神策数据-如何破解“千人千面”，深度解读用户画像-2018.8-12页

报告摘要

技术剖析总结

核心内容

本文主要围绕“用户画像”这一概念，深入分析了其在产品设计与运营中的应用，并重点介绍了两种用户画像：User Persona（用户角色）和 User Profile（用户画像）。文章通过实际案例，说明了如何构建用户画像的标签体系，以驱动产品智能化，特别是在短视频平台的推荐系统中。

主要观点

1. User Persona（用户角色）

是产品经理在设计和开发阶段使用的工具，用于抽象化用户群体的共性与差异，形成虚拟用户。
帮助产品经理从用户角度思考问题，聚焦目标用户需求。
适用于需求分析、用户体验设计等阶段。
缺点是无法量化用户需求，且随着用户群体变化，需要重新调研。

2. User Profile（用户画像）

是基于用户行为数据构建的标签集合，用于描述用户兴趣、偏好等动态信息。
相较于 User Persona，更关注用户实际行为，具有更高的可操作性和数据支撑。
需要兼顾覆盖度与区分度，以满足产品运营的不同需求。
标签体系应具备时效性，能够反映用户兴趣的变化。
标签可以分为结构化标签（如性别、地区、视频分类）和非结构化标签（如Embedding、主题模型）。

关键信息

1. 用户画像的应用场景

新用户：以场景推荐为主，如工作日通勤、午休、周末娱乐等。
老用户：以兴趣标签和召回需求为主，提升用户粘性与留存率。

2. 用户画像构建方法

结构化标签：基于用户行为直接映射，如购买记录、浏览历史。
非结构化标签：如使用Item2Vec算法生成视频Embedding，再通过Bag of Words方法生成用户兴趣标签。
用户新鲜度标签：通过计算用户观看记录中影片之间的相似度，判断用户是否喜欢探索新内容。

3. 用户画像的挑战

数据稀疏性：用户观看记录覆盖度低，难以准确刻画兴趣。
兴趣变化快：用户的兴趣点受时间、热点影响大，需区分短期与长期兴趣。
场景识别难：当前主要依赖时间段，缺乏地理位置信息，限制了场景识别的细粒度。

标签体系设计原则

便于使用：标签应具备可操作性，便于在推荐系统中应用。
区分度明显：标签之间应有明确的区分，避免信息冗余。
灵活迭代：随着产品发展和用户行为变化，标签体系需不断优化和更新。

行业实践案例

神策数据与某知名视频聚合网站合作，构建了基于场景和兴趣的用户画像体系，以提升视频推荐的准确性和可解释性：

场景推荐：根据时间段和地理位置，为新用户提供不同类型的视频内容。
兴趣推荐：通过用户观看历史生成兴趣标签，结合场景推荐内容。
召回策略：通过分析用户观看记录的多样性，判断用户是否具有探索新内容的需求，从而推荐新鲜视频。

小结

用户画像在产品设计与运营中具有重要作用，User Persona用于抽象用户行为，User Profile用于数据驱动的个性化推荐。两者各有适用场景，但User Profile在实际产品中更具操作性和价值。构建用户画像标签体系需结合产品目标，灵活调整，不断迭代，以实现最佳的运营效果。