文章对用户画像的建立过程进行了较为详细的分析,希望通过此文,你能够对用户画像有一个系统的认识。
用户画像介绍
早期的用户画像是通过对用户多方面信息的调研和了解,将多种信息分类聚合,产出几个有典型特征和气质的虚拟用户。用户画像用于辅助产品设计,评价需求是否有价值,别让产品偏离核心用户的需求;市场营销方面,可以用于方案制定,推广渠道选择,同时对运营人员也有一定的指导意义。此种的用户画像粒度比较粗,用虚拟的用户画像代表真实的用户。用户画像会用如下的文档描述。
随着互联网的不断发展,积累的用户信息、行为记录越来越丰富,同时大数据处理和分析技术也已成熟,可以计算出每一个用户的特征。特征使用从人口基本属性、社会属性、生活习惯、消费行为等信息抽象出来的一个个具体的标签表示,标签是某一用户特征的符号化表示。为每个用户计算用户画像,这样更加贴近真实的世界,每个人都是独一无二,不能随随便便被其他人代表,用户画像精准到人。用户画像用标签集合来表示,例如:
吴某,男,32岁,河南人,北京工作,银行业,投资顾问,年收入50万,已婚,两套房,有孩子,喜欢社交,不爱运动,喝白酒,消费力强等。
基础信息可以通过用户的注册信息获得,但像是否有孩子、喜欢社交、喝白酒、消费能力等级等,用户不会告诉我们,需要建立数据模型才能计算出来。当然,用户标签的体系是需要根据业务领域去设计的,比如银行和电商用户标签体系就会不同。
基于大数据用户画像的用途
- 应用最广泛当属个性化推荐,电商网站为准妈妈推荐婴儿用品,为摄影爱好者推荐镜头。个性化推荐中,计算出用户标签是其中一环,需要有协同过滤等推荐算法实现物品的推荐。
- 精准广告可以根据年龄、区域、人群、天气、游戏爱好、内容偏好、购物行为、搜索行为等定向选择进行投放,例如腾讯的广点通,支持用户在微信、QQ精准投放。
- 精细运营,例如向目标用户发送促销活动短信,避免全量投放完成的浪费。可以针对某次活动的拉新用户进行分析,评估活动效果,看是否和预期相符。
- 辅佐产品设计,把用户进行分群,依据不同用户群特性就行产品设计和测试验证。
其它应用场景
- 查看某次市场推广的用户画像,事后分析是否和预期一致,判断推广渠道和产品目标用户群的匹配度。
- 查看不同地域的用户画像,不容内容频道的用户画像。
- 个性化Push,例如新闻客户端根据用户的阅读习惯进行个性化的新闻推荐。
步骤
更进一步,以时尚杂志全媒体为业务原型,把抽象的文字描述实例化,从战略目的分析、如何建立用户画像体系、怎么对标签进行分类分层级三个不同角度来说说用户画像建立的过程。梳理标签体系是实现用户画像过程中最基础、也是最核心的工作,后续的建模、数据仓库搭建都会依赖于标签体系。
可以获取到的数据分两类,一类是业务系统数据,一类是用户访问网站、APP产生的行为数据。
不同的企业做用户画像有不同的战略目的,广告公司做用户画像是为精准广告服务,电商做用户画像是为用户购买更多商品,内容平台做用户画像是推荐用户更感兴趣的内容提升流量再变现。
战略理清楚后,首先要画出描述用户画像的框架,建立用户画像体系框架的目的是进一步明确用户画像的用途、把标签限定在合理的范围内。具体要结合战略目标、数据情况、应用场景来规划标签系统,选取和战略目标一致的标签维度,把标签按照应用场景进行分门别类。同时注意聚焦和收敛,不要把没用标签装进来,以降低系统的复杂性,避免无用信息干扰分析过程。
用户画像体系和标签分类从两个不同角度来梳理标签,用户画像体系偏战略和应用,标签分类偏管理和技术实现侧。
把标签分成不同的层级和类别:
- 一是方便管理数千个标签,让散乱的标签体系化;
- 二是维度并不孤立,标签之间互有关联;
- 三可以为标签建模提供标签子集,例如计算美妆总体偏好度,主要使用美妆分类的标签集合。
梳理某类别的子分类时,尽可能的遵循MECE原则(相互独立、完全穷尽),尤其是一些有关用户分类的,要能覆盖所有用户,但又不交叉。比如:用户活跃度的划分为核心用户、活跃用户、新用户、老用户、流失用户,用户消费能力分为超强、强、中、弱,这样按照给定的规则每个用户都有分到不同的组里。
标签还可以按照处理过程、标签获取的方式进行划分,分为事实标签、模型标签、预测标签。不同类别的处理方式不一样。
- 事实标签:直接从原始数据中提取,例如性别、年龄、住址、上网时段等等
- 模型标签:需要建立模型进行计算,例如美妆总体偏好度
- 预测标签:通过预测算法挖掘,例如试用了某产品后是否想买正品
但是有些事实标签,如果用户没有填写的话,就需要建立模型来预测。例如数据库中的年龄字段为空,建立依据用户行为来建立特征工程,然后做预测。
未完待续。
作者:百川,微信公众号:修炼大数据(studybigdata)
本文由 @百川 原创发布于人人都是产品经理。未经许可,禁止转载。
题图来自PEXELS,基于CC0协议