生鲜电商用户画像什么是电商的用户画像，电商人群画像 _睿知

一、用户画像是什么？
如何“画像”用户？用户画像的重点是给用户贴标签，一个标签通常是人为指定的高度精细化的特征标记，比如年龄、性别、地域、用户偏好等。最后，综合看用户的所有标签，基本可以勾勒出用户的立体“画像” 。具体来说，涉及到用户画像，需要以下三个步骤：首先，收集用户的所有相关数据，将用户数据分为两类：静态信息数据和动态信息数据。静态数据是用户相对稳定的信息，如性别、地域、职业、消费水平等。而动态数据是用户不断变化的行为信息，如浏览网页、搜索产品、评论、联系渠道等。其次，通过分析数据，给用户贴上相应的标签和指数，其中标签代表他们对内容的兴趣、偏好和需求，指数代表他们的兴趣度、需求度和购买概率。最后，用标签对用户建模，包括时间、地点、人物，简单来说就是用户在什么时间、什么地点做了什么。如何利用用户画像进行精准营销？消费模式的改变使得用户渴望尽快获得自己想要了解的信息。因此，基于用户画像的精准营销，对企业和用户都是有需求的，会给双方的交易带来极大的便利，为双方平等沟通搭建一个顺畅的平台。什么是“用户画像”？互联网逐步步入大数据时代后，必然会给企业和消费者的行为带来一系列的改变和重塑。一个最大的变化是，消费者的所有行为在企业面前似乎都是“可视化”的。随着大数据技术的深入研究和应用，企业越来越关注如何利用大数据服务精准营销，进一步挖掘潜在的商业价值。于是， “用户画像”的概念应运而生。用户画像，即用户信息标注，是企业在收集和分析消费者的社会属性、生活习惯、消费行为等主要信息的数据后，能够完美地抽象出一个用户的商业全景，可以视为企业应用大数据技术的基本方式。用户画像为企业提供了充足的信息库，可以帮助企业快速找到精准的用户群体、用户需求等更广泛的反馈信息。

文章插图
二、什么是用户画像？如何分析用户画像？
什么是用户画像？用户画像是真实用户的虚拟代表，是基于一系列真实数据的目标用户模型。通俗点说就是——我们产品的目标受众是什么，使用我们产品的核心群体是什么，他们的行为特征和消费习惯是什么，能刺激他们购买的核心需求是什么。我们可以理解为是一个企业的核心武器，它可以帮助我们：聚焦并洞察用户的需求。做出更准确的决策。培养用户思维。为了帮助你更好的了解用户画像，这里有一套用户画像构建模板供你参考：如何分析用户画像？1.百度大数据洞察：百度指数百度指数是基于百度海量网民行为数据的数据分享平台。趋势研究、需求图谱、人群画像是百度指数的三个维度。趋势研究：这是百度指数的核心和基础功能，是以时间维度来判断关键词的关注度；我们可以做对比分析，找出规律。以美术课为例。搜索关键词后，我们发现了一个规律。每年的3月和9月是寻找的高峰期，刚好碰上两个开学季。需求图：用户搜索该词前后的搜索行为变化所表达的相关搜索词的需求。比如通过关键词“艺术” ，检索相关的小关键词。可以帮助我们更准确的把握用户的需求。圈子里的圈子越大，与关键词的关联性越强。人物画像：搜索关键词人群的共同特征是从地域、年龄、性别分布、兴趣属性等特征展开的。2.全球数据洞察—— Starboard汇集了由百度领域数据、客户数据、合作伙伴数据组成的全球数据，构建了大量的用户行为标签，提供多维度的行业和品牌洞察能力，全方位感知用户行为和意图，帮助品牌锁定精准的目标用户。借助星图数据，可以精细细分人群，覆盖不同重点进行引流营销，提升目标用户对品牌的认知度，提升影响力。
【生鲜电商用户画像什么是电商的用户画像，电商人群画像】三、什么是客户画像
用户画像，又称用户角色，作为勾画目标用户、连接用户需求和设计方向的有效工具，被广泛应用于各个领域。用户画像最早应用于电子商务领域。大数据时代，用户信息充斥网络，将用户的每一条具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。扩展信息：用户画像的八个个人要素P代表首要：用户角色是否基于真实用户的情景访谈；e代表同理心：指用户角色是否包含与姓名、照片、产品相关的描述，用户角色是否吸引同理心；r代表真实性：用户角色看起来是否像真人；s代表唯一：每个用户是否唯一，彼此相似度不大；o表示目标：用户角色是否包含与产品相关的高层目标，是否包含描述目标的关键字；n代表数字：用户角色的数量是否足够少，以至于设计团队可以记住每个用户角色的名字和其中一个主要的用户角色；a代表适用：设计团队是否能将用户角色作为一个实用的工具来进行设计决策；l代表Long:用户标签的持久性。来源：百度百科-用户画像

文章插图
四、用户画像的作用是什么
随着大数据应用的讨论和创新，个性化技术已经成为
一个重要落地点。相比传统的线下会员管理、问卷调查、购物篮分析，大数据第一次使得企业能够通过互联网便利地获取用户更为广泛的反馈信息，为进一步精准、快速地分析用户行为习惯、消费习惯等重要商业信息，提供了足够的数据基础。伴随着对人的了解逐步深入，一个概念悄然而生：用户画像，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。在互联网、电商领域用户画像常用来作为精准营销、推荐系统的基础性工作，其作用总体包括：（1）精准营销：根据历史用户特征，分析产品的潜在用户和用户的潜在需求，针对特定群体，利用短信、邮件等方式进行营销。（2）用户统计：根据用户的属性、行为特征对用户进行分类后，统计不同特征下的用户数量、分布；分析不同用户画像群体的分布特征。（3）数据挖掘：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升服务精准度。（4）服务产品：对产品进行用户画像，对产品进行受众分析，更透彻地理解用户使用产品的心理动机和行为习惯，完善产品运营，提升服务质量。（5）行业报告&用户研究：通过用户画像分析可以了解行业动态，比如人群消费习惯、消费偏好分析、不同地域品类消费差异分析根据用户画像的作用可以看出，用户画像的使用场景较多，用户画像可以用来挖掘用户兴趣、偏好、人口统计学特征，主要目的是提升营销精准度、推荐匹配度，终极目的是提升产品服务，起到提升企业利润。用户画像适合于各个产品周期：从新用户的引流到潜在用户的挖掘、从老用户的培养到流失用户的回流等。
五、如何进行准确的用户画像分析怎样为用户“画像”？为用户画像的焦点工作就是为用户打“标签” ，而一个标签通常是人为规定的高度精炼的特征标识，如年龄、性别、地域、用户偏好等，最后将用户的所有标签综合来看，基本就可以勾勒出该用户的立体“画像”了。了解这个概念，就要运用起来。精准营销是用户画像或者标签最直接和有价值的应用。而“里德助手”可以帮助你建立用户画像，这部分也是广告部门最注重的工作内容。当我们给各个用户打上各种“标签”之后，广告主（店铺、商家）就可以通过标签圈定他们想要的客户，进行精准的广告投放

文章插图
六、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。3.1 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。3.2 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 0.8、李宁 0.6 。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。3.3 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）， 1395121950.083612（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=0.95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 0.9（相比京东红酒单品页的0.7）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0.95*0.7 * 1=0.665 ，即，用户A：红酒 0.665、长城 0.665 。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。