关闭

拉手网用户画像

标签: 拉手网数据
216人阅读 评论(0) 收藏 举报
分类:

拉手网用户画像

定义

通过采集数据并挖掘分析用户行为,从不同维度为每个用户打上标签,从而实现快速地分析用户行为习惯、消费习惯等重要商业信息提供足够的数据基础,即为用户画像

意义

用户角度:提高用户忠诚度、帮助用户快速找到需要的商品
公司角度:活动营销、用户洞察、分析报表,来源统计、网站统计、品类统计,个性化推荐、个性化广告、个性化EDM

  • 精准推荐,给不同的用户提供感兴趣的产品-留存老用户、唤醒沉默用户
  • 精准营销,按照不同标签筛选用户群体,进行针对性营销,避免在错误的时间错误的地点对错误的人做出错误的促销活动-增加用户复购率、用户留存率
  • 数据分析,分析用户不同维度的数据,支持运营决策
  • 数据支持,给运营部门及各产品线提供用户的相关数据支持
  • 用户洞察,分析任意时间段内新增、留存、活跃、流失、回流用户数等指标,实时掌握变化趋势,并从中发现规律

用户分群

精细化定位人群特征,挖掘潜在的用户群体,帮助运营部门充分认知群体用户的差异化特征,并根据族群的差异化特征,确定营销机会和方向。个性化精准推荐,优化搜索结果,提升用户体验

用户画像业务流程图

Created with Raphaël 2.1.0开始采集数据分析用户属性(维度、标签)用户分群分群推送人群画像洞察洞察结果是否成功观察转化率、留存率人群报告人群报告是否成功优化运营策略结束yesnoyesno

标签

用户画像的核心工作是为用户打标签,打标签的重要目的之一是为了让人能够理解并且方便计算机处理,拉手网根据用户的搜索、浏览、订阅、收藏、购买等角度分析主要有以下标签

行为标签

  • 用户客户端类型:PC、安卓手机、安卓平板、安卓TV、IPHONE、IPAD、其他设备
  • 注册账号类型:邮箱、手机号码
  • 首次登陆日期:记录用户的最早一次登陆日期
  • 末次登陆日期:记录用户的最近一次登陆日期
  • 登陆频次:按照周、月、季度、半年计算用户的消费频次,从当前时间倒推对应粒度时间,统计该时间片段内登陆频次
  • 登陆周期:按照每周、2周、1个月、3个月、半年、1年计算用户的周期、平均登陆周期,统计对应时间粒度的登陆频次,计算:时间跨度 / 登陆频次,即得到登陆周期

兴趣标签

  • 品类偏好:根据用户搜索、订阅、收藏、浏览、购买等所对应商品的类别以不同的权重计算得出用户的品类偏好值
  • 场所偏好:根据用户搜索、订阅、收藏、浏览、购买等所对应商品的商家所对应的场所以不同的权重得出用户的场所偏好值

用户标签

  • 出生日期:根据身份证规则计算用户的出生日期
  • 性别倾向:根据身份证、发票姓名、昵称等信息计算用户的性别倾向
  • 人生阶段:根据购买品类、张数预测用户的人生阶段单身、有配偶、家有小孩
  • 年龄阶段:根据身份证、浏览与消费的项目等信息预测用户的年龄段,把用户的年龄归并到所属年龄段(0-17岁、18-22岁、23-29岁、30-34岁、35-39岁、40-49岁、50岁以上)
  • 所在城市:根据用户最近浏览记录、消费地址、IP地址、LBS数据预测用户所在的城市

消费标签

  • 消费渠道:根据有效订单统计用户在所有消费渠道的次数
  • 首次消费日期:记录用户首次有效订单的日期(支付成功)
  • 末次消费日期:记录用户最近一次有效订单的日期(支付成功)
  • 用户生命周期:将用户的最后有效消费时间距离当前时间划分为四个等级,活跃、沉默、预流失、流失
  • 用户购买力等级:以用户有效订单的平均消费金额划分为不同的用户等级
  • 消费频次:按照周、月、季度、半年计算用户的消费频次,从当前时间倒推对应粒度的时间,统计该时间片段内的消费频次
  • 消费周期:按照每周、2两周、1个月、3个月、半年、1年计算用户的周期,统计对应时间粒度的消费频次,计算:时间跨度 / 消费频次
  • 用户价值等级:即RFM模型,通过三个价值指标即最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)来评估客户的价值状况
  • 用户忠诚度:以用户末次购买时间、购买频次、购买品类数等以不同的权重计算出用户的忠诚度
  • 消费金额:按照最近1月、3月、6月、1年、2年统计总消费金额、单次最低消费金额、平均消费金额、单次最高消费金额

推荐策略

基于用户的协同过滤推荐

原理:将相似用户喜欢的物品推荐给目标用户

用户A喜欢物品A和C,用户C喜欢物品A、D,可将物品D推荐给用户A

基于物品的协同过滤推荐

原理:对物品找到相似的物品,然后根据用户的历史喜好,推荐相似的物品给目标用户

喜欢物品A的人都喜欢物品C,基于此可推断用户C 很有可能也喜欢物品C

实现:将所有用户对某一个物品的喜好作为一个向量来计算物品之间的相似度,得到物品的相似物品后,根据用户历史的喜好预测目标用户还没有涉及的物品,计算得到一个排序物品列表作为推荐

0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:16923次
    • 积分:364
    • 等级:
    • 排名:千里之外
    • 原创:16篇
    • 转载:3篇
    • 译文:0篇
    • 评论:7条