这七家大公司的实践，告诉你用户画像到底该怎么做 | 免费下载电子书

　　策划｜Tina

　　序言｜易观CTO 郭炜

在2016年，王兴说，互联网已经进入了“下半场”，互联网人口红利的时间已经过去了，需要对用户的深耕细作获得更多的收入和利润。过去的一年里，各家将大数据从嘴上落到实际的运营体系当中， “用户画像”就是其中必不可少的一环。

无论是“增长黑客”还是“精益数据分析”，所有公司精细化运营者面对成前上万的用户，都会问那三个哲学上的终极问题：“你是谁？”（用户画像与特征），“你从哪里来？”（用户来源渠道与效果），“你到哪里去？”（用户流失与召回），其中用户画像系统会在业务和技术领域中不可或缺的组件。

由于产生用户画像会用到大量的数据挖掘算法，很多的CTO/CDO都认为将用户画像系统想当然的放置到挖掘团队来执行，而笔者认为，用户画像系统，是与大数据存储平台、大数据调度平台、元数据管理平台等平行的大数据基础业务组件，它执行力度层次应该以CTO/CDO执行领导的项目体系。一个优秀的用户画像系统存在以下几个挑战，需要CTO/CDO亲自重视。

用户画像系统的基础是用户统一ID系统：用户统一ID系统，在传统公司里叫做ECIF，它横跨了数据治理、数据整合、业务打通等几个难关；在互联网公司中叫用户跨屏唯一ID，对于跨屏ID整合算法，APP硬件设备指纹/防刷量等技术门槛有很高的要求，而做好这几点的业内公司少之又少。

用户画像标签体系是业务技术共同合作的结晶：在大数据融合的背景下，很多不同公司之间进行数据补全的工作，经常会遇到标签打通的难点。其实，一个公司好的标签体系与其业务是强绑定的，通用性较强的只有用户基本属性一层，越良好的标签体系越是和公司业务与运营密切相关，例如万达的线下品牌偏好度标签与易观线上APP TGI标签就是典型不同维度的指标体系分支。

用户画像系统与各系统打通：一个完备的用户画像系统，不仅仅为搜索推荐引擎服务，也会为数据分析BI展示、风控系统、数据挖掘引擎、数据元数据管理平台等提供有效的用户全生命周期的标签以及计算指标。技术和业务整合难度非常大，需要跨多个技术和业务部门进行协同，是一个技术“一把手”工程。

用户画像的时时并发挑战：一个优秀的画像系统经常会被各种系统时时访问，很多动态标签也需要实时更新，今日头条和一点资讯的时时推荐系统就是基于一个庞大的时时用户兴趣标签集群计算而得；而大量大数据Ad-hoc查询经常体现在这里，最常见的案例就是要求秒级的用户标签与用户行为的交叉查询（十亿级别用户 v.s. 千亿级别的用户行为），InfoQ中我和各位专家有很多类似文章，跟兴趣的同学可以去观看。

简而化之，用户画像系统的大致关系位置如下图：

综上，用户画像系统是一个涉及到各种知识体系的综合系统，本电子书中几个作者介绍一个公司如何从无到有的搭建用户画像系统，以及其中的技术难点与实际操作中的注意事项，实为用户画像的实操精华之选，推荐各位收藏阅读，也希望各位大数据从业人士在各自领域里有所斩获，算法精进，数据大成！

　　内容概览

　　1. 美团外卖 O2O 的用户画像实践

外卖是一个新鲜的事物，在用户对一些新品类和新产品缺乏认知的情况下，需要通过技术手段识别用户的潜在需求，进行精准营销。面临外卖业务场景下的一些挑战，需要用户画像团队更细致的数据处理、融合多方数据源，同时发展出新的方法论，才能更好地支持外卖业务发展的需要。而外卖的挑战，又分别和一些垂直领域电商类似，经验上存在可以相互借鉴之处。因此，外卖的用户画像的实践和经验累积，必将对整个电商领域的大数据应用作出新的贡献！

　　2. 去哪儿的用户画像构建策略及应用实践

用户画像的构建原则有两条：

• 必须从业务场景出发，解决实际的业务问题，之所以进行用户画像要么是获取新用户，或者是提升用户体验，或者是挽回流失用户等有明确的业务目标 。

• 根据用户画像的信息做产品设计，必须要清楚知道用户长什么样子，有什么行为特征和属性，这样才能为用户设计产品或开展营销活动。

用户画像作为大数据的根基，它完美的描述了一个用户的信息全貌，为进一步精准、快速的分析用户行为、消费等重要信息，用户画像仓库同时也提供了足够的数据基础。

　　3. 40 亿移动设备的用户画像和标签架构实践

这篇整理TalkingData的王鹏老师在大数据杂谈的分享。说起大数据的应用可能很多朋友们脑子里边第一映像就是画像，我想从以下几个方面跟大家聊聊画像相关的事情：1、什么是画像；2、画像的用处；3、如何进行用户画像；4 画像应用中的难点。

　　4. 携程是如何做用户画像的

用户画像作为“大数据”的核心组成部分，在众多互联网公司中一直有其独特的地位。作为国内旅游 OTA 的领头羊，携程也有着完善的用户画像平台体系。目前用户画像广泛用于个性化推荐，猜你喜欢等；针对旅游市场，携程更将其应用于“房型排序”“机票排序”等诸多特色领域。本文将从目的，架构、组成等几方面，带你了解携程在该领域的实践。

　　5. 百分点苏海波博士：为什么你做的用户画像模型不精准？

对企业而言，得用户者得天下。

用户画像不是数学游戏，而是严肃的业务问题。构建用户画像的核心是进行标签建模，标签不仅仅是个符号，更要和业务紧密关联，是业务和技术的最佳结合点，是现实与数据化的最佳实践。不断从更深的逻辑角度思考建模理论，并有效匹配业务应用，用户画像在实际业务中的重要价值将会越来越大。

　　6. 易观用户画像实践

本文概括介绍了用户画像的定义、作用以及如何构建用户画像，在这个实践过程中，我们深刻体会到算法不是万能的，除了需要掌握那些挖掘算法的原理外，仍应以业务为中心做展开，一定要对自己的业务数据做分析。模型只是其中的一部分，即便在深度学习发展趋势迅猛的今天，我们也能看到很多传统的数据挖掘算法效果仍然优于深度学习。现在业界的整体模型也差不太多，能拉开差距的基本还是对数据的理解和数据处理上。

　　7. 让机器读懂用户：大数据中的用户画像

用户画像是当前大数据领域的一种典型应用，也普遍应用在多款网易互联网产品中。本文基于网易的实践，深入浅出地解析了用户画像的原理和生产流程。

　　下载方式

　　方法一：

点击本文左下角“阅读原文”到官网下载免费电子书。

　　方法二：

复制百度云网址到浏览器进行下载：https://pan.baidu.com/s/1eSbyzrc