精华内容
下载资源
问答
  • 电商平台用户画像分析1、项目背景1.1 分析目的通过分析用户的行为特征,深挖用户的潜在价值。1.2 产品简述由于数据脱敏无法具体了解产品的种类,通过数据只能基本判断该产品的消耗量和复购率并不是很高,主要是在...

    90b9a34d-ff23-eb11-8da9-e4434bdf6706.png

    电商平台用户画像分析

    1、项目背景

    1.1 分析目的

    通过分析用户的行为特征,深挖用户的潜在价值。

    1.2 产品简述

    由于数据脱敏无法具体了解产品的种类,通过数据只能基本判断该产品的消耗量和复购率并不是很高,主要是在电商平台上进行销售,面向群体较广,各个年龄段和性别基本都有购买的记录。

    1.3 数据集介绍

    1.3.1 数据源:

    User_table.csv、Data_Action_201602.csv、Data_Action_201603.csv、Data_Action_201604.csv

    1.3.2 数据量级

    共有50601736条数据(5000万+)

    1.3.3 数据字段解释

    • User_table.csv,用户数据介绍

    96b9a34d-ff23-eb11-8da9-e4434bdf6706.png
    • Data_Action_201602.csv、Data_Action_201603.csv、Data_Action_201604.csv,用户行为数据特征**
    ata-draft-node="block" data-draft-type="table" data-size="normal" data-row-style="normal"> user_id用户编号脱敏sku_id商品编号脱敏time行为时间/model_id点击模块编号脱敏type行为类型1.浏览商品详情页;2.加入购物车;3.购物车删除;4.下单;5.关注;6.点击cate品类ID脱敏brand品牌ID脱敏

    2、标记高潜用户

    高潜用户应该具有以下特征:

    • 必须有购买行为
    • 对一个商品购买和其他交互行为(浏览、点击、收藏、等(时间差应该多于一天(时间间隔可以根据实际情况自己定义)

    2.1 将多个表用户行为数据合并

    import pandas as pd 
    # 1. 由于每个csv中大概都有100多万条数据,我们采取分数据块读取
    ​
    # 读取文件数据def read_actionData(filePath,size=10000):
        '''
        filePath : 文件路径
        size : 数据行数
        '''
    使用迭代器的方式读取数据
        df  = pd.read_csv(filePath, header=0, iterator=True)
        # 保存数据块的列表,保存单个csv的数据 
        chunks = [] 
        # 循环起始值
        loop = True
        while loop:
        try:
            #分块迭代读取数据, 每次读10000条 
            chunk = df.get_chunk(size)[["user_id", "sku_id", "type", "time",'cate']]
            chunks.append(chunk)
            #当csv文件数据读取完毕时候,报错误
        except StopIteration:
            loop = False
            print("Iteration is stopped")
    df_ac = pd.concat(chunks, ignore_index=True)
    return df_ac
    ​
    #2.将多个表的数据合并在一起
    #df_ac大列表接受3个表的数据 chunks
    df_ac = []
    df_ac.append(read_actionData(filePath='Data_Action_201602.csv'))
    df_ac.append(read_actionData(filePath='Data_Action_201603.csv'))
    df_ac.append(read_actionData(filePath='Data_Action_201604.csv'))
    ​
    #3.将多个表的数据转成数组形式
    df_ac = pd.concat(df_ac, ignore_index=True)
    df_ac  

    9bb9a34d-ff23-eb11-8da9-e4434bdf6706.png

    简单浏览下数据

    df_ac.describe()
    df_ac.info()

    a3b9a34d-ff23-eb11-8da9-e4434bdf6706.png

    2.2 提取type为4的数据

    #1.找到type为4的用户 
    df_ac_type = df_ac[df_ac['type']==4]
    df_ac_type

    a6b9a34d-ff23-eb11-8da9-e4434bdf6706.png

    2.3 查看每类商品用户下单的占比

    #2每类商品购买占比 
    #找到高潜用户可以不用这一步进行分析  
    cate_count = df_ac_type.groupby('cate').count() 
    cate_count
    cate_count['rate'] = [i/df_ac_type.shape[0] for i in cate_count['time'].values.tolist()] 
    cate_count

    adb9a34d-ff23-eb11-8da9-e4434bdf6706.png

    2.4 选取第四类产品的数据为例

    #3.以cate4为例进行研究  
    df_ac_cate = df_ac_type[df_ac_type['cate']==4]
    df_ac_cate

    afb9a34d-ff23-eb11-8da9-e4434bdf6706.png

    2.5 用户最后购买时间

    #4.用户最后购买时间 
    def last_time(user):
        return user['time'].max() 
    df_usr_buy_time = df_ac_cate.groupby(by='user_id').apply(last_time)
    df_usr_buy_time
    print(type(df_usr_buy_time))
    df_usr_buy_time

    b2b9a34d-ff23-eb11-8da9-e4434bdf6706.png

    2.6 用户最早与该类产品发生交互的日期

    #5.用户第一次与该类产品发生行为的日期 
    df_ac_allcate = df_ac[df_ac['cate']==4] 
    df_ac_allcate  
    ​
    #根据有最后一次购买时间,df_usr_buy_time 与df_ac_allcate  匹配 
    df_all_buy_ac = pd.merge(df_usr_buy_time.to_frame(),df_ac_allcate,on='user_id') 
    ​
    df_all_buy_ac 
    ​
    #获取用户第一次行为时间 
    def first_time(user):
        return user['time'].min()  
    ​
    df_usr_ac_firsttime = df_all_buy_ac.groupby(by='user_id').apply(first_time)
    ​
    df_usr_ac_firsttime

    b5b9a34d-ff23-eb11-8da9-e4434bdf6706.png

    2.7 计算购买行为和第一次交互行为的时间差

    #6.计算时间差 
    ​
    df = pd.merge(df_usr_buy_time.to_frame(),df_usr_ac_firsttime.to_frame(),on='user_id') 
    ​
    df.columns = ['buy_time','ac_time']
    df['days'] = (df['buy_time'].astype('datetime64')-df['ac_time'].astype('datetime64')).dt.days 
    df 

    bfb9a34d-ff23-eb11-8da9-e4434bdf6706.png

    2.8 获取高潜用户

    #7找到高潜用户 
    high_dive = df[df['days']>1] 
    high_dive

    c2b9a34d-ff23-eb11-8da9-e4434bdf6706.png

    3.分析高潜用户行为

    3.1 筛选高潜客户的静态数据

    #1.合并两个表  
    user_table = pd.read_csv('data/User_table.csv')
    ​
    # 将两个时间进行合并high_dive和user_table
    ​
    user_table_high = pd.merge(user_table,
                  high_dive,
                  on='user_id')
    user_table_high

    c5b9a34d-ff23-eb11-8da9-e4434bdf6706.png

    3.2 高潜用户的客户等级分布

    #2.高潜用户等级情况 
    user_lv_count = user_table_high.groupby('user_lv_cd').count()
    user_lv_count
    ​
    # 绘制饼图
    import matplotlib.pyplot as plt
    import matplotlib
    ​
    plt.pie(user_lv_count['user_id'].values.tolist(),  
          labels=user_lv_count.index.tolist(),  
          autopct="%1.1f%%")
    ​
    plt.show()

    cab9a34d-ff23-eb11-8da9-e4434bdf6706.png

    3.3 高潜客户年龄段分布

    #3.高潜用户年龄 
    user_age_count = user_table_high.groupby('age').count()
    user_age_count
    ​
    ​
    # 绘制饼图
    import matplotlib.pyplot as plt
    import matplotlib
    ​
    plt.bar(user_age_count.index.tolist(),
        user_age_count['user_id'].values.tolist(),
            width=0.3)
    plt.show()
    #这里的数据是脱敏了的,看样子进行猜测,-1应该是用户填写的错误数据,2是20~29岁,3是30~39岁,以此类推。

    ceb9a34d-ff23-eb11-8da9-e4434bdf6706.png

    3.4 购买数量:不同量段的占比

    #4购买数量分析 
    #先按购买数量分组,bins里的数量可以根据实际情况进行调整,由于购买数量主要集中在1~5,所以如下分类。
    buy_num_groups = pd.cut(user_table_high['buy_num'], bins=[0,1,2,3,4,5,10,20,30,40,50]) 
    #(0,1)(1,2)
    #每一组个数 
    group_count = user_table_high.groupby(buy_num_groups).count() 
    group_count
    ​
    #占比 
    group_count['rate'] = ['%.3f%%' %(value/user_table_high.count()['user_id']*100)  for value in group_count['user_id'].values.tolist()] 
    group_count['rate']

    d0b9a34d-ff23-eb11-8da9-e4434bdf6706.png

    3.5 高潜用户的购买该商品的记录

    根据df_ac_cate 和高潜用户id匹配出高潜用户的购买该商品的记录.

    #5.找到高潜用户的购买记录
    #根据df_ac_cate  4类 产品 
    #高潜用户进行匹配, 购买产品记录  
    ​
    df_buy_high = df_ac_cate[df_ac_cate['user_id'].isin(high_dive.index.to_list())] 
    ​
    df_buy_high 
    ​
    df_buy_high['time'] = df_buy_high['time'].astype('datetime64')
    df_buy_high

    d3b9a34d-ff23-eb11-8da9-e4434bdf6706.png

    3.6 周一到周日每天的购买行为分布

    df_buy_high['weekday'] = df_buy_high['time'].apply(lambda x: x.weekday() + 1) 
    ​
    df_buy_high_count = df_buy_high.groupby(by='weekday').count()
    df_buy_high_count
    ​
    plt.bar(df_buy_high_count.index.tolist(),df_buy_high_count['user_id'].values.tolist())
    plt.show()

    dab9a34d-ff23-eb11-8da9-e4434bdf6706.png

    4、总结

    此次分析是针对电商用户的行为数据进行分析,目的是找到高潜用户的行为特征,最大程度地挖掘高潜用户的价值。

    • 数据分析的过程和每点小结:
      1)定义了高潜用户,应该具有以下特征:
      • 必须有购买行为;
      • 对一个商品购买和其他交互行为(浏览、点击、收藏、等(时间差应该多于一天(时间间隔可以根据实际情况自己定义)

    2)先在所有的几百万份数据中找到下单的用户(type=4);
    3)再在其中找购买了cate=4的用户;
    4)通过计算购买行为和第一次交互行为的时间差 找到符合要求的高潜用户;
    5)分析高潜用户的客户等级分布,主要分布在4、5级,说明高潜用户基本上是该平台的长期用户,购买频次不低(后续补上RFM模型进行分析)
    6)分析高潜用户的年龄段,主要集中在30·40岁,说明大部分高潜用户是有独立经济能力,有稳定的购买能力,不是一时冲动的消费行为,可以往提升用户粘性方向走;
    7)分析高潜用户的购买数量,95%集中在1~5次,67%是在2次以内,说明针对高潜用户在购买数量上还有很大的提升空间,可以考虑做一些促销活动(买几送几,捆绑销售之类的等等)去推动下。
    8)分析周一至周日的购买行为分布,周四下单的最多,其余六天基本持平,但周六日最低的,这种情况有多种可能,主要是和产品特质有关,有可能是30~40岁的高潜用户想着周四下单,周六日空闲时就可以拿到商品,立马能使用(在不急迫的情况下追求体验效率)。可以将商品4的相关活动设置在周四。

    ######说在最后,之后有时间会补充上RFM模型以及更好的可视化展示报告。

    展开全文
  • 小红书这个apo躺在我的手机里已经很久了,终于要拿出来看看是啥情况,那么火。以下是我不成熟的分析。一、产品介绍产品背景所处领域:在2013年,正值跨境旅游高速发展阶段,旅游中购物是一大痛点,人们面临着如何...

    3662df53-be21-eb11-8da9-e4434bdf6706.png
    运营包含三个方向:内容运营、活动运营、用户运营。互联网产品的核心价值,就体现在用户上。小红书这个apo躺在我的手机里已经很久了,终于要拿出来看看是啥情况,那么火。以下是我不成熟的分析。

    一、产品介绍

    产品背景

    所处领域:

    在2013年,正值跨境旅游高速发展阶段,旅游中购物是一大痛点,人们面临着如何购买优质商品、如何不被骗等一系列问题。同时,随着人们消费水平的提高,对商品质量的要求也越来越高,在2013年开始转向海淘,但人们不了解海外商品,不知道在何处购买划算,更不了解如何交税退税。小红书正好切中了这个痛点,再加之极其高效的社交网络推广方法吸引大量用户注册。在此基础之上,建立了自营海外购电商平台,为用户提供精海外单品的购物服务。

    产品定位:

    小红书之前的口号是“找到国外的好东西”,目前的口号是“标记我的生活”。都是关注于如何提升用户的生活品质。其目前的定位相对十分明确,即先作为一个社区,通过UGC的形式为想购买国外商品的用户提供实时的购物信息以及使用心得,然后借助上线以来的数据沉淀精选出独特选品以跨境社区电商的身份进行网上销售。这是一款海外购物笔记分享社区,以及自营保税仓直邮电商平台。

    业务逻辑

    目标用户:

    目标用户集中在一二线城市,年龄集中在20岁-35岁之间的女性,职业分布包括大城市白领、公务员,以及留学生。综上所述我们可以总结出小红书的用户主要为生活在大城市的年轻的女性,并且消费水平中等偏上。他们对于生活水平有着较高追求,也具备相应的消费水平。同时乐意将自己的生活方方面面分享给和自己具有一样特点的人。

    需求场景:

    小红书的主要定位为跨境电商以及分享社区平台,使用小红书的场景主要分布在两个方面,分享社区和购买商品。小红书通过UGC的形式为想购买国外商品的用户提供实时的购物信息以及使用心得,用户可以通过社区获得购物信息和购物心得,还可以通过商城进行购物。

    核心功能 :

    小红书的核心功能有三个,分别是发布笔记,浏览笔记以及商城购物。小红书在发布笔记功能上,使用照片和视频,充满创意性的加上了标签,使得笔记更为生动。在浏览笔记方面,小红书采用了社区的关注、点赞、收藏、评论等方式增强社区活跃度。根据数据沉淀精选出了商品,搭建了自营电商平台。

    二、产品体验

    产品结构图

    主要功能结构图

    3762df53-be21-eb11-8da9-e4434bdf6706.png

    业务流程图

    主要业务逻辑图

    由于小红书的主要定位为跨境电商以及分享社区平台,用户使用小红书的业务场景主要分为三个,发布自己的笔记,浏览别人的笔记以及购买商品,其他功能皆为围绕这三个核心业务服务,其主干的业务场景流程图如下。

    3862df53-be21-eb11-8da9-e4434bdf6706.png

    三、判断生命周期

    • 时间角度:公司成立于2013年8月,小红书APP于2013年圣诞节前上线,到目前已经6年多。
    • 用户角度:根据官方数据,截止2019年5月,小红书用户数量已经突破2.5亿。内部文件称,小红书月活用户已经突破8500万。主要用户群集中在20-35岁的女性群体。
    • 产品角度:小红书进过多个版本的迭代,查询近1年版本更新次数56,迭代频率较高。除了基础功能完善、同时候还有完善的海淘服务平台、完善的社交分析平台等。
    • 运营角度:目前的运营已经不再是拉新为主的模式,而是以促进活跃用户、提高留存率、增加收入获得盈利为主。
    • 商业角度:2018年小红书完成阿里领头的3亿美金D轮融资,但是尚未成全面盈利。
    • 结合小红书app下载数据,小红书IOS版本下载量目前仍然维持在50000次上下,已经过了下载高峰期,但是仍然保持比较多的下载量。小红书Android版本累计下载量巨大,主要集中在华为、小米、OPPO,近30天日均下载量仍保持在百万级。
    • 结合小红书app版本迭代情况,近一年仍有56次,频率高达一周一次,仍处于较快速迭代的时期。

    总结:小红书app处于产品成熟期。

    四、分析运营策略

    初创期:

    新产品的初创期要速度的获取核心用户,首先要给产品定位,在初期,小红书第一版产品是香港购物指南,当时的定位定位是专为都市女性提供香港最新的商品折扣信息与商场、使用体验信息。通过邀请申身边的朋友、在社区获取种子用户、发展社群、邀请达人用户等方式完成初创期的核心(种子)用户获取,持续打磨产品,来探索验证用户的海外购物分享和社区的气氛商业模式。2013年至2014年,小红书积累用户行为数据从购物指南发展到了分享社交的模式,确立了早期的产品形态,并围绕用户UGC模式的分享社区进行探索打磨。瞄准海外购物分享这一核心需求展开摸索,快速完成产品的形态的探索。正因此,小红书连续发布了几个版本,通过快速迭代找到核心需求,明确产品方向,同时也找到了第一批种子用户,为小红书接下来的发展坚定了信心。

    成长期:

    2014年-2015年小红书进入快速迭代时期,这一阶段社区基本已经成熟,同时社区为产品本身发展带来了自增长。同时也确定了方向,这一阶段主要是在社区方向做拓展,寻找更多的可能性,寻求市场更大的占有率。这一阶段的运营主要是依靠社区转移到跨境电商的推动,从社区海淘分享到社区电商转变的过程。小红书在此时期验证了UGC社区+跨境电商存在着巨大市场,社区有着自增长的特点,电商带来盈利的市场,两者完美结合,在两大趋势下,用户继续快速增长,很快发展到数百万的用户体量。该时期,小红书除了参加电商比较常见的活动节,例如双十一、双十二,此外还有创立了两个属于自己标签的节日,如6月6日的周年庆,在每年的6月6日,小红书会推出一系列大型周年庆促销活动,还有11月底的红色星期五,小红书将国外的 线下购物大狂欢搬到了线上。

    成熟期:

    该阶段,小红书也已经完成了多轮融资,进入了产品成熟期,致力于社区海量笔记分享与展示,完善跨境购物相关功能体验,重中之重还是社区与电商这两个模块互相打通,实现完美融合。因为要想浏览社区的用户到“福利社”来购物还是一个比较尴尬的问题,毕竟社区与电商之间没有明显联系,所以产品要做到很好的领导用户。因此在这一时期时间内,产品的迭代速度明显放缓,用户的整体策略保持在促活和转化上。小红书主要努力方向就是如何将社区与电商完美结合,实现无缝跳转是实现产品的战略目标。

    五、优势&劣势分析

    内容运营

    在发步内容方面,不仅有滤镜功能,帮助用户美化图片、搜索版块则集中地区和达人的分类信息,保持了其旅游购物查阅的工具性。用户还可以发布的分享内容即一条购物笔记通常包括晒物图、品牌便签以及价格和地点便签。在具体笔记页面,还可以看到分享者撰写的购物或使用心得;内容的高转化率,极具商业价值。根据数据沉淀精选出了商品,例如综合了187万年轻人的意见,告诉你投票排名前十的欧洲最值得购买好物。每件好物都有超过20万来自购物达人们的投票。

    活动运营

    除了电商比较常见的活动节,例如双十一、双十二,小红书都会对应发布活动。小红花此外还有创立了两个属于自己标签的节日,如6月6日的周年庆,在每年的6月6日,小红书会推出一系列大型周年庆促销活动,也是小红书全年促销力度最大的时间段之一。除此之外还有11月底的红色星期五。黑色星期五”更多让人想到的是传统线下商场打折的情景,小红书则将这一购物大狂欢搬到了线上,为移动互联网用户独具匠心地打造了“红色星期五”大促,将黑五刷红。

    用户运营

    建立了用户激励机制,包含创建积分财富体系、达人榜成就体系、粉丝社交体系。购物笔记鼓励用户分享出用钱买出来的购物经验,为此,社区里有购物达人榜,每个达人会有类似皇冠、勋章等代表达人级别的虚拟头衔,在内容上有贡献的用户会得到积分奖励用户可以关注自己感兴趣的达人,及时查看达人们分享的信息。

    六、总结&建议

    纵观小红书产品迭代整个历程,从最初以海外购物攻略出发,到摸索社区分享的需求点,再到后来电商的切入探索更多的可能性,小红书发展至今,这一切都是全面了解这群核心用户群85后、90后女性的深度理解之上,对核心用户的理解程度直接影响产品的发展。目前小红书的用户量与活跃度都有了,产品的策略主要解决电商变现问题,做到更大的收益。因此建议如下:1、进一步洞察小红书核心目标群体消费轨迹,通过大数据分析精准这群人消费的特点,让推送更符合用户心理。2、优化供应链,增强渠道能力,站在用户角度更多的可能性收发商品。3、优化GUC社区的内容,提高内容的质量,营造一个活跃、健康、和谐的社区环境。

    展开全文
  • 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
  • 基本概念: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...

    在写征文之前,我想更正一个概念,就是用户行为研究和用户体验研究不是一回事,虽然没有天差地别那么浮夸,但是真的相差很多关键概念,可以说完全不是一回事,所以请勿混淆。

    基本概念: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。

    2ceb250ec1a214d5df62171b6d2ef775.png


    一般的人指挥执行者去操作左边三个部分居多,分成三组,标签组构建画像,爬虫组行为建模,数据组数据分析一、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。

    8ca7d9841cfa47c3ce00eb70db3c1c36.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。

    a7db494accfb0d5ea4afdd9a5f89bbbf.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。

    806271132c2d9782284ee30235d58f87.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。

    204b3d98c90672db1c9ab54c95f90c09.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。

    09fcb5fa55f8a832d5e8a49e0a8a149a.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:产品经理朱学敏
    链接:https://www.jianshu.com/p/440c30383bec
    来源:简书
    著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

    展开全文
  • 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...
  • 建立用户画像和精准分析是关键。在棋牌游戏研发和营销过程中,确定目标用户是首要任务。不同类型的用户往往有不同甚至相冲突的需求,企业不可能做出一个满足所有用户的棋牌游戏和营销。因此,通过大数据建立用户画像...
  • 今天小编来和大家分享一下,抖音用户画像分析和抖音用户的活跃时间点,1、重点的画像,是抖音受众人群高低线及分布率。2、查询数据的技巧,如果是产品的话参考到阿里指数上查看,如果查行业的话,可以在百度上查看...
  • 想要服务用户首先要了解用户,今天96新媒体就来为大家介绍一下如何通过用户画像来了解用户。一、基础数据用户的基础数据包括用户的一些基本的信息,例如年龄、性别、收入、教育情况等等,这些是最底层的数据...
  • 转载自:接地气学堂有同学问:到处都看到吹用户画像的,可就是没见过真正例子。今天我们来一个:利用用户画像提升交易额的实战例子。而且这个例子就发生在我们身边。1、一个活生生的用户画像实例秋高气爽,爸比带着...
  • 在未来,用户画像分析会成为第一品牌竞争力吗?我们从几个方面进行分析。 某短视频平台的大火与这样的大数据精准匹配推送的营销模式分不开。而除了这样的娱乐活动,在人们的衣食住行中,每个人的消费记录、打车频率...
  • 为方便用户了解品牌在小红书的数据排名表现和已经购买品牌产品的客户情况,千瓜数据上线了品牌历史上榜记录和购买用户画像分析两项功能,辅助大家高效决策,及时跟进品牌投放。 01 品牌排行榜,小红书种草的实力见证...
  • 千瓜数据独家推出《2021小红书活跃用户画像趋势报告》,对小红书活跃用户中的美妆、美食、母婴、家居四类核心人群进行解析,为品牌洞察小红书不同群体画像和消费趋势提供数据支持和营销方向。 01 小红书中坚力量群体...
  • 小红书-竞品分析报告

    万次阅读 2019-06-09 13:57:15
    一、竞品分析目的 ...当前已有许多传统跨境电商产品增添了社区内容模块,较之小红书,他们的社区处于弱势,但电商十分强势,通过对这些电商强势的竞品进行分析,有利于小红书强化自身的电商体验,增...
  • 千瓜数据独家推出《2021年小红书电商直播趋势报告》,基于2020年春节期间小红书直播数据,通过直播大盘数据概览、品牌自运营探究、直播观众画像、直播达人洞察等方面,分析小红书直播数据,前瞻2021年小红书电商直播...
  • 小红书产品分析报告

    千次阅读 2021-03-02 21:56:42
    产品名称:小红书 体验版本:6.81.1 体验系统:Android 10 体验时间:2021年1.10—2021年2.10 1.2产品介绍 产品名称:小红书 产品类型:聊天社交 产品slogan:“标记我的生活” 二.市场分析 2.1 跨境电商市场 随着...
  • 小红书品牌品类搜索功能 可以帮助千瓜用户更快、更好、更全面洞察细分赛道。 01小红书细分赛道,品牌品类搜索功能 品牌品类搜索功能归属于品牌投放分析功能,可以针对品牌下不同商品分类或不同商品系列进行数据分析...
  • 1、分析方法 漏斗分析 — 展现出各个阶段的转化率,通过漏斗各...用户分群 — 进行用户画像的关键数据分析模型,将用户信息标签化分群,便于进行后续分析。 2、表的设计合理性 数据库表的三范式, 第一范式:确保每一
  • 10月21日周三19:30,付鹏开启小红书带货直播首秀,康康作为助手出镜。全场直播时长4.5小时,带货商品38件,包括吃货零食、美妆护肤、家居日用等。整场直播娓娓道来,互动性十足。 ▌带货直播数据 10月21日晚,付鹏...
  • 大数据时代,无论是小红书数据分析平台千瓜,还是抖音飞瓜、微信视频号友望,身为一名合格的品牌运营,夏夏必然会关注许多的平台数据工具,以探寻行业最新数据资讯。 根据千瓜最新发布的小红书创作者商业笔记互动量...
  • 小红书直播带货越来越受到品牌方的关注,千瓜数据从用户的需求出发,上线直播监控功能,实时监控直播,为直播分析提供全面客观的数据参考。 ▌ 直播监控 直播监控功能位于小红书直播-直播排行榜下方。输入需要监控的...
  • 2020年小红书直播报告

    千次阅读 2020-10-14 17:48:36
    千瓜数据独家推出《2020小红书直播数据分析报告》,从小红书用户画像、带货直播数据等方面,回望小红书2020第1-3季度的带货直播热潮,为品牌商家前瞻未来小红书带货直播的趋势与机遇提供客观的数据支持。 ▌ 用户...
  • 疫情持续下,经济环境仍...2020年10月21日-11月11日,小红书的腰部达人与品牌合作笔记占比达人总合作量的62%,其次是初级达人,品牌合作笔记占比达到29.48%,腰、初部两个等级的达人们拿到了广告主在小红书KOL营销的9成
  • 在全球有超过一亿年轻用户用户多数以大学生、白领为主,而且都挺有钱的,小红书由”自营跨境电商“」“第三方品牌授权/直营”“UGC(用户创造内容)的口碑分享社区”三部分组成,小红书在最近一年的时间都非常火爆...
  • 千瓜数据独家推出《2021年小红书KOL营销白皮书》,基于2020年小红书KOL大盘、粉丝画像、KOL商业价值等方面,洞察2021年小红书KOL营销新趋势和策略。 01 小红书KOL营销趋势,小红书品牌持续加码 2020年疫情影响下,各...
  • 一,第一套用户画像:草地,第一只羊,头羊,狼 产品是你的草地, 首先第一个关键角色是第一只羊,只有让他获得即时满足,玩的开心,才能针对这个用户的同类用户去推广; 其次第二个关键角色是头羊,比如论坛版主,YY...
  • 千瓜(小红书数据)显示,结合小红书官方最新披露的数据来看,目前小红书用户中男性占比已经达到了30.59%,这与大家之前了解的,小红书女性用户占比高达90%以上的数据已经产生了相当大的变化,不挑剔的海投模式已经...
  • 小红书增长之路

    2019-09-27 13:09:22
    下面内容来自首席增长官年会上,小红书增长技术负责人占雪亮「精细化运营在小红书的实践」的演讲,通过这个内容,我们学习在实际工作面对数据如何去分析。其中,红色字体是我标注的,方便大家对应之前学过的分析问题...
  • 在整合营销时代,自媒体作为个性化资讯分发平台,用户本身就在“主动读内容”,这个场景更适合信息的接收,而小红书无疑是你不应该错过的平台,我们发现,被贴上“小红书同款”标签的产品总是稳占各电商平台的热搜榜...
  • 《2020年度KOL社交媒体投放分析报告》显示:2020年广告主在各个社交平台投放金额TOP5,分别为新浪微博、小红书、微信公众号、抖音、B站。由此可见小红书平台对于品牌推广有着潜在的价值,是品牌变现的重要流量池。 ...
  • 小红书 算法简介

    万次阅读 多人点赞 2018-10-03 16:17:21
    小红书作为中国乃至全球独一无二的社区电商,目标是让全世界的好生活触手可及,那么如何帮助用户在社区里发现好生活,又如何引导用户找到值得剁手的好产品呢?本文整理自 ArchSummit 深圳演讲,探讨如何运用机器学习...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 391
精华内容 156
关键字:

小红书用户画像分析