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