商业分析_第三篇 用户画像

1. 用户画像概念

用户画像：根据用户在互联网留下的种种数据，主动或被动地收集，最后加工成一系列的标签。

2. 用户画像应用

• 精准营销：这是运营最熟悉的玩法，从粗放式到精细化，将用户群体切割成更细的粒度，辅以短信、推送、邮件、活动等手段，驱以关怀、挽回、激励等策略。
• 数据应用：用户画像是很多数据产品的基础，诸如耳熟能详的推荐系统广告系统。操作过各大广告投放系统的同学想必都清楚，广告投放基于一系列人口统计相关的标签，性别、年龄、学历、兴趣偏好、手机等等。
• 用户分析：虽然和Persona不一样，用户画像也是了解用户的必要补充。产品早期，PM们通过用户调研和访谈的形式了解用户。在产品用户量扩大后，调研的效用降低，这时候会辅以用户画像配合研究。新增的用户有什么特征，核心用户的属性是否变化等等。
• 数据分析：这个就不用多提了，用户画像可以理解为业务层面的数据仓库，各类标签是多维分析的天然要素。数据查询平台会和这些数据打通。

3. 用户画像理解

用户画像是为了驱动和提高业务才有的，而非有了用户画像，就能驱动和提高业务。

3.1 最好标签排序

用户流失概率>距今天消费天数>流失标签（用户生命周期）

• 用户流失概率：任何企业，肯定一开始就希望流失用户越少越好，其次才是如何挽回。在这种前提下，预防性的减少流失用户比已经流失的标签重要。
• 距今天消费天数：最近一次活跃距离今天数，通过该指标划分不同的距今天数，设立30天、90天、180天的时间节点。
• 用户生命周期：新用户、活跃用户、流失用户等

3.2 用户画像标签的获得

第一种：基于已有数据或者一定规则加工，流失标签和距今天数皆是。
第二种：基于已有的数据计算概率模型，会用到机器学习和数据挖掘。概率是介于0-1之间的数值（常用贝叶斯）

3.3 选择概率的阈值

要考虑业务，挽回流失用户是手段不是目的，实际目的是通过挽回流失用户提高利润，那么阈值的选择迎刃而解。计算不同阈值下，挽回用户的收入和成本，选择最优解。

4、用户画像的构架

4.1 业务属性划分

用户画像一般按业务属性划分多个类别模块。例如常见的人口统计，社会属性外。还有用户消费画像，用户行为画像，用户兴趣画像等。

4.2 数据流向与加工

从数据流向和加工看，用户画像包含上下级递进关系。
以上文的流失系数举例，它通过建模，其依赖于用户早期的历史行为。而用户早期的历史行为，即10天内的消费金额、消费次数、登录次数等，本身也是一个标签，它们是通过原始的明细数据获得。

4.3 平台级应用