YP.Lam | 用户画像笔记

用户画像笔记

用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”,而标签是通过对用户信息分析而来的高度精炼的特征标识。

  • 用户画像要建立在真实的数据之上
  • 当有多个用户画像的时候,需要考虑用户画像的优先级
  • 用户画像是处在不断修正中的

用户画像的作用

  • 精准营销,分析产品潜在用户,针对特定群体利用短信邮件等方式进行营销;
  • 用户统计,比如中国大学购买书籍人数 TOP10,全国分城市奶爸指数;
  • 数据挖掘,构建智能推荐系统,利用关联规则计算,喜欢红酒的人通常喜欢什么运动品牌,利用聚类算法分析,喜欢红酒的人年龄段分布情况;
  • 进行效果评估,完善产品运营,提升服务质量,其实这也就相当于市场调研、用户调研,迅速下定位服务群体,提供高水平的服务;
  • 对服务或产品进行私人定制,即个性化的服务某类群体甚至每一位用户(个人认为这是目前的发展趋势,未来的消费主流)。
  • 业务经营分析以及竞争分析,影响企业发展战略

用户画像构建流程

![user profiling]({{ site.url }}/assets/2017/userprofiling.png “用户画像”)

1、基础数据收集

静态信息数据

  • 人口属性:性别、年龄、地域、职业、学历、月收入、婚姻状况等
  • 商业属性:消费等级、消费周期等

动态信息数据

  • 网络行为数据:活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等
  • 服务内行为数据:浏览路径、页面停留时间、访问深度、唯一页面浏览次数等
  • 用户内容便好数据:浏览/收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等
  • 用户交易数据(交易类服务):贡献率、客单价、连带率、回头率、流失率等

2、行为建模

该阶段是对上阶段收集到数据的处理,进行行为建模,以抽象出用户的标签,这个阶段注重的应是大概率事件,通过数学算法模型尽可能地排除用户的偶然行为。在这个阶段,需要用到很多模型来给用户贴标签。

  • 用户汽车模型: 根据用户对“汽车”话题的关注或购买相关产品的情况来判断用户是否有车、是否准备买车
  • 用户活跃度模型: 通过判断+聚类算法判断用户的活跃度
  • 身高体型模型: 根据用户购买服装鞋帽等用品判断
  • 用户价值模型: 判断用户对于网站的价值,对于提高用户留存率非常有用(电商网站一般使用RFM 实现)
  • 促销敏感度模型: 根据订单中优惠券与代金券占比,定义客户对促销信息的敏感度

3、构建画像

  • 基本属性
  • 购买能力
  • 行为特征
  • 社交网络
  • 心理特征
  • 兴趣爱好

用户画像构建的技术

todo

用户画像资料汇总

参考资料