用户画像与大数据分析

一、大数据+AI引擎+数据模型的威力

        在某个大型项目中,利用大数据技术收集项目相关的用户、事件信息,归集其他相关行业部门的主题数据、行业数据,再结合政府大数据平台、社会服务商的第三方数据,打造数据底座;在底座上,利用AI技术,开展机器学习、规则碰撞、挖掘分析等,实现灵活方便充分的智能分析,与预先由业务规则研究部门研究出来的各类业务模型配合,可以实现目标客户、目标人群、目标时间自动发掘;并且自动给出最有效的营销策略,帮助前线的营销人员有的放矢地去发掘客户和市场,另外还通过各类特征数据,帮助企业实现内部管控,避免道德越界和内部违规事件.

 

 

二、数据模型

         上面的工作中,大数据难在对接数据,AI引擎实际就是个投资问题,最核心也是最有特色,就是各类用户业务模型的建立。前面两项实际还是个信息化技术问题;后面这个说实话,得业务老手出马,而且建设好的模型绝对是内部利器,不宜公开。

以下内容来自:https://time.geekbang.org/column/article/75056

(1)用户标签

“用户画像”可以从 4 个维度来进行标签划分:

  • 用户标签:它包括了性别、年龄、地域、收入、学历、职业等。这些包括了用户的基础属性。
  • 业务标签:业务习惯、意向、是否对促销敏感。这些统计分析用户的业务习惯。
  • 行为标签:时间段、频次、时长、访问路径。这些是通过分析用户行为,来得到他们使用 App 的习惯。
  • 内容分析:对用户平时浏览的内容,尤其是停留时间长、浏览次数多的内容进行分析,分析出用户对哪些内容感兴趣,比如,金融、娱乐、教育、体育、时尚、科技等。

(2)业务操作

可以说,用户画像是现实世界中的用户的数学建模,我们正是将海量数据进行标签化,来得到精准的用户画像,从而为企业更精准地解决问题。有了用户画像,就可以开展操作:获客、粘客和留客。

  • 获客:如何进行拉新,通过更精准的营销获取客户。
  • 粘客:个性化推荐,搜索排序,场景运营等。
  • 留客:流失率预测,分析关键节点降低流失率。

(3)数据处理流程

如果按照数据流处理的阶段来划分用户画像建模的过程,可以分为数据层、算法层和业务层。不同的层需要打上不同的标签。

  • 数据层指的是用户消费行为里的标签。可以打上“事实标签”,作为数据客观的记录。
  • 算法层指的是透过这些行为算出的用户建模。可以打上“模型标签”,作为用户画像的分类标识。
  • 业务层指的是获客、粘客、留客的手段。可以打上“预测标签”,作为业务关联的结果。

这个标签化的流程,就是通过数据层的“事实标签”,在算法层进行计算,打上“模型标签”的分类结果,最后指导业务层,得出“预测标签”。

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值