2022年我在一家月活80万的社区产品做画像建设。预算有限，两个人干六周。最终落地6张表：用户基础表、行为宽表、偏好标签表、生命周期表、价值分层表、实验分桶表。每天凌晨1点跑批，单次跑批耗时从初版的47分钟压到13分钟。踩过的返工有两次，值得说。
第一次返工在行为宽表。初版把点击、收藏、评论、分享四个行为直接加权求和，权重拍脑袋定1.0、2.0、3.0、4.0。上线两周发现"分享"被刷，因为有运营活动鼓励分享，单个用户一天分享47次。修正步骤：(1)对每个行为做log1p平滑；(2)按行为做Z-score标准化；(3)给分享设单日上限10次，超出截断。修正后标签的区分度提升，高活用户识别准确率从71%到84%。
偏好标签表用了TF-IDF思路。具体做法：把用户近30天消费的内容按一级类目聚合，算出每个类目的占比，再除以全站该类目占比取对数。阈值定三个：占比大于15%记为主偏好，5%到15%记次要偏好，低于5%不记。常见错误是用绝对次数不用占比，导致重度用户全是主偏好。某数码社区就犯过这错，头部5%用户被打上11个主偏好，推荐多样性下降。
生命周期表分五段：新用户（注册0到7天）、成长期（8到30天）、成熟期（31到180天）、沉默预警（181到270天无活跃）、流失（271天以上）。分界点不是拍脑袋，是看留存曲线拐点。我们拉了2021年全年12.6万新用户，7日留存38%，30日留存19%，第31天到第60天留存斜率趋平。所以成长期切在30天。返工点是沉默预警原本设90天，后来改成180天，因为90天口径下误判率22%。
价值分层用了RFM的简化版，只留R和F。M用近90天消费额，但社区产品消费额稀疏，改用"互动频次×内容消费时长"合成一个分。分四层：高价值占4.2%，中价值占17.8%，低价值占51%，沉睡占27%。每层给不同的推荐策略：高价值推新品类做探索，低价值推热门做收敛。上线一个月，低价值层的次日留存从21%到24%。
实验分桶表容易被忽略。我们的错误是：画像标签每天更新，但实验分桶按注册ID哈希，两者不同步。结果一个用户周一在高价值层，周三掉到低价值层，实验组对照组污染率到9%。修正办法：(1)实验分桶在实验周期内冻结；(2)画像更新写入版本号；(3)分析时按首次曝光时的版本取标签。污染率降到1.3%。
给要动手的团队三句话。第一，先定口径再建表，口径文档写清楚时间窗口和截断规则，别写在代码注释里。第二，阈值用数据定，拉历史分布看拐点，别用整数拍脑袋。第三，每天跑一次标签覆盖率监控，低于80%的分桶要报警，覆盖率掉了通常是上游埋点改了。
