怎样做网贷网站,做个普通的网站在上海做要多少钱,模板网站和定制网站的区别,python合适做网站吗2、如何给用户“画像”
2.1 什么是标签体系
标签: 是某一种用户特征的符号表示
标签体系: 把用户分到多少类别里面去, 这些类是什么, 彼此之间有什么关系, 就构成了标签体系
标签解决的问题: 解决描述(或命名)问题以及解决数据之间的关联 2.2.1 标签的分类
用户画像标签一… 2、如何给用户“画像”
2.1 什么是标签体系
标签: 是某一种用户特征的符号表示
标签体系: 把用户分到多少类别里面去, 这些类是什么, 彼此之间有什么关系, 就构成了标签体系
标签解决的问题: 解决描述(或命名)问题以及解决数据之间的关联 2.2.1 标签的分类
用户画像标签一般分为两大类: 基础属性标签和行为属性标签 基础属性标签: 例如:用户基本信息: 性别、年龄、上网场景、所在地等用户情况: 学历、婚恋情况、兴趣等用户行为: 付费用户、消费能力、移动定向(设备价格、操作系统、联网方式、移动运营商、移动媒体分类)等 行为属性标签: 例如:个人喜好: 资源分类标签、喜好标签、风格标签、收听时间等收听行为: 主动播放、听完、跳过、单曲循环、分享、收藏、拉黑 当然还有另一种说法: 静态标签和动态标签 静态: 不变的属性 如 性别 出生日期 出生地动态: 变化的属性 如 爱好 职业 婚否等 由于基于一个目标的画像其标签是在动态扩展的所以其标签体系也没有统一的模板在大分类上与自身的业务特征有很大的关联在整体思路上可以从横纵两个维度展开思考横向是产品内数据和产品外数据纵向是线上数据和线下数据。而正中间则是永恒不变的“人物基础属性”。 2.2.2 标签的级别
分级有二层含义: 一是指标从最底层涵盖的层级 二是指标的运算层级 指标桶运算层级角度分为三层: 事实标签、模型标签、预测标签 事实标签(基础标签)/规则匹配类: 是通过对于原始数据库的数据进行统计分析而来的, 如用户投诉次数是基于用户一段时间内实际投诉的行为做的统计 模型标签(统计标签): 是以事实标签为基础, 通过构建事实标签与业务问题之间的模型, 进行模型分析得到的. 如: 结合用户实际投诉次数、用户购买品类、用户支付的金额等, 进行用户 投诉倾向类型的识别, 方便客服分类处理 预测标签(挖掘标签): 是在模型的基础上做预测, 如: 针对投诉倾向类型结构的变化, 预测平台舆情分险指数 2.2.3 标签命名赋值 注意根据实际业务场景标签分级和命名方式是不同的。 2.2.4 标签属性
标签属性可以理解为针对标签进行再标注, 这一环节的工作主要目的是帮助内部理解标签赋值的来源, 进而理解指标的含义。 固有属性: 用户生而有之或者事实存在的。比如性别、年龄、是否生育等。 推导属性: 由其他属性推导而来的属性, 比如星座我们可以通过用户的生日推导比如用户的品类偏好则可以通过日常购买来推导。 行为属性: 产品内外实际发生的行为被记录后形成的赋值比如用户的登陆时间页面停留时长等。 态度属性: 用户自我表达的态度和意愿。比如说我们通过一份问卷向用户询问一些问题并形成标签如询问用户是否愿意结婚是否喜欢某个品牌等。当然在大数据的需求背景下利用问卷收集用户标签的方法效率显得过低更多的是利用产品中相关的模块做了用户态度信息收集。 测试属性: 测试属性是指来自用户的态度表达但并不是用户直接表达的内容而是通过分析用户的表达结构化处理后得出的测试结论。比如用户填答了一系列的态度问卷推导出用户的价值观类型等。 特别注意:一种标签的属性可以是多重的, 比如: 个人星座这个标签, 既是固有属性, 也是推导属性即使构建了用户画像标签体系, 但也不代表完成了用户画像, 因为需要对标签赋值, 但有些标签根据无法获得或者无法赋值标签无法赋值的原因: 数据无法采集(如敏感数据) 数据库无法打通 建模失败 等等... 2.2.5 标签体系结构 1: 原始输入层 主要指用户的历史数据信息如会员信息、消费信息、网络行为信息。经过数据的清洗从而达到用户标签体系的事实层。 2: 事实层 事实层是用户信息的准确描述层其最重要的特点是可以从用户身上得到确定与肯定的验证。如用户的人口属性、性别、年龄、籍贯、会员信息等。 3: 模型预测层 通过利用统计建模数据挖掘、机器学习的思想对事实层的数据进行分析利用从而得到描述用户更为深刻的信息。如通过建模分析可以对用户的性别偏好进行预测从而能对没有收集到性别数据的新用户进行预测。还可以通过建模与数据挖掘使用聚类、关联思想发现人群的聚集特征。 4: 营销模型预测 利用模型预测层结果对不同用户群体相同需求的客户通过打标签建立营销模型从而分析用户的活跃度、忠诚度、流失度、影响力等可以用来进行营销的数据。 5: 业务层 业务层可以是展现层。它是业务逻辑的直接体现如图中所表示的有车一族、有房一族等。 2.2.6 标签体系结构分类
一般来说设计一个标签体系有3种思路分别是1结构化标签体系2半结构化标签体系3非结构化标签体系。 结构化标签体系(最多) 简单地说就是标签组织成比较规整的树或森林有明确的层级划分和父子关系。结构化标签体系看起来整洁又比较好解释在面向品牌广告井喷时比较好用。性别、年龄这类人口属性标签最典型的结构化体系 半结构化标签体系(少有) 在用于效果广告时标签设计的灵活性大大提高了。标签体系是不是规整就不那么重要了只要有效果就行。在这种思路下用户标签往往是在行业上呈现出一定的并列体系而各行业内的标签设计则以“逮住老鼠就是好猫”为最高指导原则切不可拘泥于形式。 非结构化标签体系(少有) 非结构化就是各个标签就事论事各自反应各自的用户兴趣彼此之间并无层级关系也很难组织成规整的树状结构。非结构化标签的典型例子是搜索广告里用的关键词。 2.2.7 用户画像标签层级的建模方法
用户画像的核心是标签的建立用户画像标签建立的各个阶段使用的模型和算法如下图所示。 原始数据层: 对原始数据我们主要使用文本挖掘的算法进行分析如常见的TF-IDF、TopicModel主题模型、LDA 等算法主要是对原始数据的预处理和清洗对用户数据的匹配和标识。 事实标签层: 通过文本挖掘的方法我们从数据中尽可能多的提取事实数据信息如人口属性信息用户行为信息消费信息等。其主要使用的算法是分类和聚类。分类主要用于预测新用户信息不全的用户的信息对用户进行预测分类。聚类主要用于分析挖掘出具有相同特征的群体信息进行受众细分市场细分。对于文本的特征数据其主要使用相似度计算如余弦夹角欧式距离等。 模型标签层使用机器学习的方法结合推荐算法。模型标签层完成对用户的标签建模与用户标识。其主要可以采用的算法有回归决策树支持向量机等。通过建模分析我们可以进一步挖掘出用户的群体特征和个性权重特征从而完善用户的价值衡量服务满意度衡量等。 预测层也是标签体系中的营销模型预测层。这一层级利用预测算法如机器学习中的监督学习计量经济学中的回归预测数学中的线性规划等方法。实习对用户的流失预测忠实度预测兴趣程度预测等等从而实现精准营销个性化和定制化服务。 2.2 如何进行打标签
例如有如下标签信息:
标签ID标签名称标签级别标签关系(PID)1性别402男513女514学历405专科546本科547硕士54
打标签:
用户 ID用户标签100012, 5100023, 6100032, 6100043, 7100052, 7100062, 6 标签命名方式: 2.3 用户画像基本步骤与验证
根据具体业务规则确定用户画像方向后开展用户画像分析总体来说一个用户画像流程包括以下几步 1-用户画像数据来源 2-用户画像的标签体系构建 3-用户画像的标签计算 4-用户画像的标签调度 5-用户画像标签的管理 细化说明: 用户画像数据来源: 静态数据: 画像的数据主要来自数仓 动态数据: 用户行为日志 用户画像的标签体系构建 用户画像的标签计算 用户画像的标签调度 用户画像标签的管理 用户画像何如验证 可以通过上游推荐系统和标签本身逻辑可靠性和完整性衡量
