　　通过用户画像，挖掘出用户的购物习惯、兴趣和偏好等，针对用户在品类间的差异化比较，挖掘出每类用户特征，进而建立模型，把用户特征抽象成短语标签。海量数据下，用户的行为越多，可抽取的特征越明显，用户标签就越丰富，可以据此描述用户的属性特征、社会背景、兴趣喜好，甚至还能揭示内心需求、性格特点、社交人群等潜在属性。这样就把原本冷冰冰的数据复原成栩栩如生的用户形象，从而指导和驱动业务场景及运营，发现和把握蕴藏在细分海量用户中的巨大商机。用户画像主要目的在于两方面：

　　洞察用户，提升企业运营效率

　　在精准营销架构中，其底层是明细数据的收集，包括用户产生的各种日志数据、用户交易数据和其他相关数据(见图1)。在用户数据的基础上，我们进行了用户行为的建模，包括用户属性的识别、用户兴趣、用户关系模型、用户生命周期、用户信用模型等。在用户建模之上，我们抽象出用户画像，作为底层数据提供给各营销系统，这样就解决了广告营销精准性的问题。比如我们通过用户画像知道用户为男性，26-35岁，常住北京，家里有小孩，之前多次购买婴儿钙片、辅食、童书等母婴产品，结合这些用户特征，在运营的时候就可以针对性精准营销。

　　优化后台，让客户端更智能

　　用户画像也是大数据发展的需要，IT系统需要通过用户差异化信息构建，实现网站和APP客户端的优化。通过标签化，将用户行为数据转化为机器可理解的语言，比如性别用0和1分别代表男性和女性，计算机就可以识别出来，并可以很好应用到电商的各种场景中去，通过系统的计算来代替大量人工操作，实时高效地为用户提供各种贴心的商品和服务。

　　以京东为例，随着电商体量的飞速壮大，一方面是海量信息的汇聚和业务场景的日益复杂，另一方面是亿级用户个性多变的购物需求，用户在不同品类下的购买、浏览、搜索、收藏等行为，积累下丰富的数据金矿。用户画像所要解决的问题就是：把特定业务场景的用户精准细分出来，并用人和计算机所能理解的语言描述用户特征。迄今为止京东已经有200余个用户画像标签，覆盖用户基本属性、购买能力、行为特征、社交网络、心理特征、兴趣爱好等6大方面，用于支持集团研发、运营、市场、采销各条业务线(见图2)。

　　把大数据玩小

　　把大数据玩“小”，让大数据落地，才能真正指导企业的运营管理。传统的大数据是按照主题组织的，包括商品、订单、物流、广告等不同的主题，存在缺陷。而京东“把大数据做小”的理念是按照用户来组织数据，每个用户都有一个数据银行，围绕着用户进行数据存储和处理。

　　以用户为中心，看起来小，其实很大，因为每个用户的数据价值链特别长，用户在网站上的所有行为都有记录，包括浏览、咨询、加关注、加购物车、下单、评价、售后等等，全部过程都被记录下来。因此，围绕用户的数据链很完整，大而全，更加容易了解和洞察用户。

　　用户画像实现路径

　　用户画像实现的其实是从数据抽象映射到用户粒度，把数据语言转化成简洁、形象、可理解的短语标签，便于人和计算机识别和理解，可以通过多种技术和方法综合实现。具体来说，一是用机器学习解决细粒度密集计算问题，这类问题通常计算粒度细小，具有海量样本、高维特征空间，计算复杂度高；二是用经济统计方法解决粗粒度非密集计算问题，这类问题通常反映统计意义上的某种社会、生态或经济规律；三是用自然语言处理解决非结构化文本挖掘问题；另外还有深度学习等最前沿的技术探索。

　　机器学习方法

　　针对微小粒度的数据，用户特征数据会很精细，机器学习是一个相当有效的方法。针对性选择合适的算法方案，比如对于可以找到已知用户标签的情况，通过有监督的机器学习方法进行建模，这就要选取规模足够、可信度高的训练数据。我们通常有两种方法去实现，一种是从大规模数据库中依据可靠的业务规则或逻辑去校验筛选出数量较多的数据集；另一种方式是通过人工标注来收集，后一种方式成本较高但相对更为精准。另外，还有一套模型反馈系统，所有建立的模型都会上线到模型反馈系统，让用户来对模型的准确度进行实时反馈，便于我们更好地测试和校正模型。

　　有了足够的训练数据，我们就可以收集用户各方面数据并通过特征工程来抽取对模型训练表现好的特征。比如人口统计数据、购物行为数据、网站浏览数据、社交评论数据、售后客服数据等，然后基于这些特征来构建分类或回归模型进行机器学习算法的训练、测试、优化和部署。这些措施在一些模型上取得了良好效果，比如对用户性别的预测，基于机器学习的模型准确率能达到80%以上。

　　对于海量高维空间的机器学习，经常会遇到单一方法准确率不佳的情况，这时候就需要对多种分类或回归学习器进行组合集成来获得性能提升。集成学习，相当于多个决策者共同进行一项决策，每个决策者所擅长的领域不同，他们都进行独立的训练，得出独立的结论，最终把这些各个领域的专家结论组合起来，形成一个总的预测结果，效果的提升是很明显的。

　　还有一类问题，可能无法或很难找到用户标签进行训练，这就可以通过无监督的机器学习方法进行建模，主要是聚类方法。“物以类聚，人以群分”，聚类就是利用相同类内相似性强，不同类间相似性弱的原理，依据业务目标划分不同的客户群体或者发现多样性的购买模式。在实际处理中，聚类算法的选择需要考虑多种因素，比如多种形状的聚类及高维、可伸缩性的问题，另外更重要的一点是还需要解决聚类结果的可解释性、可理解性，这就需要将聚类过程和特定语义解释、业务场景应用相联系，考虑应用目标也是影响聚类方法选择的一个重要因素。

　　经济与商业统计模型

　　随着京东体量的发展，业务范围经过品类扩展(3C到全品类)、渠道扩展(PC到微信、手Q、APP)、产业链扩展(自营到POP、支付、金融、物流)等战略性跨越发展，已经从之前的单一链条进化成互联网电商生态圈，机器学习基于微小粒度的技术已经不能满足对于整个庞大京东电商生态系统的复杂描述。于是，借鉴社会学、经济学中一些成熟理论，并结合京东业务场景进行深度定制和改造，把用户行为作为一个有机整体去研究，是一个不错的思路，并取得了一些良好的成果。

　　我们利用生命周期理论建立用户全生命周期模型，可以很好地识别用户从考察、形成到衰退、流失各个阶段的组成、变化情况，对各个环节都会发现关键的价值创造环节。比如，在考察环节识别用户购买意向，促进新增客户获取；在形成、成长环节刺激和提高客户收入贡献，进行交叉销售；在衰退、流失环节进行客户挽回。各环节环环相扣，形成一条完整的营销价值链，可以针对用户制定个性化运营策略。

　　利用多指标综合评价、层次分析法(AHP)等方法构建客户综合价值模型，将客户价值分解为目标、准则、方案等多个层次，构建一个由顶至下、从总到分、由粗而细的多层指标体系，可以根据应用目的和层级的不同，查看现状、发现问题、追溯原因，对用户精准化运营起到了很好的效果。

　　自然语言处理

　　在用户画像建模中，用户的搜索词、购买评论、售后反馈等自然语言当中蕴含着大量有价值的信息。通过对用户搜索词进行挖掘，能知道用户的购买意图；通过对用户的评论数据进行挖掘，能知道用户对一些品牌、品类、属性的喜好程度；通过对用户售后过程中的反馈意见进行挖掘，能知道用户对售后服务的满意程度和我们需要改进的地方。也可以对用户在诉求过程中的填写的自然语言进行情感分析。比如，通过对客户诉求信息进行自然语言处理，针对京东客户诉求类型、话术特点进行客户情感建模，对每个进入在线客服的用户进行多维度标签标示，客服中心根据不同客户的不同诉求进行分层服务，结合投诉预警等来降低投诉率，提高用户满意度。在对各种形式的自然语言处理的过程中，我们也积累了一些比较好的自然语言处理算法库。

　　深度学习等前沿探索

　　用户画像技术在应用上仍然存在一定的局限性，因此我们尝试引入一些前沿技术来进一步完善它。首先，传统用户画像生成的数据特征是人工预先指定的，这就难免会有一些业务上尚未识别的特征得不到表达；其次，用户画像在应用上大都由业务人员自行挑选一部分特征用到业务场景建模中，这种方式也有可能遗漏某些潜在重要的，但表面看来不直接相关的特征组合。这些问题都会对应用层面的建模效果产生负面影响。这两年业界方兴未艾的深度学习技术，其自动构建与提取描述数据的层次化特征与隐特征的能力，很适合用于解决相应的问题。例如，受深度神经网络在处理自然语言过程中用到的featureembedding思想启发，将用户购买行为序列大数据嵌入几十维的隐特征空间，从而可以自动挖掘出商品的相似性以及用户购买行为子模式，在商品推荐与购买预测上取得很好的应用效果。

　　击中营销管理痛点

　　用户画像精细化地定位人群特征，可以充分认知群体用户的差异化特征，帮助企业找到营销机会、运营方向等，比如围绕用户进行精准营销，围绕网站和APP做“千人千面”，还可以应用于金融信贷、O2O战略、客服管理等与用户运维相关的领域。

　　精准营销：提成效降成本

　　用户画像的标签体系让营销活动可以根据品类、品牌、商品特征及业务目标进行多维度交叉筛选，匹配出最适宜的目标用户群，营销目标更加精准，营销内容也更加多样。由于用户画像系统和营销系统、分析评估系统是可以打通的，这样在每次营销时都可以通过分析评估系统反馈营销效果，形成“用户筛选-营销活动-效果反馈”的营销闭环，通过逐次活动的数据积累和改进，循环提升营销效果，降低营销成本。

　　更重要的是提升了用户体验。“用户不是讨厌广告，而是讨厌不需要的广告”，在互联网这个信息过剩的时代，用户对商品信息推送是有很大需求的，但是狂轰滥炸的无差别广告只能引来用户的反感、抗拒，最终导致用户流失。丰富的用户画像体系可以解决营销中的重要的3W问题，即什么时候（When）把什么商品（What）推送给谁（Who），这样就很好地平衡了精准和覆盖面的问题。比如EDM可以结合各种场景筛选用户画像标签和设置邮件内容，在合适的时间给合适的用户推送，合适的商品信息。实践表明，对用户进行个性化订制的EDM和商品、优惠券、信息推送等可以大幅提升开信率和订单转化率，同时最大程度地减少用户反感。

　　客户管理：维护客户关系提升满意度

　　用户画像使客服系统对用户理解更为深刻，可以为用户提供个性化的交互服务，从而吸引新客户、维护老客户，并将普通客户转化为忠诚客户。比如，刻画用户概况，包括用户消费层次、风险、爱好、习惯等；进行客户忠诚度分析，包括品牌忠诚度、持久性、变动情况；进行客户性能分析，包括客户所消费品类、渠道、地域分布；进行客户未来分析，包括客户数量、类别、发展趋势、未来价值等；还可以进行客户促销分析，包括客户对哪些类型促销敏感等。

　　千人千面：强化客户端注重个性化

　　互联网和电商的发展越来越强调个性化用户体验，千人千面就是针对每个群体个性化的需求来展示不同的页面，这背后的关键技术之一就是精准的用户画像。精准的用户画像能够描述用户的社会背景、身份属性、兴趣爱好、购买行为、浏览习惯等特征，相应的网站布局、导航结构、品牌选择、商品陈列、广告展示等都可以有针对性地调整，为用户提供舒适、便捷的购物体验。

　　另外，用户画像还可以让搜索引擎更加智能地理解用户，同一个搜索词在不同用户搜索时可能有完全不同的购物意图，针对用户的属性特征、性格特点或行为习惯，在其搜索或点击时展现符合该用户特点和偏好的商品，给用户以友好贴心的购买体验，能很大程度上提高用户购买转化率和重复购买率，对提高用户忠诚度和用户黏性有很大帮助。

　　O2O战略：布局商业提升服务

　　用户画像可提供不同类型用户在地理位置上的分布情况，为企业O2O战略提供精准的数据支持。比如对于商超、便利店、自提点等的智能选址，通过用户购买能力、家庭组成、年龄、职业、活动范围等特征评估，可以了解实体店面附近的用户数量、消费水平、消费结构、消费风格、客流规律等，对于实体店面的建设有很强的参考意义；同时，对于提升用户服务水平，及时调配资源，也具有极大的指导价值。

　　金融信贷：信用评级信贷评分

　　用户画像提供了丰富的用户标签体系，可以为个人信用评级提供详细的数据参考。如根据用户的年龄、文化程度、职业、家庭状况、购买习惯、购买能力等，可以对用户信用进行全面了解和评估，可以应用于信贷评分，并进行相应程度的金融信贷支持。如京东白条也是基于用户在京东的信用体系评级而匹配额度的，在其他金融信贷业务中也将作为重要参考。

　　文/李大学