数据分析用户画像论文

近些年，互联网进入了“ 大数据 时代”。经历了12、13两年热炒之后，人们逐渐冷静下来，更加聚 焦于如何利用大数据挖掘潜在的商业价值，如何在企业中实实在在的应用大数据技术。伴随着大数据应用的讨论、创新，个性化技术成为了一个重要落地点。伴随着对人的了解逐步深入，一个概念悄然而生： 用户画像 （UserProfile），完美地抽象出一 个用户的信息全貌，可以看作企业应用大数据的根基。 一、什么是用户画像？ 男，31岁，已婚，收入1万以上，爱美食，团购达人，喜欢红酒配香烟。 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： 二、为什么需要用户画像 用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如，可以做分类统计：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？ 也可以做数据挖掘工作：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？ 大数据处理，离不开计算机的运算，标签提供了一种便捷的方式，使得计算机能够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，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。 三、如何构建用户画像 一个标签通常是人为规定的高度精炼的特征标识，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，人能很方便地理解每 个标签含义。这也使得用户画像模型具备实际意义。能够较好的满足业务需求。如，判断用户偏好。短文本，每个标签通常只表示一种含义，标签本身无需再做过多 文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。 人制定标签规则，并能够通过标签快速读出其中的信息，机器方便做标签提取、聚合分析。所以，用户画像，即：用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。 数据源分析 构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。 对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类， 高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期…所有的子分类将构成了类目空间的全部集合。 这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。 本文将用户数据划分为静态信息数据、动态信息数据两大类。 静态信息数据 用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。 动态信息数据 用户不断变化的行为信息，如果存在上帝，每一个人的行为都在时刻被上帝那双无形的眼睛监控着，广义上讲，一个用户打开网页，买了一个杯子；与该用户 傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等一样都是上帝眼中的用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦很多，如上图所示：浏览凡 客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“双十一大促给力”的微博消息。等等均可看作互联网用户行为。 本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差异）。 在互联网上，用户行为，可以看作用户动态信息的唯一数据来源。如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。 目标分析 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，以及该标签的权重。如，红酒 、李宁 。 标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。 权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。 数据建模方法 下面内容将详细介绍，如何根据用户行为，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。 以上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，如，1395121950（精度到秒），（精度到微秒），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，长城红酒单品页，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，红酒，长城，干红，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。 注：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。 标签 权重 矿泉水 1 // 超市 矿泉水 3 // 火车 矿泉水 5 // 景区 类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒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、点击赞、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 红酒 1 // 浏览红酒 红酒 5 // 购买红酒 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**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，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。 标签：红酒，长城 时间：因为是昨天的行为，假设衰减因子为：r= 行为类型：浏览行为记为权重1 地点：品尚红酒单品页的网址子权重记为 （相比京东红酒单品页的） 假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。 则用户偏好标签是：红酒，权重是* * 1=，即，用户A：红酒 、长城 。 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。 四、总结 ： 本文并未涉及具体算法，更多的是阐述了一种分析思想，在计划构建用户画像时，能够给您提供一个系统性、框架性的思维指导。 核心在于对用户接触点的理解，接触点内容直接决定了标签信息。内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。模型举例偏重电商，但其实，可以根据产品的不同，重新定义接触点。 比如影视产品，我看了一部电影《英雄本色》，可能产生的标签是：周润发 、枪战 、港台 。 最后，接触点本身并不一定有内容，也可以泛化理解为某种阈值，某个行为超过多少次，达到多长时间等。 比如游戏产品，典型接触点可能会是，关键任务，关键指数（分数）等等。如，积分超过1万分，则标记为钻石级用户。钻石用户 。 百分点现已全面应用用户画像技术于推荐引擎中，在对某电商客户，针对活动页新访客的应用中，依靠用户画像产生的个性化效果，对比热销榜，推荐效果有显著提升：推荐栏点击率提升27%， 订单转化率提升34%。

前言：当我们见到他人的第一眼时，我们心里会有第一印象：此人文静、礼貌、活泼、穿衣干净整洁等，后续回忆起他人时，脑海中会浮现关于他人的“画像”，我们便知道：噢，原来是他。这些“画像”就像是他人在我们脑海中留下的标签属性一样，帮助我们识别人与人之间的不同，而我们可以借助这些不同“画像”与他人交往时采取不同的相处方式。 在企业中，用户画像的使用也越来越普遍。众所周知，销售人员的业绩高低直接与自身的工资挂钩，毕竟基本工资不高，发家致富全靠奖金提成了。销售人员想让自己提成高？无疑得成单啊，怎么成单？制定计划，寻找目标客户等等，哪些是他们的目标客户？这里便会涉及到用户画像的使用。企业在寻找目标客户时，经过分析会对客户划分各种属性打上标签，让销售人员在有价值的客户上投入更多的精力，毕竟“无用”客户谁也不想花费太多时间精力。 什么是用户画像？相信许多的互联网人并不陌生了，百科上是这样定义的，如下图所示： 在企业实际应用中，我们可简单理解成给客户“贴标签”即客户信息标签化，为什么要给客户“贴标签”？举个简单的例子，购买BI（商业智能）产品时，假设A企业有集团财务分析方面的需求，而B企业有财务报表分析方面的需求，在未给企业打标签的前提下，我们为两企业都提供了财务报表分析方面的解决方案，A企业与B企业哪个客户成单几率更大？显然，若不考虑其他因素，B企业更可能成单，而A企业这客户成单几率渺茫。没有针对性地提供解决方案，会让A企业觉得产品与自身的切合度不高，成单的几率自然不大，但若我们通过用户画像为客户贴上标签，划分好客户群体，有目标地为A提供集团财务分析方面的解决方案，或许更有成单的可能。 1、RFM模型BI分析 为了让销售人员能达成目标，寻找有价值的客户，企业可通过用户画像：按客户的属性分为重点客户、普通客户、战略客户等（一些企业通过会员制度划分客户等级也是相同的道理），如何判断有价值的用户？企业需对过往的销售数据进行分析：哪些客户的购买金额最多，购买品类最多，购买次数最频繁等等，这里企业可以利用RFM模型分析辅助判断客户的价值。 2、业务员销售看板 如上图，业务员的性别、工龄、学历、地域等属性都是用户画像的应用，企业可通过时间、性别、学历等任意维度对业务人员“画像”分析，分析哪些特质的业务员更容易成为销售的潜力股，可为企业招聘时提供参考，招聘更适合的销售人员为企业带来业绩。 3、客户销售看板 如上图所示，这些分析看板为企业呈现了客户的销售行为：客户的成交笔数、物料数、销售额等等，这些也是用户画像的应用。通过BI分析，企业可联动钻取不同地域客户的销售情况，从而对客户有更深的了解。 关于用户画像在BI分析中的应用还有许多，由于篇幅原因，这里不一一举例了。 用户画像无处不在，将用户画像应用在销售中，通过数据分析为客户贴标签，在一定程度上可为企业规避“无用”客户，提高效率，让销售人员聚焦精力投身于更有价值的用户，促进企业达成业绩目标。当然，促成业绩目标达成关键还得销售人员去实践，而为客户“画像”可以更好地辅助企业销售人员寻找目标客户。 阅读原文，了解更多内容~ 原文地址：

用户画像主要分为两类：1、现存客户 (Existing Customer) - 我的现存客户是怎么样，喜欢什么，什么消费习惯，哪些客户最值钱等等。2、潜在客户 (Prospect Customer) - 我的潜在客户在哪，他们喜欢什么，通过什么渠道获取，获客成本是多少等等。对于现存客户的分析可以从以下几个方面进行：1、客户基本信息分析悟空CRM的客户管理板块对客户的分析是多维度的，包括姓名、性别、年龄、联系方式、地址、职业、客户编号等基本信息（静态信息），此外，企业还可以根据自身需求添加自定义字段，在开发以及维护的过程中不断完善客户资料，可以让企业形成对客户的基本认识，有利于日后的维护。2、客户行为分析除了基本信息之外，悟空CRM还可以记录客户的动态信息，如：咨询记录、沟通记录、消费记录、售后记录等，企业可以根据客户的咨询和沟通记录了解到其最关注的问题，在售前就做好针对性的服务，有效促单。此外，对于客户的购买情况（购买时间、购买的产品）进行分析，可以得出其对某个产品的偏好和其购买周期，从而为其提供针对性的产品推荐，定期做好客户关系的维护。将这两方面的信息整合起来，看看处于不同价值区域的客户有着怎样的特征（性别、年龄、职业、收入、地区等），形成每个价值层的客户的用户画像，从而根据这些画像来寻找自己的客户，对于不同价值层的客户采取不同的开发和维护方式。