首页 > 其他分享 >用户画像分享

用户画像分享

时间:2024-11-01 16:15:59浏览次数:6  
标签:数据 标签 行为 用户 建模 分享 画像

一、用户画像概述

1.1 什么是用户画像

用户画像分析是通过挖掘用户的自然属性、社会属性和行为属性,识别用户兴趣点并分析群体特征的过程。它是刻画用户个体或群体全方位特征的重要手段,为运营分析人员提供用户偏好和行为信息,从而优化运营策略,并为产品设计提供准确的用户角色信息。
目前业界常使用的用户画像概念有2种,一种是 User persona,一种 User portrait,也有翻译为User profile。

1.1.1 用户角色(User persona)

根据Alan Cooper的《About Face》,用户角色是基于产品对真实世界的观察,抽象出来的具有代表性的虚拟用户模型,有时也被称为综合的用户原型(Composite User Archetype)。

主要特征如下:
●包含角色描述和用户目标
用户角色不仅涵盖了诸如姓名、年龄、地理位置、收入水平和职业背景等基本信息,以构建一个更加立体、贴近真实的用户形象,更重要的是揭示了该角色背后的驱动力——即用户的真正目的或愿望。这些目标反映了用户为何会使用某一产品或服务,并且是驱动他们行动的关键因素。
●可以代表相似的用户群体或类型,也可以代表个体
尽管用户角色本质上是一个虚构的概念,但它能够有效地概括一群具有共同特性和需求的人群。同时,它也可能聚焦于某个具体的“典型”个体,尽管这并不意味着存在一个完全匹配的实际人物。每个用户角色都是通过对多个真实案例的研究分析后构建而成的。
●强调在特定场景下对特定产品的使用
用户角色研究的是用户在具体情境下对产品的使用,关注其在一定范围内的行为、态度、能力、动机等。即使同一个角色,在不同产品下的动机也是有差异的,一般来说不轻易在不同产品间复用,需要考虑不同类产品的切入场景。

在这里插入图片描述

1.1.2 用户画像(User profile/User portrait)

指用户信息标签化,通过收集用户多维度的信息数据(如人口统计属性、社会属性、行为偏好、消费习惯等),并对其进行统计、分析,从而抽象出的用户信息全貌,相比user persona,它更侧重于数据挖掘、标签体系搭建。

这类画像主要特征如下:

  • 真实性
    • 集合了每个个体的真实信息,如既有人口统计属性等静态信息,也有用户行为的动态信息。
  • 时效性
    • 用户动态信息并非一层不变,可以实时追踪其变化。
  • 覆盖度广
    • 既能监测到用户感兴趣的内容,也可以看到其不感兴趣的内容,维度众多,颗粒度粗细均有。

1.1.3 用户角色 对比 用户画像

用户角色VS用户画像
虚拟的用户模型定义真是的用户数据集
用户特征、目标、能力、态度的抽象概括内容用户实时、真实、动态的行为数据统计
初期描述目标用户,指导产品设计用途后期跟进用户行为,观察、预测用户行为
定性研究方法定量研究+数据分析

1.1.4 用户标签

用户标签,即对用户某个维度属性的描述,具有相互独立、可枚举穷尽的特点;采集业务、日志、埋点等数据后,经过不同统计方式计算出用户属性、用户行为、用户消费、风险控制、社交等维度标签;例如:性别、年龄、近30日访问次数、购买水平、经常活跃时间段等,有关用户标签体系建设的详细描述,见下文。

1.2 为什么需要用户画像

在大数据背景下,用户数据的来源很多,大多都是非结构化数据,无法直接用于分析和模型训练,也难以从中直接提取有用信息。然而,通过对行为数据进行标签化处理,我们能够更直观地了解用户。这样,计算机也能理解用户行为,从而在个性化推荐、搜索、精准广告投放和智能营销等领域发挥作用。
在这里插入图片描述
建立完善的用户画像体系对互联网产品具有重要的战略意义。通过用户画像,可以构建分析平台,用于产品定位、竞品分析和营收分析,为产品方向和决策提供数据支持和事实依据。在产品运营和优化中,用户画像帮助深入了解用户需求,从而设计出更符合用户的产品,提升用户体验。

二、建设标签和标签体系

用户画像的核心工作就是给用户打“标签”,构建用户画像的第一步就是搞清楚需要构建什么样的标签,而构建什么样的标签是由业务需求和数据的实际情况决定的。下面介绍构建用户画像的整体流程和一些常用的标签体系。

2.1 标签分类

标签可以通过多种方式分类,从实现规则来看,主要分为以下三种类型:统计类标签、规则类标签和机器学习挖掘类标签。

1.统计类标签
这是最基础且常见的标签类型。例如,用户的性别、年龄、城市、星座,以及近7日的活跃时长、活跃天数、活跃次数等信息,可以通过用户注册数据和访问、消费数据统计得出。这类标签构成了用户画像的基础。

2.规则类标签
这些标签基于用户行为、属性和预设规则生成。例如,“消费活跃”用户可以定义为“近30天交易次数≥2”。在实际开发中,运营人员和数据人员需要合作制定这些规则,因为运营人员熟悉业务,而数据人员熟悉数据的结构和特征。

3.机器学习挖掘类标签
通过机器学习技术,这些标签用于预测和判断用户的某些属性或行为。例如,根据用户的消费习惯判断对某商品的偏好。这类标签通过算法挖掘生成。

在项目工程实践中,统计类和规则类标签通常能够满足大部分应用需求,因此在开发中占据较大比例。机器学习挖掘类标签则多用于预测场景,如判断用户性别、购买偏好、流失意向等。由于机器学习标签的开发周期较长且成本较高,其开发比例相对较小。
最终的标签体系需要从用户视角出发,并结合具体业务进行定义。例如,在电商业务中,可以包括用户属性维度标签、用户行为维度标签、用户消费维度标签、和社交属性维度标签。

2.2 标签建设流程

下面展示了标签建设流程,侧重于产品经理的视角,主要描述需求分析过程和文档产出,同时简要总结标签的开发原理。

2.2.1 需求收集与分析

业务流程还原:了解用户的决策流程和业务场景,比如用户是如何在你的App中购物的。
商业目的明确:确定你希望通过标签体系达到的商业目的,比如提高投递/用户活跃。
运营策略设计:根据商业目的设计运营策略,比如通过推送优惠券来吸引用户。

2.2.2 产出标签需求文档

标签体系文档:详细描述每个标签的规则、使用场景等。
埋点确定:确定需要采集哪些数据来支持标签的生成,比如为了生成“消费活跃”标签,需要采集用户的交易数据。
数据需求文档:详细描述需要采集的数据,包括数据的上报时机、形式等。

2.2.3 标签的开发

ETL作业:提取(Extract)、转换(Transform)、加载(Load)数据,将原始数据加工成适合分析的格式。
用户画像主题建模:基于加工后的数据,进行二次建模,生成用户标签。
标签结果数据存储:将计算出的标签结果存储起来,供后续使用。

2.2.4 标签发布与效果追踪

标签应用:将生成的标签应用到实际业务中,比如精准营销。
效果追踪:监控标签的应用效果,比如通过标签进行的营销活动转化率如何。
模型优化:根据效果反馈,不断调整和优化标签体系。

2.2.5 实践建议

从简单开始:先从基础的统计类标签开始,逐步引入更复杂的规则类和机器学习类标签。
持续迭代:标签体系不是一成不变的,需要根据业务发展和市场变化不断调整。
跨部门合作:标签体系的建设需要数据团队、产品团队、市场团队等多个部门的合作。

三、用户画像产品化

用户画像产品化是指将用户画像的概念和数据转化为实际的、可操作的产品功能和应用场景,以实现商业增值。这一过程涵盖了数据的采集、处理、分析和应用等多个关键环节。以下是用户画像产品化的详细流程。

3.1 用户画像产品系统架构

用户画像产品化的系统架构通常包括四个主要层级,数据按照以下路径流动:

  • 数据集成
    • 客户端/服务端SDK:利用专门的软件开发工具包,从多种客户端(例如iOS、Android、微信小程序、网页等)收集用户的行为数据和属性信息。
    • 导入:将已有数据导入系统,以便于进一步分析。
    • 对接第三方应用:通过API接口与外部应用集成,丰富用户数据源。
  • 数据接入
    • Kafka:一种高效的分布式消息队列系统,用于接收海量数据流,并将其平稳地传输给下游处理系统。
  • 数据整合/标签计算
    • 数据仓库:用于大规模数据的存储和处理,包含用户属性和行为记录。
    • ETL作业:执行数据的抽取、转换和加载任务,确保数据质量。
    • 用户画像主题建模:基于业务需求对用户数据进行深度加工。
    • 标签计算:根据预设规则计算用户标签,形成多维度的用户描述。
  • 标签应用
    • 前端画像展示:在界面中直观展示用户画像,便于业务人员理解和使用。
    • API接入其他系统:通过开放API接口,将用户画像数据无缝集成至营销、推荐等系统中。

3.2 用户画像产品功能模块

  • 系统看板:提供核心用户数据的概览,如总用户数、标签种类及数量等。
  • 标签管理:支持业务团队对标签进行创建、删除、修改和查询等操作。
  • 用户画像:展示特定用户的详细资料,涵盖属性和行为信息。
  • 用户分群和用户群画像:通过组合多个标签定义目标用户群,并分析其特性。
  • BI分析:与商业智能工具结合,实现更深入的数据洞察和比较。
  • OpenAPI:确保用户画像数据与其他系统的同步更新,维持数据的一致性。

3.3 用户画像的应用场景

用户画像产品化后,可在以下领域发挥作用:

  • 经营分析:运用用户画像数据评估流量、用户、商品、订单、渠道及产品表现。
  • 精准营销:通过短信、电子邮件、推送通知等方式实施个性化营销活动。
  • 个性化推荐与服务:基于用户画像提供定制化的内容推荐,增强用户满意度和忠诚度。

3.4 用户画像实践案例

携程商旅用户画像为例,根据业务需求主要分为五大类标签,分别为基本属性、客户关系管理类标签、消费偏好类标签、风控类标签、实时类标签,下面列举一些常用标签。

  • 基本属性
    主要包括:公司ID、公司名称、所在城市、所属行业、注册时间、注册渠道、公司规模、公司类型等。
  • CRM类标签
    • 生命周期:活跃时长、沉默时长、是否新用户等。
    • 业绩服务:退票率、投诉量、订单量、成交额等。
    • 用户价值:会员等级、消费频率等。
  • 偏好类标签
    • 产品偏好:机票酒店占比等。
    • 出行偏好:热门出发城市、到达城市、酒店星级偏好、飞机舱位偏好等。
    • 增值服务:保险偏好等。
  • 实时类标签
    • 过去十分钟查询预订占比
    • 过去十分钟页面浏览量
  • 风控类标签
    • 账户逾期金额
    • 酒店入住城市离散度
    • 历史逾期次数
    • 信用评分

对比如下:

维度To B 用户画像(面向企业)To C 用户画像(面向消费者)
用户构成由公司(company_id)和用户(user_id)共同构成画像以单个用户(user_id)为中心构成画像
需求明确性高,商务出行需求明确低,消费者选择多样,需求不明确
消费模式稳定性高,企业业务稳定导致消费模式稳定低,受个人经济状况、喜好等因素影响,消费模式多变
个性化意愿弱,用户行为受公司政策影响强,消费者根据自己的喜好和需求做出选择
行为信息互补性同一公司下不同用户的行为信息可以互补用户间行为相对独立,行为信息不互补
用户标识一个user_id 对应一家 company_id(类似于牛客HR_ID)一个自然人可能对应多个user_id,需要自然人模型来唯一标识(牛客/知页)
标签体系包括公司维度和用户维度的画像,如公司规模、行业、用户职位等侧重于个人维度的画像,如性别、年龄、兴趣爱好等
应用场景反弊行为识别、产品个性化推荐排序、客户精细化运营管理等个性化推荐、精准营销、用户体验优化等

携程toB用户画像:
每个企业客户可能有多个人使用携程商旅的服务,这些人可能是公司的员工、项目经理、行政人员等,他们代表公司进行预订、审批等操作。
这些代表人(用户)在携程商旅平台上的行为数据(如预订习惯、偏好、消费模式等)被收集和分析,以构建企业客户的整体用户画像。
携程商旅通过分析这些代表人(用户)的行为数据,可以更好地理解企业客户的需求和偏好,从而提供更个性化的服务和产品。
例如,携程商旅可以根据企业客户的预订数据,提供定制化的差旅政策建议、优化预订流程、提供专属优惠等。

在这里插入图片描述

携程商旅用户画像数据流转结构涉及数据收集、特征计算、标签建模、标签接口和数据监控等多个环节。以下是对携程商旅用户画像数据流转结构的总结:

  1. 数据收集:
    ●携程商旅用户画像数据主要来源于离线数据和线上实时埋点数据。
    ●离线数据存储在Hive数据仓库,包括业务数据、日志数据和其他BU共享的三方数据。
    ●实时埋点数据推送到Kafka集群,例如用户点击数据和浏览数据。

  2. 特征计算:
    ●特征计算是将数据仓库的数据清洗转换成特征的过程,为标签建模服务。
    ●数据清洗转换包括异常值处理、数据平滑归一、数据聚合统计、缺失值处理和数据校验等。
    ●离线数据处理借助Spark SQL完成,在线数据处理借助Flink完成。
    ●清洗转换后的数据流入特征库,供后续标签建模使用。

  3. 标签建模:
    ●标签建模采用基于业务规则转换、基于统计学建模和基于机器学习算法建模三种方法。
    ●基于业务规则的标签需要运营人员或需求方根据专业经验定义。
    ●基于统计学建模的标签根据统计学原理对窗口周期内的数据建模。
    ●基于机器学习算法建模的标签通过机器学习算法挖掘产生,如信用等级判定和消费金额预测。

  4. 标签接口:
    ●离线标签数据存储在Hive中,生产数据存储在MongoDB和Redis中以提高接口响应速度和服务可用性。

  5. 数据监控:
    ●数据流程监控调度主要借助Zeus数据管理平台和Grafana监控系统完成。
    ●监控贯穿数据生产消费的整个生命周期,报警方式包括邮件通知和IM通知等。
    ●监控内容包括数据源生产情况、任务调度失败、特征统计值、模型指标和接口响应时长等。

整个数据流转结构的设计旨在确保用户画像数据的准确性、实时性和可用性,以支持携程商旅的精细化运营和精准营销服务。

标签:数据,标签,行为,用户,建模,分享,画像
From: https://blog.csdn.net/weixin_43145550/article/details/143433866

相关文章

  • 一款超低功耗485芯片应用分享
    最近一直在找一款可以低功耗运行的485芯片,但是市面上的很多485芯片接收状态下功耗都很大,后来找到了这款由无锡景明电子科技有限公司研制的超低功耗485芯片——JME8871(SOP8封装)/JME8471(MSOP8封装)(图片如下)。JME8871/JME8471 以下是我对这款超低功耗485芯片的使用体验和介绍:1.......
  • 【免费分享】WebGIS自学宝藏教程:Mapbox入门
    ⼀、简介https://www.mapbox.com/1、Mapbox简介Mapbox是⼀个可以创建各种⾃定义地图的⽹站,如Pinterest、Evernote、Github、500px等⼤牌都使⽤Mapbox创建⾃⼰的地图,Mapbox宣称要构建世界上最漂亮的地图。已为Foursquare、Pinterest、Evernote、⾦融时报、天⽓频道、......
  • 11月23日考试!全国GIS应用水平考试一级、二级真题和答案资料分享!
    GIS应用技术测评2024年度下半年全国统一考试将于11月23日举行!历年考试真题与教辅资料分享一级真题及答案二级真题及答案获取GIS资料免费领......
  • Golang 开源库分享:faker - 随机生成有趣的假数据!
    GitHub仓库链接:https://github.com/bxcodec/faker简介在开发和测试过程中,我们经常需要各种各样的测试数据。如果手动去生成这些数据,不仅耗时,还容易出错。faker是一个Go语言的假数据生成库,可以快速生成各种字段的随机数据。这个库可以帮我们轻松生成各种属性的假数据,比如姓名......
  • 黑马PM-电商项目-电商用户端
    用户端产品形态选择用户端产品设计思路浏览商品下单支付订单评价及售后商品种草个人中心......
  • D-ID 推出能模仿用户的头部动作以及实时互动的 AI 头像
    D-ID宣布推出两种新型AI头像—— Express 和 Premium+,旨在提升内容创作的灵活性和人性化。这些头像将为企业在营销、销售和客户支持等领域的视频制作提供便利。用户只需少量文本输入和视觉数据,即可生成更自然的商业视频。Express头像可以通过约一分钟的视频进行训......
  • 自制自动点击器分享
    在windows中,时常会用到自动点击工具,尤其是在自动化操作或者定时操作,或者游戏用途,我特意制作一个功能强大的自动点击器,仅有不到100KB,压缩之后仅不到20KB,需要.NET支持,Win10和Win11默认支持点击免费下载功能:1.保存一系列点击任务,加载,删除功能2.显示任务执行的进......
  • CSS学完就练-分享链接
    前言本习题适合初学CSS的同学,强烈建议练习建议FLEX一波带走本题贴近实际业务,可以为将来面试工作做准备练习之前,查看要求应用场景向用户分享一个链接时弹出的界面,在各大社交平台上都能看到身影提供丰富功能如快速分享,扫描,复制等要求元素间距为8px元素宽高必须与......
  • Golang 开源库分享:anko - 给 Go 加点“脚本魔法”
    GitHub仓库链接:https://github.com/mattn/anko1.anko是干嘛用的?anko是一个可以让Go项目支持脚本语言的小工具。换句话说,就是我们可以给Go项目加点“脚本魔法”,在程序跑起来之后还能动态地改代码逻辑。比如,你在写一个应用,想让用户可以随时调整设置或控制程序的某些行为,而......
  • 响应式项目(RxJS+Vue.js+Spring)大决战(6):用户登录(后端服务模块)
    书接上篇:响应式项目(RxJS+Vue.js+Spring)大决战(5):主页的实现(前端视图模块)        6用户登录6.1功能需求及界面设计        用户登录模块用于学生和教师的日常登录处理,功能需求主要包括:(1)构建用户登录主界面;(2)实现登录业务处理;(3)登录成功后,生成JWT令牌以备其他功......