用户画像维度拆解

用户画像维度拆解

思考通过各种维度来全方位描述用户画像，根据产品是To B还是To C注重的方向又不一样，To C类型产品会关注用户的性别、年龄、兴趣、职业等信息；而To B类产品不太关注这些，会更倾向于研究用户的工作能力、行为习惯等。

产品所处的行业对用户画像侧重点也有影响，社交类和金融类的产品关注点又不一样；一般来说，可通过以下信息来基本构建用户画像，其余的维度视具体需求再进行定制化开发。

总之，用户画像的多维度刻画需要遵循MECE法则进行全方位不重复的拆解，这里同时引出了一个问题，维度的细分是不是越细越好？

如果用户画像的颗粒度过于精细。意味着开发成本直线提升，同时，过细的拆分意味着每个类别对应的用户量变少，造成服务目标单一化。

举一个比较极端不存在的例子，将用户ID作为标签，则每个ID对应一个用户，这样的细分对精细化运营是没有帮助的；在维度细化拆分的过程中也要不停关注标签值覆盖面来进行微调。

4. 用户画像标签生成

由于用户需求和用户场景不断更新，所以标签体系需要持续完善。不同的用户需求和业务场景，不同的业务标签，用户标签系统就不同。

1）标签的生成

标签从生成逻辑上来区分主要有几大类：统计标签、规则标签、模型标签、算法标签。

• 统计标签：根据已有数据进行统计，如统计用户近30天的消费金额；
• 规则标签：根据一定的业务规则进行划分，如根据用户的历史消费情况给用户划分对应的消费等级；
• 模型标签：基于一些分析模型对用户进行打标签，如RFM模型；
• 算法标签：此类标签可用于预测，如预测用户是否是潜在付费用户。

下面在RFM模型基础上，结合AHP分析法对用户进行打标签：

某产品有以下购买消费数据：

如果我们想知道每个用户的价值是多少的话需要怎么评估，用户价值有多个因素影响，这里的影响因素就是RFM三个因素，计算步骤如下：

构建层次结构模型：

构造判断矩阵：

根据以上打分规则，由经验丰富、判断力强的专家对三个因素两两打分给出判断矩阵。

上表意味着专家评判RFM三个因素的权重顺序分别是M>F>R。

计算特征向量：

通过判断矩阵计算特征向量（也就是权重）。

判断矩阵一致性检验：

有了以上权重，还要进行一致性检验，判断权重分配是否合理，避免出现类似M>F,F>R,R>M的情况；由于篇幅问题，就不进行详细的计算，网上也提供了在线计算工具只需要输入判断矩阵即可得出一致性检验结果。

从以上计算，我们得出了RFM三个因素的权重，接下来就要根据这些权重以及各用户的RFM具体的值来计算用户价值。

RFM值标准化计算价值：

因为RFM值的量纲不一样，需要进行标准化才有可比性，可通过以下两个公式进行标准化。

两个公式应用的场景不一样，第一个公式适用于该因素对结果有正向影响时使用，第二个公式适用于该因素对结果有负向影响时使用。

RFM因素中，R值越小对用户价值影响越大，因此使用第二个公式，F值和M值越大对用户价值影响越大，因此使用第一个公式。

使用以上两个公式进行标准化后，将得到标准化后的值分别乘以该因素对应的权重即可得到每个用户的价值。