手把手教你搭建用户画像系统（入门篇上）

随着大数据技术的深入研究与应用，企业的关注点日益聚焦在如何利用大数据来为精细化运营和精准营销服务，而要做精细化运营，首先要建立本企业的用户画像。搭建一套用户画像方案整体来说需要考虑8个模块的建设，如下图：

下面简单介绍这八大模块。

用户画像是指描述一个用户或用户群体的细节和特征的方法，通过收集用户的社会属性、消费习惯、偏好特征等各个维度的数据，进而对用户或者产品特征属性进行刻画，并对这些特征进行分析、统计，挖掘潜在价值信息，从而抽象出用户的信息全貌。概括一句话：即用户信息标签化。

1）数据底层整理

2）用户画像建模

3）面向应用

1）需求分析

2）搭建标签体系

3）建立用户画像和用户画像系统

4）画像应用

构成用户的标签可以是多种多样的，也应该能够渗透到丰富的业务场景中去，因而标签就需要兼顾广泛性和精确性，这就引入了标签体系的概念。说白了，所谓标签体系，标签体系就是分类。

标签体系化化是建立用户画像的关键环节，也是在标签开发前要进行的工作，具体来说就是需要结合本公司的业务情况设定相关的指标。从建立的标签维度来看，可以将其分为用户属性、用户行为、用户消费、风险控制、社交属性等五大常见类型。

首先我们来了解一下按统计方法的不同划分的分类，按统计方式分类的标签可分为统计类标签、规则类标签、挖掘类标签。

标签平台是一个中间层的服务，为前台提供的是数据支持。另外一方面标签平台的加工，依赖底层的基础数据平台的原始数据。

标签管理平台中，每个标签开发时，首先需要在管理平台上注册,生成标签元数据，然后我们在根据元数据信息在大数据平台进行逻辑加工。

标签视图与查询功能主要面向业务人员使用，标签视图版块中，层级化地展示了目前正在使用的全部用户标签。方便应用方点击查看每个标签的详细情况。

标签管理，是用户画像是开发的起点，所有的用户画像都起始于对标签的定义和规则的指定。标签管理是基于标签整个生命周期进行管理。标签的生命周期包括“标签创建、标签审核、标签上线、标签评估、标签变更、标签下线”六个部分。

标签的开发在hive库完成，因为标签的模型体系是基于数据仓库而来，所以大致流程也和数据仓库的开发流程类似，具体工作流程如下：

表结构设计也是画像开发过程中需要解决的一个重要问题。表结构设计的重点是要考虑存储哪些信息、如何存储（数据分区）、如何应用（如何抽取标签）这3个方面的问题。不同业务背景有不同的设计方式。

以Hive为例，我们最常用的就是横表，也就是一个 key，跟上它的所有标签。横表的问题：

如前面所分析，竖表和横表各有所长和所短，那么能不能两者结合呢？

这其实也要考虑横表和竖表的特性，整体来讲就是竖表对计算层支持的好，横表对查询层支持的好。那么设计的化就可以这样：

统计类标签是最为基础也最为常见的标签类型，例如，对于某个用户来说，其性别、年龄、城市、星座、近7日活跃时长、近7日活跃天数、近7日活跃次数等字段可以从用户注册数据、用户访问、消费数据中统计得出。该类标签构成了用户画像的基础。

规则类标签基于用户行为及确定的规则产生。例如，对平台上“消费活跃”用户这一口径的定义为“近30天交易次数≥2”。在实际开发画像的过程中，由于运营人员对业务更为熟悉，而数据人员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则由运营人员和数据人员共同协商确定。

机器学习挖掘类标签通过机器学习挖掘产生，用于对用户的某些属性或某些行为进行预测判断。例如，根据一个用户的行为习惯判断该用户是男性还是女性、根据一个用户的消费习惯判断其对某商品的偏好程度。该类标签需要通过算法挖掘产生。