基于大數據平臺的用戶畫像與用戶行為分析

謝康 吳記 肖靜華

中共十九大報告指出，創新是引領發展的第一動力，是建設現代化經濟體系的戰略支撐。同時指出，推動互聯網、大數據、人工智能和實體經濟深度融合，在中高端消費、創新引領、綠色低碳、共享經濟、現代供應鏈、人力資本服務等領域培育新增長點、形成新動能。當今，互聯網、大數據、人工智能等新一代信息技術與實體經濟深度融合，構成中國實施創新驅動發展戰略的重要組成部分，是當前中國“大眾創業、萬眾創新”的主戰場。近年來，中國政府先后出臺中國制造2025、“互聯網+”行動計劃等多項促進新一代信息技術與實體經濟深度融合形成創新驅動的政策措施，從而對中國企業創新模式的創新提出了新要求。在眾多的企業創新模式中，基于大數據平臺的企業與用戶互動創新逐漸成為企業產品創新的主流創新方向之一。

在互聯網非大數據環境下，企業產品創新主要通過與領先用戶交流合作、市場調研、問卷調查、街訪、數據庫數據采集等手段獲取用戶需求。其中，探討領先用戶特征，激勵領先用戶參與產品創新成為非大數據環境下企業與用戶互動創新的重要手段①，由此構建用戶需求分析模型來剖析需求點和變化方向。在互聯網大數據情境下，電商平臺、社交平臺形成的大數據為企業分析用戶需求提供了新資源，這種新資源改變了傳統用戶需求分析模式，形成了基于大數據平臺的用戶畫像和用戶行為分析。

基于大數據的用戶畫像與用戶行為分析，離不開對用戶知識抽取方法的探討和應用。目前，自然語言處理、語義web、機器學習、知識工程、知識發現、文本挖掘等方法，構成基于大數據平臺的用戶畫像與用戶行為分析的基本技術方法。本文不對上述方法做深入分析，而是對互聯網大數據環境對企業與用戶關系的影響、基于大數據平臺的用戶畫像分析和用戶行為分析進行具體探討，為構建大數據驅動的企業與用戶互動創新方法研究提供初步的理論基礎。

一、大數據對企業與用戶關系的影響

在互聯網環境下，用戶對企業管理的參與度不斷加深，社會媒體形成的大數據改變了以往的商業模式和運作模式②③，通過大數據了解和分析用戶需求變化，與用戶高頻互動成為開放式創新的主要方向之一。這種趨勢的增強源于互聯網、大數據極大改變了企業與用戶的關系。首先，互聯網環境為企業提供了將用戶更高效地納入創新過程的條件，企業通過建立開放式創新的模式為用戶創造價值；其次，互聯網大數據通過用戶廣泛的信息增權提高了用戶的議價能力，促使用戶對企業產品研發等形成重要影響；最后，互聯網不僅使用戶與企業實時互動成為可能，同時促進各類虛擬社群的興起，使企業與用戶的互動方式發生本質變化。

互聯網大數據環境下，企業與用戶價值創造關系的改變主要體現在企業角色變化、用戶角色變化和價值創造方式變化三個方面，即企業成為為用戶解決問題的服務提供者，用戶成為與企業共創價值的價值合作者④，如部分憑借知識貢獻或特殊魅力發揮創新影響力的意見領袖或領先用戶，與企業共同研發創新。同時，互聯網環境下價值創造是互動形成的，價值由受益者決定。企業與用戶價值創造關系和方式的改變，促使傳統研發模式轉型為大數據驅動的企業與用戶互動創新模式。一方面，企業利用互聯網技術形成新的創新模式，如基于社交網絡的創新外包等，另一方面，企業利用互聯網大數據增強研發能力，如提高用戶參與頻率和參與質量、精準鎖定領先用戶等，形成與用戶互動創新的動態能力。

概括地說，互聯網大數據對企業與用戶關系的影響，體現在改變企業與用戶的連接和交互關系，使企業與用戶的價值交換結構和權重發生變革，宏觀上促進了信息化與工業化的深度融合⑤，微觀上將企業與用戶互動創新從非大數據驅動轉變為大數據驅動。在大數據驅動情境下，企業對用戶及行為特征的刻畫，主要依賴于基于大數據平臺的用戶畫像和用戶行為分析。

二、基于大數據平臺的用戶畫像分析

就廣義而言，用戶可以指購買消費品的消費者，也可以指購買工業品的供應鏈企業。本文討論的用戶聚焦于消費者。但是，與非大數據情境下的消費者用戶主要指購買或使用企業自身產品的用戶含義不同，大數據情境下的企業“用戶”具有全體特征，不僅包括企業自身的消費者，也包括購買或使用競爭產品的消費者，及市場上所有潛在消費者，甚至包括跨行業的所有潛在消費者。因此，基于大數據平臺的用戶概念，外延擴展到全體用戶。從價值共創視角來看，基于大數據平臺的用戶是由其價值提供和價值共創的結果來決定的，而不是由是否購買企業產品或是否參與企業某項活動來劃分的。

用戶畫像就是將用戶信息標簽化，通過收集和分析用戶的基本特征、社會屬性、生活習慣、消費習慣等數據，抽象出一個虛擬用戶的特征全貌，從而幫助企業全方位、多層次地了解用戶行為特征，把握用戶行為方向⑥。目前，建立用戶畫像成為大數據驅動的用戶行為分析的流行方式之一，通過對用戶標簽化，構建數據模型來探討“全樣本”用戶的行為特征，正成為互聯網環境下企業產品研發創新與營銷創新的趨勢。從技術管理角度來看，基于大數據平臺的用戶畫像構造分為三步，第一步是搭建用戶畫像技術架構，如數據整理、平臺和應用等；第二步是用戶畫像數據分類；第三步用戶畫像構建，包括精準識別用戶、動態跟蹤用戶行為軌跡、結合靜態數據評估用戶價值、確定用戶標簽與權重、不同群體優先級排列等⑦。

綜合上述討論及我們對企業大數據用戶畫像構建的實地調研，可以認為，基于大數據的用戶畫像有兩個基本要點，一是通過將市場中的用戶特征按不同層面、不同維度賦予不同的標簽體系，再通過需求將不同標簽組合形成的情境化用戶特征，構成用戶畫像分析的基本邏輯。因此，基于大數據的用戶畫像分析，就是按用戶標簽化降維、按需求進行標簽重組、按特征篩選標簽、投放市場驗證、根據反饋大數據修正標簽，及迭代完善知識庫的步驟來完成的（參見圖1）；二是基于大數據的用戶畫像是一個用戶畫像集，從不同維度可以構建用戶基本屬性畫像、用戶行為特征畫像、用戶產品特征畫像、用戶互動特征畫像等，如從用戶對產品的系列偏好、功能偏好、外觀偏好、體驗偏好，及工藝偏好等維度構建用戶產品特征維度模型，形成對用戶產品特征畫像的刻畫。例如，Kim & Park（2017）結合文本挖掘和案例推理技術的算法，對蘋果App Store評論數據進行分析，實現產品創新機會和對標產品的識別功能。

由用戶畫像生成邏輯可以看出，基于大數據平臺的用戶畫像有三個主要特征：

一是用戶畫像是一個虛擬化的用戶全集的概念，是真實用戶某個層面、某個維度特征的數據化重組后的虛擬體現，因此，用戶畫像刻畫的用戶特征，不再是單個用戶的個體特征，也不是全體用戶的平均化特征，而且根據企業需求形成的特定用戶群體特征，我們稱為情境化用戶特征。因此，可以基于用戶畫像構建千人千面的用戶；

二是用戶畫像反映了情境化用戶的大概率行為，不代表情境化用戶的全局性必然行為。基于大數據平臺的用戶畫像通過對用戶屬性或維度的標簽化和結構化，形成對用戶行為的分層分類分析，而不是用戶數量之間的統計分析，代表了情境化用戶的一種全局性大概率行為特征。誠然，通過對用戶畫像集的持續迭代，知識庫的持續迭代等工作，可以提高對情境化用戶行為概率的判斷水平。因此，可以基于用戶畫像進行用戶行為分析；

三是用戶畫像是一個具有向量特征的結構化和半結構化數據集，可以構建出反映某種興趣、情緒等心理特征的情境化用戶。借助深度學習等人工智能方法，能夠刻畫出具有智能特征的自我演化新用戶，即現階段真實市場中可能不存在的情境化用戶。企業對此類虛擬用戶特征的分析，可以從中尋找到創新產品市場培育的領先方向。因此，可以基于用戶畫像進行市場培育方向的先導分析。

三、基于大數據平臺的用戶行為分析

在用戶畫像構建和分析基礎上，根據企業需求可以對基于大數據平臺的用戶行為進行分析。從技術角度看，基于大數據平臺的用戶行為，指通過頁面之間的路徑關系分析、頻道關聯分析、最終轉化率分析、熱點分析，及訪問興趣分析等途徑，識別用戶行為的群體特征，從中挖掘群體用戶在某個節點的異常行為，觸發產品研發或優化需求（胡宇辰和郭宇，2013）。從管理角度看，基于大數據平臺的用戶行為，指基于大數據用戶畫像的行為特征，如參與動機、參與行為和參與結果等，或用戶交互特征、用戶產品使用率和使用時間等。在大數據用戶行為知識抽取中，用戶情感傾向性抽取對于用戶行為分析尤為關鍵。例如，Lin et al.（2017）收集eWOM評論數據并通過基于計算機的情感分析方法，對評論詞進行情感分類并跟蹤詞頻動態特性來挖掘顧客需求的演變⑧。

基于大數據平臺的用戶行為分析，首先需要構建用戶畫像模型。在用戶畫像模型基礎上，對用戶行為按不同層面、不同維度進行標簽刻畫，即用戶行為的標簽化降維；其次，根據企業需求，通過針對領先用戶的知識抽取方法識別出領先用戶，企業利用大數據對領先用戶進行精準識別，其后對產品研發類型與領先用戶類型進行高效匹配，再借助大數據對領先用戶的創新或創意進行知識產權或發明權征信查詢，明確創新產權。同時，企業通過針對普通用戶的知識抽取方法刻畫普通用戶，并不斷優化制度設計激勵普通用戶持續形成大數據，以利于企業提取更全面的市場消費方向和潮流；再次，基于大數據平臺分別構建領先用戶行為模型和普通用戶行為模型，根據需求將用戶行為標簽重組，分別提煉出領先用戶和普通用戶的情境化行為特征，再分別在真實用戶群中進行精準驗證；最后，反饋市場驗證的結果，完善修改用戶行為標簽，將知識發現成果納入知識庫，形成更高精準度的知識抽取，企業的反饋修正標簽又會對真實市場中的用戶行為產生影響，促使其迭代形成新一輪的用戶大數據。圖2勾勒出上述基于大數據平臺用戶行為分析框架。

要實現上述對基于大數據平臺用戶行為的更精準分析，一方面需要借助用戶畫像數據建模、用戶行為特征分析算法、用戶細分方法、用戶行為分析分類模型、用戶興趣與情緒模型，及基于大數據的用戶價值評估模型等方法；另一方面，需要將傳統的消費者行為理論及方法在大數據情境下進行改造和拓展，將其與基于大數據的用戶行為分析方法相結合，引入相關的計量經濟學方法進行數據處理和分析，構建面向企業需求的大數據用戶分析框架。

圖3給出了一種基于大數據的用戶行為建模框架。在此，用戶行為分析指借助數學方法、統計分析和計算機技術建立和應用數據模型，對企業與用戶之間的互動創新活動、關系及其影響的數量規律進行分析。首先，對結構化的企業各種業務數據和非結構化的用戶交流數據采用數據挖掘、文本挖掘和社會網絡分析等方法進行數據預處理；其次，鑒于采用的分析方法具有動態性、互為因果推斷和模型非線性特征，一方面，可采用潛變量曲線增長模型（LGM）、聯立方程組（SE）和動態廣義矩估計（GMM）等計量分析技術構建企業與用戶互動創新的分析模型，分析隨時間變化，不同用戶個體和群組在互動過程中的變化軌跡，量化企業與用戶之間交互影響的大小，另一方面，可采用馬爾可夫過程（MP）和蒙特卡洛模擬等仿真分析方法模擬企業與用戶互動創新的動態過程，對企業與用戶互動過程的發展進行預測分析。

這樣，通過將圖2的分析框架和圖3的分析模型結合起來，可以對基于大數據的用戶行為進行分析，或不斷完善圖3的分析模型，將其分別嵌入圖2中的領先用戶行為模型和普通用戶行為模型中，可以對領先用戶和普通用戶行為分析進行持續的精確化改進。

舉例來說，中國大陸某知名電商淘品牌企業擁有上百萬的活躍會員，企業希望通過基于大數據平臺的用戶行為分析來提高用戶購買價值、改善產品創新和設計、發掘潛在的新用戶。為此，該企業采集了在線品牌社區、官方新浪微博、微信公眾號、App應用等社交媒體平臺上企業與用戶非結構化的交互數據，并將這些數據與企業內部的結構化的交易記錄等相關聯，形成用戶行為分析大數據。對于非結構化的交互數據，企業通過社會網絡分析形成用戶之間交互網絡屬性、用戶與產品交互網絡屬性等特征；同時，采用文本挖掘中的情感分析技術和主題模型分析用戶的情感偏好和話題偏好等特征。對于結構化的內部數據，企業采用RFM模型、聚類分析等區分用戶購買價值特征、產品偏好特征等。此外，該企業還結合用戶人口統計特征采用深度學習、SVM算法等監督學習算法來預測用戶的潛在價值和偏好，形成用戶的潛在特征。基于這些分析，企業了解并形成了用戶基本行為特征集。企業在進行產品促銷和研發過程中，搜尋出產品促銷和研發匹配的用戶群體，通過該用戶群體關聯的活動軌跡和偏好屬性來更好地設計促銷和研發模式。進一步，在改進產品促銷策略和產品設計的過程中，該企業還采用雙重差分、生存分析等計量模型分析策略改進對用戶購買和流失行為的影響，從而驗證或完善企業的策略。通過上述方法，企業發現，基于大數據平臺的用戶行為分析能指導其更好地實施產品研發和營銷策略，帶來產品銷量和用戶價值的提升。

四、深度融合趨勢下的大數據用戶分析

移動互聯網、云計算成為推動電商平臺和社交平臺大數據生成的重要推手，正在迅速崛起的工業互聯網、人工智能將成為企業和社會各平臺大數據生成的又一重要力量。在互聯網、大數據、人工智能等新一代信息技術與實體經濟深度融合趨勢下，企業創新更加強調對用戶需求的精準把握和預測，產品研發創新和營銷創新更加依賴基于大數據平臺形成的用戶分析結果。因此，做好基于大數據平臺的用戶需求分析，不僅可以對產品創新模式、企業營銷模式變革進行持續迭代改進，而且可以有效推動企業互聯網轉型的管理創新⑨。

深度融合趨勢下的大數據用戶分析有兩個重要抓手，一是需要對大數據用戶畫像特征進行準確把握，二是需要對大數據用戶創新知識抽取方法進行綜合應用。目前，如何解決好面向中文自然語言的自動知識抽取方法，構建大數據用戶分析的知識圖譜，成為基于大數據平臺用戶分析與知識抽取方法需重點探討的方向之一，如構建針對產品研發創新和營銷創新的知識庫或語料庫，為企業開放式創新行為提供準確的詞匯解釋，成為構建大數據用戶創新知識抽取方法的關鍵環節。總之，盡管基于大數據平臺的用戶畫像和用戶行為分析還存在諸多挑戰，但深度融合趨勢下的大數據用戶分析，將成為企業乃至社會各行業決策管理的重要基礎，成為大數據驅動創新時代“以用戶為導向”的新型模式，這是全球大數據經濟和管理發展的潮流和方向。

① Von Hippel E and Katz R. Shifting Innovation to Users via Toolkits. Management Science， 2002， 48（7）： 821-833.

② 馮芷艷，郭迅華，曾大軍，陳煜波，陳國青《大數據背景下商務管理研究若干前沿課題》《管理科學學報》2013年第1期。

③ 徐宗本，馮芷艷，郭迅華，曾大軍，陳國青《大數據驅動的管理與決策前沿課題》《管理世界》2014年第11期。

④ Vargo S.L. and Lusch R.F.， Service-dominant Logic： Continuing the Evolution. Journal of the Academy of Marketing Science， 2008， 36（1）： 1-10.

⑤ 謝康，肖靜華，周先波，烏家培《中國工業化與信息化融合質量：理論與實證》《經濟研究》2012年第1期

⑥ 亓叢，吳俊《用戶畫像概念溯源與應用場景研究》《重慶交通大學學報（社科版）》2017年第5期。

⑦ 席巖，張乃光，王磊，張智軍，劉海濤《基于大數據的用戶畫像方法研究綜述》《廣播電視信息》2017年第10期。

⑧ Lin C， Liaw S， Chen C， Pai M， Chen Y. A Computer-based Approach for Analyzing Consumer Demands in Electronic Word-of-mouth. Electronic Markets， 2017， 27（3）： 225-242.

⑨ 吳瑤，肖靜華，謝康，廖雪華《從價值提供到價值共創的營銷轉型——企業與消費者協同演化視角的雙案例研究》《管理世界》2017年第4期。

基金項目：國家自然科學基金項目“虛擬品牌社區消費者參與影響及其購買和口碑行為的動態機制研究”（71601190）、國家自然科學基金項目“互聯網環境下企業與消費者協同演化動態能力的構建、演進及影響研究”（71771223）階段性成果。