精华内容
下载资源
问答
  • 用户画像就是根据用户特征、业务场景和用户行为等信息,构建一个标签化的用户模型。简而言之,用户画像就是将典型用户信息标签化。在金融领域,构建用户画像变得很重要。比如金融公司会借助用户画像,采取垂直或精准...

    用户画像就是根据用户特征、业务场景和用户行为等信息,构建一个标签化的用户模型。简而言之,用户画像就是将典型用户信息标签化。

    在金融领域,构建用户画像变得很重要。比如金融公司会借助用户画像,采取垂直或精准营销的方式,来了解客户、挖掘潜在客户、找到目标客户、转化用户。

    以某P2P公司智投产品搞的投资返现活动为例,通过建立用户画像,来避免大量烧钱的运营行为。经过分析得知,出借人A的复投意愿概率为45%,出借人B的复投意愿概率为88%。为了提高平台成交量,在没有建立用户画像前,我们可能会对出借人A和B实行同样的投资返现奖励,但分析结果是,只需激励出借人A进行投资,从而节约了运营成本。此外,我们在设计产品时,也可以根据用户差异化分析去做针对性的改进。

    对产品经理而言,掌握用户画像的搭建方法,即了解用户画像架构,是做用户研究前必须要做的事情。

    eda67bb6-e51e-eb11-8da9-e4434bdf6706.png

    一、收集数据

    收集数据是用户画像中十分重要的一环。用户数据来源于网络,而如何提取有效数据,比如打通平台产品信息,引流渠道用户信息,收集用户实时数据等,这也是产品经理需要思考的问题。

    用户数据分为静态信息数据和动态信息数据。对于一般公司而言,更多是根据系统自身的需求和用户的需要收集相关的数据。

    数据收集主要包括用户行为数据、用户偏好数据、用户交易数据。

    以某跨境电商平台为例,收集用户行为数据:比如活跃人数、页面浏览量PV、访问时长、浏览路径等;收集用户偏好数据:比如登录方式、浏览内容、评论内容、互动内容、品牌偏好等;收集用户交易数据:比如客单价、回头率、流失率、转化率和促活率等。收集这些指标性的数据,方便对用户进行有针对性、目的性的运营。

    f2a67bb6-e51e-eb11-8da9-e4434bdf6706.png

    我们可对收集的数据做分析,让用户信息形成标签化。比如搭建用户账户体系,可自建立数据仓库,实现平台数据共享,或打通用户数据。

    二、行为建模

    行为建模就是根据用户行为数据进行建模。通过对用户行为数据进行分析和计算,为用户打上标签,可得到用户画像的标签建模,即搭建用户画像标签体系。

    标签建模主要是基于原始数据进行统计、分析和预测,从而得到事实标签、模型标签与预测标签。

    f9a67bb6-e51e-eb11-8da9-e4434bdf6706.png

    标签建模的方法来源于阿里巴巴用户画像体系,广泛应用于搜索引擎、推荐引擎、广告投放和智能营销等各种应用领域。

    以今日头条的文章推荐机制为例,通过机器分析提取你的关键词,按关键词贴标签,给文章打上标签,给受众打标签。接着内容投递冷启动,通过智能算法推荐,将内容标签跟观众标签相匹配,把文章推送给对应的人,实现内容的精准分发。

    ffa67bb6-e51e-eb11-8da9-e4434bdf6706.png

    三、构建画像

    用户画像包含的内容并不完全固定,不同企业对于用户画像有着不同对理解和需求。根据行业和产品的不同,所关注的特征也有不同,但主要还是体现在基本特征、社会特征、偏好特征、行为特征等。

    05a77bb6-e51e-eb11-8da9-e4434bdf6706.png

    用户画像的核心是为用户打标签。即将用户的每个具体信息抽象成标签,利用这些标签将用户形象具体化,从而为用户提供有针对性的服务。

    以李二狗的户画像为例,我们将其年龄、性别、婚否、职位、收入、资产标签化,通过场景描述,挖掘用户痛点,从而了解用户动机。其中将21~30岁最为一个年龄段,薪资20~25K作为一个收入范围,利用数据分析得到数据标签结果,最终满足业务需求,从而让构建用户画像形成一个闭环。

    0da77bb6-e51e-eb11-8da9-e4434bdf6706.png

    用户画像作为一种勾画目标用户、联系用户诉求与设计方向的有效工具,被应用在精准营销、用户分析、数据挖掘、数据分析等。

    总而言之,用户画像根本目的就是寻找目标客户、优化产品设计,指导运营策略,分析业务场景和完善业务形态。

    作者:朱学敏 资深产品经理

    展开全文
  • 用爬虫程序抓取目标用户人民日报的微博文本,通过分析词频,生成直观的词云图。 编写Python微博爬虫 注意:微博的接口可能会发生变化,所以请不要盲目照抄,建议按照下述流程独立分析。 数据来源 微博移动版网页(点...
  • 用户画像分析.pdf

    2020-06-10 15:18:28
    用户画像分析,帮助业务人员设计标签类目体系。为用户打“标签”,而一个标签通常是人为规定的高度精炼的特征标识,如年龄、性别、地域、用户偏好等
  • 用户画像分析报告.doc

    2020-09-30 11:19:27
    SOSO用户画像分析 数据平台部 / 商业智能中心 TA分析团队 2011 年 3 月 目 录 1. 分析概要 . 错误 ! 未定义书签 2. 数据说明 . 错误 ! 未定义书签 3. 报告概要 . 错误 ! 未定义书签 4. 人口属性 . 错误 ! 未定义书签...
  • 用户画像是当前大数据领域的一种典型应用,精确有效的用户画像,依赖于从大量的数据中提取正确的特征,这需要一个厉害的画像方法论,正确的数据处理流程,以及强大的数据管理系统作为支撑。本文档讲从用户画像基本概念...
  • 用户画像,该怎么分析

    千次阅读 2019-09-17 17:03:05
    作者:陈老师来源:接地气学堂有同学问:陈老师,我领导让我做用户画像分析,可是我了一大堆数据,却被批:也没分析什么东西啊?该咋办?今天系统解答一下。用户画像分析的错误姿...

    640?wx_fmt=gif

    作者:陈老师

    来源:接地气学堂

    有同学问:陈老师,我领导让我做用户画像分析,可是我做了一大堆数据,却被批:也没分析什么东西啊?该咋办?今天系统解答一下。

     
    用户画像分析的错误姿势
     
    1.限于数据,动不敢动。 一提用户画像,很多人脑海里立刻蹦出了性别,年龄,地域,爱好等基础信息字段,然后大呼: 我们好像没这个数据,于是放弃分析了。可实际想想, 知道男性占比真的有那么大意义? 知道男性占比 65%还是60%真的对业务有帮助?不一定的,贴用户标签有很多方式,不要限于一些难采集的基础信息。

      

    2.罗列数据,没有思路。 很多人一听到用户画像分析,本能的就开始把数据库里的用户标签往外搬,在报告里码上:
    • 男女比例3:2
    • 20-25岁占比40%
    • 30%的人在最近一周内登录
    • 70%的人没有二次购买
    ……

    至于摆完这些数据干什么,完全没有考虑过。这种分析结果,当然让人看完一头雾水。迷茫的发问:“所以呢?又怎样呢?”

     

    3.无限拆分,没有逻辑。很多人一听到类似“流失用户画像分析”一类相对具体的分析题目,就开始无限拆解数据。分性别,年龄,地域,设备,注册时间,来源渠道,购买金额……拆了几十个维度看流失率。最后,只看到有的维度差5%,有的差10%,当然没有最后结论啦,越看越糊涂。

     

    以上问题,都是太过纠结于用户画像四个字,忽视了分析两个字导致的。用户画像作为一个基础数据体系,本身并没有分析功能。单纯的罗列用户标签或者拆解用户指标,也起不到分析作用。像利用好用户画像,还得按分析套路一步步来。

      
    第一步:转化商业问题
     
    用户画像分析,本质上是从用户的角度思考问题。举个简单的例子,比如新上市产品销售未达预期,我们既可以从产品管理的角度来思考问题,也能从用户角度来思考问题。同样一个问题,会有两种思考方式(如下图所示):

    640?wx_fmt=png

    因此,简单的列出一堆用户指标(性别,年龄,地域,购买产品,登录次数……)是没啥用处的。用户画像只是分析的一个工具,和其他分析一样,也要先考虑: 我要解决的 实际问题到底是什么 。想清楚了,再把问题转化成用户相关的问题,就能继续使用用户画像分析方法了。
     
    需要注意的是,商业问题是很复杂的。往往一个问题,可能与若干用户群体、若干用户行为有关。比如上边的例子,就至少和三个用户群体(潜在用户、流失用户、存量用户)涉及到用户态度、信息接收、购买流程、使用体验等多方面。因此更得 分门别类,把分析线索和分析逻辑理清楚 ,找到对应的数据。不然一锅炖,光列性别,年龄,地域,也解释不了任何问题。这就涉及下两部工作。

     

    第二步:宏观假设验证

    转化完问题后,先宏观上对假设进行检验非常重要,能有效避免无限拆解的错误。如果大方向都不成立,细节更不用看了。还是新产品卖不动的问题,如果要从大方向验证,可以简单如下进行:

     

    640?wx_fmt=png

    • 如果怀疑大环境不好,那应该全品类受影响。

    • 如果怀疑竞品竞争力强,那应该竞品直接影响到我们产品

    • 如果怀疑运作太差,那本次商品转化漏斗上势必有一环掉链子

    • 如果以上有假设验证,可以进一步深入分析

    • 如果以上假设都不成立,可能还需要新假设

     

    总之,先进行大方向检验,可以有效缩小怀疑范围。怀疑范围越小,后续对用户分析可以越精确。同时,当数据不足的时候,怀疑范围越小,越能够集中力量收集数据,改善数据质量,做出有精度的分析。用户的分类维度可以有几百个之多,如果不加筛选的做拆解对比,很有可能在数十个维度上都有差异,最后完全读不懂数据。在拆解以前聚焦假设,非常重要。

     

    第三步:构建分析逻辑
     
    宏观验证以后,可以基于已验证的结论,构建更细致的分析逻辑。在这个阶段,实际上已经把原本宏大的问题,聚焦为一个个小问题,比如:
     

    640?wx_fmt=png

    举一个具体场景:

    已验证:我们却受竞品影响

    • 子问题1:目标用户的需求是什么?

    • 子问题2:目标用户对竞品体验如何?哪些需求点最被触动?

    • 子问题3:目标用户对本品体验如何?哪些差距是致命伤?

    • 子问题4:竞品/本品在硬功能,软宣传上差距如何?

     

    这四个子问题,都可以通过对用户需求与行为的深入挖掘得到答案,下一步可以继续深入了。须注意的是,这一部分的分析需要大量用户态度、潜在用户、竞品用户的研究,单靠内部数据不能完成,必须通过 外部调研 。
     
    再看另一个场景:
    已验证:本次新品上市操盘却有问题
    • 子问题1:问题出在预热、发布、上市、推广哪个阶段

    • 子问题2:上市阶段大量用户未能响应,广告投放出了什么问题

    • 子问题3:推广阶段销量未能引爆,为啥没有激发核心用户需求

    • ……(可进一步问太多,简单举例如上)

     

    这些问题,可以分两方面解决

    一方面,通过对不同类型用户对比,如

    • 核心/普通

    • 购买/未购

    • 触达/未触达

    用户进行对比,找到投放、奖励活动、购买品类、金额等细节上差异,从而调整投放、营销、产品补货等业务。

     

    另一方面,通过对核心用户画像,让业务更看清楚,真正爱买的人

    • 来自哪个渠道

    • 通过什么主题

    • 需要什么样优惠

    • 在什么时机下单

    让业务更多的去抓这些核心用户,而且改善后续表现。

     
    需要注意的是,这一部分用户来源、信息投放响应,购买行为,主题阅读,完全可以通过内部系统记录。 即使不知道他是男是女,我们也能通过投广告,发内容,做优惠吸引到他们 。
       
    第四步:获取用户数据
     
    在上一步我们已经看到,用户画像分析如果真的想深入用户,就得依赖多种数据来源。很有可能是内外部数据双管齐下的。考虑到内部数据可能采集不全,外部数据存在抽样误差问题,在使用数据上就得有取舍,有重点。这也是为啥前边一直强调逐步验证,缩小假设的原因。聚焦了才好采集数据。
     

    640?wx_fmt=png

    一般来说,
    • 越是偏态度、体验、情感类问题,越倾向于用调研的方法

    • 越是偏行为、消费、互动类问题,越倾向于内部的数据分析

    • 如果想了解竞品,就拉竞品用户调研,或针对竞品网店爬虫

     
    在传统意义上,做市场调研和做数据分析的,都有各自用户画像的定义、做法、输出产物。站在实际对企业有用的角度,当然是越多越好。不过,随着爬虫, NLP,埋点越做越深入,在有技术支持的情况下,这些年对系统采集数据的利用度是越来越高的。所以在有条件的情况下,还是尽量推动内部数据丰富。不然事事依赖调研,数据没有积累,以后也难做。

     

    第五步: 归纳分析结论
     
    如果以上几步做好了,在最后推分析结论就是水到渠成的事,完全不费力气。实际上,用户画像分析最大的问题都是出在前五步的。缺少假设方向,缺少数据准备,缺少分析逻辑,单纯罗列数据,无限制拆解,到最后自然面对一堆零碎的数据纠结:“男女比例 3:2又怎样呢???”
     
    当然用户画像有其他很多用处,比如支持新品开发,支持推荐系统,支持自动营销系统,支持投放系统等等,作分析只是它一小块作用。所以想做好分析,还是要多学习分析方法,操练分析逻辑哦。 不考虑具体问题场景,单纯的问:一般的用户画像怎么做。得到的也是来自算法、调研、数仓、分析各个岗位千奇百怪的回答,自然没有分析思路了
     

    留言打卡第二季 DAY 26

    今日的留言话题是分享一下你所了解的用户画像,如果我们公众号要给读者画像,应该考虑哪些维度,关于留言打卡的规则可以参考,请按照昵称+天数(请以自己实际打卡的天数为准,如day1 or day2 or day3)+ 留言内容(不少于15字)的方式留言

    ◆ ◆ ◆  ◆ ◆

    长按二维码关注我们


    数据森麟公众号的交流群已经建立,许多小伙伴已经加入其中,感谢大家的支持。大家可以在群里交流关于数据分析&数据挖掘的相关内容,还没有加入的小伙伴可以扫描下方管理员二维码,进群前一定要关注公众号奥,关注后让管理员帮忙拉进群,期待大家的加入。

    管理员二维码:

    猜你喜欢

     

    展开全文
  • 用户画像该如何正确分析

    千次阅读 2019-09-05 00:51:56
    用户画像分析的错误姿势 1.限于数据,动不敢动。 一提用户画像,很多人脑海里立刻蹦出了性别,年龄,地域,爱好等基础信息字段,然后大呼:我们好像没这个数据,于是放弃分析了。可实际想想,知道男性占比真的有...

    用户画像分析的错误姿势

    1. 限于数据,动不敢动。

    一提用户画像,很多人脑海里立刻蹦出了性别,年龄,地域,爱好等基础信息字段,然后大呼:我们好像没这个数据,于是放弃分析了。可实际想想,知道男性占比真的有那么大意义?知道男性占比 65% 还是 60% 真的对业务有帮助?不一定的,贴用户标签有很多方式,不要限于一些难采集的基础信息。

    2. 罗列数据,没有思路。

    很多人一听到用户画像分析,本能的就开始把数据库里的用户标签往外搬,在报告里码上:

    • 男女比例 3:2

    • 20-25 岁占比 40%

    • 30% 的人在最近一周内登录

    • 70% 的人没有二次购买

    ……

    至于摆完这些数据干什么,完全没有考虑过。这种分析结果,当然让人看完一头雾水。迷茫的发问:“所以呢?又怎样呢?”

    3. 无限拆分,没有逻辑。

    很多人一听到类似 “流失用户画像分析” 一类相对具体的分析题目,就开始无限拆解数据。分性别,年龄,地域,设备,注册时间,来源渠道,购买金额…… 拆了几十个维度看流失率。最后,只看到有的维度差 5%,有的差 10%,当然没有最后结论啦,越看越糊涂。

    以上问题,都是太过纠结于用户画像四个字,而忽视了分析两个字导致的。用户画像作为一个基础数据体系,本身并没有分析功能。单纯的罗列用户标签或者拆解用户指标,也起不到分析作用。像利用好用户画像,还得按分析套路一步步来。

      

    第一步:转化商业问题

    用户画像分析,本质上是从用户的角度思考问题。举个简单的例子,比如新上市产品销售未达预期。我们既可以从产品管理的角度来思考问题,也能从用户角度来思考问题。同样一个问题,会有两种思考方式(如下图所示):

    因此,简单的列出一堆用户指标(性别,年龄,地域,购买产品,登录次数……)是没啥用处的。用户画像只是分析的一个工具,和其他分析一样,也要先考虑:我要解决的实际问题到底是什么。想清楚了,再把问题转化成用户相关的问题,就能继续使用用户画像分析方法了。

    需要注意的是,商业问题是很复杂的。往往一个问题,可能与若干用户群体、若干用户行为有关。比如上边的例子,就至少和三个用户群体(潜在用户、流失用户、存量用户)涉及到用户态度、信息接收、购买流程、使用体验等多方面。因此更得分门别类,把分析线索和分析逻辑理清楚,找到对应的数据。不然一锅炖,光列性别,年龄,地域,也解释不了任何问题。这就涉及下两部工作。

     

    第二步:宏观假设验证

    转化完问题后,先宏观上对假设进行检验非常重要,能有效避免无限拆解的错误。如果大方向都不成立,细节更不用看了。还是新产品卖不动的问题,如果要从大方向验证,可以简单如下进行:

    • 如果怀疑大环境不好,那应该全品类受影响。

    • 如果怀疑竞品竞争力强,那应该竞品直接影响到我们产品

    • 如果怀疑运作太差,那本次商品转化漏斗上势必有一环掉链子

    • 如果以上有假设验证,可以进一步深入分析

    • 如果以上假设都不成立,可能还需要新假设

    总之,先进行大方向检验,可以有效缩小怀疑范围。怀疑范围越小,后续对用户分析可以越精确。同时,当数据不足的时候,怀疑范围越小,越能够集中力量收集数据,改善数据质量,做出有精度的分析。用户的分类维度可以有几百个之多,如果不加筛选的做拆解对比,很有可能在数十个维度上都有差异,最后完全读不懂数据。在拆解以前聚焦假设,非常重要。

     

    第三步:构建分析逻辑

    宏观验证以后,可以基于已验证的结论,构建更细致的分析逻辑。在这个阶段,实际上已经把原本宏大的问题,聚焦为一个个小问题,比如:

    举一个具体场景:

    已验证,我们是受竞品影响。

    • 子问题 1:目标用户的需求是什么?

    • 子问题 2:目标用户对竞品体验如何?哪些需求点最被触动?

    • 子问题 3:目标用户对本品体验如何?哪些差距是致命伤?

    • 子问题 4:竞品 / 本品在硬功能,软宣传上差距如何?

    这四个子问题,都可以通过对用户需求与行为的深入挖掘得到答案,下一步可以继续深入了。须注意的是,这一部分的分析需要大量用户态度、潜在用户、竞品用户的研究,单靠内部数据不能完成,必须通过外部调研。

     

    再看另一个场景:

    已验证,本次新品上市操盘有问题。

    • 子问题 1:问题出在预热、发布、上市、推广哪个阶段

    • 子问题 2:上市阶段大量用户未能响应,广告投放出了什么问题

    • 子问题 3:推广阶段销量未能引爆,为啥没有激发核心用户需求

    • ……(可进一步问太多,简单举例如上)

     

    这些问题,可以分两方面解决。

    1. 一方面,通过对不同类型用户对比。

    • 核心 / 普通

    • 购买 / 未购

    • 触达 / 未触达

    用户进行对比,找到投放、奖励活动、购买品类、金额等细节上差异,从而调整投放、营销、产品补货等业务。

     

    另一方面,通过对核心用户画像。让业务更看清楚,哪些真正爱买的人

    • 来自哪个渠道

    • 通过什么主题

    • 需要什么样优惠

    • 在什么时机下单

    让业务更多的去抓这些核心用户,而且改善后续表现。

    需要注意的是,这一部分用户来源、信息投放响应,购买行为,主题阅读,完全可以通过内部系统记录。即使不知道他是男是女,我们也能通过投广告,发内容,做优惠吸引到他们。

      

    第四步:获取用户数据

    在上一步我们已经看到,用户画像分析如果真的想深入用户,就得依赖多种数据来源。很有可能是内外部数据双管齐下的。考虑到内部数据可能采集不全,外部数据存在抽样误差问题,在使用数据上就得有取舍,有重点。这也是为啥前边一直强调逐步验证,缩小假设的原因。聚焦了才好采集数据。

    一般来说,

    • 越是偏态度、体验、情感类问题,越倾向于用调研的方法

    • 越是偏行为、消费、互动类问题,越倾向于内部的数据分析

    • 如果想了解竞品,就拉竞品用户调研,或针对竞品进行爬虫

    在传统意义上,做市场调研和做数据分析的,都有各自用户画像的定义、做法、输出产物。站在实际对企业有用的角度,当然是越多越好。不过,随着爬虫,NLP,埋点越做越深入,在有技术支持的情况下,这些年对系统采集数据的利用度是越来越高的。所以在有条件的情况下,还是尽量推动内部数据丰富。不然事事依赖调研,数据没有积累,以后也难做。

     

    第五步:归纳分析结论

    如果以上几步做好了,在最后推分析结论就是水到渠成的事,完全不费力气。实际上,用户画像分析最大的问题都是出在前五步的。缺少假设方向,缺少数据准备,缺少分析逻辑,单纯罗列数据,无限制拆解,到最后自然面对一堆零碎的数据纠结:“男女比例 3:2 又怎样呢???”

    当然用户画像有其他很多用处,比如支持新品开发,支持推荐系统,支持自动营销系统,支持投放系统等等,作分析只是它一小块作用。所以想做好分析,还是要多学习分析方法,操练分析逻辑哦。不考虑具体问题场景,单纯的问:一般的用户画像怎么做。得到的也是来自算法、调研、数仓、分析各个岗位千奇百怪的回答,自然没有分析思路了。

    展开全文
  • (此图片来源于网络,如有侵权,请联系删除! ) (此图片来源于网络,如有侵权,请联系删除! ) (此图片来源于网络,如有侵权,请联系删除! ) (此图片来源于网络,如有侵权,请联系删除! ) (此图片来源于网络,如有侵权...
  • 用户画像大数据分析平台解决方案
  • 小米用户画像实战.pdf

    2021-01-12 10:00:44
    小米用户画像实战
  • 01 写在前面 我们经常在淘宝上购物, 作为淘宝方,他们肯定想知道他的使用用户是什么样的, 是什么样的年龄性别, 城市, 收入, 他的购物品牌偏好, 购物类型, 平时...

    01

        写在前面

        

        

    我们经常在淘宝上购物, 作为淘宝方, 他们肯定想知道他的使用用户是什么样的, 是什么样的年龄性别, 城市, 收入, 他的购物品牌偏好, 购物类型, 平时的活跃程度是什么样的, 这样的一个用户描述就是用户画像分析

    无论是产品策划还是产品运营, 前者是如何去策划一个好的功能, 去获得用户最大的可见的价值以及隐形的价值, 必须的价值以及增值的价值, 那么了解用户, 去做用户画像分析, 会成为数据分析去帮助产品做做更好的产品设计重要的一个环节。

    那么作为产品运营, 比如要针用户的拉新, 挽留, 付费, 裂变等等的运营, 用户画像分析可以帮助产品运营去找到他们的潜在的用户, 从而用各种运营的手段去触达。

    因为当我们知道我们的群体的是什么样的一群人的时候, 潜在的用户也是这样的类似的一群人, 这样才可以做最精准的拉新, 提高我们的ROI

    在真正的工作中, 用户画像分析是一个重要的数据分析手段去帮助产品功能迭代, 帮助产品运营做用户增长。

    总的来说, 用户画像分析就是基于大量的数据,  建立用户的属性标签体系, 同时利用这种属性标签体系去描述用户

    02

       用户画像的作用

    像上面描述的那样, 用户画像的作用主要有以下几个方面

    1.广告投放

    在做用户增长的例子中, 我们需要在外部的一些渠道上进行广告投放, 对可能的潜在用户进行拉新, 比如B站在抖音上投广告

    我们在选择平台进行投放的时候, 有了用户画像分析, 我们就可以精准的进行广告投放, 比如抖音的用户群体是18-24岁的群体, 那么广告投放的时候就可以针对这部分用户群体进行投放, 提高投放的ROI

    假如我们没有画像分析, 那么可能会出现投了很多次广告, 结果没有人点击

    2.精准营销

    假如某个电商平台需要做个活动给不同的层次的用户发放不同的券, 那么我们就要利用用户画像对用户进行划分, 比如划分成不同的付费的活跃度的用户, 然后根据不同的活跃度的用户发放不用的优惠券。

    比如针对付费次数在 [1-10] 的情况下发 10 元优惠券刺激, 依次类推

    3. 个性化推荐

    精确的内容分发, 比如我们在音乐app 上看到的每日推荐, 网易云之所以推荐这么准, 就是他们在做点击率预估模型(预测给你推荐的歌曲你会不会点击)的时候, 考虑了你的用户画像属性。

    比如根据你是90后, 喜欢伤感的, 又喜欢杰伦, 就会推荐类似的歌曲给你, 这些就是基于用户画像推荐

    4. 风控检测

    这个主要是金融或者银行业设计的比较多, 因为经常遇到的一个问题就是银行怎么决定要不要给一个申请贷款的人给他去放贷

    经常的解决方法就是搭建一个风控预测模型, 去预约这个人是否会不还贷款,同样的, 模型的背后很依赖用户画像。

    用户的收入水平, 教育水平, 职业, 是否有家庭, 是否有房子, 以及过去的诚信记录, 这些的画像数据都是模型预测是否准确的重要数据

    5. 产品设计

    互联网的产品价值 离不开 用户 需求 场景 这三大元素, 所以我们在做产品设计的时候, 我们得知道我们的用户到底是怎么样的一群人, 他们的具体情况是什么, 他们有什么特别的需求, 这样我们才可以设计出对应解决他们需求痛点的产品功能

    在产品功能迭代的时候, 我们需要分析用户画像行为数据, 去发现用户的操作流失情况, 最典型的一种场景就是漏斗转化情况, 就是基于用户的行为数据去发现流失严重的页面, 从而相对应的去优化对应的页面,

    比如我们发现从下载到点击付款转化率特别低,那么有可能就是我们付款的按钮的做的有问题, 就可以针对性的优化按钮的位置等等

    同时也可以分析这部分转化率主要是在那部分用户群体中低, 假如发现高龄的用户的转化率要比中青年的转化率低很多, 那有可能是因为我们字体的设置以及按钮本身位置不显眼等等, 还有操作起来不方便等等因素

    6. 数据分析

    在做描述性的数据分析的时候, 经常需要画像的数据, 比如描述抖音的美食博主是怎么样的一群人, 他们的观看的情况, 他们的关注其他博主的情况等等

    简单来说就是去做用户刻画的时候, 用户画像可以帮助数据分析刻画用户更加清晰。

    03

    如何搭建用户画像

    用户画像搭建的架构如下: 

    数据层: 

    首先 是数据层,  用户画像的基础是首先要去获取完整的数据, 互联网的数据主要是 利用打点, 也就是大家说的数据埋点上报上来的, 整个过程就是 数据分析师会根据业务需要提数据上报的需求,然后由开发完成, 这样就有了上报的数据。

    除了上报的数据, 还有其他数据库同步的数据, 一般会把数据库的数据同步到hive表中, 按照数据仓库的规范, 按照一个个主题来放置

    还有一些其他的数据比如外部的一些调研的数据, 以excel 格式存在, 就需要把excel 数据导入到hive 表中

    挖掘层:

    有了基础的数据以后, 就进入到挖掘层, 这个层次主要是两件事情, 一个是数据仓库的构建, 一个是标签的预测, 前者是后者的基础。

    一般来说我们会根据数据层的数据表, 对这些数据表的数据进行数据清洗,数据计算汇总, 然后按照数据仓库的分层思想, 比如按照 数据原始层, 数据清洗层, 数据汇总层, 数据应用层等等进行表的设计

    数据原始层的表的数据就是上报上来的数据入库的数据, 这一层的数据没有经过数据清洗处理, 是最外层的用户明细数据

    数据清洗层主要是数据原始层的数据经过简单数据清洗之后的数据层, 主要是去除明显是脏数据, 比如年龄大于200岁,  地域来自 FFFF的 等明显异常数据

    数据汇总层的数据主要是根据数据分析的需求, 针对想要的业务指标, 比如用户一天的听歌时长, 听歌歌曲数, 听的歌手数目等等, 就可以按照用户的维度, 把他的行为进行聚合, 得到用户的轻量指标的聚合的表。

    这个层的用处主要是可以快速求出比如一天的听歌总数, 听歌总时长, 听歌时长高于1小时的用户数, 收藏歌曲数高于100 的用户数是多少等等的计算就可以从这个层的表出来

    数据应用层主要是面向业务方的需求进行加工, 可能是在数据汇总的基础上加工成对应的报表的指标需求, 比如每天听歌的人数, 次数, 时长, 搜索的人数, 次数, 歌曲数等等

    按照规范的数据仓库把表都设计完成后, 我们就得到一部分的用户的年龄性别地域的基础属性的数据以及用户观看 付费 活跃等等行为的数据

    但是有一些用户的数据是拿不到的比如音乐app 为例, 我们一般是拿不到用户的听歌偏好这个属性的数据, 我们就要通过机器学习的模型对用户的偏好进行预测

    机器学习的模型预测都是基于前面我们构建的数据仓库的数据的, 因为只有完整的数据仓库的数据, 是模型特征构建的基础

    服务层:

    有了数据层和挖掘层以后, 我们基本对用户画像体系构建的差不多, 那么就到了用户画像赋能的阶段。

    最基础的应用就是利用用户画像宽表的数据, 对用户的行为进行洞察归因 挖掘行为和属性特征上的规律

    另外比较大型的应用就是搭建用户画像的平台, 背后就是用户画像表的集成。

    用户提取: 我们可以利用用户画像平台, 进行快速的用户选取,  比如抽取18-24岁的女性群体 听过杰伦歌曲的用户, 我们就可以快速的抽取。

    分群对比: 我们可以利用画像平台进行分群对比。比如我们想要比较音乐vip 的用户和非vip 的用户他们在行为活跃和年龄性别地域 注册时间, 听歌偏好上的差异, 我们就可以利用这个平台来完成

    功能画像分析: 我们还可以利用用户画像平台进行快速进行某个功能的用户画像描述分析, 比如音乐app 的每日推荐功能, 我们想要知道使用每日推荐的用户是怎么样的用户群体, 以及使用每日推荐不同时长的用户他们的用户特征分别都是怎么样的,就可以快速的进行分析

    详解用户流失原因分析该如何入手?

    12000+字超详细 SQL 语法速成!

    后台回复“入群”即可加入小z干货交流群
    
    展开全文
  • 本文来自作者罗志恒,文章重点讲解了用户画像在数据分析中的应用;如何构建用户画像。在日常商业活动中,有各种各样的职能划分:增长、内容、活动、产品,虽然具体工作和最终目标不一样,但其实都是围绕着“用户”去...
  • 百货商场用户画像描绘与价值分析项目分析报告 程鑫 一、背景与挖掘目标 (一)背景 在零售行业中,会员价值体现在持续不断地为零售运营商带来稳定的销售额和利润,同时也为零售运营商策略的制定提供数据支持。零售...
  • 基于Spark的实时用户画像分析系统
  • 个人画像分析-模板

    2019-03-22 12:20:55
    个人用户画像分析模板,可以看一看,不喜欢不要喷,谢谢。
  • 小程序用户画像分析 1. 小程序用户画像概览 56% 34岁 44% 女性 平均年龄 平均每天使用5次以上用户占比 72% 41% 76% 安卓用户占比 四线及以下城市占比 平均每天使用5分钟以上用户占比 数据来源阿拉丁指数平台 &阿拉丁...
  • 什么是用户画像?该怎么分析

    万次阅读 多人点赞 2018-07-03 01:12:04
    1、用户画像是什么 用户画像(User Profile),作为大数据的根基,它完美地抽象出一个用户的信息全貌,为进一步精准、快速地分析用户行为习惯、消费习惯等重要信息,提供了足够的数据基础,奠定了大数据时代的基石...
  • 大数据用户画像算法分析

    热门讨论 2015-03-19 11:48:44
    大数据相关的用户画像分析,很有知道意义,用户画像、大数据
  • 用户画像分析总结

    千次阅读 2018-12-11 16:57:45
    一、 什么是用户画像  用户画像是指根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。通俗说就是给用户打标签,而标签是通过对用户信息分析而来的高度精炼的特征标识。通过打标签...
  • 用户画像分析

    千次阅读 2019-06-12 09:04:46
    (5)行业报告&用户研究:通过用户画像分析可以了解行业动态,比如人群消费习惯、消费偏好分析、不同地域品类消费差异分析  根据用户画像的作用可以看出,用户画像的使用场景较多,用户画像可以用来挖掘用户兴趣...
  • 用户画像PPT介绍

    2018-10-19 16:28:58
    用户画像的意义,方法,理论介绍等,
  • 大数据时代下,要实现千人千面,必须要上推荐技术。用户画像是推荐系统的基础,让你更清楚了解用户的画像
  • 手机用户画像

    2015-08-14 09:11:31
    手机用户画像在大数据挖掘与分析中的典型应用。本文了电信行业如何快速构建手机用户画像分析平台。
  • 利用大数据来分析用户的行为与消费习惯,可以预测商品的发展趋势,提高产品质量。本书基于大型电商公司的真实用户画像,主要培养学员了解用户画像的内容,掌握构建用户画像的方法。
  • 一、用户画像 1、概念描述 用户画像,作为一种勾画目标用户、联系用户诉求与设计方向的有效工具,用户...例如上述基于最简单的用户数据可以分析出来的用户画像信息。 2、组成结构 用户画像的最核心工作是基于数据采集
  • 【网易】用户画像PPT

    2020-09-24 18:45:29
    参见:https://handsome-man.blog.csdn.net/article/details/108749135
  • “吃鸡”游戏用户画像及营销策略分析报告(44页),资源名称:“吃鸡”游戏用户画像及营销策略分析报告(44页)“吃鸡”游戏用户画像及营销策略分析-360智库-44页.pdf.zip...
  • Kaggle选手调查问卷分析(用户画像分析)-附件资源

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 29,379
精华内容 11,751
关键字:

如何做用户画像分析