用户画像数据指标体系之用户属性维度

目录

0. 相关文章链接

1. 什么是用户画像的数据指标体系

2. 常见的用户属性

3. 用户性别

注：此博文为根据 赵宏田 老师的 用户画像·方法论与工程化解决方案 一书读后笔记而来，仅供学习使用

0. 相关文章链接

用户画像文章汇总

1. 什么是用户画像的数据指标体系

        数据指标体系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企业的业务情况设定相关的指标。

        互联网相关企业在建立用户画像时一般除了基于用户维度 (userid)建立一套用户标签体系外，还会基于用户使用设备维度 (cookieid)建立相应的标签体系。基于cookieid维度的标签应用也 很容易理解，当用户没有登录账户而访问设备时，也可以基于用户在 设备上的行为对该设备推送相关的广告、产品和服务。

        建立的用户标签按标签类型可以分为统计类、规则类和机器学习挖掘类。从建立的标签维度来看， 可以将其分为用户属性类、用户行为类、用户消费类和风险控制类等常见类型。

2. 常见的用户属性

        用户属性是刻画用户的基础。常见用户属性指标包括：用户的年龄、性别、安装时间、注册状态、城市、省份、活跃登录地、历史购 买状态、历史购买金额等。

        用户属性维度的标签建成后可以提供客服电话服务，为运营人员了解用户基本情况提供帮助。

        用户属性标签包含统计类、规则类、机器学习挖掘类等类型。统计类标签的开发较为简单，机器学习挖掘类标签可能比较困难。如下表给出了常用的用户属性维度标签。

        对于相同的一级标签类型，需要判断多个标签之间的关系为互斥关系还是非互斥关系。例如，在判断性别时，用户性别为男的情 况下就不能同时为女，所以标签之间为互斥关系；在判断用户是否在 黑名单内时，用户既可能在短信黑名单中，也可能同时在邮件黑名单中，所以这种就为非互斥关系。

        对于根据数值进行统计、分类的标签开发相对容易。例如，用户 的“性别”“年龄” “城市”“历史购买金额”等确定性的标签。而 在对规则类的标签进行开发前则首先需要进行数据调研。例如，对于 用户价值度划分（RFM）,如何确定一个用户是重要价值用户还是一般 价值用户，对于用户活跃度的划分如何确定是高活跃、中活跃、低活 跃还是已经流失，需要结合数据调研情况给出科学的规则并进行划分。

3. 用户性别

        用户性别可细分为自然性别和购物性别两种。

        自然性别是指用户的实际性别，一般可通过用户注册信息、填写调查问卷表单等途径获得。该标签只需要从相应的表中抽取数据即 可，加工起来较为方便。

        用户购物性别是指用户购买物品时的性别取向。例如，一位实际性别为男性的用户，可能经常给妻子购买女性的衣物、包等商品，那么这位用户的购物性别则是女性。

注：再次声明，此博文为根据 赵宏田 老师的 用户画像·方法论与工程化解决方案 一书读后笔记而来，仅供学习使用

注：其他相关文章链接由此进 -> 用户画像文章汇总