用户画像基础
标签的用户画像的核心,只有真正有效的用户画像标签,才能提升运营效果
什么是用户画像
- 通过数据建立描绘用户的标签
- 个性化推荐、广告系统、活动营销、都是基于用户画像的研究
如何正确理解用户画像
- 不能把典型用户当做用户画像:典型用户是虚构的,每个真实用户都有自己的用户画像
- 用户画像不是用户标签的简单组合:用户画像的标签要和业务相结合
- 用户画像的有效性:用户画像具有时效性,用户的爱好会随着时间发生变化
用户画像如何生成
- 统一用户唯一标签(核心):手机号、用户名、设备号等
- 给用户打标签:属性维度(性别、年龄、学历。。。)、消费维度(消费习惯、购买意向。。。)、行为维度(行为的时间段、行为的频次、行为的访问路径。。。)、内容分析维度(对用户浏览时间长,次数多的内容进行分析)
- 将用户画像与业务关联:获客、粘客,留客
用户画像的标签维度(分类)
标签类型 – 从标签主题的角度
- 用户属性
- 用户行为
- 用户消费
- 风险控制
- 内容分析
标签类型 – 从标签生成的角度
- 统计类型:需要使用聚合函数计算后得到的标签(总消费金额)
- 规则匹配类型(人口属性,用户生命周期)
- 挖掘类型(用户偏好)
标签类型 – 从数据提取的角度
- 事实标签:从生产系统获得数据
- 模型标签:对用户属性和行为进行聚类
- 预测标签:基于用户属性和行为,挖掘用户潜在需求
标签类型 – 从数据时效的角度
- 静态属性标签:长期甚至永久都不会发生变化(性别)
- 动态属性标签:存在有效性,需要定期的更新(用户活跃度)
人群的标签组合
举个例子,如下
- 性别:两个标签
- 年龄段维度:18-,20-30,30-40,40-50,50-60,60-70(7个标签)
- 月均消费维度:100-,100-500,500-1000.。。。(7个维度)
那么人群标签的数量就为 2 ∗ 7 ∗ 7 = 98 2*7*7=98 2∗7∗7=98
如何构建高质量的用户画像
- 人口属性 != 用户画像
- 用户的行为是构成用户与用户之间差异化的核心
- 观察用户行为不是观察他做了什么事情,而是观察他做这件事情的动机是什么
如何确定用户购物的决策动机
首先明确一个概念:考量度
⟶
\longrightarrow
⟶ 用户在做一个决策之前,所需要思考的程度
高考量度的产品:用户经过了深入的自我剖析,60%的决策都在见到真正的产品之前,可以明确地说自己决策的依据是什么(房子、车子)。
低考量度的产品:是一种用户在无意识的情况下做出的决策,用户很难说出来明确地决策依据,例如点外卖,所以对这种产品,用户偏好会随时改变
中考量度的产品:用户在看到产品之前可能并不知道自己具体想要一个什么东西,但当看到产品之后,就会有那么一个产品特性触动用户,让用户做出了购买决策,并且在事后用户也可以说出是什么因素导致了购买的行为。
- 中高考量度产品:适合使用访谈的方式确定用户的画像
- 低考量度产品:适合通过大数据标签统计来进行建模分析,分析用户偏好,确定用户的画像
注意以下几点:
- 有些产品用户与用户之间考量度会有很大差异
- 即使同一个用户群,也会因为价格、用途等因素使得考量度出现很大的差异
高质量的用户群体画像
- 用户群体应该根据考量度来归类,用户的考量度不同,应该归入不同的用户群
- 如果用户的考量要素绝大多数相同,只有小部分考量要素不同,则可以合并为同一个的用户群
用户画像与特征工程的关系
什么是特征工程
- 特征工程是打开数据密码的钥匙
- 特征工程就是将数据转化为特征的过程:高质量的特征能够提高模型的准确性
用户画像的流程
TGI指数
T G I = 目 标 群 体 中 具 有 某 一 特 征 的 群 体 所 占 比 例 总 体 中 具 有 相 同 特 征 的 群 体 所 占 比 例 ∗ 100 TGI = \frac{目标群体中具有某一特征的群体所占比例}{总体中具有相同特征的群体所占比例} * 100 TGI=总体中具有相同特征的群体所占比例目标群体中具有某一特征的群体所占比例∗100
- TGI指数是比较目标人群和普通人群在不同特征上的差异大小
- TGI的作用是研究特征和目标人群的关联度:TGI的值和100差距越大,则特征越明显,人群区分度越大
- 通过TGI可以清晰看到某种特征人群的喜好
- 使用DMP的画像功能,必须要细分,才有价值
- 细分就是为了对比,两个人群的对比,才会有TGI
- looklike找到与种子用户(最忠实的那批用户)相似的人,从而找到最有价值的群体