你确定懂「用户画像」?来点基础知识

大数据助力企业营销的核心在于:在「合适的时间」,基于对用户的了解,把你希望推送的东西通过「合适的载体」,以「合适的方式」,推送给「合适的人」。

一:什么是标签体系

说到客户标签,不得不说用户画像。用户画像,有个类似的概念叫「受众定向」。“用户画像”既有人口属性、生活状态这些基本静态信息,又包括用户“最近要不要旅游”、“准备买多少钱的车”这样能驱动直接效果的动态信息。从这层意思来看,用“受众定向”更加准确。

客户标签简单说就是你把用户分到多少个类里面去。一个客户标签通常是一个或多个客户特征的集合。这些类都是什么,彼此之间有何联系,就构成了标签体系。

在这里插入图片描述

二:标签系统组成

标签系统可以分为三个部分:

A:数据加工层

B:数据服务层

C:数据应用层

每个层面面向用户对象不一样,处理事务有所不同。层级越往下,与业务的耦合度就越小。层级越往上,业务关联性就越强。

数据加工层。多个产品线采集数据,为了搭建完善的用户标签体系,需要尽可能汇总最大范围内的数据。同时每个产品线的也要集合所有端的数据,比如: App , web ,微信,其它第三方合作渠道。收集了所有数据之后,需要经过清洗:去重,去刷单数据,去无效数据,去异常数据等等。然后再是提取特征数据,这部分就要根据产品和运营人员提的业务数据要求来做就好。

数据业务层。数据加工层为业务层提供最基础数据能力,提供数据原材料。业务层属于公共资源层,并不归属某个产品或业务线。它主要用来维护整个标签体系,集中在一个地方来进行管理。

数据应用层。应用层的任务是赋予产品和运营人员标签的工具能力,聚合业务数据,提供数据应用服务。应用场景:精准化营销、个性化推送。

三:标签模型设计

1、按「数据实效性维度」分类

A:静态属性标签

长期甚至永远都不会发生改变。比如性别,出生日期。

B:动态属性标签

存在有效期,需要定期地更新,保证标签的有效性。比如用户的购买力,用户的活跃情况。

2、按「数据提取维度」分类

A:事实标签

既定事实,从原始数据中提取。比如通过用户设置获取性别,通过实名认证获取生日,星座等信息。可以通过用户行为直接获取,比如:用户在网站或者APP上主动填写的数据,严格一些平台会要求客户上传身份证、学生证、驾驶证等,这样的数据准确性较高。

B:模型标签

没有对应数据,需要定义规则,建立模型来计算得出标签实例。比如支付偏好度。通过一系列的算法或者规则挖掘得到。比如:一个用户最近开始购买母婴类商品,奶粉尿布等,那么可以根据客户购买的频次和数量,结合客户的年龄、性别推断是否为新妈妈/爸爸。

C:预测标签

参考已有事实数据,来预测用户的行为或偏好。比如用户a的历史购物行为与群体A相似,使用协同过滤算法,预测用户a也会喜欢某件物品

模型标签的定义解决的就是从无到有的问题。建立模型,计算用户相应属性匹配度。现实中,事实标签也存在数据缺失情况。比如用户性别未知,但是可以根据用户浏览商品,购买商品的历史行为来计算性别偏好度。当用户购买的女性化妆品和内衣较多,偏好值趋近于性别女,即可以推断用户性别为女。

四:应用场景

A:分类统计
简单来说,借助用户画像的信息标签,可以计算出诸如“喜欢某类东西的人有多少”、“处在 25 到 30 岁年龄段的女性用户占多少”等等。

B:精准化营销
以数据为基础,建立用户画像,利用标签,让系统进行智能分组,获得不同类型的目标用户群,针对每一个群体策划并推送针对性的营销。

C:相关数据挖掘
在用户画像数据的基础上,通过关联规则计算,可以由 A 可以联想到 B 。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

十五楼亮哥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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