「」从0到100，用户画像的构建思路，值得学习参考！( 四 )

根据背景分析，我们可以增加流失用户关于push渠道的打开意愿的标签，提高push资源的使用效率。
经过上述分析，需要生产的标签如下：

用户生命周期_流失；
用户折扣优惠敏感度；
push使用标签：这里可用统计型标签，例如push最近一次访问时间，在使用时设置条件为“最近3天，最近7天”；也可用综合的算法挖掘型标签，即push渠道偏好。

通过以上需求分析和思路拆解，画像的建设过程应该比较明确，这里再留一个思考的case ，可以尝试如何分析如何落地：平台新上一款商品，初期需要在某模块展示给目标用户做推广，同时尽量不打扰其他非目标用户，不降低该资源位的整体转化效率。
思路拆解提示：商品的目标用户——商品可以按照哪些维度拆分关键信息？模块位置——用户的模块功能使用偏好是什么？准确率的要求——如何提升画像应用的准确率？
回答好以上问题，这个需求的标签便能顺利获得。
③ 用于算法，主要应用于搜索推荐、风控广告等策略方向，标签可以直接作为用户特征使用。
标签除了用于基本的用户群体描述，定向营销和精细化运营，还有一个相对来说新颖又广泛的用途，用于各算法的各个环节，在召回和排序两大经典策略流程中，都可以用到用户画像，这里我们举例画像在推荐系统的召回层应用案例。
需求背景：推荐系统的本质是从海量信息中计算用户最感兴趣的部分，对应推荐系统的“召回-粗排-精排” ，是一个“层层精选”的过程。其中召回层是精选的第一道流程，为后续计算打分准备初步的兴趣候选集，这里候选集的生成方法之一就是用户画像法。仍然以电商业务为例，讲述如何用用户画像做兴趣召回。
思路拆解：召回的作用是粗筛，帮助推荐系统计算第一道用户兴趣池，这里用户对物品的兴趣兴趣可拆解为对商品品牌、类目和商品标签的兴趣，这部分就已经转化为上述文章中的已知内容。
用户标签中是有品牌偏好标签、类目偏好标签和标签偏好标签的，只需要在所有品牌、类目、标签下维护一个按照商品质量或者热度倒叙的列表，这样只要获取到用户标识，便能从用户画像中获取偏好的品牌、类目和标签，再从品牌、类目和标签下的商品列表中召回相应的商品，根据候选集大小的设计，做top k截断召回。这部分商品完成了初步的召回，为进入下一个流程进行粗排和精排做准备。
以上章节，选自：《数据产品经理：实战进阶》
编辑：黄继彦
—完—
关注清华-青岛数据科学研究院官方微信公众平台“ AI数据派 ”及姊妹号“数据派THU ”获取更多讲座福利及优质内容。