分布式用户画像（数据服务业务的基础）

用户标签、用户肖像、用户分组、用户分层、用户分段，许多作为用户运营的朋友会被这些概念弄糊涂。今天，我将解释这个系统。以下是这些事物之间的关系：

有两种方法可以用数据描述用户：

指标和标签

指标：连续数据，比如过去三个月的消费量

标签：分类数据，如用户性别和居住地

通过丰富的指标和标签，可以描述用户。

之所以单独强调用户标签，是因为大量没有分类的指标难以使用，对业务没有什么直接意义。标签可能很复杂，并且可以附加业务含义。这些具有业务含义的标签甚至可以直接组合到业务登陆方案中，因此它们非常容易使用。

大量的用户指示器和标签构成了一幅用户肖像。用户肖像是一个通用术语。当我们谈论用户肖像时，我们都知道我们谈论的是用户指示器和标签。用户肖像是数据服务业务的基础。只有用户肖像，我们才能进一步的工作。

用户群集是一种方法

用户分组是使用用户肖像的方法，即不将用户视为一个整体，而是从用户特征、行为等方面找出差异，并将其划分为不同的组。例如，他们根据性别、年龄、城市、消费和活动水平分为不同的群体。

聚类后，便于企业更好地识别不同类型的用户，进行精细化操作。简单的用户聚类可以直接对用户标签（尤其是物理特征）进行分类，而复杂的聚类可以使用更多的数据。用户分层是一种典型的复杂聚类。

用户层次结构是一种特殊的聚类

如果将聚类标准设置为用户值，则此聚类就是用户分层。用户分层不仅仅是简单的分组，而是区分高、中、低值，以便进一步服务。

注：“价值”本身有很多定义

1、活跃值：用户在平台上登录次数较多，并长期保持活跃状态

2、转介价值：用户会多次转介，带来很多新用户

3、历史消费价值：用户在历史上花了很多钱

4、未来消费价值：用户未来会花很多钱

因此，在讨论分层之前，我们应该首先明确分层的标准以及应该使用什么样的指标定义。

定义指标后，可以开始划分级别。许多朋友很难决定分界线在哪里合适。划界原则是：

1、分层后各层分化明显（10%以上）

2、分界线本身简单、清晰、易于识别

3、分层后，每组规模足够大，值得做

只要满足这三个标准，它们就是良好的分层。

另一个分层考虑是区分历史行为和未来行为。许多朋友在分层时只知道获取历史消费和历史活动数据。这是有风险的，因为高历史消费并不一定意味着高未来消费。特别是，这一历史消费高峰是在促销期间或通过购买耐用品购买的。此时，用户对未来的消费需求很少。将历史消费记录按顺序排列，然后说：这是我的高价值用户，或者这是我的高质量用户，未来很可能会被击败。

因此，需要验证历史消费与未来消费之间的关系。如果没有直接链接，可以尝试区分用户特征。

开/关

请注意，有两种类型的用户分层：显式和隐式。显式分段意味着分组规则向用户公开。例如，一年内消费超过1万元的金卡用户可以享受3888个会员礼包和九折购物折扣。

深色评分意味着设置了内部标准，例如a类用户的促销敏感度较低，B类用户的促销敏感度较高。后来，在中，只会给B类用户，而不是a类用户。显式分离和隐式分离在业务和数据上会有明显的差异，因此在实际操作中必须将其明确区分开来。

显然，它可以直接刺激用户的消费，促进用户的升级。只要奖励足够吸引人，你就能看到一个普通用户一夜之间就变成了vvvip。因此，如果要发布分组规则，最好直接将此分组视为促销活动。评估额外资源和新消费，并评估集群效应。

请注意，这是有限制的。

1、聚类规则不应该太复杂，否则用户将无法理解，一切都将毫无用处。

2、集体奖励的门槛要高，否则会有太多人埋伏，成本会爆炸

3、团体奖励应该够厉害的，否则三个瓜两个枣就没人付钱了

4、要做好身份认证工作，否则多个用户收集一张金卡来收集羊毛是很常见的

5、控制奖励重叠，避免金卡奖励与其他奖励重叠过多，成本失控

事实上，这意味着大数据已经成熟，价格会受到歧视。在控制成本和推动运营指标方面，暗分数比亮分数更有效。

例如，运营部门发现最近转换率有所下降。如果直接进行大规模推广，那么相当一部分成本将被原本会消费的用户拿走。然后，通过复杂的内部规则（或简单地训练购买预测模型），它可以找到更可能不会自然消费的用户，并且只针对他们。这样，黑箱操作可以更明显地降低成本，提高指标。

然而，这有一些先决条件：

1、关闭信息并直接推送给用户的应用程序/小程序

2、用户非常活跃，有接收信息的能力

3、下单时间有限制，避免多平台用户之间价格比较/账号变更

此外，他们通常会在地面上打折，但不能直接抛出3888个大礼包，不方便直接向用户收费1万元。这意味着这种暗搓法不适合消费，但更适合转换率，这样用户就可以花一点钱，先下两个订单。

然而，也存在一个问题，即用户活动的转换可能具有低跳转率。如果用户未处于活动状态，则不会接收推送信息，并且后续的分层推送将没有机会。因此，我们仍然需要一些大规模的宣传/推广来支持，我们可以先解决活跃度的问题。

用户分层和推荐系统之间的关系是什么？

看到这一点，一些朋友必须思考：推荐系统和用户分层之间的区别是什么？他们不是都在向用户推销吗？

尽管他们都在推动，但他们解决了不同的业务问题：

该推荐系统解决了在不搜索大量商品的情况下降低用户搜索难度的问题。

用户分层解决了刺激用户消费和促进用户活动的问题。

许多公司只有一到两百个SKU和五到六条产品线。即使有推荐系统，也只有少数。然而，电子商务/短视频平台的SKU通常有数亿个，因此我们必须提出建议，否则我们如何展示它们。即使只有一个SKU，用户也有高、中、低消费的区别。他们还可以通过结合用户肖像来了解我的高端消费者是谁。因此，用户聚类和分层的应用范围远远大于推荐系统。只要它是一家公司，就可以使用它。

,