◎什麼是使用者畫像?

簡而言之,使用者畫像是根據使用者社會屬性、生活習慣和消費行為等資訊而抽象出的一個標籤化的使用者模型。構建使用者畫像的核心工作即是給使用者貼“標籤”,而標籤是通過對使用者資訊分析而來的高度精煉的特徵標識。

舉例來說,如果你經常購買一些玩偶玩具,那麼電商網站即可根據玩具購買的情況替你打上標籤“有孩子”,甚至還可以判斷出你孩子大概的年齡,貼上“有5-10歲的孩子”這樣更為具體的標籤,而這些所有給你貼的標籤統在一次,就成了你的使用者畫像,因此,也可以說使用者畫像就是判斷一個人是什麼樣的人。

除去“標籤化”,使用者畫像還具有的特點是“低交叉率”,當兩組畫像除了權重較小的標籤外其餘標籤幾乎一致,那就可以將二者合併,弱化低權重標籤的差異。

◎使用者畫像的作用

羅振宇在《時間的朋友》跨年演講上舉了這樣一個例子:當一個壞商家掌握了你的購買資料,他就可以根據你平常購買商品的偏好來決定是給你發正品還是假貨以提高利潤。且不說是否存在這情況,但這也說明了利用使用者畫像可以做到“精準銷售”,當然了,這是極其錯誤的用法。

其作用大體不離以下幾個方面:

1.精準營銷,分析產品潛在使用者,針對特定群體利用簡訊郵件等方式進行營銷;

2.使用者統計,比如中國大學購買書籍人數 TOP10,全國分城市奶爸指數;

3.資料探勘,構建智慧推薦系統,利用關聯規則計算,喜歡紅酒的人通常喜歡什麼運動品牌,利用聚類演算法分析,喜歡紅酒的人年齡段分佈情況;

4.進行效果評估,完善產品運營,提升服務質量,其實這也就相當於市場調查、使用者調研,迅速下定位服務群體,提供高水平的服務;

5.對服務或產品進行私人定製,即個性化的服務某類群體甚至每一位使用者(個人認為這是目前的發展趨勢,未來的消費主流)。比如,某公司想推出一款面向5-10歲兒童的玩具,通過使用者畫像進行分析,發現形象=“喜羊羊”、價格區間=“中等”的偏好比重最大,那麼就給新產品提供類非常客觀有效的決策依據。

6.業務經營分析以及競爭分析,影響企業發展戰略

◎構建流程

1467599209-3712-3417eb9bbd9018e0472c29

◎資料收集

資料收集大致分為網路行為資料、服務內行為資料、使用者內容偏好資料、使用者交易資料這四類:

•網路行為資料:活躍人數、頁面瀏覽量、訪問時長、啟用率、外部觸點、社交資料等

•服務內行為資料:瀏覽路徑、頁面停留時間、訪問深度、唯一頁面瀏覽次數等

•使用者內容便好資料:瀏覽/收藏內容、評論內容、互動內容、生活形態偏好、品牌偏好等

•使用者交易資料(交易類服務):貢獻率、客單價、連帶率、回頭率、流失率等當然,收集到的資料不會是100%準確的,都具有不確定性,這就需要在後面的階段中建模來再判斷,比如某使用者在性別一欄填的男,但通過其行為偏好可判斷其性別為“女”的概率為80%。

還得一提的是,儲存使用者行為資料時最好同時儲存下發生該行為的場景,以便更好地進行資料分析

◎行為建模

該階段是對上階段收集到資料的處理,進行行為建模,以抽象出使用者的標籤,這個階段注重的應是大概率事件,通過數學演算法模型儘可能地排除使用者的偶然行為。

這時也要用到機器學習,對使用者的行為、偏好進行猜測,好比一個 y=kx+b 的演算法,X 代表已知資訊,Y 是使用者偏好,通過不斷的精確k和b來精確Y。

在這個階段,需要用到很多模型來給使用者貼標籤。

•使用者汽車模型

根據使用者對“汽車”話題的關注或購買相關產品的情況來判斷使用者是否有車、是否準備買車

•使用者忠誠度模型

通過判斷+聚類演算法判斷使用者的忠誠度

•身高體型模型

根據使用者購買服裝鞋帽等用品判斷

•文藝青年模型

根據使用者發言、評論等行為判斷使用者是否為文藝青年

•使用者價值模型

判斷使用者對於網站的價值,對於提高使用者留存率非常有用(電商網站一般使用RFM 實現)還有消費能力、違約概率、流失概率等等諸多模型。

◎使用者畫像基本成型

該階段可以說是二階段的一個深入,要把使用者的基本屬性(年齡、性別、地域)、購買能力、行為特徵、興趣愛好、心理特徵、社交網路大致地標籤化。

為什麼說是基本成型?因為使用者畫像永遠也無法100%地描述一個人,只能做到不斷地去逼近一個人,因此,使用者畫像既應根據變化的基礎資料不斷修正,又要根據已知資料來抽象出新的標籤使使用者畫像越來越立體。

關於“標籤化”,一般採用多級標籤、多級分類,比如第一級標籤是基本資訊(姓名、性別),第二級是消費習慣、使用者行為;第一級分類有人口屬性,人口屬性又有基本資訊、地理位置等二級分類,地理位置又分工作地址和家庭地址的三級分類。

◎資料視覺化分析

這是把使用者畫像真正利用起來的一步,在此步驟中一般是針對群體的分析,比如可以根據使用者價值來細分出核心使用者、評估某一群體的潛在價值空間,以作出針對性的運營。如圖:

1467599209-4212-3417eb9bbd9018e047612a
後記:

這裡只寫了使用者畫像的構建流程和一些原理,下次有時間我會寫篇關於大資料平臺的實踐文章,並說一下一些行為模型的演算法原理,有興趣的朋友可以關注下。

文/我勒個矗