NLSP中的用户画像

奎林说 2021-05-13

209

只是个性化服务吗

星期二上午帮老师给专硕代课，三组学生上讲台汇报作业，她们准备得都很充分，汇报的三个都是女同学，我看了下，班上男同学占少数。

三个作业主题分别是用户画像、OA和知识管理工具三个方面的，幸好三个我都研究过。我讲评用户画像的时候，想在我们NLSP后台演示一下我们尝试做的用户画像模块，不知道是不是教室里用的电脑屏幕太小，系统界面显示不全，也拖动不出来，只好作罢。

我现在发现一个问题，书看得多了，谈话的时候容易串话题，越扯越远，未免太啰嗦了一些，下次注意。

用户画像最近几年是个很热的话题，各行各业都在说这个事，很多专著里面花大幅章节来讨论。

用户画像，英文为User Profile，是根据用户基本属性、社会属性、行为属性、心理属性等真实信息而抽象出的一个标签化的、虚拟的用户模型。“用户画像”的实质是对 “人”的数字化。用户画像的应用场景有很多，比如个性化推荐、精准营销、金融风控、精细化运营等等。举个例子来理解用户画像的实际应用价值，我们经常用手机网购，但其实我们每个人的购物APP页面都不一样。所谓“千人千面”，即电商APP的个性化推荐系统会给每个用户“量身定制”专属首页，精准推送符合用户需求和偏好的商品，从而提升转化率和用户体验。而用户画像构建的核心工作，即是给用户贴“标签”。标签（tag）：也称数据点。我们通过“标签”来对用户的多维度特征进行提炼和标识。

冷数据：性别、兴趣、常驻地、职业、收入水平和年龄层次等相对稳定的用户画像数据。温数据：近期活跃应用、近期活跃场景等具有一定时效性的用户行为数据。热数据：当前区域、当下打开的应用等场景化明显的实时数据。

在用户画像上，电商和各种商家对这个可真是着了迷了，那是实实在在的真金白银啊。大数据时代，APP比自己的爹妈都了解自己啊，甚至比自己还了解自己。所以说，大数据杀熟那是小菜一碟。掌握的数据越多，一个人被描述得越精确，电商是什么数据都想收集，是所有数据。

用户画像只是关注个体的定位和描述吗？不是的。用户画像更重要的是要归纳出一个群体的共性特征。用户画像可以帮助我们了解到最重要的80%用户需求是什么，以及哪些是用户其实没那么在意的20%的需求。通过建立用户画像（一个真实用户的形象），我们可以与用户产生共情，设身处地地去思考用户需求。

很多企事业单位已经积累了很多数据，很多已经开始了构建自己的用户画像体系，很多运营人员也将用户画像作为“用户洞察“、开展“精细化运营“的基础。这里有三个误区，需要了解一下。

误解一：将标签等同于特征。标签标识多维度的特征。但标签不同于特征。有的单个特征可以当做一个标签来使用，但有的标签是由多个特征聚类组合加工而成的。所以，不能把标签等同于特征。比如 “有车一族”这一标签就是由“男性（冷数据）”“手机安装有并经常打开汽车资讯类APP（温数据）” “常出现在4S店（基于LBS技术可以得到的场景化的热数据）”等特征综合提炼得出。

误解二：认为用户画像就是客观事实。一般来说，企业在构建标签体系时，会标注标签属性，帮助内部理解标签赋值的来源，进而理解指标的含义。一般来说，常见的有5种标签属性：固有属性、推导属性、行为属性、态度属性、测试属性。固有属性即指这些指标的赋值体现的是用户生而有之或者客观存在的属性，比如：性别、年龄、是否生育等。推导属性则是由其他属性推导而来的属性，比如星座，我们可以通过用户的生日推导；而用户的品类偏好，则可以通过日常购买来推导。行为属性是产品内外实际发生的行为被记录后形成的赋值，比如用户的登陆时间、页面停留时长等。态度属性则是用户自我表达的态度和意愿。在大数据的需求背景下，以往通过问卷来调研手机用户态度属性的方式显得有些低效；现在更多的则是利用产品中相关的模块做用户态度信息收集，比如微博的“点赞”按钮，用户可以表达自己对某观点的赞同。测试属性是指来自用户的态度表达，但并不是用户直接表达的内容，而是通过分析用户的表达，结构化处理后，得出的测试结论。现在很多产品都有UGC功能，用户可以表达自己的观点、情感、态度，通过对用户生成的内容进行文本挖掘分析，可以得出用户的价值观、性格等属性。所以，标签数据未必是客观事实，但也不是完全虚构，而是基于事实数据进行符合逻辑的模型分析得出。

误解三：认为用户画像都是对单个用户的描述。在互联网全面普及、物联网正进入爆发的当下，对特定用户的洞察有海量数据和前沿的数据智能技术作为支撑和依托，特定用户的画像构建当然是可行的。比如， APP/应用可以基于自身积累的用户注册数据和用户行为数据来综合刻画特定用户的画像，基于此，金融风控类应用可以精准识别高风险用户；新闻类应用可以准确筛选出热衷发表一些过激或负面言论跟帖的用户；电商类应用可以判断那些总是在频繁下单、打五星好评、然后取消订单的刷单用户….然而，目前行业更多聚焦于对某一人群或行业的洞察上，也会通过数据报告的形式呈现洞察结果。

高校图书馆作为为广大师生提供教学和科研资源保障的单位，坐拥了很多纸本图书期刊资源和海量的数字资源，如何能把这些资源有效推广出去，让广大读者真正能找到所需的资料，让买来的资源发挥有效的作用，是智慧图书馆建设的重中之重。

图书馆引入用户画像这个概念是非常必要和迫切的，其实这也是图书馆一直以来所做的，但是并没有把这件事情框在“用户画像”这个概念里，“为书找人，为人找书”不就是鲜明的旗帜吗？当然，在数字时代，海量资源的充分利用、精准统计和分析是不容易的一件事。用户画像，重在实践。

我们图书馆每年会买7、8万种纸本图书，几千种期刊，当然电子数据库就更多了，有180多个。电子和纸本资源经费已经要超越6:4了，往后会更多。NLSP中有大量的本校师生用户数据、也有一些联盟的读者数据，能把这些人和资源更优化地匹配是个难点也是个重点。

图书馆做用户画像，一是要提供精准服务、个性化服务，给读者留下一个永久保留的数字资产；二是为图书馆的资源建设做决策支持，就是俗话说的“好钢用在刀刃上”，把钱用在最需要的地方，穷图书馆就是这样没办法，做不到土豪馆的买买买。

NLSP作为图书馆界落地的国内首家下一代图书馆管理系统，已经在着手做用户画像模块，旨在学术方面数据的统计和分析，不涉及纸本资源和电子资源之外的无关信息。NLSP是个生长体，前后台的功能一直在完善，像谷歌宣称的那样：永远的Beta版。

看个简单的图，多了就不贴出来了。

当然，用户画像没有上面说的这么简单，还有很多复杂的事情要做。因为“用户画像”按大的分类来说，就必须区分两种：

一种叫做Persona，也叫做用户角色，是描绘抽象一个自然人的属性。

一种叫做Profile，是和数据挖掘、大数据息息相关的应用。通过数据建立描绘用户的标签。

数据库

文章转载自奎林说，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。

NLSP中的用户画像

评论