人工智慧與用戶畫像

【關鍵詞】人工智慧 用戶畫像 營銷工具 個性化推薦

【導讀】人工智慧技術不僅僅開拓了很多新的應用領域，她還為傳統領域很多難題提供了新的解決思路。

用戶畫像是營銷人員經常遇到的營銷工具之一，它在營銷的前期精準用戶獲取、服務過程中的用戶個性化推薦、以及用戶生命周期末端用戶流失預警中提供依據和準繩。人工智慧技術不斷發展，並逐漸在數字化營銷領域發揮威力，用戶畫像的應用方向就因她而改變。

用戶畫像

廣義用戶畫像是指用戶的社會屬性、生活習慣和消費行為等信息抽象出來的一個完整的信息集合。狹義的用戶畫像是指業務界面下的產生可以反映用戶特徵的行為痕迹數據。

因為分工和場景複雜度，獲取廣義的用戶畫像是有難度的。下面我們只討論狹義的用戶畫像，簡稱用戶畫像。

用戶跟人的屬性有啥區別？

人是一切社會關係的總和。他的描述中包含基本屬性和行為屬性。其中基本屬性又包括人口屬性和社會屬性；而行為屬性又包括長期興趣、短期意圖和日常行為習慣。

人的屬性

用戶則是基於某種領域中的人（比如在某個場景下使用某種產品/服務的人），用戶數據則由基於某項業務的數據抽取的。數據的沉澱是因業務、服務過程而來，自然帶有運營的歷史印記。

大數據時代有價值的數據也是基於現實生活中的主體的功能、場景產生的，數據內也帶有現實主體的屬性。不同的平台承載的不同屬性特點的數據，騰訊重在社交關係、阿里重在消費交易、百度搜索營銷、數據沉積，而這些屬性就是我們要挖掘的用戶畫像。而且隨著技術的發展與用戶行為相關的數據可以被收集的領域越來越多，人機界面的表現形式也更加多樣。

用戶畫像和用戶標籤有啥區別？

標籤是基於產品和服務的某個瞬間產生的並有可能持續發生影響的分類工具。

靠標籤來描述用戶畫像是有風險的：1.時效性；2.抽取模型的有效性；3.對應標準及模糊性；4.標籤間的範疇重疊和衝突處理機制；5.非原生數據。

用戶畫像拼圖

用戶的畫像有可能是模糊的，不完全的（業務、服務、場景的局限性），是缺了大部分小塊的拼圖。這給我們營銷和運營提出了難題。在未知部分信息中如何做用戶畫像並找到解決問題的密碼？

解決用戶畫像問題的兩個方向：

1. 補全信息獲得全貌；

2. 利用已有數據做相關推斷，利用不完全數據解決問題。

第一種方案是利用運營資源對現有用戶進行多方位探查和互動，獲取營銷過程中的因和果。需要策略，和實施過程，並不斷檢驗調整。效率低、時間長。以更充分地理解用戶和描述用戶為目標。期間也要用到深度學習技術對樣本進行自動標註。

第二種方案就是我們要說的。直接利用人工智慧技術將已知數據做相關性訓練，將訓練好的模型用於待處理的數據。在處理用戶畫像時關注的是群體和行為的相關性。管中窺豹，雖不見全豹亦可獵豹。她不需要全部的拼圖就可以揭開謎題，拿到鑰匙，高效、快速並以獲得某類相似問題的最優解為目標。

雖然在很多情況下，我們有的都是非結構化的數據，有可能是文字，也可能是聲音或者圖像，但在AI的幫助下，用戶的畫像不必再由定量到定性的描述過程。用戶畫像不必標籤化、具象化。這樣營銷過程中涉及用戶畫像的過程由數據-人-數據而變成數據-數據間的閉環。

人工智慧為用戶畫像的獲取和使用帶來了新的解決方案，未來還會有跟多的領域會因為人工智慧而改變！

歡迎將您的觀點告訴我們~

想知道更多的觀點文章嗎？歡迎關注我們的「本識」企鵝號。

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！