本文：DPM如何规划用户画像
用户画像是数据仓库、数据产品的一个重要且热门的分支，它与提升用户体验、扩大市场规模等用途息息相关。既可以实现个性化推荐、广告、push等场景，也可提升流量的消耗效率。那么，面对诸多的用户身份信息，用户行为数据，我们该如何规划用户画像标签呢，用以赋能到运营业务上，使数据信息发挥更大的价值。
一、用户画像基本概念
用户在注册信息和日常产品的使用中，通过信息记录和埋点上报，收集了用户的大量信息。将这些信息通过逻辑处理，形成一个用户ID为主的标签体系。标签体系多层级、多维度组织构建，通常，我们用最底层的一级来构建用户画像的宽表。
标签的具体类型包括：
|
分类
|
含义
|
示例
|
|
信息型
|
用户基础信息
|
性别、年龄等
|
|
统计型
|
按照规则进行的统计数据
|
登录频次，流失日期等
|
|
挖掘型
|
通过算法加工对数据的处理得到的标签
|
商品偏好，内容偏好等
|
|
预测型
|
由用户日常行为挖掘的预测数据
|
流失概率、生命周期等
|
通常，用户标签具有时效性，随着产品功能的迭代，标签可能会成为废弃数据。为了规范整理标签，应及时对废弃标签下限；并且对线上使用的标签做定期更新。
一般情况，标签按照更新需要分为两类：
静态标签：例如性别等，一般不需要更新。
动态标签：重要动作的频次，商品类型偏好等，需要经常更新，一般更新频次为天。
二、用户画像构建
一般构建用户画像，需要满足高概括性和延展性。
概括性是指需要尽可能覆盖所有业务，避免遗漏，可以多收集一下业务方的需求。
延展性是指标签在创建成功后可以正确的归类。
构建思路：
通常，用户画像会从8个组织维度去进行开发，进行整体架构的构建。
|
基本属性
|
基础信息、身份信息等
|
|
平台属性
|
区别于基础信息，是在平台使用的信息；
比如在a市工作生活的b市用户；基本属性是b市，平台属性是a市
|
|
行为属性
|
登录频次、流失日期等；
也可用来记录某一功能、某一品类的流失标签。
|
|
产品偏好
|
通过算法挖掘出用户对某些产品、功能的偏好
|
|
兴趣偏好
|
用户对内容各分类的偏好，可以确定用户对内容的消耗
|
|
敏感度
|
用户对活动、优惠等的敏感度，可以避免优惠红包等的浪费。
|
|
消费属性
|
用户在产品的付费情况；
频次、金额、最近一次消费的时间等。
|
|
用户价值
|
根据用户在产品的活跃程度和使用频次，定义用户于该产品的价值。
|
三、用户画像应用场景
在搭建完用户画像的体系后，我们应该考虑用户画像应用在哪些场景，同时也可以基于使用场景反推用户画像的优化。
用户探查对用户的基本认知
通过用户画像的统计，可以判断出，某一款产品、功能的使用对象有哪些特点，基本情况如何，是否是目标用户群体，生成一份基本的用户认知报告。
定向营销和精细化运营
用户画像通常作为圈定用户来使用，运营同学根据需求和背景，圈定人群做定向的活动和营销，以及各种促销活动。这些措施对人群标签的精细度要求极高。
搜索推荐，风控广告等算法策略
用户画像同样应用在算法的各个环节，在召回和排序的策略中，都会使用到。通过对用户的品类偏好标签等进行拆解和计算，达到策略的最终目的。
四、用户画像思考
四、对用户画像的思考：
做用户画像不是目的，只是手段，避免走入图谱化的误区。画像不单独产生业务价值，只是为精细化运营提供数据基础。通过对用户充分的认知、长短期偏好、行为意图的挖掘，对用户有具体的营销分层，使用触达手段，转化每一层用户。
用户画像是精细化营销的基建，通过梳理对应的营销动作，提炼出需要的维度，才能使用户画像发挥更大的价值。
结束语
（部分内容来源网络，如有侵权请联系删除）
