用户画像数据指标体系之用户属性维度

目录

0. 相关文章链接

1. 什么是用户画像的数据指标体系

2. 常见的用户属性

3. 用户性别

---

注：此博文为根据 赵宏田 老师的 用户画像·方法论与工程化解决方案 一书读后笔记而来，仅供学习使用

0. 相关文章链接

用户画像文章汇总

1. 什么是用户画像的数据指标体系

        数据指标体系是建立用户画像的关键环节，也是在标签开发前要 进行的工作，具体来说就是需要结合企业的业务情况设定相关的指标。

        互联网相关企业在建立用户画像时一般除了基于用户维度 (userid)建立一套用户标签体系外，还会基于用户使用设备维度 (cookieid)建立相应的标签体系。基于cookieid维度的标签应用也 很容易理解，当用户没有登录账户而访问设备时，也可以基于用户在 设备上的行为对该设备推送相关的广告、产品和服务。

        建立的用户标签按标签类型可以分为统计类、规则类和机器学习挖掘类。从建立的标签维度来看， 可以将其分为用户属性类、用户行为类、用户消费类和风险控制类等常见类型。

2. 常见的用户属性

        用户属性是刻画用户的基础。常见用户属性指标包括：用户的年龄、性别、安装时间、注册状态、城市、省份、活跃登录地、历史购 买状态、历史购买金额等。

        用户属性维度的标签建成后可以提供客服电话服务，为运营人员了解用户基本情况提供帮助。

        用户属性标签包含统计类、规则类、机器学习挖掘类等类型。统计类标签的开发较为简单，机器学习挖掘类标签可能比较困难。如下表给出了常用的用户属性维度标签。

标签名称	标签主题	一级归类	标签类型
男	用户属性	百然性别	统计
女	用户属性	自然性别	统计
男	用户属性	购物性别	规则
女	用户属性	购物性别	规则
年龄	用户属性	年龄	统计
年龄段	用户属性	年龄	统计
省份	用户属性	地域	统计
城市	用户属性	地域	统计
城市等级	用户属性	地域	统计
注册日期	用户属性	注册日期	统计
高	用户属性	手机品牌	规则
中	用户属性	手机品牌	规则
低	用户属性	手机品牌	规则
Android	用户属性	手机系统	统计
iOS	用户属性	手机系统	统计
常用手机号	用户属性	联系方式	统计
常用邮箱	用户属性	联系方式	统计
身份证号	用户属性	联系方式	统计
购买过	用户属性	历史购买状态	统计
未购买过	用户属性	历史购买状态	统计
钻石会员	用户属性	会员类型	统计
黄金会员	用户属性	会员类型	统计
黑金会员	用户属性	会员类型	统计
白金会员	用户属性	会员类型	统计
白银会员	用户属性	会员类型	统计
高活跃	用户属性	用户活跃度	现则
中活跃	用户属性	用户活跃度	规则
低活跃	用户属性	用户活跃度	规则
新用户	用户属性	用户活跃度	规则
老用户	用户属性	用户活跃度	规则
流失用户	用户属性	用户活跃度	规则
重要价值	用户属性	RFM价值度	规则
重盥发展	用户属性	RFM价值度	规则
重要保持	用户属性	RFM价值度	规则
重要挽留	用户属性	RFM价值度	规则
一般价俏	用户属性	RFM价值度	规则
一般发展	用户属性	RFM价值度	规则
一般保持	用户属性	RFM你值度	规则
一般挽留	用户属性	RFM价值度	规则
浏览购买型	用户属性	购物风格	算法
搜索购买型	用户属性	购物风格	算法
促销购买型	用户属性	购物风格	算法
May-00	用户属性	购买价格段儡好	统计
50〜100	用户属性	购买价格段偏好	统计
100-500	用户屈性	购买价格段偏好	统计
500+	用户属性	购买价格段偏好	统计
注册渠道	用户热性	渠道来源	统计
最近访问果道	用户属性	果道来源	统计
购买渠道	用户属性	渠道来源	统计
累计购买次数	用户属性	平台消费	统计
近xx日购买次数	用户属性	平台消费	统计
累计购买金瓶	用户属性	平台消物	统计
近xx日购买金额	用户属性	平台消费	统计
家庭主妇	用户属性	用户身份	算法
学生	川户属性	用户身份	算法
儿童	用户属性	用户身份	算法
青年	用户属性	用户身份	算法
中年人	用户属性	用户身份	算法
老年人	用户属性	用户身份	算法
程序员	用户属性	用户身份	算法
时尚达人	用户属性	用户身份	算法
高忠诚度	用户属性	用户忠诚度	算法
一般忠诚度	用户属性	用户忠诚度	算法
低忠诚度	用户属性	用户忠诚度	算法
X X薪资水平	用户属性	薪资水平	规则

        对于相同的一级标签类型，需要判断多个标签之间的关系为互斥关系还是非互斥关系。例如，在判断性别时，用户性别为男的情 况下就不能同时为女，所以标签之间为互斥关系；在判断用户是否在 黑名单内时，用户既可能在短信黑名单中，也可能同时在邮件黑名单中，所以这种就为非互斥关系。

        对于根据数值进行统计、分类的标签开发相对容易。例如，用户 的“性别”“年龄” “城市”“历史购买金额”等确定性的标签。而 在对规则类的标签进行开发前则首先需要进行数据调研。例如，对于 用户价值度划分（RFM）,如何确定一个用户是重要价值用户还是一般 价值用户，对于用户活跃度的划分如何确定是高活跃、中活跃、低活 跃还是已经流失，需要结合数据调研情况给出科学的规则并进行划分。

3. 用户性别

        用户性别可细分为自然性别和购物性别两种。

        自然性别是指用户的实际性别，一般可通过用户注册信息、填写调查问卷表单等途径获得。该标签只需要从相应的表中抽取数据即 可，加工起来较为方便。

        用户购物性别是指用户购买物品时的性别取向。例如，一位实际性别为男性的用户，可能经常给妻子购买女性的衣物、包等商品，那么这位用户的购物性别则是女性。

---

注：再次声明，此博文为根据 赵宏田 老师的 用户画像·方法论与工程化解决方案 一书读后笔记而来，仅供学习使用

注：其他相关文章链接由此进 -> 用户画像文章汇总

---