如何破解“千人千面”,深度解读用户画像
作者:互联网
本文由 神策数据资深算法工程师 @邹雨晗 原创。未经许可,禁止转载。
用户画像的概念大热,众多企业都希望与神策数据合作,共同通过“用户画像”驱动产品智能,但什么才是用户画像呢?
通过这篇文章,我们介绍我们理解的两种用户画像(User Persona 和 User Profile),以及如何构建用户画像(User Profile)的标签体系并驱动产品智能。
1 User Persona第一种用户画像(User Persona)是产品设计、运营人员从用户群体中抽象出来的典型用户:
在用户调研阶段,产品经理经过调查问卷、客户访谈了解用户的共性与差异,汇总成不同的虚拟用户;
在产品原型设计、开发阶段,产品经理围绕这些虚拟用户的需求、场景,研究设计产品用户体验与使用流程;
当产品设计出现分歧时,产品经理能够借助用户画像,跳出离散的需求,聚焦到目标用户,不再讨论这个功能要不要保留,而是讨论用户可能需要这个功能,可能如何使用这个功能等等。
例如某招聘类产品在调研阶段构建的用户画像(User Persona):
(图片引用自 https://www.clearvoice.com)
所以,这类用户画像(UserPersona),本质是一个用以描述用户需求的工具,它帮助不同角色在产品研发过程中,站在用户的角度思考问题。
在产品设计阶段和原型开发阶段,产品经理会较多地借助用户画像(User Persona)理解用户的需求,想象用户使用的场景。随着产品上线后不断迭代,积累真实用户,仅通过用户画像(User Persona)难以量化地评估用户需求,也很难通过数据证伪,不确定用户画像(User Persona)虚构的人物是不是真的目标群体。同时,真实用户群体也随时间推移变化,在设计阶段虚构的用户画像(User Persona)需要重新调研、设想。
2 User Profile与此同时,我们也希望通过产品积累的用户行为数据,为产品运营提供更好的支撑,例如根据用户浏览记录向用户提供个性化服务。这就是本文着重介绍的第二种用户画像(User Profile)——根据每个人在产品中的用户行为数据,产出描述用户的标签的集合。例如猜他是男是女,生活工作所在地,乃至喜欢哪个明星,要买什么东西等。
随着“千人千面”等理念深入人心,在与许多企业客户的沟通中,我们希望客户更加清楚两种用户画像的差异。与第一种用户画像(User Persona)不同的是,用户画像(User Profile)的建设更加关注:
是否反应受众的真实需求:用户画像(User Profile)这个词的字面意义,是关注人口属性、生活状态等静态信息,但这些信息并不一定直接反应用户兴趣。产品更关注的往往是某用户“最近喜欢看哪类视频”、“准备买多少钱的手机”这样能帮助产品运营的动态信息;
时效性:用户的兴趣偏好随时都在发生变化,需要及时更新用户标签;
覆盖度:用户画像(User Profile)既要勾勒出用户感兴趣的内容,也要记录用户不感兴趣的信息,尽量多地满足产品运营的需要。但同时,除了人口属性等明确的属性外,大多数用户画像的正确与否是没有意义的。如“最近喜欢看搞笑视频”这个标签,并不表示用户下一次一定观看搞笑视频,因此执着于提升标签的准确度,不如设计出多更清晰描述受众需求的标签,更多时候我们注重提升用户画像的覆盖度,同时提供更细粒度的画像。
设计用户画像的标签体系
用户画像(以下均指 User Profile)一般通过标签体系落地,简单说就是你把用户分到多少个类里面去,当然,每个用户是可以分到多个类上的。这些类都是什么,彼此之间有何联系,就构成了标签体系。通常有两种思路设计用户画像的标签体系。
一是结构化的标签体系,这类标签可以直接从人口属性、物品信息等基本信息中直接得到,有明确的层级关系,如性别、省市、视频分类、商品分类等。
(图片源自 http://www.amazon.cn)
结构化的标签体系通常较为简单,一般可以直接通过用户的行为映射得到,例如根据用户的购买记录,为用户构建物品对应的结构化标签。但结构化标签往往粒度较粗,无法充分衡量用户的兴趣,例如新闻类 App 中用户阅读了一条关于某明星的娱乐类新闻,其实无法推断出他对所有娱乐类新闻感兴趣,也不一定只对该明星情有独钟。
另一种是非结构化标签体系,就是各个标签各自反应各自的用户兴趣,彼此之间并无层级关系。典型的非结构化的标签,如搜索广告系统中的关键词,或者阅读类产品中的文档主题模型(Topic Model),或者向量化的用户、物品 Embedding。
标签体系的建设一要便于使用,二要区分度明显。结合具体产品而言,在不同的场景下,对这两点的要求重点是不同的。最终在产品中选择哪些标签并没有明确的依据,还是需要充分了解到底是什么驱动用户使用产品。有效的标签体系,要能反应用户决定买什么、不买什么的逻辑与依据。例如电商产品中,以新闻频道的方法,为用户构建“财经、体育、旅游、…”这样的标签,虽然并不难,但也没多大意义。
用户画像行业实践
神策数据与国内某知名视频聚合网站共同建设视频推荐服务。该网站每天聚合全网的视频,向用户提供热门视频、视频检索等服务。网站已经积累了大量的用户和行为数据,围绕新、老用户的运营模型在发生着变化。
与传统的视频站点不同,短视频的运营特点有:
播放随意性强:短视频播放虽然是个高频、周期性强的娱乐应用,但单次观影时间短,用户选择随意性大;
热点轮换迅速:平台中不断加入新视频,每天的热门内容不断变化,网站需要发现用户潜在的兴趣点,向用户推荐新鲜内容;
场景驱动:场景是特定的时间、地点和人物的组合下的特定的消费意图。不同的时间、地点,不同类型的用户的消费意图会有差异。例如白领乘地铁上班,会关注当日的新闻热点;周末晚上在家,用户更喜欢点击娱乐搞笑视频。场景辨识越细致,越能了解用户的消费意图,推荐满意度也就越高。
随着视频资源的不断丰富和用户需求的多样化,如何准确向客户推荐视频,是该产品用户画像的一个基本目标。我们十分看重推荐系统中,推荐结果的可解释性,即让用户能感觉到每一条推荐视频的推荐理由。因此,我们构建用户画像也以观看场景和观看兴趣为主。
用户画像
我们考虑新用户和老用户两大类群体。新用户第一次进入 App,在这一阶段的运营目标以留存为主,主要向用户推荐近期热门视频。除了常规的设备信息、地理信息外,我们对用户了解甚少,可以通过猜测下列问题:
用户在哪里?
这个时段可能处于什么场景?
构建用户画像,进行场景推荐。这两种标签的获取较为直接,通过用户手机的地理位置信息和当前时段就可以得到。不同场景下,我们向新用户推荐不同的视频,例如:
工作日,7:00-10:00: 用户可能搭乘公共交通工具前往公司,乘车时使用 3G/4G 流量上网,时间较为碎片化,并且容易受到打扰而中断观看。通常,这个时段用户希望了解当天的时事、新闻。因此我们推荐短小精悍的热点新闻;
工作日,12:30-14:00:用户可能在公司午休,我们推荐娱乐、搞笑类的视频,目的性较弱,随意寻找符合自己口味的内容,但有可能因为午睡或工作,观影时间碎片化。因此,我们推荐视频时长较短,娱乐、搞笑类的视频,如 X 奇艺的“笑 X 来了”等;
周末,19:00-23:00:用户可能在家中休息,观看时间较为充足;使用 Wifi,速度稳定;这个时段用户目的性通常较强,例如看看 ”XX 歌手”、“XX 男” 等综艺节目的热门片段更新没有。因此我们可以推荐综艺节目、电影片花等,满足用户长时间放松的需求。
通过场景推荐的方式,我们在不了解用户兴趣的情况下,针对不同场景标签下的新用户推荐不同热门视频,满足用户需求。
而对于老用户,运营目标是提升用户体验,向用户推荐感兴趣的内容,能提高观影时长;结合场景推荐用户可能感兴趣的新鲜内容,能提高用户留存率。除常规信息、场景信息外,构建老用户的用户画像还会考虑:
用户在不同时段的兴趣点
用户是否喜欢探索新鲜视频
用户召回需求
对于第一类“用户兴趣标签”,可以通过视频本身的分类信息构建结构化的兴趣标签。
我们在实际处理中,将每个用户最近观看记录作为一个观影序列,通过 Item2Vec(《Item2Vec: NeuralItem Embedding for Collaborative Filtering》, https://arxiv.org/pdf/1603.04259v2.pdf)产出视频的 Embedding 矩阵,并用 Bag of Words 的思想以每个用户的最近观看记录描述用户兴趣,得到用户 Embedding,作为用户兴趣标签。
通过用户兴趣标签,我们可以将用户兴趣融入前文描述的场景推荐中,例如在工作日的 7:00-10:00,我们根据用户兴趣,从热点新闻中筛选用户感兴趣的军事、财经等品类;在周末的 19:00-23:00,我们根据用户上周的观影记录,重复推荐相同的新一期的综艺类节目。
对于第二类“用户新鲜度需求标签”,我们通过衡量用户观影记录中,各影片之间的相似度得到。影片分类覆盖越多,或影片之间的向量距离越远,说明用户越喜欢探索新内容。
对于喜欢探索不同类型的视频的用户,我们会更倾向于从用户未观看过的分类中,抽取新鲜热门视频加入推荐排序结果中。
现在互联网产品的获客成本很高,神策分析可以通过多维分析的方式寻找用户流失的原因,同时我们也通过统计方法预测用户流失风险。
对于视频网站的老用户,观影习惯和场景通常较为固定,当用户最近一段时间内的观看频次显著低于过往,甚至没有打开 App 时,我们判定用户有流失风险,可以通过推送感兴趣的视频等手段,召回用户。
小结
短视频是一个高频、随意性强的产品,用户的观看行为受时间、场地等场景因素影响较大,需要对用户在不同场景下的观看行为做深入了解,归纳不同场景下用户个体需求、群体需求的差异,针对不同场景制定相应的推荐策略,这也是我们选择场景作为短视频产品用户画像的突破口的原因。
同时我们在构建视频推荐的用户画像时还面临如下挑战:
数据稀疏性:个人的观看记录相对整体的覆盖度是十分低的,不同的个体间重合度也很低。我们需要从这些稀疏的数据中得到个体、群体的兴趣标签。
用户兴趣变化快:用户的兴趣点随时间、热点变化,用户观看了几次关于某明星的短视频,并不代表第二天或未来用户会对他感兴趣。我们需要分别构建用户短期、长期的兴趣标签。
场景识别难:目前我们的场景识别以时间段为主,未加入地理位置信息,而后者能显著提高细粒度场景识别的准确度。
3 总结
最后,总结一下文中提到的两种用户画像。User Persona 可以帮助我们形象的了解目标用户的行为特征,作为我们判断用户需求的依据;User Profile 从用户行为中构建各种标签,在用户生命周期中不断刻画用户意图,辅助产品运营。
画像标签体系的建设是不断迭代的过程,例如视频产品中,新的视频、新的热门话题不断产生,不断地研究和调整也就必不可少。只有根据产品运营的目标,灵活调整标签体系,才能取得最好的效果。
延伸阅读:
深度案例 | 中商惠民:如何用数据洞察商超需求 重塑高效流通链
深度案例 | Formax 集团如何构建高效金融客户分析体系?
请点击“阅读原文”访问官网博客,获取更多干货。
标签:视频,场景,千面,用户,千人,User,标签,画像 来源: https://blog.51cto.com/u_14438762/2903594