-
行業資訊
INDUSTRY INFORMATION
本篇文章給大家談談華為用戶畫像構建教程圖，以及華為人才畫像對應的知識點，希望對各位有所幫助。
互聯網大數據時代，消費者的一切行為都是“可視化”。
企業聚焦于怎樣利用大數據來精準營銷。于是“用戶畫像”
概念也就應運而生。
1.數據真實
用戶畫像必須建立在真實的數據之上。比如你的理財產品的注冊用戶有很多垃圾用戶，都不怎么投資，做用戶畫像的時候就要把這部分人清洗掉。
2.標簽化（標簽要言簡意賅：易理解、短）
按產品需要，給不同的用戶特征貼上合適的標簽。如地域標簽“北京”等等。
3.低交叉率（完整性、獨立性）
4.優先級（多個用戶畫像需要進行優先級排序）
一個產品的用戶畫像不能超過三個，當有多個用戶畫像時，需要考慮優先級，否則產品設計時會無所適從。
5.不斷修正
剛開始做產品可以通過調研+競品分析的方式猜測用戶是什么樣的人群，實際做出來可能有點偏差，然后修正，當產品數據更豐富的時候，可能用戶畫像又需要修正。
用戶畫像就是用戶信息標簽化，所以我們可以通過以下步驟進行用戶畫像。
1.數據挖掘
以電商為例，為了抓取用戶的人口屬性和行為軌跡，先預設用戶購物時的可能行為。包括訪問首頁、注冊登錄、搜索商品、瀏覽商品、價格對比、加入購物車、收藏商品、提交訂單、支付訂單、使用優惠券、查看訂單詳情、取消訂單、商品評價等。
2.篩選標簽
根據用戶畫像的目的，篩選靜態標簽、動態標簽。
靜態標簽主要從用戶基本信息進行用戶劃分。靜態屬性是用戶畫像建立的基礎。如性別、年齡、學歷、角色、收入、地域、婚否、性格等。
動態標簽指用戶在互聯網環境下的上網行為。如訪問行為（搜索、注冊、登錄）社交行為（邀請、添加、取關好友、加入群、新建群）信息發布行為（添加、發布、刪除、留言、分享）等。動態標簽能更好的記錄用戶日常的上網偏好。
3.數據建模
數據建模就是給用戶的行為標簽賦予權重。
用戶的行為，我們可以用4W表示：Who、When、Where、What。誰在什么時候在哪里做了什么。
數據建模實例：華為用戶
A用戶今天在華為官網購買了華為手機
B用戶7天前在京東瀏覽了華為手機
如何構建用戶畫像
一個標簽通常是人為規定的高度精煉的特征標識，如年齡段標簽華為用戶畫像構建教程圖：25~35歲，地域標簽：北京，標簽呈現出兩個重要特征：語義化，人能很方便地理解每個標簽含義。這也使得用戶畫像模型具備實際意義。能夠較好的滿足業務需求。如，判斷用戶偏好。短文本，每個標簽通常只表示一種含義，標簽本身無需再做過多文本分析等預處理工作，這為利用機器提取標準化信息提供華為用戶畫像構建教程圖了便利。
人制定標簽規則，并能夠通過標簽快速讀出其中的信息，機器方便做標簽提取、聚合分析。所以，用戶畫像，即：用戶標簽，向華為用戶畫像構建教程圖我們展示了一種樸素、簡潔的方法用于描述用戶信息。
1.數據源分析
構建用戶畫像是為了還原用戶信息，因此數據來源于：所有用戶相關的數據。
對于用戶相關數據的分類，引入一種重要的分類思想：封閉性的分類方式。如，世界上分為兩種人，一種是學英語的人，一種是不學英語的人；客戶分三類，高價值客戶，中價值客戶，低價值客戶；產品生命周期分為，投入期、成長期、成熟期、衰退期…所有的子分類將構成了類目空間的全部集合。
這樣的分類方式，有助于后續不斷枚舉并迭代補充遺漏的信息維度。不必擔心架構上對每一層分類沒有考慮完整，造成維度遺漏留下擴展性隱患。另外，不同的分類方式根據應用場景，業務需求的不同，也許各有道理，按需劃分即可。
本文將用戶數據劃分為靜態信息數據、動態信息數據兩大類。
靜態信息數據
用戶相對穩定的信息，如圖所示，主要包括人口屬性、商業屬性等方面數據。這類信息，自成標簽，如果企業有真實信息則無需過多建模預測，更多的是數據清洗工作，因此這方面信息的數據建模不是本篇文章重點。
動態信息數據
用戶不斷變化的行為信息，如果存在上帝，每一個人的行為都在時刻被上帝那雙無形的眼睛監控著，廣義上講，一個用戶打開網頁，買了一個杯子；與該用戶傍晚溜了趟狗，白天取了一次錢，打了一個哈欠等等一樣都是上帝眼中的用戶行為。當行為集中到互聯網，乃至電商，用戶行為就會聚焦很多，如上圖所示：瀏覽凡客首頁、瀏覽休閑鞋單品頁、搜索帆布鞋、發表關于鞋品質的微博、贊“雙十一大促給力”的微博消息。等等均可看作互聯網用戶行為。
本篇文章以互聯網電商用戶，為主要分析對象，暫不考慮線下用戶行為數據（分析方法雷同，只是數據獲取途徑，用戶識別方式有些差異）。
在互聯網上，用戶行為，可以看作用戶動態信息的唯一數據來源。如何對用戶行為數據構建數據模型，分析出用戶標簽，將是本文著重介紹的內容。
2.目標分析
用戶畫像的目標是通過分析用戶行為，最終為每個用戶打上標簽，以及該標簽的權重。如，紅酒0.8、李寧0.6。
標簽，表征了內容，用戶對該內容有興趣、偏好、需求等等。
權重，表征了指數，用戶的興趣、偏好指數，也可能表征用戶的需求度，可以簡單的理解為可信度，概率。
3.數據建模方法
下面內容將詳細介紹，如何根據用戶行為，構建模型產出標簽、權重。一個事件模型包括：時間、地點、人物三個要素。每一次用戶行為本質上是一次隨機事件，可以詳細描述為：什么用戶，在什么時間，什么地點，做了什么事。
什么用戶：關鍵在于對用戶的標識，用戶標識的目的是為了區分用戶、單點定位。
以上列舉了互聯網主要的用戶標識方法，獲取方式由易到難。視企業的用戶粘性，可以獲取的標識信息有所差異。
什么時間：時間包括兩個重要信息，時間戳+時間長度。時間戳，為了標識用戶行為的時間點，如，1395121950（精度到秒），1395121950.083612（精度到微秒），通常采用精度到秒的時間戳即可。因為微秒的時間戳精度并不可靠。瀏覽器時間精度，準確度最多也只能到毫秒。時間長度，為了標識用戶在某一頁面的停留時間。
什么地點：用戶接觸點，Touch Point。對于每個用戶接觸點。潛在包含了兩層信息：網址+內容。網址：每一個url鏈接（頁面/屏幕），即定位了一個互聯網頁面地址，或者某個產品的特定頁面?？梢允荘C上某電商網站的頁面url，也可以是手機上的微博，***等應用某個功能頁面，某款產品應用的特定畫面。如，長城紅酒單品頁，***訂閱號頁面，某游戲的過關頁。
內容：每個url網址（頁面/屏幕）中的內容?？梢允菃纹返南嚓P信息：類別、品牌、描述、屬性、網站信息等等。如，紅酒，長城，干紅，對于每個互聯網接觸點，其中網址決定了權重；內容決定了標簽。
注：接觸點可以是網址，也可以是某個產品的特定功能界面。如，同樣一瓶礦泉水，超市賣1元，火車上賣3元，景區賣5元。商品的售賣價值，不在于成本，更在于售賣地點。標簽均是礦泉水，但接觸點的不同體現出了權重差異。這里的權重可以理解為用戶對于礦泉水的需求程度不同。即，愿意支付的價值不同。
標簽權重
礦泉水1//超市
礦泉水3//火車
礦泉水5//景區
類似的，用戶在京東商城瀏覽紅酒信息，與在品尚紅酒網瀏覽紅酒信息，表現出對紅酒喜好度也是有差異的。這里的關注點是不同的網址，存在權重差異，權重模型的構建，需要根據各自的業務需求構建。
所以，網址本身表征了用戶的標簽偏好權重。網址對應的內容體現了標簽信息。
什么事：用戶行為類型，對于電商有如下典型行為：瀏覽、添加購物車、搜索、評論、購買、點擊贊、收藏等等。
不同的行為類型，對于接觸點的內容產生的標簽信息，具有不同的權重。如，購買權重計為5，瀏覽計為1
紅酒1//瀏覽紅酒
紅酒5//購買紅酒
綜合上述分析，用戶畫像的數據模型，可以概括為下面的公式：用戶標識+時間+行為類型+接觸點（網址+內容），某用戶因為在什么時間、地點、做了什么事。所以會打上**標簽。
用戶標簽的權重可能隨時間的增加而衰減，因此定義時間為衰減因子r，行為類型、網址決定了權重，內容決定了標簽，進一步轉換為公式：
標簽權重=衰減因子×行為權重×網址子權重
如：用戶A，昨天在品尚紅酒網瀏覽一瓶價值238元的長城干紅葡萄酒信息。
標簽：紅酒，長城
時間：因為是昨天的行為，假設衰減因子為：r=0.95
行為類型：瀏覽行為記為權重1
地點：品尚紅酒單品頁的網址子權重記為0.9（相比京東紅酒單品頁的0.7）
假設用戶對紅酒出于真的喜歡，才會去專業的紅酒網選購，而不再綜合商城選購。
則用戶偏好標簽是：紅酒，權重是0.95*0.7*1=0.665，即，用戶A：紅酒0.665、長城0.665。
上述模型權重值的選取只是舉例參考，具體的權重值需要根據業務需求二次建模，這里強調的是如何從整體思考，去構建用戶畫像模型，進而能夠逐步細化模型。
（本文來源于網絡，若侵權請聯系刪除。）
關于紅海云
紅海云是中國領先的新一代人力資源管理一體化綜合解決方案提供商，核心產品紅海eHR系統，打破傳統人力資源管理系統功能模塊數據割裂的局限，從核心人力管理、勞動力管理到戰略人才管理，涵蓋人力資源業務12大模塊，百余項功能一體化布局。并通過紅海云RedPaaS平臺、RedAPI平臺、自動化運維平臺等底層數字化配套體系的賦能，讓紅海云eHR系統擁有了業內領先的靈活性和可擴展性。
迄今為止，紅海云服務的客戶已成功覆蓋華北，華東、華南、西南地區市場，已有逾千家大中型企業借助紅海產品獲得領先的人力資源管理數字化能力，廣泛分布于國企事業單位、地產、銀行、醫藥、物業、物流、餐飲、服飾等行業，包括中國銀行、保利物業、石藥集團、以嶺藥業、科興生物、中金珠寶、華宇集團、祥源控股、雪松控股、真功夫、中郵金融、影兒集團、比音勒芬、曹操出行等眾多頭部企業。
