編輯導語：DAO是實現元宇宙整個體系持續執行的重要元素，對於元宇宙銀行來說，也是一種全新的獲客和營銷方式。銀行可以進一步同用戶建立連線，提升銀行的服務水平。那麼，銀行DAO社群該如何分析使用者畫像？一起來看看作者的分析。
一、前言
DAO（Decentralized Autonomous Organization，去中心化自治組織）是由達成同一個共識的群體自發產生的一種組織形式，其核心理念是共創、共建、共治和共享。
DAO是元宇宙中的重要的組成元素。在元宇宙中，眾多的志同道合的使用者組建各種DAO完成相關活動或是任務的協作，實現元宇宙整個體系的持續執行。
銀行作為元宇宙中的基礎設施，在為元宇宙提供便捷高效的金融服務之外，還可以組建銀行自己的DAO社群同用戶建立連線，進一步提升銀行服務水平，也是一種全新的獲客與營銷方式。
銀行產品在現實環境中，會對其使用者畫像進行分析，以便於銀行可以更好地為使用者提供定製化服務。現實環境中的銀行使用者屬性比較單一，例如使用者的職業是醫生，現實中的使用者身份比較明確，使用者畫像分析比較容易。
銀行產品在元宇宙環境中，使用者應用場景存在多維空間，同用戶的互動更為頻繁與智慧。銀行DAO社群中的使用者屬性更為複雜。同樣以使用者職業為醫生為例，在元宇宙中，使用者可以是美食家，收藏家，可以有多個身份，使用者畫像會比較複雜。
本文主要以銀行DAO社群為基礎，討論如何對銀行DAO社群中的使用者進行畫像分析。
二、使用者畫像分析總流程
對銀行DAO社群中的使用者畫像進行分析，可以按如下流程進行實施。
首先需要明確使用者畫像的資料範圍與目標，需要從哪些渠道進行資料彙總，進行使用者畫像的目標是什麼，避免對使用者畫像資料過度分析導致資源和時間的浪費。
明確使用者畫像資料範圍和目標之後，需要制定使用者畫像標籤模型，例如在銀行社群DAO中，希望獲得使用者的年齡畫像，需要提前定義青年標籤使用者的年齡範圍，中年使用者的年齡範圍等。
考慮到使用者畫像資料的多維和多渠道特徵，需要對使用者畫像資料進行識別、合併與清洗。銀行DAO社群中，存在一個使用者會參與多個DAO的活動，不同DAO的主題、共識以及DAO任務也不一樣。
根據使用者畫像資料和目標，進行使用者畫像分析，提煉關鍵資料進行歸納整理，繪製相應的資料圖表，並進行使用者最終畫像視覺化報告呈現。
使用者畫像覆盤分析與效果評價。透過對使用者畫像分析後在實施產品場景和活動中的應用表現，評估使用者畫像的效果，查漏補缺，為下一次的使用者畫像的升級提供資料和模型參考。
使用者畫像分析總流程如圖1所示。
圖1 使用者畫像分析總流程
三、使用者畫像分析實戰
1。 範圍目標
銀行DAO社群使用者畫像分析，聚焦在使用者DAO社群中的使用者，也就是現實中的銀行網點使用者不在分析範圍內，由於銀行DAO社群中，存在DAO同用戶多對多的關係，例如同一個使用者會參加多個DAO，一個DAO必然也會有多個使用者參加。
銀行DAO社群中的使用者就是本次使用者畫像的資料範圍。而本次使用者畫像的目標就是發現不同DAO中，使用者現實環境中的地區、元宇宙中經常出現的區域、性別、學歷和職業組成，以便於更好地為使用者提供服務，為使用者提供更好的DAO產品工具。
2。 畫像標籤
根據使用者畫像的資料範圍和目標，銀行DAO社群使用者畫像標籤定義如下：
使用者區域、使用者性別、使用者學歷、使用者職業。
受於篇幅限制，使用者畫像標籤做了極大的精減，實際分析過程中，可以結合使用者在銀行DAO社群中的使用者角色以及參與的DAO的相關任務，進一步對使用者的職業標籤進行進一步擴充套件。
例如使用者在DAO社群中，加入了創作者DAO，經常釋出高質量的原創文章，雖然使用者在現實中的職業是程式設計師，但在銀行DAO社群中，職業標籤可以是原創作者。
使用者畫像標籤如圖2所示。
圖2 使用者畫像標籤
3。 識別處理
銀行社群DAO中，對使用者識別可以有多種方法，我們主要概括為兩種識別方法。
（1）確定性方法識別：透過DID（Decentralized Identifiers，分散式身份標識）服務建立使用者在銀行DAO中的身份識別。還可以透過使用者ID、手機號、郵箱等使用者唯一標識進行識別。
（2）機率論方法識別：透過銀行DAO社群產品中的資料埋點，結合元宇宙中的地理和引數標識進行識別。也可以透過IDFA（Identifier For Advertisers，廣告客戶識別符號）、Cookie、IP地址（Internet Protocol Address，網際協議地址）等，使用裝置相關的間接資料進行匹配。結合機器學習或者其他複雜規則來分析。
對使用者資料識別完成後，對識別的資料進一步進行處理，對使用者資料進行清洗，去除冗餘與垃圾資料，例如有些使用者在某一個DAO中的某一固定行為，為了節省資料分析的複雜度，可以進行壓縮。
使用者識別方法如下圖3所示。
圖3 使用者識別方法
4。 提煉歸納
使用者在銀行DAO社群中的資料經過識別處理後，變為相對整潔的資料，接下來透過資料分析工具對銀行DAO社群中的使用者資料進行提煉和歸納，這些資料是生成畫像的基礎資料。
資料分析工具有很多，一般而言銀行都有自己的大資料平臺，在大資料平臺中對銀行DAO社群中的海量使用者資料分析效率和效果都非常好。
對於銀行DAO社群的產品經理而言，如果所涉及的使用者畫像是一個全新的工程，則可以根據少量資料，提前進行建模和驗證，可以透過Python語言或是R語言進行建模分析。提煉歸納的前提是需要我們構建好畫像模型。使用者畫像資料模型如圖4所示。
圖4 使用者畫像資料模型
我們可以根據上述模型將資料進行提煉歸納，並將使用者進行“打標”（將不同的標籤賦予使用者）操作。
5。 生成畫像
根據建立好的使用者畫像模型以使用者資料為基礎，生成使用者畫像。
生成畫像有兩種方式。
（1）文字式：直接以文字描述的方式，對使用者進行畫像。例如：使用者張三，年齡28，碩士研究生，在上海工作，銀行產品經理，喜歡社交，在投資者DAO社群中是一位熱心的金融知識講師，也是是一位卓越的理財達人。
（2）虛擬式：直接以虛擬圖片或是虛擬形象的方式進行呈現。在元宇宙中，虛擬式會使用得比較多，一般會在使用者虛擬形象上呈現相應的畫像標籤。也可以透過虛擬徽章的形式呈現，在銀行元宇宙DAO社群中，會是一種身份的象徵。
6。 覆盤評價
使用者畫像生成之後，我們根據不同使用者的使用者畫像研發相應的銀行DAO社群產品功能，為使用者提供定製化的服務。例如，某類使用者群體是營銷大使，營銷渠道和人脈非常廣闊，我們在銀行營銷DAO社群中，向這類使用者群體提供更加便捷的營銷工具，讓使用者非常容易獲得營銷資源，並且可以非常直觀檢視營銷效果。
為了達到我們預期的產品效果，需要對生成的使用者畫像進行復盤評價，因為使用者畫像準確，是成功向用戶定製化提供產品和服務的前提。使用者畫像由眾多的使用者標籤組成，因此對使用者畫像的覆盤評價，可以拆解為對使用者標籤的準確率進評價。以【學位】標籤為例，對使用者標籤的準確率評價如表1所示。
表1 使用者【學位】標籤準確率
由上表資料計算【學位】標籤的準確率為：
（5+3+4）÷（5+1+0+0+3+1+1+0+4）=12÷15=80%
根據計算出的結果，結合歷史標籤資料效果，同本產品資料或是行業同類產品的標籤準確率進行比較，發現問題所在，不斷升級最佳化提升標籤的準確率，進而提升使用者畫像的精準度。
四、總結
元宇宙時代已經到來，在元宇宙中會存在各種各樣的DAO。銀行DAO社群產品，是元宇宙中使用者之間產生連線的基礎形式。元宇宙雖然是新的產品形態，不過元宇宙所涉及的一些基礎服務，將會是現有產品服務的延伸。
對元宇宙中銀行DAO社群的使用者進行畫像分析，現有的使用者畫像理論和模型仍然可以適用，只不過元宇宙的使用者維度更高，畫像模型更為複雜。這就需要在人工建模的同時，需要藉助於計算機人工智慧進行輔助建模，例如文字挖掘模型、分類聚類模型或是機器學習提取特徵值等。
銀行DAO社群產品分析使用者畫像的目標是找出目標使用者並準確服務。好的產品，不斷增加新使用者的同時，也應該對老使用者保持粘性。產品成長的同時，也可以助力使用者成長。對使用者產品使用場景行為進行分析，對產品使用者進行細分，根據不同階段的產品戰略，制定不同的使用者服務策略，從而確保產品的競爭力。
作者：王佳亮；微信公眾號：佳佳原創，人人都是產品經理專欄作家。中國計算機學會（CCF）會員，專注於網際網路產品、金融產品、人工智慧產品設計理念分享。
本文由@王佳亮 原創釋出於人人都是產品經理，未經許可，禁止轉載。
題圖來自Unsplash，基於CC0協議。