刚刚进入咨询公司，有人知道用户画像和消费者洞察有什么不同吗？

在广义上，用户画像是消费者洞察的一种统计学模型，用于定义和理解目标用户。用户画像是一种勾画目标用户的模型，基于大数据对不同用户的属性、偏好、行为等信息进行高度概括（标签化），是消费者洞察的工具之一。这类工具可以帮助相关从业人员及计算机能够更好理解用户“是什么样子”，多用于精准营销，来解决某个实际的业务问题。而消费者洞察是一种连接“为什么”和“消费者决策”之间的陈述，需要解读其“心声”数据，从而了解消费者到底想要什么。尤其是消费者的态度和意见数据，消费者的需求或者是还没被满足的需求，也就是我们所谓的“读心术”，光凭用户画像这类工具本身几乎是无法获取的。如今，消费者洞察越来越重要了，随着社交媒体平台的发展，每一个消费者的声音都可能对企业品牌产生巨大的影响，尤其是负面声音。但是，现实也很残酷，消费者洞察需要研究的是文字、录音、视频等等非结构化的数据，并且数据的量级非常大，单靠企业本身去做，无论从技术难度还是投入成本上都很重。我们熟知的头部企业几乎都在以与专业平台合作的形式开展消费者洞察，以宝马为例，在海外和Qualtrics、MaritzCX等CEM巨头长期合作来，在国内也早从2011年就开始和卓思一起做消费者洞察和全栈的客户体验管理了。 在国内，消费者洞察很多时候被狭义的定位于用户画像等效率工具，本质上还是流量时代的粗放管理。数字化时代，真正的消费者洞察一定是要依靠技术赋能，分析全部消费者在全部触点上的反馈，从而基于消费者意见、态度数据，真正站在供求角度来进行分析和管理的，希望能为你的问题提供一些帮助。具体不妨百度一下。

本文主要包含以下几个部分

互联网大数据时代，消费者的一切行为都是“可视化”。

企业聚焦于怎样 利用大数据 来精准营销。于是“用户画像”

概念也就应运而生。

1.数据真实

用户画像必须建立在真实的数据之上。比如你的理财产品的注册用户有很多垃圾用户，都不怎么投资，做用户画像的时候就要把这部分人清洗掉。

2.标签化 （标签要言简意赅：易理解、短）

按产品需要，给不同的 用户特征 贴上合适的标签。如地域标签“北京”等等。

3.低交叉率 （完整性、独立性）

4.优先级（多个用户画像需要进行优先级排序）

一个产品的用户画像 不能超过三个 ，当有多个用户画像时，需要考虑优先级，否则产品设计时会无所适从。

5.不断修正

刚开始做产品可以通过 调研+竞品分析 的方式猜测用户是什么样的人群，实际做出来可能有点偏差，然后修正，当产品数据更丰富的时候，可能用户画像又需要修正。

用户画像就是用户信息标签化，所以我们可以通过以下步骤进行用户画像。

1.数据挖掘

以电商为例，为了抓取用户的 人口属性 和 行为轨迹 ，先预设用户购物时的可能行为。包括访问首页、注册登录、搜索商品、浏览商品、价格对比、加入购物车、收藏商品、提交订单、支付订单、使用优惠券、查看订单详情、取消订单、商品评价等。

2.筛选标签

根据用户画像的目的，筛选静态标签、动态标签。

静态标签主要从用户 基本信息 进行用户划分。静态属性是用户画像建立的基础。如性别、年龄、学历、角色、收入、地域、婚否、性格等。

动态标签指用户在互联网环境下的 上网行为 。如访问行为（搜索、注册、登录）社交行为（邀请、添加、取关好友、加入群、新建群）信息发布行为（添加、发布、删除、留言、分享）等。动态标签能更好的记录用户日常的上网偏好。

3.数据建模

数据建模就是给用户的行为标签 赋予权重 。

用户的行为，我们可以用4W表示：Who、When、Where、What。谁在什么时候在哪里做了什么。

数据建模实例： 华为用户

A用户今天在华为官网购买了华为手机

B用户7天前在京东浏览了华为手机

先说说“用户画像”这个词，它对应的英文有两个：Personas 和 User Profile。Personas 属于交互设计领域的概念，不在本文讨论范围内，请出门右转去找交互设计师们聊，留下来的人，我们聊聊 User Profile 这种用户画像。

User Profile 原本用于营销领域。营销人员需要对营销的客户有更精准的认识，从而能够更有针对性地对客户和市场制定营销方案。

这个理念本身没有错，但是有一个问题：传统营销领域，是以市场销售人员为第一人称视角去看待客户的，也就是用户画像为营销人员服务。

在这种用途下谈论的用户画像，和我们即将在推荐系统领域谈论的相差有点大；但是很遗憾，今天在媒体上看到的大多数“用户画像”案例分享，都停留在这个意思上。

比如最常见的用户画像出现在高大上的 PPT 上：用标签云的方式绘制一个人的形状，或者在一个人物形象旁边列出若干人口统计学属性，以此来表达“用户画像”这个概念。

看上去非常酷炫，但是我得悄悄告诉你一个赤裸裸的真相：越酷炫的用户画像越没什么用。

既然是给机器看的，那么画像是不是酷炫、是不是像、维度是不是人类可读，都不重要。那它到底是个什么样子呢？先别急，听我慢慢讲。

一个推荐系统来到这个世界上，它只有一个使命，就是要在用户（User）和物品（Item）之间建立连接。

一般方式就是，对用户和物品之间的匹配评分，也就是预测用户评分或者偏好。推荐系统在对匹配评分前，则首先就要将用户和物品都向量化，这样才能进行计算。

而根据推荐算法不同，向量化的方式也不同，最终对匹配评分的做法也不同，在后面讲到具体推荐算法时你会看到这一点。

用户向量化后的结果，就是 User Profile，俗称“用户画像”。所以， 用户画像不是推荐系统的目的，而是在构建推荐系统的过程中产生的一个关键环节的副产品。

另外，通常大型推荐系统一般都分为召回和排序两个阶段，这个在后面我会专门讲到。

因为全量物品通常数量非常大，无法为一个用户（User）逐一计算每一个物品（Item）的评分，这时候就需要一个召回阶段，其实就是预先筛选一部分物品（Item），从而降低计算量，用户画像除了用于最终匹配评分，还要用在召回。所以，构建用户画像就要以这两个阶段为目的。

举个例子，我想去吃点夜宵，楼下有五家大排档，那么从推荐系统的思路来看，我怎么选择呢？

首先就是将五家大排档向量化，我暂定向量的维度有：

现在每一个大排档都有一个向量，我自己也要有一个对应的向量，就是你有多看中这三个元素：

这样一来就可以对五家大排档做匹配打分了，你很容易得出哪家大排档最适合。

假如我的向量是：

价格： 3 种类： 5 味道： 5

这就是一个大排档推荐系统的简单用户画像了，是不是很简单！

这里可以简单计算一下：每一个因素相乘后再相加，就得到每一个大排档的评分了。

接下来我来围绕这个大排档推荐系统的用户画像，看看建立用户画像的关键因素： 第一个是维度，第二个是量化。

首先我先来说说“维度”。

看前面这个例子，我定下来的几个维度：价格、种类、味道。这几个维度有三个特点：

当我们去给每一个大排档计算评分时，想象你是一台计算机，你读取了用户画像的“价格”取值为 3，再去取出一个大排档的“价格”评分，两者相乘，用户画像的维度“价格”和大排档的“价格”天然匹配上了。

因为是同一个名字；但是计算机很傻，你把大排档的这个维度换成“价钱”，它就不知道该如何是好了。

另一方面，对这三个维度，把两边同时换成 1、 2、3 或者 a、b、c 都是可以的，也不影响计算结果，计算机依然能够匹配上；所以用户画像的维度不一定需要人类能够理解，只要计算机能把两边对应上就可以了。

假如是根据用户的阅读历史挖掘阅读兴趣标签，那么我们无法提前知道用户有哪些标签，也就不能确定用户画像有哪些维度，所以第二点也不是必须的。

因为这一点也不是必须的，用户画像的维度个数可以不用确定。理论上来说维度越多，画像越精细，但带来的计算代价也是很大的，需要权衡。

虽然这里以标签作为例子，但是你要注意，用户画像是向量化结果，而不是标签化。标签化只是向量化的一种，因为向量的维度不一定需要人理解。

我们这里的量化都是主观的，而在实际生产系统上，用户画像每个维度的量化，应该交给机器，而且以目标为导向，以推荐效果好坏来反向优化出用户画像才有意义，像这里这个简单的例子，没有去管推荐效果而先行主观量化了每一个维度，是大忌。

所以用户画像的量化是和第三个关键元素“效果”息息相关的。前面已经说过，不要为了用户画像而用户画像，它只是推荐系统的一个副产品，所以要根据使用效果（排序好坏、召回覆盖等指标）来指导用户画像的量化。

再来整体说说怎么构建用户画像，按照对用户向量化的手段来分，用户画像构建方法分成三类：

直接使用原始数据作为用户画像的内容，如注册资料等人口统计学信息，或者购买历史，阅读历史等，除了数据清洗等工作，数据本身并没有做任何抽象和归纳。这就跟查户口一样，没什么技术含量，但通常对于用户冷启动等场景非常有用。

方法就是堆积历史数据，做统计工作，这是最常见的用户画像数据，常见的兴趣标签，就是这一类，就是从历史行为数据中去挖掘出标签，然后在标签维度上做数据统计，用统计结果作为量化结果。这一类数据贡献了常见的酷炫用户画像。

就是用机器学习方法，学习出人类无法直观理解的稠密向量，也最不被非技术人员重视，但实际上在推荐系统中承担的作用非常大。

比如使用潜语义模型构建用户阅读兴趣，或者使用矩阵分解得到的隐因子，或者使用深度学习模型学习用户的 Embedding 向量。这一类用户画像数据因为通常是不可解释，不能直接被人看懂。

我会在后面专门讲解这些技术手段，以及它们在推荐系统中的实际使用。

现在总结一下今天的内容：

---