你要的用戶畫像實踐來了！

  1. 身邊的用戶畫像

用戶畫像的核心是爲用戶打標籤，即——將用戶的每個具體信息抽象成標籤，利用這些標籤將用戶形象具體化，從而爲用戶提供有針對性的服務。

我們身邊就有用戶畫像應用比較好的例子

比如我前幾天在某網站上看到一個女生相親的擇偶標準，印象比較深刻

如果我們是某相親網站的工作人員，需要給這個女生進行男嘉賓的匹配，那麼她理想的男嘉賓就是一個羣體，通過一個個的標籤來描述這個羣體。

男性，未婚，年齡 33-28 歲，身高 176-188，皮膚白體型偏瘦，年收入在 12 萬元以上，在武漢生活並且購房，擁有本科以及上的學歷，家中獨子沒有兄弟姐妹，不喜歡打牌。

  1. 用戶畫像體系相關概念

如何一句話說清楚什麼是用戶畫像？

用戶畫像是通過分析用戶的基礎信息、特徵偏好、社會屬性等各維度的數據，刻畫出用戶的信息全貌，從中挖掘用戶價值，從而提供個性化推薦、精準營銷等服務。

1.1 標籤類型

我們一般將用戶標籤分爲 3 類

這類標籤是最爲基礎也最爲常見的標籤類型，例如：對於某個用戶來說，其姓名、性別、年齡、地市、活躍時長等，這類數據可以從用戶註冊數據、用戶消費數據中得出，該類數據構成了用戶畫像的基礎。

基於用戶的行爲以及規則，在實際開發畫像的過程中，由於運營人員對業務更爲熟悉，而數據人員對數據的結構、分佈、特徵更爲熟悉，因此規則類標籤的規則由運營人員和數據人員共同協商確定

通過機器學習挖掘產生，根據用戶的行爲和規則進行預測和判斷。比如某個用戶檢查購買衛生巾，我們可以通過這個行爲來推出用戶性別爲女性

1.2 畫像價值

在用戶量大業務複雜的公司，都會花很高的成本構建用戶畫像體系，在各個業務線上採集數據做分析，不斷深入的瞭解用戶才能提供更加精準的服務和多樣化的運營策略。

用戶引流

通過現有用戶的畫像分析，在相關 DMP 廣告平臺做投放，重點推薦其平臺上具有相關類似標籤的用戶，爲產品做用戶引流，這裏用的是相似用戶快速擴量的概念。

新用戶冷啓動

快速分析新註冊用戶可能偏向的屬性和興趣偏好，實現服務快速精準推薦，例如用戶註冊地所在區域，可以通過該區域用戶的通用標籤推測該新用戶的特徵。

精準或個性化服務

這裏就是根據豐富的用戶畫像分析，理解用戶並提供精準服務或個性化服務。提供好的服務自然能做到用戶的深度沉澱。

多場景識別

這裏場景相對偏複雜，通過一個案例描述，例如在某個平臺用手機號 A 註冊，之後該手機號 A 丟失，換用手機號 B 之後，通過相關行爲去理解用戶是否手機號 A 的用戶，也可以根據同個手機序列識別不同用戶或者多個手機序列識別相同用戶。

2. 用戶畫像實踐項目

你是某電商公司的數據分析師，你的運營同事找到你，最近平臺某家電類目的訂單數量，瀏覽量有所下降，平臺想做一些促銷活動，給用戶發優惠劵，希望你能對本次活動提出一些建議

2.1 從數據庫中提取數據

數據來源某電商平臺 2020 年 8 月 12 日 - 2020 年 8 月 19 日某家電類目脫敏訂單數據

數據分析與開發 公衆號後臺回覆關鍵字 電商數據 可獲取數據。

2.2 用戶性別和年齡分佈

x = ['18歲以下', '18~25歲',  '25~35歲', '35~45歲', '45~55歲', '55歲以上']
y = user_age_df['user_age_count']
trace = go.Bar(
    x = x,
    y = y,
    text=y,
    textposition='outside') 
layout = go.Layout(
    title = dict(text='用戶年齡分佈',x=0.5),
    
)
fig = go.Figure(data=trace,layout=layout)
fig

從數據來看，用戶消費沒有明顯的性別偏好，男性用戶稍微多一點，用戶的年齡集中在 25-35 歲之間，25 歲以下以及 45 歲以上的用戶數較少。

25 歲以下的用戶多爲在校學生，對於家電類目的購買需求低

45 歲以上的用戶多爲中年人員，家電類目需求低，同時手機網購的比例低

2.3 用戶地域分佈

y = user_region_df['province_name'][::-1] # 切片方法，讓列表反向。兩個冒號分隔爲{起始位置：終止位置：步長}
x = user_region_df['region_count'][::-1] # 其中步長爲正，從左往右取，步長爲負，從右往左取
trace = go.Bar(
    x = x,
    y = y,
    text=x,
    textposition='outside',
    orientation = 'h') 
layout = go.Layout(
    title = dict(text='用戶的地域分佈',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

y = user_city_df['ulp_addr_city'][::-1]
x = user_city_df['city_count'][::-1]
trace = go.Bar(
    x = x,
    y = y,
    text=x,
    textposition='outside',
    orientation = 'h') 
layout = go.Layout(
    title = dict(text='用戶的城市分佈',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

用戶在城市分佈上具有一定的集中性，大多集中在一線和新一線城市，因爲一線城市對年輕人有很強的吸引力，因此城市分佈和用戶的年齡分佈也相符合

2.4 用戶的婚育狀況

labels = ['已婚', '未婚']
values = [married_user, unmarried_user]
trace = [go.Pie(labels=labels, values=values)]
layout = go.Layout(
    title = dict(text='用戶的性別分佈',x=0.5)
)
fig = go.Figure(data = trace, layout = layout)
fig
labels = ['高', '較高', '較低', '低']
values = [very_high, high, low, very_low]
trace = [go.Pie(labels=labels, values=values)]
layout = go.Layout(
    title = dict(text='用戶的小孩情況',x=0.5)
)
fig = go.Figure(data = trace, layout = layout)
fig

從圖中的數據來看，近 70% 的小家電用戶都是已婚，超過 60% 的用戶有小孩的可能性高

2.5 用戶的學歷和職業分佈

y = user_edu_df['edu']
x = x = ['初中及以下', '高中（中專）', '大學（專科及本科）', '研究生（碩士及以上）']
trace = go.Bar(
    x = x,
    y = y,
    text=y,
    textposition='outside') 
layout = go.Layout(
    title = dict(text='用戶的學歷分佈',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

x = ['金融從業者', '醫務人員', '公務員/事業單位', '白領/一般職員', '工人/服務業人員', '教師', '互聯網從業人員', '學生']
y = user_profession_df['profession']
trace = go.Bar(
    x = x,
    y = y,
    text=y,
    textposition='outside') 
layout = go.Layout(
    title = dict(text='用戶的學歷分佈',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

通過用戶的基礎屬性的研判來看，小家電的典型用戶爲：

男性，年齡在 28-30 歲左右，已婚且有孩子

他在一線城市居中，本科學歷，在一家互聯網公司任職，有比較穩定的收入

因爲還剛進入婚姻，因此有一定的生活品質追求，同時比較關注家庭生活

因此，我們給運營同事的建議是，文案不用過於個性，促銷的商品要重點突出家庭品質生活屬性，同時強調家電的健康與安全

2.6 用戶購買商品分佈

y = user_order_cate_df['item_third_cate_name'][::-1]
x = user_order_cate_df['cate_count'][::-1]
trace = go.Bar(
    x = x,
    y = y,
    text=x,
    textposition='outside',
    orientation = 'h') 
layout = go.Layout(
    title = dict(text='用戶購買商品分佈',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

用戶購買商品的類目是用戶的行爲數據，從圖中的數據來看，最受歡迎的電器是電風扇，考慮到這個數據採集的時間是 8 月 12 日，用戶購買電風扇的需求得到了釋放，在即將進入秋天，因此應該對其它商品 比如淨水器，加溼器等商品進行促銷

x = ['星期一', '星期二', '星期三', '星期四', '星期五', '星期六', '星期日']
y = user_order_week_df_2['week_count']
trace = go.Scatter(
    x = x,
    y = y,
    mode = 'lines', # 折線圖
    line = dict(
        width = 2
    ) )
layout = go.Layout(
    title = dict(text='用戶購買的日期分佈',x=0.5))
    

fig = go.Figure(data=trace,layout=layout)
fig

x = [str(x) for x in range(0, 24)]
y = user_order_hms_df['hms_count']
trace = go.Scatter(
    x = x,
    y = y,
    mode = 'lines', # 折線圖
    line = dict(
        width = 2
    ) )
layout = go.Layout(
    title = dict(text='用戶購買的時間分佈',x=0.5),
    xaxis=dict(
        tickmode='linear'))
fig = go.Figure(data=trace,layout=layout)
fig

2.7 用戶敏感度分析

x = ['不敏感', '輕度敏感', '中度敏感', '高度敏感', '極度敏感']
y = user_order_sens_promotion_df['sens_promotion_count']
trace = go.Bar(
    x = x,
    y = y,
    text=y,
    textposition='outside') 
layout = go.Layout(
    title = dict(text='用戶價格敏感度分佈',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

x = ['不敏感', '輕度敏感', '中度敏感', '高度敏感', '極度敏感']
y = user_order_sens_comment_df['sens_comment_count']
trace = go.Bar(
    x = x,
    y = y,
    text=y,
    textposition='outside') 
layout = go.Layout(
    title = dict(text='用戶頻率敏感度分佈',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

因此我們給運營同事的建議是：

  1. 實踐思考

運營的同事聽了你的建議，決定找了一些口碑較好的淨水器進行定向促銷，但是由於活動資金的限制，只能選擇幾個特定型號的產品進行推廣，因此同事希望你在產品的品牌和價格的選擇上給出一些建議。

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/fMWlLPpX5G4o66F0m8haNw

猜你喜歡