受众画像：深入分析用户特征

大众媒体时代的受众被认为是典型的同质化群体，媒体面向受众呈现无差别的内容，尽管它们在信息生产、内容分发和广告营销的过程中也会投入费用进行市场调查，然而这样的市场调查与其说是中立客观的数据参考，毋宁说是一种自欺欺人、掩耳盗铃的把戏。从调查公司那里得来的数据就像广告大师约翰·沃纳梅克那句经典名言一样：“我知道广告费用有一半是浪费了，但我不知道是哪一半。”来自调查公司的客户调查数据亦是如此，“我知道这些数据有一半是虚假的，但我不知道是哪一半。”媒体也好，广告主/广告公司也罢，他们中的大多数拿这些数据只是用来为早已经制定好的产品策略或内容策略做合理性解释，而不是因为真的对这些数据高度认可而做出改进产品的决定。这主要原因在于调查公司所采用的传统统计学的调查研究方法在根本上无法真正反映媒体受众的全面特征和真实需求。“传统的统计调查是遵循自上而下的逐级下达、自下而上的逐级上报；统计方式是通过抽样个体去推断总体情况。这种通过多层抽样调查汇总的方式，其数据易出现误差，且抽样覆盖的范围有限，难以真正反映整体真实的情况。同时传统统计有时还要面对被调查者不配合等情况，从而导致基层统计人员的工作量大、工作效率低、环节多而繁杂、数据准确度难以把握、统计时效性差等问题。”^[26]这些问题不是在大数据时代才暴露出来的，而是在过去的媒体实践和市场调研中就一直存在的。

举例而言，对电视节目的受众调查，通常会采用抽样调查和深度访谈相结合的办法，其最基本的假设就是所有受众具有高度同构的特征，在这样的逻辑下通过合理抽样得到的2000名用户是可以代表坐在电视机前观看这档节目的2000万用户的。然而事实证明，通过问卷获得的数据甚至连用户本人的真实意图都反映不了，又如何能够真正代表更多其他用户呢？这种研究假设的谬误必然直接地影响到研究方法、研究过程以及最终得出来的研究数据和研究结论。传统调研方式在受众分析上表现得捉襟见肘，因此它所给出的结论都是高度抽象的群体素描：20～25岁的年轻人，女性，大学生或白领人群，热爱生活，喜欢旅游……这种对于受众群体的泛泛表述最大的优点就在于它几乎不会出错，但同样其最大的缺陷在于拿着这张素描去对照就会发现跟谁都有点像但跟谁也不完全像。“对于传统媒体而言，受众规模、到达率、媒介接触等方面的量化信息是必不可少的。如果今天我们所关注的依然停留在观众看了什么节目、受众的年龄、性别、收入等信息，已经远远不够了。我们还要回答，他们看了这个节目之后又去了哪些网站，他推崇什么样的生活方式，他的喜好、品位和价值观，等等。一言以蔽之，现在更多地要基于行为和习惯来描述和分析受众，而远不止于受众的人口学特征。”^[27]正是在要继续更准确地描述受众的行为特征这件事情上，传统媒体以及他们所采用的调研方式无能为力了。

这也恰恰是计算传播学的研究方法在受众分析层面所必须面对并解决的问题，而计算主义的思维和工具则从基本假设这一起点直接摧毁了传统媒体将受众视为同质化群体而展开的研究体系，并代之以更加具象化、更加个性化和更加清晰化的用户画像。媒介市场从来都不是同质化而是异质化的，并不是大数据将大众分化成了个体，而是大数据的思维和工具给了我们直接面对个体、分析个体、服务个体的契机。过去的受众分析通过“问卷访问、小组访谈等市场调研技术去分析客户，通过一个或者几个维度来定义细分市场，给一个客户群一个标准化的面孔……大数据给出的客户定义，不再是一个群体标准化的面孔，而是立体、全面的客户形象。运用大数据，客户可以从大众化、细分化变为微分化、个人化”^[28]。而解决微分化、个人化信息需求和内容消费的关键技术和基本方法则是算法以及建立在各种算法之上的信息过滤程序和内容推荐系统，其核心原理是：一方面对具体用户在具体场景下的具体内容需求进行精准的预测（用户画像），另一方面是更全面、更细致、更准确地对海量内容库中的每一条信息进行体系化、类型化和标签化（内容画像），从而以最少的时间、最低的成本、最高的效率完成个性化需求和差异化内容之间的精准匹配。相比起内容画像，用户画像的难度要大很多，它涉及传统统计学重点描述的静态人口特征，涉及与用户消费兴趣相关的动态行为特征，还涉及特定用户所处具体场景的环境特征以及瞬息万变的心理特征等方方面面，但构建起一套全面、立体而丰富的用户画像并“对其信息行为进行定量分析，是认识网络环境下用户复杂行为的前提和基础，有助于平台根据用户特征及其偏好提供更精准的个性化服务”^[29]。(www.xing528.com)

事实上，这正是计算传播学新范式与大众传播学传统范式之间存在的根本性差异，这也正是计算传播学所有研究的出发点：观察并了解每一位用户，向不同的用户提供不同的信息服务。在新的范式下，谁能够最精确地对用户画像进行描述、最准确地预测用户在下一秒的信息需求并最精准地向他提供针对这一需求的信息解决方案，谁就会在激烈的市场竞争环境下获得最强大的核心竞争力。完善用户画像的最主要方式就是利用用户在线产生的大数据对其相关信息进行挖掘，并输出为具体的标签体系。例如，基于某位具体用户的LBS地理位置数据显示，这位用户每个工作日9时至17时的坐标通常是国贸大厦，系统便会自动将“国贸大厦”这个标签与用户画像中“工作”相关的标签进行关联。同样的道理，借助于大数据技术，我们可以为这位用户贴上“海底捞”“大叔控”“购物狂”“××粉丝”等多种多样的标签，这些标签能够更好地提取和呈现这位用户身上所表现出来的各种特征，算法借此将用户与内容进行更精准的匹配。