基于先進(jìn)的AI邊緣計(jì)算技術(shù)，巧妙融合了目標(biāo)檢測(cè)類的AI機(jī)器視覺檢測(cè)模型，并經(jīng)過精心設(shè)計(jì)適配的外殼而成。
通過把人員信息標(biāo)簽化，來構(gòu)建人員畫像。在一系列真實(shí)數(shù)據(jù)的基礎(chǔ)上為人員建立標(biāo)簽?zāi)Ｐ腕w系，將人員的具體行為屬性進(jìn)行歸類，最終形成一個(gè)多元化的人員標(biāo)簽對(duì)象。
在注意力越來越寶貴的互聯(lián)網(wǎng)時(shí)代，個(gè)性化推薦技術(shù)成為各類APP“粘”住用戶的必殺技之一。擁有“推薦系統(tǒng)之王”美譽(yù)的亞馬遜，曾表示平臺(tái)有35%的成交額得益于個(gè)性化推薦。就11.11而言，淘寶等眾多電商APP成交額逐年創(chuàng)新高，一定程度上也要?dú)w功于推薦算法邏輯的不斷完善，在提高推薦精準(zhǔn)度的同時(shí)，甚至能做到根據(jù)用戶實(shí)時(shí)行為快速修正畫像，從而推薦最新的清單。除了購(gòu)物，資訊、視頻、音樂、社交等等眾多APP都非常重視個(gè)性化推薦技術(shù)的使用，做到千人千面。
移動(dòng)互聯(lián)網(wǎng)的發(fā)展也極大沖擊了廣告投放的方式——當(dāng)傳統(tǒng)廣告廣撒網(wǎng)的打法已無法滿足精準(zhǔn)營(yíng)銷需求時(shí)，基于用戶的喜好與特性投放廣告成為了主流。從電商應(yīng)用內(nèi)banner等黃金位置的信息展示，到站外渠道如APP開屏廣告、視頻前貼片廣告等等，利用用戶畫像數(shù)據(jù)指導(dǎo)廣告投放，不僅能夠降低成本，還可以大大促進(jìn)點(diǎn)擊率及轉(zhuǎn)化率，提升整體廣告投放效果
產(chǎn)品在最初推出時(shí)，會(huì)擁有自身的定位。但隨著市場(chǎng)環(huán)境的變化，APP在每一次迭代時(shí)，除了要考慮自身發(fā)展的規(guī)劃，還會(huì)結(jié)合用戶的特點(diǎn)，提供更契合受眾的服務(wù)。比如，某圖像處理APP最初期望面向廣大用戶提供簡(jiǎn)單易上手的修圖功能，但在運(yùn)營(yíng)與發(fā)展過程中，APP發(fā)現(xiàn)自身的用戶多為95后的年輕女性，因而在更新下一代產(chǎn)品時(shí)，提供可愛的貼紙與美輪美奐的濾鏡成為了產(chǎn)品開發(fā)的重點(diǎn)。
無論是在產(chǎn)品早期深入了解、關(guān)懷種子用戶，還是在產(chǎn)品成長(zhǎng)期、成熟期階段的精細(xì)化運(yùn)營(yíng)，用戶畫像都是重要的參考方向。比如，資訊類APP經(jīng)常利用消息推送的手段將用戶可能感興趣的內(nèi)容及時(shí)奉上，確保用戶通知欄上展現(xiàn)的大多是他們感興趣的內(nèi)容，在提升APP活躍度的同時(shí)避免產(chǎn)生打擾。
所謂「標(biāo)簽化」，就是用戶信息標(biāo)簽化。即收集這個(gè)用戶的各種數(shù)據(jù)和行為，從而得出這個(gè)用戶的一些基本信息和典型特征，最后形成一個(gè)人物原型。一般用戶畫像會(huì)分析三個(gè)信息維度，分別是基本屬性、消費(fèi)購(gòu)物以及社交圈。其中基本屬性就是指用戶的一些基本信息，比如年紀(jì)、性別、生日、學(xué)校、所在地等等。消費(fèi)購(gòu)物這一維度就更加具體，比如這個(gè)用戶消費(fèi)偏好的領(lǐng)域，偏好的價(jià)格，消費(fèi)記錄等等。
標(biāo)簽化的目標(biāo)其實(shí)是基于大數(shù)據(jù)的采集，用電子化的方式將人員屬性抽象出來，以方便數(shù)據(jù)統(tǒng)計(jì)，構(gòu)建大數(shù)據(jù)池，后續(xù)進(jìn)行數(shù)據(jù)挖掘和聚合分析。人員標(biāo)簽一定要根據(jù)實(shí)際數(shù)據(jù)對(duì)人員進(jìn)行分類整理。
人員畫像的目的是，用透明直觀的標(biāo)簽對(duì)目標(biāo)用戶進(jìn)行數(shù)字化的聚合和描述。在進(jìn)行聚合時(shí)，要注意「低交叉率」的原則。就是如果兩組畫像中的標(biāo)簽幾乎一致，那么影響不大的標(biāo)簽因素是可以被弱化。
另一方面，人員畫像也要盡量保證其完整性和獨(dú)立性。完整性是為了盡可能大的包含人員群體，獨(dú)立性又要求這些群體里沒有重疊。
數(shù)據(jù)收集：
對(duì)各系統(tǒng)數(shù)據(jù)進(jìn)行梳理、采集，實(shí)現(xiàn)基礎(chǔ)數(shù)據(jù)的互聯(lián)互通，從而為用戶畫像做數(shù)據(jù)準(zhǔn)備。數(shù)據(jù)的來源可能來自多個(gè)系統(tǒng)，各系統(tǒng)開始是隔離的，需要加工處理整合。
數(shù)據(jù)清洗：
數(shù)據(jù)清洗是對(duì)原始數(shù)據(jù)源存在“臟數(shù)據(jù)”如數(shù)據(jù)空缺和噪聲、不一致、重復(fù)、錯(cuò)誤等問題進(jìn)行特殊化處理加工的過程，為了保證后期數(shù)據(jù)分析與數(shù)據(jù)挖掘的準(zhǔn)確性，避免對(duì)決策造成影響，對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗預(yù)處理。
數(shù)據(jù)標(biāo)準(zhǔn)化：
用戶畫像需要整合多源甚至跨系統(tǒng)的數(shù)據(jù)，如客戶可能使用多個(gè)設(shè)備，擁有移動(dòng)網(wǎng)絡(luò)的多個(gè)賬號(hào)，需要把同一個(gè)身份ID組合，建立統(tǒng)一的標(biāo)準(zhǔn)，才能完整標(biāo)識(shí)實(shí)體的用戶畫像。
用戶·建模：
借助算法模型來定義客群的用戶畫像，如大數(shù)據(jù)NLP文本分析、特征識(shí)別、關(guān)鍵詞提取等算法模型，實(shí)現(xiàn)數(shù)據(jù)的精準(zhǔn)匹配和關(guān)聯(lián)。
標(biāo)簽挖掘：
利用云計(jì)算、大數(shù)據(jù)和人工智能技術(shù)，通過系統(tǒng)平臺(tái)來進(jìn)行標(biāo)簽的加工和計(jì)算，借助平臺(tái)進(jìn)行訓(xùn)練和學(xué)習(xí)，大規(guī)模的并行計(jì)算，挖掘用戶標(biāo)簽。
標(biāo)簽驗(yàn)證：
通過真實(shí)案例驗(yàn)證標(biāo)簽挖掘結(jié)果的正確性，保證標(biāo)簽對(duì)應(yīng)的處理結(jié)果跟預(yù)期大體相符。即可以先用小樣本數(shù)據(jù)驗(yàn)證模型的可靠性，再依照結(jié)果進(jìn)行調(diào)整，再進(jìn)行挖掘。
大數(shù)據(jù)可視化：
借助大數(shù)據(jù)可視化技術(shù)，通過大屏實(shí)現(xiàn)視覺效果，呈現(xiàn)群體或個(gè)人的用戶畫像。
根據(jù)相關(guān)性原則關(guān)系，對(duì)人員的屬性進(jìn)行維度分解，在不同維度下把握人員畫像的顆粒度。我們可以通過以下幾個(gè)維度來刻畫用戶畫像，并根據(jù)每一維度的特點(diǎn)來規(guī)定畫像的顆粒度。
基本信息：用戶的年齡、性別、職業(yè)、教育水平、收入等。
行為偏好：用戶對(duì)于不同類別產(chǎn)品或服務(wù)的喜好程度，以及用戶在購(gòu)買產(chǎn)品或使用服務(wù)時(shí)的選擇偏好。
社交屬性：用戶的社交圈、社交活躍度、在線時(shí)間、社交平臺(tái)使用情況等。
場(chǎng)景偏好：用戶在不同場(chǎng)景下使用產(chǎn)品或服務(wù)的偏好，比如工作、娛樂、出行等。
地理位置：用戶所在的國(guó)家、城市、地區(qū)等。
利用大數(shù)據(jù)技術(shù)處理人員畫像目前還處于初級(jí)階段，雖然大數(shù)據(jù)技術(shù)日趨成熟，但是在人員畫像這一應(yīng)用領(lǐng)域應(yīng)用得還是比較少，對(duì)于人員海量數(shù)據(jù)的獲取、存儲(chǔ)、處理以及分析還未形成一個(gè)統(tǒng)一的模式。
首先，從數(shù)據(jù)獲取方面考慮，很多公司內(nèi)部數(shù)據(jù)的保密程度相對(duì)較高，不同行業(yè)之間的信息流通相對(duì)困難，會(huì)形成信息孤島的問題，對(duì)于人員的一些網(wǎng)絡(luò)數(shù)據(jù)的真實(shí)性也需要考慮在內(nèi)。
其次，在人員數(shù)據(jù)的存儲(chǔ)處理過程中，對(duì)于海量的數(shù)據(jù)來說就要求存儲(chǔ)系統(tǒng)有較強(qiáng)的擴(kuò)展能力，在涉及人員網(wǎng)上交易或者金融類相關(guān)的數(shù)據(jù)時(shí)，如人員股票行情的趨勢(shì)、廣告投放等，這就要求存儲(chǔ)系統(tǒng)在必須能夠支持上述特性的同時(shí)保持較高的響應(yīng)速度。
