从0-1搭建用户画像系统的设计思路（二）
04 数据建模
对人、货、场进行分析，对用户个体的性质和特征做出概括，形成相应的用户属性标签、用户行为标签后。才可以开始建
模。
建模需要分别从定性、定量，两个方面入手：
• 定性：在从已有数据中心，选择特征；假设这些特征与你要预测的值有一个关系，这个关系就是一个原始的模型
• 定量：确定模型中涉及到的所有未知系数
模型计算完成后，需要计算模型的置信度；此时根据测试数据（可以是团队内部测试、灰度测试等方式），来判断模型计算
的结果，与预期是否相符。
如果相符，就可以用这个模型来预测用户喜欢什么；如果与预期不相符，那么久需要重复上述过程。
比如商城系统中，有以下数据项：
用户忠诚度指标（L），与用户活跃度、购物车商品数、收藏数、下单数、在线时长的用户行为指标有一定的关系；将这5项
数据指标的熵权值，定义为用户忠诚度指标，可以用以下公式表示：
其中a表示上表中A2-A6的归一化值，归一化计算公式如下：
w表示权重。权重系数计算公式如下：
其中，e为行为数据信息熵，计算公式如下：
最终计算所有的用户的指标L后，例如可以取前25%为高忠诚用户，25-50%为普通忠诚用户，剩余为低忠诚用户，取值范
围可以根据业务实际情况调整。
另外，由于权重系数，有可能随时间的增加而衰减；所以如果需要，还需要定义衰减因子r；加入衰减因子后，标签权重=衰
减因子*行为权重。
05 梳理用户画像维度
设计用户画像维度时，建议使用MECE（Mutually Exclusive Collectively Exhaustive）准则；也就是对于一个重大的议
题，能够做到不重叠、不遗漏的分类，而且能够借此有效把握问题的核心，并成为有效解决问题的方法。
比如初步搭建用户画像维度，可以参考下图：
上图为商城系统，初步的用户画像维度。图中的数据，按照获取的方式，可以分为：统计类标签、规则类标签、挖掘类标
签。
统计类标签：这类标签是最为基础也最为常见的标签类型，例如对于某个用户来说，他的性别、年龄、城市、星座、近7日活
跃时长、近7日活跃天数、近7日活跃次数等字段可以从用户注册数据、用户访问、消费类数据中统计得出；该类标签构成了
用户画像的基础。
规则类标签：该类标签基于用户行为及确定的规则产生；例如对平台上“消费活跃”用户这一口径的定义为近30天交易次数
>=2，在实际开发画像的过程中，由于运营人员对业务更为熟悉、而数据人员对数据的结构、分布、特征更为熟悉；因此规
则类标签的规则确定由运营人员和数据人员共同协商确定。
挖掘类标签：该类标签通过数据挖掘产生，应用在对用户的某些属性或某些行为进行预测判断；例如根据一个用户的行为习
惯判断该用户是男性还是女性，根据一个用户的消费习惯判断其对某商品的偏好程度；该类标签需要通过算法挖掘产生。