AL123 人文社科会员免费专区文学 2024-07-21

数据增长模型：数智时代的全栈产品运营思维、算法与技术_连诗路编著_AZW3_MOBI_EPUB_PDF_电子书（无页码）_连诗路编著

内容节选

第8章用户画像 8.1 用户画像 8.2 用户画像的方法 8.3 案例：淘宝用户画像应用 8.1 用户画像未来各企业对用户画像的需求不仅不会减弱，反而会加强，因为企业存在的核心意义是服务好用户和客户，用户画像的完善程度就是衡量自己企业懂用户和客户的程度。下面介绍阿里巴巴集团公司的用户画像案例和用户画像的定义、方法、构建等内容。 8.1.1 用户画像定义用户画像，即用户信息标签化，企业通过收集与分析消费者的社会属性、生活习惯、消费行为等主要信息数据，抽象出一个用户的商业全貌，这是企业应用大数据技术的基本方式。用户画像为企业提供了足够的信息基础，能够帮助企业快速找到精准用户群体和用户需求等更广泛的反馈信息。 8.1.2 用户画像的作用用户画像的作用主要有以下几个方面。精准营销，分析产品潜在用户，针对特定群体，利用短信、邮件等方式进行营销。用户统计，例如我国大学购买书籍人数 TOP10，全国城市“奶爸指数”等。数据挖掘，构建智能推荐系统，例如利用关联规则计算喜欢红酒的人通常喜欢什么运动品牌，利用聚类算法分析喜欢红酒的人年龄段分布情况等。进行效果评估，完善产品运营，提升服务质量，相当于通过市场调研、用户调研，迅速定位服务群体，提供高水平的服务。对服务或产品进行私人定制，即个性化地服务某类群体，甚至每一位用户。例如，某公司想推出一款面向5~10岁儿童的玩具，通过用户画像进行分析，发现形象为“喜羊羊”、价格区间为“中等”的偏好比重最大，这样就给新产品提供了非常客观有效的决策依据。用户画像的目标是通过分析用户行为，最终为每个用户打上标签和该标签的权重，如红酒 0.8、李宁 0.6。标签，表明用户对该内容有兴趣、偏好、需求等。权重，表明用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单地理解为可信度、概率。打标签是为了让人能够理解并且方便计算机处理，如分类统计、数据挖掘。分类统计，如统计喜欢红酒的用户有多少，喜欢红酒的人群中男、女比例是多少等。标签提供了一种便捷的方式，方便计算机程序化处理与人相关的信息，甚至通过算法、模型能够“理解”人。当计算机具备这样的能力后，搜索引擎、推荐引擎、广告投放等各种应用领域，都将进一步提升精准度，提高信息获取的效率。标签通常是人为规定的高度精练的特征标识，如年龄段标签——25~35岁，地域标签——北京。标签呈现出两个重要特征：语义化（便于理解）和短文本（不可拆分）。语义化，即人能很方便地理解每个标签的含义。能够较好地满足业务需求，如判断用户偏好。短文本，即每个标签通常只表示一种含义，标签本身无须再做过多文本分析等预处理工作，为利用机器提取标准化信息提供了便利。 8.2 用户画像的方法构建用户画像有4个阶段。第一个阶段是需求解读，明确用户画像的需求必要性，用户画像建设目标和效果预期。第二个阶段是建立模型，结合实际需求，构建实体和关系。第三个阶段是维度分解，根据相关性原则，对用户、商品、渠道3类数据实体进行数据维度分析和列举。第四个阶段是设计应用，针对不同人员角色需求（市场、销售、研发），设计用户画像平台的使用功能和应用功能。构建用户画像的难点是将非结构化的数据处理成结构化的数据。用户画像构建流程如下图所示。第一步，数据收集。该阶段要收集的数据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4类。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、唯一页面浏览次数等。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通过建模来再次判断，例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%。还值得一提的是，储存用户行为数据时最好同时储存发生该行为的场景，以便更好地进行数据分析。第二步，行为建模。该阶段对上阶段收集到的数据进行处理，并进行行为建模，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，需要用到很多模型来给用户贴标签。例如用户汽车模型，根据用户对“汽车”话题的关注或购买相关产品的情况来判断用户是否有车、是否准备买车；再如用户忠诚度模型，通过“判断+聚类算法”判断用户的忠诚度；还有消费能力、违约概率、流失概率等多个模型。第三步，用户画......