展示 用户画像_百问数据产品经理（用户画像系统）

用户画像是什么？

用户画像属于大数据的应用层，通过对数据分析，勾勒出用户的特点，进而反映用户的用户价值、行为习惯、潜在需求和诉求方向等。

用户画像有哪些特点？

用户画像不仅仅是对描述个体，也会对特定用户群体进行描绘。用户画像通过用户群体特征，用户画像通过分析用户特征，提炼出“典型用户”

用户画像主要包括用户属性、用户流失和用户行为三个主要方面。

用户属性研究什么？

指的是用户的基础信息研究。

例如

微博用户画像：能力标签、兴趣标签、关系及亲密度、信用质量和自然属性等。

银行用户画像：人口属性、消费属性、信用属性、兴趣爱好、社交信息等。

行为属性研究什么？

行为属性的研究是用户画像研究的重点，通过对行为的分析，发现用户的行为习惯和兴趣爱好。

用户网络行为分析的主要方法：用户统计分析、用户特征分析、关联分析、用户分类、异常分析、TopN分析

用户流失研究什么？

用户是互联网消费的主体，对于流失的研究关系重大。用户流失的研究重点在于流失的定义和流失的预测、以及流失的止损。

流失的定义：如何定义流失用户更为精准，如12306的用户每年购票一次不算流失用户，游戏用户每年登录一次算流失用户（产品经理完成）

流失的预测：研究如何基于用户行为属性数据和行为数据判定流失用户（产品经理、开发完成）

流失的止损：如何挽留即将流失的用户，如何召回已流失的用户（运营完成）

大数据背景下的用户画像体系？

用户画像是基于标签体系建立的，标签是对某一种用户特征的符号表示，这个符号可以使中文、数字、英文

根据数据的层级，标签可分为以下层次

网站输入层：来源于用户历史数据，如网站行为标签、会员信息标签、消费行为标签、广告行为标签

事实层：基于输入层，抽取能够的准确信息，如用户的人口属性标签、会员消费信息标签

模型预测层：基于事实层，通过模型分析后得到的标签信息，如消费区间标签、人群属性标签、活跃度区间标签等

营销预测模型：基于模型预测层数据，分析后得到的标签，如个人偏好、用户价值、用户流失标签、用户活跃标签等

用户画像实践1

以某游戏系统用户画像Demo为例，该系统主要搭建的是对游戏用户的画像。

系统主要分为三大模块，分别是用户分析、用户分群和预警管理

概览：概览作为总览全局的存在，展示当前最关心的数据，同时各个看板可以作为详情页面的下钻入口。

用户分析：注重对于用户的多维度分析，采用数据可视化技术对原始数据进行合理展现，用户分析主要基于原始数据进行分类、统计或进行简单指标计算，属于网站输入层。

用户分群：用户分群是对用户特征的提取和归类，而提取的用户特征直接表示为"标签"。

对于用户的标签管理是基于用户分析数据，通过模型算法分析，自动生成或关联标签，属于事实层次,用户标签管理典型页面如下。

物以类聚人以群分，用户分群就是这样一个过程，对具有同样特征用户的分类管理，能够提升管理效率，用户分群属于模型预测层次。

预警管理是一个对要预警的用户群的管理过程，依据业务需求设定预警指标，自动对具有此特征的用户进行预警，防止异常情况发生，属于营销预测模型层次。

用户画像实践2

以某统计分析系统为例，该系统主要完成的是对用户自然属性及行为属性的统计分析，并未抽取相应的标签特征，主要完成的是网站输入层次功能。

该系统主要分为：网站概况、流量分析、来源分析、访问分析、转化分析、访客分析、优化分析几个模块。

网站概况：作为总览全局的存在，展示当前最关心的数据，同时各个看板可以作为详情页面的下钻入口。

流量分析：统计用户行为属性（访问量、访问时间），采用曲线图（趋势、直观）、表格（精确）可视化展示。

来源分析：统计用户行为属性（使用的搜索引擎、搜索词），采用曲线图（趋势、直观）、表格（精确）可视化展示。

访问分析：统计用户行为属性（访问页面），采用排序表格（精确）可视化展示。

访客分析：对用户自然属性进行分析（地域、城市），采用地图（直观）和表格（精确）可视化展示。

转化分析：对关键指标进行分析，采用曲线图（直观、趋势）和表格（精确）可视化展示。

优化分析：对关键指标进行分析，采用TopN方法（突出关键）和曲线图（直观、趋势）可视化展示。