基于用戶畫像的商品和服務能夠提升平臺服務體驗并促進服務的個性化、精準化實現，本篇文章為大家詳細地講解了如何運用AI技術構建用戶畫像。
在幫獨角獸企業做產品咨詢顧問工作的過程中，多有CEO說：“詩路我要買數據，哪里有賣數據的，我想用我2千萬用戶的手機號去碰撞數據”。
我常問您要用手機號碰撞數據，碰撞出來的用戶偏好還是第三方的，也不是您平臺的用戶行為，更不能在你的場景業務形成交易落地。然后CEO們會追問詩路：“您說我該怎么做？還有我的產品經理不懂AI，格局不夠，您看我要換嗎？”。
本文就以上問題，如何實現AI背景下的用戶畫像，以及如何看待所謂的“產品經理的能力下滑”等兩方面問題做出實踐回答。通過實現AI助力的用戶畫像產品經理就不在僅僅是個只知道用戶畫像、標簽、屬性、表的概念，而是能夠帶領團隊以身作則實現產品的需求，進而贏取用戶。
第一個方面：運用AI技術構建用戶畫像
大數據和AI技術的發展驅動著商品和服務向著個性化、精準化方向發展。基于用戶畫像的商品和服務能夠提升平臺服務體驗并促進服務的個性化、精準化實現。
用戶畫像又稱用戶角色作為一種勾畫目標用戶、聯系用戶訴求與設計方向的有效工具用戶畫像在各個領域得到了廣泛的應用。目前由于用戶畫像能夠精準、快速地分析用戶的行為習慣、需求意愿為商品和服務提供重要的數據基礎因此基于用戶畫像的個性化推薦商品和服務系統已經走上產品舞臺的中央。淘寶為構建用戶畫像給一個用戶的標簽維度數量高達2W以上。
在構建用戶畫像這段會運用大數據技術、語義網技術和AI技術將平臺的商品和服務各種類型資源信息構建為基于語義關系的、具有復雜關聯網絡的知識圖譜并開展以知識圖譜為基礎的智慧化、個性化商品和服務。
用戶的瀏覽、交易行為全部能夠映射到知識圖譜之中通過用戶行為在知識圖譜中的全部映射參考用戶所在行業和領域的群體行為在知識圖譜中的映射即可建立平臺的用戶畫像。
第一步：用戶畫像建模
對于一個商品和服務平臺中的用戶畫像的建模主要通過獲取用戶的瀏覽行為背景、交易情況、相似用戶需求趨向相關的信息并將這些信息進行模型化表示從而提取出用戶需求偏好和趨向。
用戶的性別、年齡、公司、學歷等靜態數據構成了用戶的基本信息。用戶交易信息、瀏覽信息、訂單信息、檢索、下載、收藏、點贊、網絡環境切換等動態行為軌跡構成了用戶行為歷史數據。
用戶所屬的行業和領域的群體行為軌跡又給個體用戶提供了行業背景的動態模型。將這些靜態數據和動態數據分為用戶基本信息、用戶瀏覽歷史、用戶行業背景3類，每個類別包含多種不同的用戶行為軌跡這些共同構成了用戶畫像層次模型見下圖：
在這3類模型標簽的基礎上進一步確定預測標簽可歸納為：用戶屬性、用戶關注的商品和服務、用戶偏好的商品和服務。
這3種預測標簽可進一步指導用戶在商品和服務平臺上設立用戶個性化服務空間甚至是C2M的客制化電商模式按照用戶的屬性、用戶的關注領域和用戶偏好分別推送典型的商品和服務資源。
第二步：運用層次分析法決策
層次分析法（Analytic、Hierarchy、ProcessAHP）是將與決策有關的元素分解成目標、準則、方案等層次在此基礎上進行定性和定量分析的決策方法。
運用層次分析法首先要建立遞階層次結構然后構建判斷矩陣、計算權重值并分析決策過程。
（一）建立遞階層次結構
在上面LineLian圖所示的層次結構中個體用戶畫像S是目標層定義模型最終需要解決的問題用戶基本信息T1、用戶瀏覽【埋點】信息T2、用戶行業偏好背景信息T3是準則層定義使用方案層的方法是解決目標層的問題所需要的中間環節其中T3又進一步細分為用戶群體畫像U10和群體標簽畫像U11性別U1—點贊、收藏、分享U9以及重點機器埋點交易V1—點贊、收藏、分享V10是方案層定義了為達到目標層的定義而采用的方法和措施。
（二）構造兩兩比較判斷矩陣
構建判斷矩陣的過程就是對因素之間的重要程度進行量化的過程。判斷矩陣采用1一9量化指標構造用戶屬性相對矩陣。構造同層次因素間的判斷矩陣計算出矩陣的最大特征值及其特征向量并進行一致性檢驗。
構造兩兩比較判斷矩陣時可以由產品+行業領域專家對全局統籌把握將兩兩因素之間的重要性分為同等重要、稍微重要、明顯重要、強烈重要以及極端重要5個等級并且用相應的數字進行標注。
例如，對LineLian圖中的個體用戶畫像S來說用戶基本信息T1、用戶瀏覽歷史【埋點】信息和用戶行為偏好信息T3的兩兩比較判斷矩陣S為：
S=【1 1/5 1/3
5 1 2
3 1/2 1?】
計算矩陣的最大特征值和特征向量其中特征向量對應著不同因素的排序。AHP對判斷矩陣是否具有完全一致性提出了數學化的指標：一致性指標C.I.（ConsistencyIndex）。AHP認為C.I.反映的是判斷矩陣偏離一致性的程度C.L值越大該矩陣偏移一致性的程度就越大反之越小。C.J.=λ-n/n-1C.I的值越大矩陣的不一致性越嚴重其中λn為判斷矩陣S的最大特征根。
為了衡量n與一致性的關系AHP引人了平均隨機一致性指標R.I.（Random Index）。R.I是與n相關的離散函數不同的n值對應不同的R.I。
AHP利用這兩個衡量判斷矩陣一致性的指標：C.I.和R.I.引人了第三個指標——隨機一致性比率C.R.（ConsistencyRatio）。C.R=C.I/R.I當C.R<0.1時認為矩陣具有滿意的一致性反之則要重新構造矩陣直至滿足C.R<0.1為止。
（三）計算權重值
將各因素的兩兩比較判斷矩陣權重與上一層次因素指標權重相乘從而計算出這個因素指標權重的合成。如：分享商品或服務頁面合成權重=用戶瀏覽歷史權重X分享頁面權重以此類推計算出各項指標的合成權重。
小結：分析決策
經過以上三個步驟，就可以根據建構的問題模型得到相應的底層因素的權重值。再通過分析、比較將數學判斷與專家決策人的相關經驗相結合最終即可形成決策方案。
第三步：用AI技術中的知識圖譜-基于向量空間模型的用戶畫像
用戶畫像能夠表示用戶對商品和服務相對穩定的興趣需求它反映了用戶在一段時間內對商品和服務資源需求的主要傾向。隨著用戶交易行為的按照時間序列的記錄和用戶反饋的修改用戶畫像不斷地動態調整。
用戶畫像對用戶商品和服務興趣的表達主要有3種方式：概念表示法（如輕食、文創）、關鍵詞表示法（莫斯利安、全家、拿鐵、臟臟包）和向量空間模型表示法。基于AI項下知識圖譜的用戶畫像是采用向量空間模型表示法來表示用戶對商品和服務偏好與傾向的。
（一）向量空間模型
向量空間模型由Gerald Salton等在20世紀60年代提出并成功地將其應用于著名的SMART文本檢索系統。他是把對文本內容的處理簡化為向量空間中的向量運算并且他以空間上的相似度表達語義的相似度直觀易懂。當商品被表示為商品空間中的向量就可以通過計算向量之間的相似性來度量商品間的相似性。文本的處理方式中最常用的相似性度量方式是余弦距離。
若把商品表示為商品空間中的向量則首先要假設商品中每個字或圖在商品中的作用是相互獨立的。根據貝葉斯假設商品可以由其中的字或圖的集合代替這些字和圖即被稱為商品的特征項。
設商品d1中的特征項為ki其權重用wij表示則確定值的最常用的算法之一是TF-IDF方法。其中TP（詞頻）表示關鍵詞在文檔中出現的頻率。其是對詞數（Term Count）的歸一化防止它偏向長的文件。對于在某一特定文檔d1中的關鍵詞ki來說它的重要性可表示為：
TFij=fij/∑（h）fh+j （1）
其中，f ij?表示關鍵詞ki在商品d1中出現的次數，∑（h）fhj表示商品dj中所有描述詞語出現的次數之和。
IDF（逆向文件頻率）是對一個詞語普遍重要性的度量。某一特定詞語的IDF可以由總文件數目除以包含該詞語的文件的數目加1再將得到的商取對數得到。
IDFi=㏒N/1+ni （2）
這樣利用TF-IDF算法得到的關鍵詞ki的權重就可以表示為
Wij=TFij*IDFi （3）
（二）向量空間模型表示的用戶畫像
在用戶畫像層次模型中用戶的瀏覽歷史和用戶的標簽偏好背景中的各項指標都可以借助向量空間模型來表示。個體用戶LineLian的終端機器交易、小程序交易、檢索數據庫、瀏覽網頁、點贊、收藏分享等網絡行為群體用戶的終端交易、小程序交易、檢索數據庫、瀏覽網頁、點贊、收藏分享等網絡行為軌跡可以根據用戶瀏覽歷史活動列表來表示。
例如用戶LineLian購買了m份麥隆咖啡那么用戶LineLian咖啡品類的向量空間模型Tj={<kj1wj1><kj2wj2>…<kjmwjm>}由<詞，權重>對組成。
利用層次分析法可以計算出這些類別商品運營活動的各項指標的合成權重值，例如：分享某商品合成權重=用戶瀏覽歷史權重X分享商品權重。由用戶LineLian的分享商品的向量空間模型Tj中的各項詞向量權重值wjm X分享商品合成權重值就可以得到用戶LineLian的分享商品的用戶畫像的向量空間模型TDj。
以此類推計算出用戶LineLian各項商品運營活動的用戶畫像向量空間模型。
（三）時間上下文【時間序列】
在分析用戶的歷史瀏覽行為時時間是一種重要的上下文信息。一般認為用戶最近這段時間的瀏覽行為的權重要高于用戶早期的瀏覽行為的權重因此我們將時間上下文因素考慮進來。
將時間序列因素融合到用戶的興趣模型中的方法。用f（t）表示時間衰減函數，代表每次商品運營行為所占的權重，f（t）的公式為：f（t）=1/1+α（T-t），其中α為時間哀減參數T表當前時間t表示用戶發生該商品分享行為的時間T-t表示用戶該分享行為發生至今的時間長度單位為天f（t）表示經過了T-t時間段衰減后的值其取值范圍是0~1f（t）隨著時間差值的增大而減小且減小的速率越來越小。
融合了時間上下文因素后用戶LineLian各項商品分享活動的用戶畫像向量空間模型中的每一個詞向量的權重值都要乘以發生這一行為對應的時間衰減函數f（t）才能得到該用戶的融合了時間上下文的用戶畫像向量空間模型。
（四）群體用戶畫像
在建構用戶畫像層次模型時將用戶的行業和偏好背景因素也看作用戶的一種屬性特征而行業背景和偏好背景也是可以通過該行業所有用戶的歷史瀏覽軌跡來表示的。因此在用戶畫像的構建中實際構建了群體用戶畫像和個體用戶畫像兩種模型。
在構建群體用戶畫像時屬于這個群體的每一位個體用戶的各類歷史瀏覽行為都參與了這個群體的對應類別的群體畫像因素合成。例如某一行業白領有n位用戶用戶LineLian分享商品的用戶畫像的向量空間模型為TDj則這一商品用戶群體分享商品的用戶畫像的協同向量Pj=<LineLian1LineLian2…LineLiann>。
以此類推計算出所有用戶群體的各項商品的群體用戶畫像向量空間模型。
群體用戶畫像中各類別商品服務的各項指標在整個用戶畫像中本指標所占的權重值也可以通過層次分析法來計算獲得。例如：某類目商品被分享合成權重=某類目用戶分享商品歷史權重X某行業分享權重由該專業用戶LineLian的分享的向量空間模型Tj中的各項詞向量權重值wjmX某類目行業分享合成權重值就可以得到該專業用戶LineLian分享某商品的用戶畫像的向量空間模型TDj。
同樣群體用戶畫像也要融合時間上下文因素。用戶LineLian各項交易點贊收藏分享活動的用戶畫像向量空間模型中的每一個詞向量的權重值都要乘以發生這一行為對應的時間衰減函數f（t）才能得到該用戶的融合了時間上下文的用戶畫像向量空間模型。
（五）用戶畫像的分類
在實際運用用戶畫像來預測用戶的購買需求和行為時要考慮不同類型的商品和服務資源所具有的特點。服裝、文創類的資源內容具有很強的時效性、具體性、專業性而食品、輕食飲料的內容具有一定的基礎性、系統性、普遍性。
因此對于食品、輕食飲料的推薦策略與對服裝、文創資源的推薦策略應該是不同的。對食品、輕食飲料的推薦應該以個人及群體的交易記錄和復購書記錄為主參考而服裝、文創等資源的推薦策略則應該以個人檢索、瀏覽、分享、點贊、收藏的記錄為主參考同時參考關注過相關主題的其他用戶的記錄。而關注過相關主題的其他用戶的記錄可以采用協同矩陣來分析。
設n個用戶的閱讀歷史表示為矩陣M：
M=【θ11 θ12 …θ1m
θ21 θ22 …θ2m
… … … …
θn1 θn2 … θnm】
其中M是nXm維矩陣每行代表特定用戶的分享（或者檢索、瀏覽、收藏）歷史每列代表特定商品被分享（或者檢索、瀏覽、收藏）的記錄矩陣中元素在{01}中取值。如θjp=0代表用戶LineLian沒有分享過商品Ap（p=12…m）而θjp=1代表用戶LineLian已經分享過商品Ap。
根據矩陣M中的行向量使用余弦相似度方法計算用戶之間的相似度值其公式如式（5）所示：
Simab=（p=1 …m）∑θap*θbp/‖Ma‖.‖Mb‖ （5）
其中Simab表示用戶LineLian與用戶Line之間的余弦相似度值Ma=〈θa1θa2…θam〉表示用戶LineLiana（a=12…m）的瀏覽歷史；Mb=<θb1θb2…θbn>表示用戶Lineb（b=12…n）的閱讀歷史；‖Ma‖和‖Mb‖表示歐氏距離。
根據式（5）計算出與用戶LineLian相似度值超過某一閾值的用戶定義為用戶LineLian的相似用戶組成協同向量Pj=<linelian1linelian2…>。
由此同一位用戶的用戶畫像在實際應用時可以分類為兩個不同的模型一個模型用來計算食品、輕食飲料的具體SKU個性化興趣趨向另一個模型用來計算服裝、文創的行業個性化趨向。這些用戶畫像的構建就為商城提供用戶個性化資源推薦的服務奠定了數據基礎。
第四步：用戶畫像本體的構建
上面講了運用向量空間模型來構建用戶畫像得出了用戶畫像的向量空間模型它是一個向量詞及詞頻的集合。對比于個性化的用戶畫像一般商城平臺運用大數據技術、語義網技術和人工智能技術將商品庫的各種類型信息資源構建為一個基于語義關系的、具有復雜關聯網絡的、由領域本體擴展的知識圖譜。
這個知識圖譜中的概念囊括了用戶畫像中的所有高頻向量詞并且這個知識圖譜中與用戶畫像中的高頻向量詞對應的概念之間還建構了基于語義的復雜知識關聯。
因此用戶畫像的向量詞可以在領域知識圖譜中找到對應的概念反之從領域知識圖譜中抽取與用戶畫像相關的概念并映射到用戶畫像的向量詞之間就構建了個性化的用戶本體這個用戶本體用來表示用戶的偏好畫像從而形成用戶畫像結構圖。
第五步：領域知識圖譜的建構
下面我們借用知識圖譜的技術構建用戶畫像知識圖譜，是將商品庫、商品評價、用戶會話文本作為命名實體識別的對象，然后按照知識圖譜構建的技術流程。
第六步：綜合建立知識圖譜與用戶畫像的映射
第一部分：基于AI知識圖譜的用戶畫像的優勢：
相比于傳統的標簽式用戶畫像將知識圖譜引入到用戶畫像中，不僅可以增強關鍵詞向量中關鍵詞之間的相關性還可以為個性化知識服務系統的用戶建模提供一個新的研究方向：建構用戶畫像知識圖譜。
用戶畫像的知識圖譜是一種基于領域知識圖譜的用戶模型通過對領域知識圖譜進行映射獲取用戶畫像知識圖譜利用領域知識圖譜中的概念來對應用戶畫像中的概念并通過對用戶的搜索、分享、瀏覽、收藏、點贊等過程進行分析不斷完善用戶畫像的知識圖譜實現用戶個性化推薦商品或服務。
第二部分：產品經理能力下滑及應對策略：
又到了一年一度的圣誕時節也是各個公司加班加點工作的時節。有CEO兼產品經理問筆者：“有哪家咨詢公司可以為上市?10?年的品種做產品營銷策略和市場活動的規劃報告?”“這應該是產品經理自己做的呀為什么找外人呢?”筆者LineLian第一反應是這句話。
“現在做產品經理太難了。老板要求我們寫的產品計劃既要囊括2018又要兼顧2019既要尊重迭代功能還要迎合創新。我們想了半天決定找您來做您的水平比我們高看看搞出來的東西到底怎么樣。”他們說出了本意。
最近，有種聲音說：“如今產品經理的水平與?10～20?年前相比似乎有下降趨勢。”
原因有客觀的外部因素也有主觀的內部因素。先說客觀環境因素：
第一，信息傳播途徑大變樣。之前的產品經理多來至于行業專家，自從有了人人都是產品經理這一概念之后，大家覺得沒工作的就可以干產品經理。
第二，行業的關注點大變樣。之前產品經理定產品的方向，產品營銷策劃的戰略，現在的產品經理是告訴他做一個具體功能。實現具體的需求。
第三，科技網絡行業政策變化快從PC互聯網到移動互聯網再到物聯網人工智能，就連公司本體都沒有反應過來，關門的關門倒閉的倒閉。更別提為了生存的產品經理沒適應了。
再講主觀內部因素：
第一，在每個人都似乎可以做產品經理的渲染下，產品經理人職背景兩極分化。一種是要求高學歷碩士博士畢業、MBA這類人士專業化知識不容置疑與專家打交道時談笑風生但做出來的計劃不接地氣開發人員難以理解執行大打折扣。另一種是各個學院應屆畢業生之前沒做過沒有經驗但“照貓畫虎”能力強PPT?專業漂亮可開發人員多以?“需求不清晰”為借口對其制定的產品策略置若罔聞。
第二，工作積極性得不到有效激勵。國內老板總認為產品經理能力無法量化考核以產品版本迭代次數、功能板塊為依據有“不看功勞看苦勞”的嫌疑。因此制定的工資方案無法激勵產品經理真正有能力的人會跳走。
第三，產品經理能力提升緊迫感不夠足。每年也安排幾次外出參加培訓或者請人做內訓之后呢?很少有管理者意識到如何將這些知識點合成為公司獨具特色的樣本并且有效評估產品經理技能在考核中有效區別對待混日子與竭盡全力、悟性差與有靈性的產品經理。
分工太細所致：
LineLian很欣賞這種說法：產品運營既是?Science?又是?Art對市場的洞察既靠?Data也要憑?Sense乃“理智與情感”的協調統一不能偏廢。
如今做產品AI、大數據似乎不缺每個SKU的銷售額、市場份額數據都很容易獲取依據這些數據分析出的報告、文獻每天都在更新產品經理可檢索到的資料、信息更是豐富多樣為什么大家會認為產品經理的專業水平有下降趨勢呢?
其中一個原因或許是分工所致。從前大多數公司的一個或幾個品種由一個產品經理負責看文獻、做?PPT、溝通專家、寫計劃、做運營活動都是一個人現在大多數產品這些事務由幾個產品經理各自去做。如此產品經理個人顯示出來的水平僅限于局部整體評價當然不如移動互聯網剛興起那會威風八面。
當然在當前狀況下產品經理如何做出C位也不是沒有機會。筆者LineLian建議兩手抓，一手抓產品觀點，培養產品方向Sense。例如，前天幫一家CEO做產品顧問，CEO說您看看OFO和共享單車這個賽道一塌糊涂，您看看瑞幸咖啡門店幾個人完全不如一點點的排隊情況。您再看看錘子手機快玩完了。
最后：我問了這位CEO一句話：“您看到這些產品的共性是什么？”，他說：“你說說看”，我說：“這些產品的共性是沒有抓住極簡，均知道做加法不知道做減法，當年錘子有17億現金在手，老羅說要一年發布4部手機，老年機、少女機、兒童機等等，瑞幸是沒有想透徹究竟是先做好線下門店還是線上”。
另外一方面要抓細節，誰說產品經理不能懂技術了？誰說產品經理和開發是天敵了？產品經理要懂細節，產品的細節包含技術的實現最好都懂，但不一定自己有時間寫而已。
所以，無論AI技術多么復雜，算法有多么深不可測，我們要做的事是針對需要的算法駕輕就熟，平日訓練有素做一個有深度的產品經理，難時上戰場迎艱攻難。然后輸出的產品目標只有一個：簡單到無法再簡單，簡單到無法被超越。就能做到應對寒冬，AI才能助產品無懼未來！
本文為@運營喵原創，運營喵專欄作者。
