用户分析方法
用户角色(1)和用户画像(2)的方法区别：
- 技术方法
- 小规模用户调研，问卷、访谈、统计
- 海量用户的建模、挖掘、分析
- 核心目标
- 核心目标，共情，需求差异、行为动机
- 大规模用户，客观行为，用户标签体系
- 数据形态
- 具体、若干定制的用户原型
- 抽象、可基于标签圈选任意用户群
- 应用场景
- 市场分析、品牌定位、产品设计、用户体验优化
- 用户研究、经营分析、精准营销、个性推荐
- 应用特点
- 数据量小，获取成本低、周期短、一次性、人工分析
- 数据量大，获得和维护成本高、周期长；灵活、广泛、规模化、系统化、自动化
用户调研是一套一次性具体场景的设计、研究和分析的方案，依赖于人工经验；用户画像是一套系统基础设施，需要很多工程、算法的搭建工作，能持久化、广泛化、多场景地发挥数据价值。
用户标签体系
- 自然属性：年龄、性别、常驻地
- 设备属性：品牌、运营商
- 身份属性：账号、ID
- 行为偏好：行为偏好、内容偏好
- 社交属性：家庭关系、社交网络
- 业务属性：会员、游戏、观影
可以把用户标签简单分为两类，一类是基础通用标签，在各个行业和业务场景中都是需要的，且数据建设和建模的方法基本上都是通用的，比如年龄性别预测等；另一类是基于具体的业务场景、解决具体业务问题的标签，需要PM深刻地理解业务场景和目标、标签价值。
用户画像挖掘流程
- 基础数据
- 用户属性：注册填写、问卷调查
- 用户行为：搜索、上报
- 外部数据：爬取、第三方
- 特征工程
- 特征库：历史特征、实时特片、效果统计、异常监控
- 特征处理：异常点、归一化、离散化、组合、降维、缺失值填补
- 预测建模
- 算法：LR/FM/GBDT/Word2Vec/LSTM
- 工具：样本抽取、实验配置、效果监控、模型解释
- 应用出口
- 广告投放：DMP
- 数据分析：用户圈选、细查
- 用户特征：CTR预估、推荐召回/排序
用户画像案例
- 用户属性识别（性别、年龄）
- 自然人识别
- wifi数据挖掘家庭网络关系
