你确定懂「用户画像」？来点基础知识.pdfVIP

你确定懂「⽤户画像」？来点基础知识 ⼤数据助⼒企业营销的核⼼在于：在「合适的时间」，基于对⽤户的了解，把你希望推送的东西通过 「合适的载体」，以「合适的⽅式」，推送给「合适的⼈」。 ⼀：什么是标签体系 说到客户标签，不得不说⽤户画像。⽤户画像，有个类似的概念叫「受众定向」。“⽤户画像”既有⼈⼝ 属性、⽣活状态这些基本静态信息，⼜包括⽤户“最近要不要旅游”、“准备买多少钱的车”这样能驱动直 接效果的动态信息。从这层意思来看，⽤“受众定向”更加准确。 客户标签简单说就是你把⽤户分到多少个类⾥⾯去。⼀个客户标签通常是⼀个或多个客户特征的集合。 这些类都是什么，彼此之间有何联系，就构成了标签体系。 ⼆：标签系统组成 标签系统可以分为三个部分： A ：数据加⼯层 B ：数据服务层 C ：数据应⽤层 每个层⾯⾯向⽤户对象不⼀样，处理事务有所不同。层级越往下，与业务的耦合度就越⼩。层级越往 上，业务关联性就越强。 数据加⼯层。多个产品线采集数据，为了搭建完善的⽤户标签体系，需要尽可能汇总最⼤范围内的数 据。同时每个产品线的也要集合所有端的数据，⽐如： App ， web ，微信，其它第三⽅合作渠道。收集 了所有数据之后，需要经过清洗：去重，去刷单数据，去⽆效数据，去异常数据等等。然后再是提取特 征数据，这部分就要根据产品和运营⼈员提的业务数据要求来做就好。 数据业务层。数据加⼯层为业务层提供最基础数据能⼒，提供数据原材料。业务层属于公共资源层，并 不归属某个产品或业务线。它主要⽤来维护整个标签体系，集中在⼀个地⽅来进⾏管理。 数据应⽤层。应⽤层的任务是赋予产品和运营⼈员标签的⼯具能⼒，聚合业务数据，提供数据应⽤服 务。应⽤场景：精准化营销、个性化推送。 三：标签模型设计 1、按「数据实效性维度」分类 A ：静态属性标签 长期甚⾄永远都不会发⽣改变。⽐如性别，出⽣⽇期。 B ：动态属性标签 存在有效期，需要定期地更新，保证标签的有效性。⽐如⽤户的购买⼒，⽤户的活跃情况。 2、按「数据提取维度」分类 A ：事实标签 既定事实，从原始数据中提取。⽐如通过⽤户设置获取性别，通过实名认证获取⽣⽇，星座等信息。可 以通过⽤户⾏为直接获取，⽐如：⽤户在⽹站或者APP上主动填写的数据，严格⼀些平台会要求客户上 传⾝份证、学⽣证、驾驶证等，这样的数据准确性较⾼。 B ：模型标签 没有对应数据，需要定义规则，建⽴模型来计算得出标签实例。⽐如⽀付偏好度。通过⼀系列的算法或 者规则挖掘得到。⽐如：⼀个⽤户最近开始购买母婴类商品，奶粉尿布等，那么可以根据客户购买的频 次和数量，结合客户的年龄、性别推断是否为新妈妈/爸爸。 C ：预测标签 参考已有事实数据，来预测⽤户的⾏为或偏好。⽐如⽤户a的历史购物⾏为与群体A相似，使⽤协同过滤 算法，预测⽤户a也会喜欢某件物品 模型标签的定义解决的就是从⽆到有的问题。建⽴模型，计算⽤户相应属性匹配度。现实中，事实标签 也存在数据缺失情况。⽐如⽤户性别未知，但是可以根据⽤户浏览商品，购买商品的历史⾏为来计算性 别偏好度。当⽤户购买的⼥性化妆品和内⾐较多，偏好值趋近于性别⼥，即可以推断⽤户性别为⼥。 四：应⽤场景 A ：分类统计 简单来说，借助⽤户画像的信息标签，可以计算出诸如“喜欢某类东西的⼈有多少”、“处在 25 到 30 岁年 龄段的⼥性⽤户占多少”等等。 B ：精准化营销 以数据为基础，建⽴⽤户画像，利⽤标签，让系统进⾏智能分组，获得不同类型的⽬标⽤户群，针对每 ⼀个群体策划并推送针对性的营销。 C ：相关数据挖掘 在⽤户画像数据的基础上，通过关联规则计算，可以由 A 可以联想到 B 。