女，28岁，单身，有宠物，爱旅游、养生，月入过万。
这样一串描述即为用户画像的典型案例。

如果用一句话来描述，即：用户信息标签化。
如果用一幅图来展现，即：用户画像建立。

 


移动互联网时代，客户的需求越来越细分，也越来越个性化。营销上最大的错误就是试图去取悦所有人。不管做产品还是做服务，都需要重新审视，应该专注为哪一群人服务。

 

从早期的问卷调查，到现在进入数据爆炸时代，大家越来越多的关注用数据做运营，也就是精细化运营，而精细化运营的第一步就是确定你的用户是谁，如何通过大数据精准用户画像，真正地了解用户。

 

运用大数据精准用户画像

 

用户画像，又称人群画像，是根据用户人口统计学信息、社交关系、偏好习惯和消费行为等信息而抽象出来的标签化画像。构建用户画像的核心工作即是给用户贴“标签”，而标签中部分是根据用户的行为数据得到，部分是通过一系列算法或规则挖掘得到。

 

  • 动态数据跟踪用户行为轨迹

用户的动态数据主要为用户的行为轨迹，可以确认用户不同场景下的访问轨迹。主要包括三个维度：场景、媒体和路径。

 

 

通过访问时段评估产品的最佳推送时段；通过访问页面、时长、频次评估用户对产品的兴趣值；流量来源和去向有助于自身调整运营内容，优化页面比重。

 

  • 静态数据评估用户价值

用户画像的静态数据有五大维度：人口属性+商业属性+消费特征+生活形态+CRM

 

 

通过注册、会员注册、销售、线上线下活动、团购过程中获取大量的静态数据，静态信息主要从用户的基本信息进行用户的划分。根据产品的特性，不同静态数据占的比重不同。例如社交类产品，静态数据比重较高的是性别、年龄和收入。

 

大数据用户画像建模方法

根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。

 

什么用户：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。

如下表格列举了互联网主要的用户标识方法，获取方式由易到难。视企业的用户粘性，可以获取的标识信息有所差异。

 

 

什么时间：时间包括两个重要信息，时间戳+时间长度。

时间戳，为了标识用户行为的时间点，通常采用精度到秒的时间戳即可。因为微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。

 

什么地点：用户接触点，Touch Point。

对于每个用户接触点。潜在包含了两层信息：网址 + 内容。网址：每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。可以是PC上某电商网站的页面url，也可以是手机上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，电商中的某单品页，微信订阅号页面，某游戏的过关页。

 

内容：每个url网址（页面/屏幕）中的内容。

可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，苹果，盐源县，丑苹果，对于每个互联网接触点，其中网址决定了权重；内容决定了标签。

 

接触点可以是网址，也可以是某个产品的特定功能界面。如，同样一瓶矿泉水，超市卖1元，火车上卖3元，景区卖5元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不同体现出了权重差异。这里的权重可以理解为用户对于矿泉水的需求程度不同。即，愿意支付的价值不同。

   

 

类似的，用户在综合电商平台浏览苹果信息，与在生鲜平台浏览苹果信息，表现出对苹果喜好度也是有差异的。这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。

 

所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。

 

什么事：用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、评论、购买、点赞、收藏等等。

不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。如，购买权重计为5，浏览计为1：


综合上述分析，用户画像的数据模型，可以概括为下面的公式：用户标识 + 时间 + 行为类型 + 接触点（网址+内容），某用户因为在什么时间、地点、做了什么事，所以会打上XX标签。

用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：
标签权重=衰减因子×行为权重×网址子权重

 

如：用户A，昨天在生鲜电商平台浏览一箱盐源丑苹果信息。

  • 标签：苹果，盐源
  • 时间：因为是昨天的行为，假设衰减因子为：r=0.95
  • 行为类型：浏览行为记为权重1
  • 地点：生鲜电商苹果单品页的网址子权重记为 0.9（相比综合电商苹果单品页的0.7）

假设用户对苹果出于真的喜欢，才会去专业的生鲜网站选购，而不是综合电商选购。

则用户偏好标签是：苹果，权重是0.95 x 1x 0.9=0.855，即，用户Ａ：苹果 0.855、盐源 0.855。

 

上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。

 

大数据时代用户画像的用途

不能为了做用户画像而做用户画像，仅仅把用户画像创建出来，却没有运用到产品的设计、开发和运营中，是没有意义的。

 

以零售行业为例，用户画像能有怎样的用途呢。

 

个性化推荐：互联网时代越来越宝贵的是大家的注意力、关注点，个性化推荐技术也就成为了各类商家“粘住”用户的必备技能。淘宝、京东等电商成交额居高不下，在一定程度上归功于推荐算法逻辑的不断完善，在提高推荐精度的同时，甚至能依据用户的实时行为快速的修正用户画像，推荐最新的清单。

 

精准运营：精准营销是用户画像或者标签最直接和有价值的应用。这是对于运营最重要的一个作用，通过用户画像，可以实现精细化运营，分层运营等等。例如当用户数据显示浏览页面的高峰期是晚饭到睡前的时间段，那么就在晚饭的时候，推送优惠活动，提高商品成交率。

 

辅助爆款产品选择：通过用户浏览店铺的时间段、查看商品的频次，购买的时间点、金额、复购率等信息，帮助商家不断筛选符合用户购买偏好的商品，尤其是想要通过打造爆款产品的方式来推广的商家，爆款商品往往带有某一圈层客户鲜明的个性，大数据精准的用户画像，为爆款选品提供决策依据。

 

用户画像是大数据商业应用的重要领域，只要掌握用户画像的原则和方法，以及实施步骤。结合企业的业务场景，用户画像可以帮助企业创造商业价值，实现大数据变现。

 

帮助品牌实现爆款圈层畅销的 Shallpay®爆款圈层电商（点击链接进入Shallpay官网，了解更多）人工智能数据分析平台为基础，提供包含H5电商系统、小程序、社交电商APP、企业官网在内的核心技术产品和运营服务，致力于帮助企业实现爆款选品、整合营销、平台活动、数据分析一体化的爆款圈层营销。 

 

长按识别二维码，关注公众号“销呗shallpay”

点击底部菜单了解更多营销套路