09.《大数据》配套PPT之十：第9章 大数据商业应用.pptxVIP

大数据 BIG DATA 全国高校标准教材《云计算》姊妹篇，剖析大数据核心技术和实战应用 of 43 2 9.4　实战：个人贷款风险评估 9.1用户画像和精准营销 第九章 大数据商业应用 9.1.1用户画像概述 人在网络世界中的行为集合代表了他在网络世界中的“性格”，这个集合就描述了他的网络个性和用户特征（User Profile）。从数据拥有者，也就是企业角度来看，他们掌握了所有用户在网络世界中“某方面”的行为习惯，如用户浏览了哪些网页、搜索了哪些关键词、购买了哪些商品、留下了哪些评价等，企业都会收集汇总。如何将如此庞杂的数据转换为商业价值，成为现在企业越来越关注的问题。面对高质量、多维度的海量数据，如何建立精准的用户模型就显得尤为重要，用户画像的概念也就应运而生。 9.1用户画像和精准营销 第九章 大数据商业应用 用户画像从多维度对用户特征进行构造和刻画，包括用户的社会属性、生活习惯、消费行为等，进而可以揭示用户的性格特征。有了用户画像，企业就能真正了解了用户的所需所想，尽可能做到以用户为中心，为用户提供舒适快捷的服务。 1 用户画像技术通过对用户的分析，让企业对用户的精准定位成为了可能。在这个基础上，依靠现代信息技术手段建立个性化的顾客沟通服务体系，将产品或营销信息推送到特定的用户群里中，既节省营销成本，又能起到最大化的营销效果。 2 用户画像，即用户信息的标签化，是企业通过收集、分析用户数据后，抽象出的一个虚拟用户，可以认为是真实用户的虚拟代表。用户画像的核心工作就是为用户匹配相符的标签，通常一个标签被认为是人为规定的高度精练的特征标识。 of 43 4 9.1用户画像和精准营销 第九章 大数据商业应用 9.1.2用户画像的价值 精准营销 用户统计 数据挖掘 效果评估 指导产品研发 优化用户体验 of 43 5 9.1用户画像和精准营销 第九章 大数据商业应用 9.1.3用户画像构建流程 基础数据收集 网络行为 数据 服务内行为数据 用户内容偏好数据 用户交易数据 行为建模 文本挖掘 自然语言处理 机器学习 预测算法 构建画像 聚类算法 基本属性 购买能力 行为特征 兴趣爱好 心理特征 社交网络 of 43 6 9.1用户画像和精准营销 第九章 大数据商业应用 of 43 7 网络行为数据：活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等 服务内行为数据：浏览路径、页面停留时间、访问深度、页面浏览次数等 用户内容偏好数据：浏览/收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等用户交易数据(交易类服务)：贡献率、客单价、连带率、回头率、流失率等 当然，收集到的数据不会是100%准确的，都具有不确定性，这就需要在后面的阶段中建模来再判断，比如某用户在性别一栏填的男，但通过其行为偏好可判断其性别为“女”的概率为80%。 构建用户画像是为了将用户信息还原，构建一个用户数据模型。因此这些数据是基于真实的用户数据。 用户数据可以大致分为网络行为数据、服务内行为数据、用户内容偏好数据、用户交易数据这四类。 9.1用户画像和精准营销 第九章 大数据商业应用 of 43 8 该阶段是对上阶段收集到数据的处理，进行行为建模，以抽象出用户的标签，这个阶段注重的应是大概率事件，通过数学算法模型尽可能地排除用户的偶然行为。 这时也要用到机器学习，对用户的行为、偏好进行猜测，好比一个 y=kx+b 的算法，X 代表已知信息，Y 是用户偏好，通过不断的精确k和b来精确Y。 在这个阶段，需要通过定性与定量相结合的研究方法来建立很多模型来为每个用户打上标签以及对应标签的权重。 定性化研究方法就是确定事物的性质，是描述性的;定量化研究方法就是确定对象数量特征、数量关系和数量变化，是可量化的。 9.1用户画像和精准营销 第九章 大数据商业应用 of 43 9 步骤 步骤 步骤 1 把用户的基本属性(年龄、性别、地域)、购买能力、行为特征、兴趣爱好、心理特征、社交网络大致地标签化。 3 关于“标签化”，一般采用多级标签、多级分类。 当一切数据标签化并赋予权重后，即可根据构建用户画像的目的来搭建用户画像基本模型了。 2 9.1用户画像和精准营销 第九章 大数据商业应用 of 43 10 如图所示，这是把用户画像真正利用起来的一步，在此步骤中一般是针对群体的分析，比如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间，以做出针对性的运营。 9.1用户画像和精准营销 第九章 大数据商业应用 9.1.4用户标签体系 of 43 11 什么是标签体系？ 简单说就是你把用户分到多少个类里面去。当然，每个用户是可以分到多个类上的。这些类都是什么，彼此之间有何联系，就构成了标签体系。 标签体系的设计