元宇宙：银行DAO社区如何分析用户画像

（原标题：元宇宙：银行DAO社区如何分析用户画像）

1、前言

DAO（Decentralized Autonomous Organization，去中心化自治组织）是由达成同一个共识的群体自发产生的一种组织形式，其核心理念是共创、共建、共治和共享。

DAO是元宇宙中的重要的组成元素。在元宇宙中，众多的志同道合的用户组建各种DAO完成相关活动或是任务的协作，实现元宇宙整个体系的持续运行。

银行作为元宇宙中的基础设施，在为元宇宙提供便捷高效的金融服务之外，还可以组建银行自己的DAO社区同用户建立连接，进一步提升银行服务水平，也是一种全新的获客与营销方式。

银行产品在现实环境中，会对其用户画像进行分析，以便于银行可以更好地为用户提供定制化服务。现实环境中的银行用户属性比较单一，例如用户的职业是医生，现实中的用户身份比较明确，用户画像分析比较容易。

银行产品在元宇宙环境中，用户应用场景存在多维空间，同用户的交互更为频繁与智能。银行DAO社区中的用户属性更为复杂。同样以用户职业为医生为例，在元宇宙中，用户可以是美食家，收藏家，可以有多个身份，用户画像会比较复杂。

本文主要以银行DAO社区为基础，讨论如何对银行DAO社区中的用户进行画像分析。

2、用户画像分析总流程

对银行DAO社区中的用户画像进行分析，可以按如下流程进行实施。

首先需要明确用户画像的数据范围与目标，需要从哪些渠道进行数据汇总，进行用户画像的目标是什么，避免对用户画像数据过度分析导致资源和时间的浪费。

明确用户画像数据范围和目标之后，需要制定用户画像标签模型，例如在银行社区DAO中，希望获得用户的年龄画像，需要提前定义青年标签用户的年龄范围，中年用户的年龄范围等。

考虑到用户画像数据的多维和多渠道特征，需要对用户画像数据进行识别、合并与清洗。银行DAO社区中，存在一个用户会参与多个DAO的活动，不同DAO的主题、共识以及DAO任务也不一样。

根据用户画像数据和目标，进行用户画像分析，提炼关键数据进行归纳整理，绘制相应的数据图表，并进行用户最终画像可视化报告呈现。

用户画像复盘分析与效果评价。通过对用户画像分析后在实施产品场景和活动中的应用表现，评估用户画像的效果，查漏补缺，为下一次的用户画像的升级提供数据和模型参考。

用户画像分析总流程如图1所示。

图1 用户画像分析总流程

3、用户画像分析实战

3.1 范围目标

银行DAO社区用户画像分析，聚焦在用户DAO社区中的用户，也就是现实中的银行网点用户不在分析范围内，由于银行DAO社区中，存在DAO同用户多对多的关系，例如同一个用户会参加多个DAO，一个DAO必然也会有多个用户参加。

银行DAO社区中的用户就是本次用户画像的数据范围。而本次用户画像的目标就是发现不同DAO中，用户现实环境中的地区、元宇宙中经常出现的区域、性别、学历和职业组成，以便于更好地为用户提供服务，为用户提供更好的DAO产品工具。

3.2 画像标签

根据用户画像的数据范围和目标，银行DAO社区用户画像标签定义如下：

用户区域、用户性别、用户学历、用户职业。

受于篇幅限制，用户画像标签做了极大的精减，实际分析过程中，可以结合用户在银行DAO社区中的用户角色以及参与的DAO的相关任务，进一步对用户的职业标签进行进一步扩展。

例如用户在DAO社区中，加入了创作者DAO，经常发布高质量的原创文章，虽然用户在现实中的职业是程序员，但在银行DAO社区中，职业标签可以是原创作者。

用户画像标签如图2所示。

图2 用户画像标签

3.3 识别处理

银行社区DAO中，对用户识别可以有多种方法，我们主要概括为两种识别方法。

（1）确定性方法识别：通过DID（Decentralized Identifiers，分布式身份标识）服务建立用户在银行DAO中的身份识别。还可以通过用户ID、手机号、邮箱等用户唯一标识进行识别。

（2）概率论方法识别：通过银行DAO社区产品中的数据埋点，结合元宇宙中的地理和参数标识进行识别。也可以通过IDFA(Identifier For Advertisers，广告客户标识符)、Cookie、IP地址（Internet Protocol Address，网际协议地址）等，使用设备相关的间接数据进行匹配。结合机器学习或者其他复杂规则来分析。

对用户数据识别完成后，对识别的数据进一步进行处理，对用户数据进行清洗，去除冗余与垃圾数据，例如有些用户在某一个DAO中的某一固定行为，为了节省数据分析的复杂度，可以进行压缩。

用户识别方法如下图3所示。

图3 用户识别方法

3.4 提炼归纳

用户在银行DAO社区中的数据经过识别处理后，变为相对整洁的数据，接下来通过数据分析工具对银行DAO社区中的用户数据进行提炼和归纳，这些数据是生成画像的基础数据。

数据分析工具有很多，一般而言银行都有自己的大数据平台，在大数据平台中对银行DAO社区中的海量用户数据分析效率和效果都非常好。

对于银行DAO社区的产品经理而言，如果所涉及的用户画像是一个全新的工程，则可以根据少量数据，提前进行建模和验证，可以通过Python语言或是R语言进行建模分析。提炼归纳的前提是需要我们构建好画像模型。用户画像数据模型如图4所示。

图4 用户画像数据模型

我们可以根据上述模型将数据进行提炼归纳，并将用户进行“打标”（将不同的标签赋予用户）操作。

3.5 生成画像

根据建立好的用户画像模型以用户数据为基础，生成用户画像。

生成画像有两种方式。

（1）文字式：直接以文字描述的方式，对用户进行画像。例如：用户张三，年龄28，硕士研究生，在上海工作，银行产品经理，喜欢社交，在投资者DAO社区中是一位热心的金融知识讲师，也是是一位卓越的理财达人。

（2）虚拟式：直接以虚拟图片或是虚拟形象的方式进行呈现。在元宇宙中，虚拟式会使用得比较多，一般会在用户虚拟形象上呈现相应的画像标签。也可以通过虚拟徽章的形式呈现，在银行元宇宙DAO社区中，会是一种身份的象征。

3.6 复盘评价

用户画像生成之后，我们根据不同用户的用户画像研发相应的银行DAO社区产品功能，为用户提供定制化的服务。例如，某类用户群体是营销大使，营销渠道和人脉非常广阔，我们在银行营销DAO社区中，向这类用户群体提供更加便捷的营销工具，让用户非常容易获得营销资源，并且可以非常直观查看营销效果。

为了达到我们预期的产品效果，需要对生成的用户画像进行复盘评价，因为用户画像准确，是成功向用户定制化提供产品和服务的前提。用户画像由众多的用户标签组成，因此对用户画像的复盘评价，可以拆解为对用户标签的准确率进评价。以【学位】标签为例，对用户标签的准确率评价如表1所示。

表1 用户【学位】标签准确率

由上表数据计算【学位】标签的准确率为：

（5+3+4）÷（5+1+0+0+3+1+1+0+4）=12÷15=80%

根据计算出的结果，结合历史标签数据效果，同本产品数据或是行业同类产品的标签准确率进行比较，发现问题所在，不断升级优化提升标签的准确率，进而提升用户画像的精准度。

4、总结

元宇宙时代已经到来，在元宇宙中会存在各种各样的DAO。银行DAO社区产品，是元宇宙中用户之间产生连接的基础形式。元宇宙虽然是新的产品形态，不过元宇宙所涉及的一些基础服务，将会是现有产品服务的延伸。

对元宇宙中银行DAO社区的用户进行画像分析，现有的用户画像理论和模型仍然可以适用，只不过元宇宙的用户维度更高，画像模型更为复杂。这就需要在人工建模的同时，需要借助于计算机人工智能进行辅助建模，例如文本挖掘模型、分类聚类模型或是机器学习提取特征值等。

银行DAO社区产品分析用户画像的目标是找出目标用户并准确服务。好的产品，不断增加新用户的同时，也应该对老用户保持粘性。产品成长的同时，也可以助力用户成长。对用户产品使用场景行为进行分析，对产品用户进行细分，根据不同阶段的产品战略，制定不同的用户服务策略，从而确保产品的竞争力。

专栏作家

王佳亮，微信公众号：佳佳原创。中国计算机学会（CCF）会员。人人都是产品经理专栏作家，年度优秀作者。专注于互联网产品、金融产品、人工智能产品的设计理念分享。