个性化档案数据服务

摘 要：用户画像，即用户信息标签化，就是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美的抽象出一个用户的商业全貌。可以看做是企业应用大数据技术的基本方式。本文从用户画像的背景、定义、构建、应用等四个方面详细说明。

关键词：用户画像，信息数据，标签

档案数据服务个性化的必要性在于一方面“信息超载”问题将在大数据档案领域内日益体现。另一方面，随着档案文化的发展，用户对档案信息的需求也日益多样化，用户碎片化的需求发展趋势要求档案信息系统能够为其提供个性化的服务。

在此，我们给出一个个性化档案数据服务的定义，即：利用档案数据系统，收集与分析用户对档案数据的偏好与需求，向档案用户提供档案数据信息和建议，帮助用户决定档案利用行为，满足用户对档案数据个性化需求的技术系统和服务机制。[1]

1 用户画像的背景

用户画像源于人类对自我诉求的探究。随着大数据技术的应用发展，人们更注重其实际用途，将其作为一种勾画目标用户、联系用户诉求与设计方向的有效工具。[2]交互设计之父 Alan Cooper 最早提出了这一概念，他认为用户画像是真实用户的虚拟代表，是建立在一系列真实数据之上的目标用户模型。[3]

2 用户画像的定义

我们经常这样描述一个人：男性，35岁，中等身高，国字脸，短发，微胖，大学本科毕业，在XX单位工作，主要从事互联网行业，属于高收入人员，经常网购，偏好电子产品。这样的描述可以让我们对一个人的某些方面有很直观的了解，如果信息足够，我们可以大概知道这个人的样子，从而对这个人的一些行为进行预测或分析。这就是一个用户画像的简单案例，这些描述就是我们对这个人的特征的抽象，这里用标签来描述这些特征，如果对一个人的特征掌握足够全面，就可以对这个人产生更具体形象的了解，就像看到了本人的照片一样，这就是用户画像。

用户画像，即用户信息标签化，就是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美的抽象出一个用户的商业全貌。

3 用户画像的构建

3.1标签

要进行用户画像构建，首先需要了解标签，标签是对用户的社会属性、生活习惯、消费行为等进行进一步的抽象，通过简单规则算法或者大数据技术对用户行为习惯的分析提取，以及对用户简单直接的特征描述即用户标签，标签的目的使我们简单、直观的了解用户的某些特征。标签也分不同类别，宽泛的说标签主要分为基础属性标签（性别、年龄、体型、婚姻状况、所在地区等）、行为标签（爱好、常用购物网站、关注商品类别、常出现的地点等）两大类。用户打标签的过程就是对用户的行为习惯或者特定属性进行提取分析的过程，当一个用户的被打的标签足够多的时候就产生了用户画像。[4]

3.2用户画像的构建方法

目前有很多已经被大家认可的用户画像的构建方法，如Alen Cooper的“七步人物角色法”，Lene Nielsen的“十步人物角色法”等。[3]事实上，这些方法从流程上主要可以分为3个步骤：获取和研究用户相关信息、细分用户群、给用户打标签并建立用户画像。

3.3用户画像的构建步骤

第一，收集到用户所有的相关数据并将用户数据划分为静态信息数据、动态信息数据两大类，静态数据就是用户相对稳定的信息，如性别、地域、职业、消费等级等，动态数据就是用户不停变化的行为信息，如浏览网页、搜索商品、发表评论、接触渠道等。第二，通过剖析数据为用户贴上相应的标签及指数，标签代表用户对该内容有兴趣、偏好、需求等，指数代表用户的兴趣程度、需求程度、购买概率等。第三，用标签为用户建模，包括时间、地点、人物三个要素，简单来说就是什么用户在什么时间什么地点做了什么事。

4 用户画像的应用

完成用户画像后要使其真正产生价值还要对构成用户画像的标签进行进一步分析，尽量去除那些无关紧要或者影响力比较低的标签，找到影响我们关注点的那些标签，从而使用户画像真正产生价值。用户画像对互联网行业尤其是电商平台尤为重要，将消费者的所有行为数据收集、分析进一步挖掘潜在的商业价值。通过收集消费者的社会属性（地域、性别）、生活习惯、消费行为等数据，可以分析某个或某一区域的消费者的整体特征，用于向单一消费者进.行商品推荐或用于调整区域仓库某一商品的备货数量，从而达到精准销售或节省成本的目标。以推荐引擎为例简单解释下：用户A（男）在情人节买了一瓶红酒和一个女性手镯（当然该用户还有其他数据），标签提取：非单身、男，时间点提取：情人节，这里我们就可以在特定的节日给用户A推薦女性喜欢的礼物。这就是我们逛购物网站时经常看到的推荐商品的基本原理。所以说，基于用户画像上的精准营销不管对企业还是用户来说，都是有需求的，这会给双方交易带来极大便捷，也为双方平等沟通搭建了一个畅通平台。具体包括：分析原有用户属性，找出忠实用户、核心用户、目标用户与潜在用户；利用数据管理平台进行用户行为数据收集，搭建并完善用户画像模型：寻找迫切需求信息的匹配人群，精准推送相应的营销广告或服务信息；营销信息投放一段时间后，剖析用户反馈行为数据，使营销更加精确；不断丰富与优化用户画像模型，从而最终达到个性化营销与服务推送。

5 结语

互联网技术与大数据应用无疑是大势所趋，但高楼万丈平地起，如果从一开始就无法提供高纯净度的数据基础，任何美好设想都将是无本之木、无源之水。大数据时代用户画像和媒介策略的核心在于对用户轨迹点和接触点的理解。首先，它源于数据的准确性，其次，它依靠数据的多维性。[5]譬如现在有一个现象叫做数据身份共享。举个例子有些孩子有在培训机构补课，中午需要自行解决午餐。于是，家长会用自己的身份信息资料以及信用卡注册的支付宝就成了孩子的支付工具。孩子除了支付中午的外卖之外，也会用支付宝在淘宝上购买一些她所喜欢的小东西。如果将一个小女孩的购物行为归结到一个成年男人或者女人的身上，岂不是张冠李戴？这样的用户画像便是不准确的。中国人的个人边界意识较之于西方人是十分淡漠的。但数据身份的共享却为后续的大数据处理带来了极大的麻烦。据说亚马逊已经申请了预测式发货的新专利。亚马逊会根据某个用户之前的订单、商品搜索记录、愿望清单、购物车，甚至包括用户的鼠标在某件商品上悬停的时间等数据，预测用户的购物习惯，从而在他实际下单前便将包裹发出。显然，亚马逊的这一大数据应用是建立在历史数据的高纯净度的前提之下的，基于这些高纯净度数据来给用户画像。如果因为数据身份错位或共享而导致大数据污染，所谓的用户画像就是失真的，也就不可能成为数据分析与预测决策的依据。[6]所以，我们必须重视杜绝大数据污染以及用户画像的真实度，这就要求我们必须把好“数据身份认证关”，这才是大数据应用之基。

参考文献：

[1]田伟.构建个性化档案数据服务引擎研究[J].学术研究，2014，（12）：10.

[2]张哲.基于微博数据的用户画像系统的设计与实现[D]. 武汉：华中科技大学， 2015.

[3]张小可，等.贝叶斯网络在用户画像构建中的研究[J].移动通信， 2016，（22）：22-26.

[4]隋国政.浅谈用户画像构建及应用[J].电子世界，2017，（15）：144-146.

[5]董莉莉.剖析大数据时代下用户画像及媒介策略[J].传媒，2016，（2）：82-83.

[6]陈禹安.大数据污染与用户画像[J].销售与市场（管理版），2016，（7）：23-24.

作者简介

金小月（1995-），女，汉族，安徽合肥人，硕士在读，安徽大学管理学院图情档专业，研究方向：档案管理