「何千人もの人々の何千もの顔」を解読し、ユーザーのポートレートを深く解釈する方法

[[201075]]

ユーザー ポートレートの概念は非常に人気があります。多くの企業が「ユーザー ポートレート」を通じて製品インテリジェンスを推進したいと考えていますが、ユーザー ポートレートとは何でしょうか。

この記事では、私たちが理解している 2 種類のユーザー ポートレート (ユーザー ペルソナとユーザー プロファイル) を紹介するとともに、ユーザー プロファイルのラベル付けシステムを構築して製品インテリジェンスを推進する方法についても説明します。

ユーザーペルソナ

最初のタイプのユーザー ポートレート (ユーザー ペルソナ) は、製品の設計者とオペレーターによってユーザー グループから抽象化された典型的なユーザーです。

• ユーザー調査フェーズでは、製品マネージャーはアンケートや顧客インタビューを使用して、ユーザーの共通点と相違点を理解し、それらをさまざまな仮想ユーザーにまとめます。
• 製品プロトタイプの設計および開発段階では、製品マネージャーはこれらの仮想ユーザーのニーズとシナリオに基づいて、製品のユーザー エクスペリエンスと使用プロセスを調査および設計します。
• 製品設計で意見の相違が生じた場合、製品マネージャーはユーザー ポートレートを使用して個別のニーズから離れ、対象ユーザーに焦点を当てることができます。機能を保持する必要があるかどうかを議論するのではなく、ユーザーがこの機能をどのように必要とするか、どのように使用するかなどを議論します。

たとえば、採用商品の調査段階で構築されたユーザー ペルソナは次のようになります。

(画像は https://www.clearvoice.com より)

したがって、このタイプのユーザー ポートレート (UserPersona) は、本質的にはユーザーのニーズを説明するツールです。製品開発プロセス中に、さまざまな役割の担当者がユーザーの視点から問題を考えるのに役立ちます。

製品の設計とプロトタイプの開発段階では、製品マネージャーはユーザーのニーズを理解し、ユーザーの使用シナリオを想像するために、ユーザーペルソナにさらに依存するようになります。プロダクトが発売後もイテレーションを続け、実際のユーザーが蓄積されていくと、ユーザーペルソナだけではユーザーニーズを定量的に評価することが難しくなり、データで反証することも難しくなります。ユーザーペルソナ内の架空のキャラクターが実際のターゲットグループであるかどうかは不明です。

同時に、実際のユーザーグループも時間の経過とともに変化するため、設計段階で作成された架空のユーザーペルソナ（ユーザーペルソナ）を再調査して再考する必要があります。

ユーザープロフィール

同時に、閲覧履歴に基づいてユーザーにパーソナライズされたサービスを提供するなど、製品によって蓄積されたユーザー行動データを通じて、製品運用に対するより良いサポートも提供していきたいと考えています。これは、この記事で焦点を当てる 2 番目の種類のユーザー プロファイルです。製品内の各ユーザーのユーザー行動データに基づいてユーザーを説明するラベルのコレクションです。

たとえば、彼が男性か女性か、どこに住んでいて、どこで働いているか、さらにはどんな有名人が好きか、何を買いたいかなどを推測します。

「1000人の1000の顔」のような概念が普及するにつれて、多くの企業クライアントとのコミュニケーションの中で、クライアントが2つのユーザーポートレートの違いをより意識してくれることを期待しています。最初のタイプのユーザーポートレート (ユーザーペルソナ) とは異なり、ユーザープロファイルの構築では次の点に重点が置かれます。

視聴者の真のニーズを反映しているかどうか:

ユーザー プロファイルという言葉の文字通りの意味は、人口統計的属性や生活状況などの静的な情報に焦点を当てることですが、この情報は必ずしもユーザーの興味を直接反映するものではありません。製品では、「ユーザーが最近どんなビデオを好んで視聴しているか」や「どのくらいの携帯電話を購入する予定か」など、製品の運用に役立つ動的な情報に重点が置かれることがよくあります。

適時性:

ユーザーの興味や好みは常に変化するため、ユーザー タグはタイムリーに更新する必要があります。

カバレッジ：

ユーザー プロファイルには、ユーザーが興味を持っているコンテンツを概説するだけでなく、ユーザーが興味を持っていない情報も記録し、製品運用のニーズに最大限に応える必要があります。しかし同時に、人口統計的属性などの明確な属性を除けば、ほとんどのユーザーポートレートの正確さは無意味です。

たとえば、「最近面白い動画を見るのが好きです」というラベルは、ユーザーが次回も必ず面白い動画を見るという意味ではありません。したがって、ラベルの精度を向上させることに重点を置くのではなく、視聴者のニーズを明確に説明するラベルをより多く設計する方がよいでしょう。ほとんどの場合、よりきめ細かいユーザー ポートレートを提供しながら、ユーザー ポートレートのカバレッジを向上させることに重点を置いています。

ユーザーポートレートのラベル付けシステムを設計する

ユーザー ポートレート (以下、ユーザー プロファイルと呼びます) は、一般的にラベル システムを通じて実装されます。簡単に言えば、ユーザーを特定の数のカテゴリに分類します。もちろん、各ユーザーを複数のカテゴリに分類することもできます。これらのクラスが何であるか、そしてそれらが互いにどのように関連しているかによって、ラベル付けシステムが構成されます。通常、ユーザー ポートレートのラベル システムを設計する方法は 2 つあります。

1つ目は構造化ラベルシステムです。このタイプのラベルは、人口統計属性や商品情報などの基本情報から直接取得でき、性別、省、都市、ビデオ分類、製品分類などの明確な階層関係があります。

(画像はhttp://www.amazon.cnより)

構造化ラベル付けシステムは通常比較的単純で、一般的にはユーザー行動マッピングを通じて直接取得できます。たとえば、ユーザーの購入記録に基づいて、ユーザーのアイテムに対応する構造化ラベルがユーザー用に構築されます。

ただし、構造化タグは粒度が粗いことが多く、ユーザーの興味を完全に測定することはできません。

たとえば、ユーザーがニュース アプリで有名人に関するエンターテイメント ニュース記事を読んでいる場合、そのユーザーがすべてのエンターテイメント ニュースに興味を持っているとは推測できませんし、必ずしもその有名人に対して特別な好意を持っているわけでもありません。

1 つは非構造化タグ システムで、各タグは独自のユーザーの関心を反映し、タグ間に階層関係はありません。一般的な非構造化タグには、検索広告システムのキーワード、読書製品のドキュメント トピック モデル、またはベクトル化されたユーザーとアイテムの埋め込みが含まれます。

ラベル付けシステムの構造は使いやすく、明確に区別できるものでなければなりません。特定の製品に関して言えば、シナリオによって、これら 2 つのポイントに対する要件の重点は異なります。製品で使用するラベルを選択する明確な基準はなく、ユーザーが製品を使用する動機を十分に理解する必要があります。

効果的なラベル付けシステムは、ユーザーが何を購入し、何を購入しないかを決定するための論理と根拠を反映する必要があります。

たとえば、電子商取引製品では、ニュース チャンネル方式を使用してユーザー向けに「金融、スポーツ、旅行など」のラベルを作成することは難しくありませんが、あまり意味がありません。

ユーザーポートレート業界の実践

センサーデータは、国内の有名動画集約サイトと共同で動画レコメンデーションサービスを開発しています。このウェブサイトは毎日インターネット全体からビデオを集約し、人気ビデオやビデオ検索などのサービスをユーザーに提供します。ウェブサイトには大量のユーザーデータや行動データが蓄積されており、新規ユーザーと既存ユーザーをめぐる運用モデルが変化しています。

従来の動画サイトとは異なり、ショート動画の操作機能は次のとおりです。

• 高度にランダムな再生: 短いビデオの再生は高頻度で定期的なエンターテイメント アプリケーションですが、1 回の視聴時間は短く、ユーザーはランダムに選択できます。
• ホットなトピックはすぐに変わります。新しいビデオがプラットフォームに絶えず追加され、ホットなコンテンツは毎日変わります。ウェブサイトはユーザーの潜在的な興味を発見し、新鮮なコンテンツをユーザーに推奨する必要があります。
• シナリオ主導: シナリオとは、特定の時間、場所、人々の組み合わせにおける特定の消費意図を指します。さまざまなタイプのユーザーの消費意図は、時間や場所によって異なります。たとえば、ホワイトカラーの労働者が地下鉄で通勤するときは、その日のホットなニュースに注目します。また、週末の夜に自宅で過ごすときは、ユーザーは楽しくて面白い動画をクリックすることを好みます。シーン認識が詳細であればあるほど、ユーザーの消費意図をより深く理解でき、推奨満足度も高まります。

動画リソースの継続的な充実とユーザーニーズの多様化に伴い、いかに正確に動画を顧客に推奨するかが、製品のユーザーポートレートの基本的な目標となっています。私たちは、推薦システムにおいて推薦結果の説明可能性、つまり各推薦動画を推薦する理由をユーザーが理解できるようにすることを重視します。したがって、私たちは主に視聴シナリオと視聴興味に基づいてユーザーポートレートを構築します。

私たちは、新規ユーザーと既存ユーザーという2つの主要なグループを検討しています。新規ユーザーは、初めてアプリにアクセスします。この段階での運用目標は主にリテンションであり、主に最近の人気動画をユーザーに推奨します。通常のデバイス情報と地理情報以外に、ユーザーについてわかっていることはほとんどなく、次の質問については推測することしかできません。

• ユーザーはどこにいますか?
• これはどのようなシナリオでしょうか?

ユーザーのポートレートを作成し、シナリオの推奨を作成します。これら 2 つのタグの取得は比較的直接的で、ユーザーの携帯電話の地理的位置情報と現在の期間を通じて取得できます。さまざまなシナリオで、新規ユーザーにはさまざまな動画をお勧めします。たとえば、次のようになります。

• 平日 7:00-10:00: ユーザーは公共交通機関を利用して会社に向かい、バス内で 3G/4G データを使用してインターネットにアクセスすることがあります。これにより時間が断片化され、中断されやすくなり、視聴時間が中断されやすくなります。通常、この時間帯に、ユーザーはその日の時事問題やニュースを知りたいと思うものです。したがって、短くて鋭いホットなニュースをお勧めします。
• 平日12:30～14:00：会社で昼休み中のユーザーもいるため、目的意識が低く、自分の好みに合ったコンテンツをランダムに探せるエンタメ系やコメディ系の動画がおすすめです。ただし、昼寝や仕事の都合で視聴時間が断片化してしまう可能性があります。したがって、Xqiyi の「XiaoX is coming」のような、短くて面白くて面白いビデオをお勧めします。
• 週末、19:00～23:00: ユーザーは自宅で休んでいる可能性があり、番組を視聴する時間はたっぷりあります。Wi-Fi が使用されており、速度も安定しています。この時間帯は、ユーザーのモチベーションが高まり、たとえば「XX 歌手」や「XX 男」などのバラエティ番組の人気クリップが更新されていないか確認する傾向が強くなります。そのため、長時間のリラクゼーションを求めるユーザーのニーズに合わせて、バラエティ番組や映画の予告編などをおすすめすることができます。

シーン推奨を通じて、ユーザーの興味を知らなくてもユーザーのニーズを満たすために、さまざまなシーンタグの下でさまざまな人気ビデオを新規ユーザーに推奨します。

既存ユーザーの場合、運用目標はユーザーエクスペリエンスを向上させ、ユーザーの興味のあるコンテンツを推奨することで、視聴時間を増やすことができます。また、シナリオに基づいてユーザーが興味を持つ可能性のある新しいコンテンツを推奨することで、ユーザーの維持率を高めることができます。一般情報とシナリオ情報に加えて、古いユーザーのユーザー プロファイルを構築する際には、次の点も考慮されます。

• ユーザーの興味関心は時期によって異なる
• ユーザーは新しい動画を探すのが好きですか?
• ユーザーのリコールリクエスト

最初のカテゴリである「ユーザー興味タグ」では、動画自体の分類情報を通じて構造化された興味タグを構築できます。

実際の処理では、各ユーザーの最近の視聴記録を視聴シーケンスとみなし、Item2Vec（《Item2Vec: NeuralItem Embedding for Collaborative Filtering》、https://arxiv.org/pdf/1603.04259v2.pdf）を通じて動画埋め込み行列を生成し、Bag of Wordsの考え方を用いて各ユーザーの最近の視聴記録でユーザーの興味を記述し、ユーザー埋め込みをユーザー興味ラベルとして取得します。

ユーザーの興味タグを通じて、上記のシナリオの推奨にユーザーの興味を統合することができます。たとえば、平日の7:00から10:00までは、ユーザーの興味に基づいて、ホットニュースから軍事、金融など、ユーザーが興味を持つその他のカテゴリをフィルタリングします。週末の19:00から23:00までは、ユーザーの先週の視聴記録に基づいて、同じ新しいバラエティ番組を繰り返し推奨します。

2 番目のカテゴリの「ユーザー新鮮度需要ラベル」については、ユーザーの視聴記録内の映画間の類似性を測定することでラベルを取得します。カバーされる映画のカテゴリーが多いほど、または映画間のベクトル距離が長いほど、ユーザーは新しいコンテンツを探索したいと思うようになります。

さまざまな種類の動画を探索したいユーザーのために、ユーザーが視聴していないカテゴリから新しく人気のある動画を抽出し、おすすめの並べ替え結果に追加する傾向が強まります。

現在、インターネット製品の顧客獲得コストは非常に高くなっています。センサー分析では、多次元分析を通じてユーザー離脱の理由を見つけることができます。同時に、統計的手法を通じてユーザー離脱のリスクも予測します。

動画サイトの古いユーザーの場合、視聴習慣や視聴シーンは比較的固定されていることが多いため、直近の視聴頻度が以前と比べて大幅に低下している場合や、アプリを開いていない場合でも、離脱の恐れがあると判断し、興味のある動画をプッシュするなどしてユーザーを呼び戻すことができます。

まとめ

ショートビデオは高頻度かつカジュアル性の高い製品であり、ユーザーの視聴行動は時間や場所などのシーン要因に大きく影響されます。さまざまなシーンでのユーザーの視聴行動を深く理解し、さまざまなシーンでのユーザーの個人およびグループのニーズの違いをまとめ、さまざまなシーンに対応する推奨戦略を策定する必要があります。これが、ショートビデオ製品のユーザーポートレートの突破口としてシーンを選択した理由です。

同時に、動画の推奨のためのユーザーポートレートを構築する際には、次のような課題にも直面します。

• データのスパース性: 全体のデータに対する個々の視聴記録の範囲は非常に低く、異なる個人間の重複も非常に低いです。これらのスパースデータから個人やグループの興味タグを取得する必要があります。
• ユーザーの興味はすぐに変化します。ユーザーの興味は時間や話題によって変化します。ユーザーが有名人に関する短いビデオをいくつか視聴したからといって、翌日や将来的にその有名人に興味を持つとは限りません。ユーザーの短期的興味タグと長期的興味タグを別々に構築する必要があります。
• シーン認識は難しい: 現在、シーン認識は主に時間帯に基づいており、地理的な位置情報は組み込まれていないため、きめ細かいシーン認識の精度が大幅に向上します。

要約する

***、記事で触れた2人のユーザーポートレートをまとめてみましょう。ユーザーペルソナは、対象ユーザーの行動特性を鮮明に理解するのに役立ち、ユーザーニーズを判断する基礎として役立ちます。ユーザープロファイルは、ユーザーの行動からさまざまなラベルを構築し、ユーザーのライフサイクル全体を通じてユーザーの意図を継続的に描写し、製品の運用を支援します。

ポートレートラベルシステムの構築は反復的なプロセスです。たとえば、ビデオ製品では、新しいビデオや新しいホットトピックが絶えず生成されるため、継続的な調査と調整が不可欠です。製品運用の目的に応じてラベリング システムを柔軟に調整することによってのみ、最大の効果が得られます。