为什么
- 构建具体蓝本，有助于产品团队脱离自身喜好和整个团队目标的一致性
- 精准营销
怎么做
构建用户画像的核心是打标签，通过高度精炼的标签去描述一个用户，如年龄性别地域偏好等。
- 明确构建用户画像的目的
- 根据目的，明确需要收集什么数据，进行数据的采集（宏观，微观等）
- 进行数据分析与建模
通过定性与定量相结合的方式进行数据建模。定性的方法，表现为对产品、行为、用户个体的性质和特征的概括，从而形成对应的产品标签、行为标签以及用户标签；定量的方法，是在定性的基础上，给每个标签加上特定的权重，最后通过计算得出总标签权重，从而形成完整的用户模型。
标签权重模型： 待续
- 原始数据
- 事实标签
- 模型标签
- 预测标签
基于TF-IDF算法的权重分类：一个词语的重要性随着他在该文章中出现的次数成正比，随着它在整个文档集中出现的次数成反比。
假设w（P , T）表示一个标签T被用于标记用户P的次数，TF（P，T）表示这个标记次数在用户P所有标签中所占的比重：
TF(P,T) = W(P,T) / SUM ( W(P,Ti) )
IDF（P , T）表示标签T在全部标签中的稀缺程度，如果标签次数出现越少，并同时标注某一个用户，则代表该标签与用户联系很紧密。
IDF(P,T) = LOG( 全部用户的全部标签之和 / 所有打T标签的用户之和)
最后根据TF*IDF即可得到该用户该标签的权重值
实际业务上需要根据具体情况做出改变：
用户标签权重 =行为类型权重 * 衰减时间 * TF-IDF标签权重 * 行为次数
基于相关系数矩阵的权重归类 :相关系数矩阵
- 进行数据维度分解和列举
根据相关性原则，进一步筛选和构建用户画像相关的数据维度，避免无用数据干扰分析的过程，用户数据维度可以分为以下几个特征：
- 用户自然特征：性别、年龄、地域、教育水平、出生日期、星座等
- 用户兴趣特征：兴趣爱好、偏爱的应用、品牌偏好
- 用户社会特征：婚姻状况、家庭状况、社会地位
- 用户消费特征：收入、购买力、购买渠道、购买频次
如何应用用户画像
- 根据用户画像列举用户场景及需求
- 应用用户画像进行产品设计决策
注意事项（Persona原则）
- P - 基本性 指是否基于对真实用户的访谈
- E -同理性（不理解）指指用户角色中包含姓名、照片和产品相关的描述，该用户角色是否引同理心;
- R -真实性指用户画像是否看起来真实，特别是对于每天和用户打交道的人来说
- O - 目标性指该用户是否包含与产品相关的高层次目标，是否包含关键词来描述该目标
- N -数量性指数量要足够少，以便使设计团队记住每一个角色的姓名
- A -应用性指用户画像是否实用，能够辅助设计决策
一个产品大概需要4-8个用户画像，最好设置优先级，当产品特别大的时候，可以考虑针对不同模块建立用户画像
相关工作
- 构建用户画像文档
- 展示用户画像
- 完善用户画像
