如何破解「千人千面」，深度解讀用戶畫像

作者｜鄒雨晗

編輯｜陳光

微信公眾號ID｜Xtecher

User Persona

第一種用戶畫像（User Persona）是產品設計、運營人員從用戶群體中抽象出來的典型用戶：

在用戶調研階段，產品經理經過調查問卷、客戶訪談了解用戶的共性與差異，匯總成不同的虛擬用戶；

在產品原型設計、開發階段，產品經理圍繞這些虛擬用戶的需求、場景，研究設計產品用戶體驗與使用流程；

當產品設計出現分歧時，產品經理能夠藉助用戶畫像，跳出離散的需求，聚焦到目標用戶，不再討論這個功能要不要保留，而是討論用戶可能需要這個功能，可能如何使用這個功能等等。

例如某招聘類產品在調研階段構建的用戶畫像（User Persona）：

(圖片引用自 https://www.clearvoice.com)

所以，這類用戶畫像（UserPersona），本質是一個用以描述用戶需求的工具，它幫助不同角色在產品研發過程中，站在用戶的角度思考問題。

在產品設計階段和原型開發階段，產品經理會較多地藉助用戶畫像（User Persona）理解用戶的需求，想像用戶使用的場景。隨著產品上線後不斷迭代，積累真實用戶，僅通過用戶畫像（User Persona）難以量化地評估用戶需求，也很難通過數據證偽，不確定用戶畫像（User Persona）虛構的人物是不是真的目標群體。同時，真實用戶群體也隨時間推移變化，在設計階段虛構的用戶畫像（User Persona）需要重新調研、設想。

User Profile

與此同時，我們也希望通過產品積累的用戶行為數據，為產品運營提供更好的支撐，例如根據用戶瀏覽記錄向用戶提供個性化服務。這就是本文著重介紹的第二種用戶畫像（User Profile）——根據每個人在產品中的用戶行為數據，產出描述用戶的標籤的集合。例如猜他是男是女，生活工作所在地，乃至喜歡哪個明星，要買什麼東西等。

隨著「千人千面」等理念深入人心，在與許多企業客戶的溝通中，我們希望客戶更加清楚兩種用戶畫像的差異。與第一種用戶畫像（User Persona）不同的是，用戶畫像（User Profile）的建設更加關註：

是否反應受眾的真實需求：用戶畫像（User Profile）這個詞的字面意義，是關注人口屬性、生活狀態等靜態信息，但這些信息並不一定直接反應用戶興趣。產品更關注的往往是某用戶「最近喜歡看哪類視頻」、「準備買多少錢的手機」這樣能幫助產品運營的動態信息；

時效性：用戶的興趣偏好隨時都在發生變化，需要及時更新用戶標籤；

覆蓋度：用戶畫像（User Profile）既要勾勒出用戶感興趣的內容，也要記錄用戶不感興趣的信息，盡量多地滿足產品運營的需要。但同時，除了人口屬性等明確的屬性外，大多數用戶畫像的正確與否是沒有意義的。如「最近喜歡看搞笑視頻」這個標籤，並不表示用戶下一次一定觀看搞笑視頻，因此執著於提升標籤的準確度，不如設計出多更清晰描述受眾需求的標籤，更多時候我們注重提升用戶畫像的覆蓋度，同時提供更細粒度的畫像。

設計用戶畫像的標籤體系

用戶畫像（以下均指 User Profile）一般通過標籤體系落地，簡單說就是你把用戶分到多少個類裡面去，當然，每個用戶是可以分到多個類上的。這些類都是什麼，彼此之間有何聯繫，就構成了標籤體系。通常有兩種思路設計用戶畫像的標籤體系。

一是結構化的標籤體系，這類標籤可以直接從人口屬性、物品信息等基本信息中直接得到，有明確的層級關係，如性別、省市、視頻分類、商品分類等。

結構化的標籤體系通常較為簡單，一般可以直接通過用戶的行為映射得到，例如根據用戶的購買記錄，為用戶構建物品對應的結構化標籤。但結構化標籤往往粒度較粗，無法充分衡量用戶的興趣，例如新聞類 App 中用戶閱讀了一條關於某明星的娛樂類新聞，其實無法推斷出他對所有娛樂類新聞感興趣，也不一定只對該明星情有獨鍾。

另一種是非結構化標籤體系，就是各個標籤各自反應各自的用戶興趣，彼此之間並無層級關係。典型的非結構化的標籤，如搜索廣告系統中的關鍵詞，或者閱讀類產品中的文檔主題模型（Topic Model），或者向量化的用戶、物品 Embedding。

標籤體系的建設一要便於使用，二要區分度明顯。結合具體產品而言，在不同的場景下，對這兩點的要求重點是不同的。最終在產品中選擇哪些標籤並沒有明確的依據，還是需要充分了解到底是什麼驅動用戶使用產品。有效的標籤體系，要能反應用戶決定買什麼、不買什麼的邏輯與依據。例如電商產品中，以新聞頻道的方法，為用戶構建「財經、體育、旅遊、…」這樣的標籤，雖然並不難，但也沒多大意義。

用戶畫像行業實踐

神策數據與國內某知名視頻聚合網站共同建設視頻推薦服務。該網站每天聚合全網的視頻，向用戶提供熱門視頻、視頻檢索等服務。網站已經積累了大量的用戶和行為數據，圍繞新、老用戶的運營模型在發生著變化。

與傳統的視頻站點不同，短視頻的運營特點有：

播放隨意性強：短視頻播放雖然是個高頻、周期性強的娛樂應用，但單次觀影時間短，用戶選擇隨意性大；

熱點輪換迅速：平台中不斷加入新視頻，每天的熱門內容不斷變化，網站需要發現用戶潛在的興趣點，向用戶推薦新鮮內容；

場景驅動：場景是特定的時間、地點和人物的組合下的特定的消費意圖。不同的時間、地點，不同類型的用戶的消費意圖會有差異。例如白領乘地鐵上班，會關注當日的新聞熱點；周末晚上在家，用戶更喜歡點擊娛樂搞笑視頻。場景辨識越細緻，越能了解用戶的消費意圖，推薦滿意度也就越高。

隨著視頻資源的不斷豐富和用戶需求的多樣化，如何準確向客戶推薦視頻，是該產品用戶畫像的一個基本目標。我們十分看重推薦系統中，推薦結果的可解釋性，即讓用戶能感覺到每一條推薦視頻的推薦理由。因此，我們構建用戶畫像也以觀看場景和觀看興趣為主。

用戶畫像

用戶在哪裡？

這個時段可能處於什麼場景？

構建用戶畫像，進行場景推薦。這兩種標籤的獲取較為直接，通過用戶手機的地理位置信息和當前時段就可以得到。不同場景下，我們向新用戶推薦不同的視頻，例如：

工作日，7:00-10:00： 用戶可能搭乘公共交通工具前往公司，乘車時使用 3G/4G 流量上網，時間較為碎片化，並且容易受到打擾而中斷觀看。通常，這個時段用戶希望了解當天的時事、新聞。因此我們推薦短小精悍的熱點新聞；

工作日，12:30-14:00：用戶可能在公司午休，我們推薦娛樂、搞笑類的視頻，目的性較弱，隨意尋找符合自己口味的內容，但有可能因為午睡或工作，觀影時間碎片化。因此，我們推薦視頻時長較短，娛樂、搞笑類的視頻，如 X 奇藝的「笑 X 來了」等；

周末，19:00-23:00：用戶可能在家中休息，觀看時間較為充足；使用 Wifi，速度穩定；這個時段用戶目的性通常較強，例如看看 」XX 歌手」、「XX 男」 等綜藝節目的熱門片段更新沒有。因此我們可以推薦綜藝節目、電影片花等，滿足用戶長時間放鬆的需求。

通過場景推薦的方式，我們在不了解用戶興趣的情況下，針對不同場景標籤下的新用戶推薦不同熱門視頻，滿足用戶需求。

而對於老用戶，運營目標是提升用戶體驗，向用戶推薦感興趣的內容，能提高觀影時長；結合場景推薦用戶可能感興趣的新鮮內容，能提高用戶留存率。除常規信息、場景信息外，構建老用戶的用戶畫像還會考慮：

用戶在不同時段的興趣點

用戶是否喜歡探索新鮮視頻

用戶召回需求

對於第一類「用戶興趣標籤」，可以通過視頻本身的分類信息構建結構化的興趣標籤。

我們在實際處理中，將每個用戶最近觀看記錄作為一個觀影序列，通過 Item2Vec（《Item2Vec: NeuralItem Embedding for CollaborativeFiltering》, https://arxiv.org/pdf/1603.04259v2.pdf）產出視頻的 Embedding 矩陣，並用 Bag of Words 的思想以每個用戶的最近觀看記錄描述用戶興趣，得到用戶 Embedding，作為用戶興趣標籤。

通過用戶興趣標籤，我們可以將用戶興趣融入前文描述的場景推薦中，例如在工作日的 7:00-10:00，我們根據用戶興趣，從熱點新聞中篩選用戶感興趣的軍事、財經等品類；在周末的 19:00-23:00，我們根據用戶上周的觀影記錄，重複推薦相同的新一期的綜藝類節目。

對於第二類「用戶新鮮度需求標籤」，我們通過衡量用戶觀影記錄中，各影片之間的相似度得到。影片分類覆蓋越多，或影片之間的向量距離越遠，說明用戶越喜歡探索新內容。

對於喜歡探索不同類型的視頻的用戶，我們會更傾向於從用戶未觀看過的分類中，抽取新鮮熱門視頻加入推薦排序結果中。

現在互聯網產品的獲客成本很高，神策分析可以通過多維分析的方式尋找用戶流失的原因，同時我們也通過統計方法預測用戶流失風險。

對於視頻網站的老用戶，觀影習慣和場景通常較為固定，當用戶最近一段時間內的觀看頻次顯著低於過往，甚至沒有打開 App 時，我們判定用戶有流失風險，可以通過推送感興趣的視頻等手段，召回用戶。

小結

短視頻是一個高頻、隨意性強的產品，用戶的觀看行為受時間、場地等場景因素影響較大，需要對用戶在不同場景下的觀看行為做深入了解，歸納不同場景下用戶個體需求、群體需求的差異，針對不同場景制定相應的推薦策略，這也是我們選擇場景作為短視頻產品用戶畫像的突破口的原因。

同時我們在構建視頻推薦的用戶畫像時還面臨如下挑戰：

數據稀疏性：個人的觀看記錄相對整體的覆蓋度是十分低的，不同的個體間重合度也很低。我們需要從這些稀疏的數據中得到個體、群體的興趣標籤。

用戶興趣變化快：用戶的興趣點隨時間、熱點變化，用戶觀看了幾次關於某明星的短視頻，並不代表第二天或未來用戶會對他感興趣。我們需要分別構建用戶短期、長期的興趣標籤。

場景識別難：目前我們的場景識別以時間段為主，未加入地理位置信息，而後者能顯著提高細粒度場景識別的準確度。

總結

最後，總結一下文中提到的兩種用戶畫像。User Persona 可以幫助我們形象的了解目標用戶的行為特徵，作為我們判斷用戶需求的依據；User Profile 從用戶行為中構建各種標籤，在用戶生命周期中不斷刻畫用戶意圖，輔助產品運營。

畫像標籤體系的建設是不斷迭代的過程，例如視頻產品中，新的視頻、新的熱門話題不斷產生，不斷地研究和調整也就必不可少。只有根據產品運營的目標，靈活調整標籤體系，才能取得最好的效果。

如果您想了解更多用戶行為分析產品，可以訪問神策數據官網或關注神策數據公眾號。

━━━━━

封面來源： 排版：陳光 校對：陳光

━━━━━

如果您有國內外科技行業新鮮資訊或獨到見解，歡迎與Xtecher聯繫

Xtecher官網平台現開通認證作者，

（添加好友請註明公司、職位、事由）

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！