你要的用戶(hù)畫(huà)像實(shí)踐來(lái)了！

有讀者聯(lián)系我希望做一期和用戶(hù)畫(huà)像有關(guān)的文章，那么這一期我們就來(lái)簡(jiǎn)單的聊一聊用戶(hù)畫(huà)像...
知乎原文鏈接：https://zhuanlan.zhihu.com/p/339848708

0.身邊的用戶(hù)畫(huà)像

首先我們來(lái)感性的認(rèn)識(shí)一下用戶(hù)畫(huà)像

用戶(hù)畫(huà)像的核心是為用戶(hù)打標(biāo)簽，即——將用戶(hù)的每個(gè)具體信息抽象成標(biāo)簽，利用這些標(biāo)簽將用戶(hù)形象具體化，從而為用戶(hù)提供有針對(duì)性的服務(wù)。

我們身邊就有用戶(hù)畫(huà)像應(yīng)用比較好的例子

比如我前幾天在某網(wǎng)站上看到一個(gè)女生相親的擇偶標(biāo)準(zhǔn)，印象比較深刻

如果我們是某相親網(wǎng)站的工作人員，需要給這個(gè)女生進(jìn)行男嘉賓的匹配，那么她理想的男嘉賓就是一個(gè)群體，通過(guò)一個(gè)個(gè)的標(biāo)簽來(lái)描述這個(gè)群體。

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(wàn)元以上，在武漢生活并且購(gòu)房，擁有本科以及上的學(xué)歷，家中獨(dú)子沒(méi)有兄弟姐妹，不喜歡打牌。

1.用戶(hù)畫(huà)像體系相關(guān)概念

如何一句話(huà)說(shuō)清楚什么是用戶(hù)畫(huà)像？

用戶(hù)畫(huà)像是通過(guò)分析用戶(hù)的基礎(chǔ)信息、特征偏好、社會(huì)屬性等各維度的數(shù)據(jù)，刻畫(huà)出用戶(hù)的信息全貌，從中挖掘用戶(hù)價(jià)值，從而提供個(gè)性化推薦、精準(zhǔn)營(yíng)銷(xiāo)等服務(wù)。

1.1標(biāo)簽類(lèi)型

我們一般將用戶(hù)標(biāo)簽分為3類(lèi)

• 統(tǒng)計(jì)類(lèi)標(biāo)簽

這類(lèi)標(biāo)簽是最為基礎(chǔ)也最為常見(jiàn)的標(biāo)簽類(lèi)型，例如：對(duì)于某個(gè)用戶(hù)來(lái)說(shuō)，其姓名、性別、年齡、地市、活躍時(shí)長(zhǎng)等，這類(lèi)數(shù)據(jù)可以從用戶(hù)注冊(cè)數(shù)據(jù)、用戶(hù)消費(fèi)數(shù)據(jù)中得出，該類(lèi)數(shù)據(jù)構(gòu)成了用戶(hù)畫(huà)像的基礎(chǔ)。

• 規(guī)則類(lèi)標(biāo)簽

基于用戶(hù)的行為以及規(guī)則，在實(shí)際開(kāi)發(fā)畫(huà)像的過(guò)程中，由于運(yùn)營(yíng)人員對(duì)業(yè)務(wù)更為熟悉，而數(shù)據(jù)人員對(duì)數(shù)據(jù)的結(jié)構(gòu)、分布、特征更為熟悉，因此規(guī)則類(lèi)標(biāo)簽的規(guī)則由運(yùn)營(yíng)人員和數(shù)據(jù)人員共同協(xié)商確定

• 學(xué)習(xí)挖掘類(lèi)標(biāo)簽

通過(guò)機(jī)器學(xué)習(xí)挖掘產(chǎn)生，根據(jù)用戶(hù)的行為和規(guī)則進(jìn)行預(yù)測(cè)和判斷。比如某個(gè)用戶(hù)檢查購(gòu)買(mǎi)衛(wèi)生巾，我們可以通過(guò)這個(gè)行為來(lái)推出用戶(hù)性別為女性

1.2畫(huà)像價(jià)值

在用戶(hù)量大業(yè)務(wù)復(fù)雜的公司，都會(huì)花很高的成本構(gòu)建用戶(hù)畫(huà)像體系，在各個(gè)業(yè)務(wù)線(xiàn)上采集數(shù)據(jù)做分析，不斷深入的了解用戶(hù)才能提供更加精準(zhǔn)的服務(wù)和多樣化的運(yùn)營(yíng)策略。

用戶(hù)引流

通過(guò)現(xiàn)有用戶(hù)的畫(huà)像分析，在相關(guān)DMP廣告平臺(tái)做投放，重點(diǎn)推薦其平臺(tái)上具有相關(guān)類(lèi)似標(biāo)簽的用戶(hù)，為產(chǎn)品做用戶(hù)引流，這里用的是相似用戶(hù)快速擴(kuò)量的概念。

新用戶(hù)冷啟動(dòng)

快速分析新注冊(cè)用戶(hù)可能偏向的屬性和興趣偏好，實(shí)現(xiàn)服務(wù)快速精準(zhǔn)推薦，例如用戶(hù)注冊(cè)地所在區(qū)域，可以通過(guò)該區(qū)域用戶(hù)的通用標(biāo)簽推測(cè)該新用戶(hù)的特征。

精準(zhǔn)或個(gè)性化服務(wù)

這里就是根據(jù)豐富的用戶(hù)畫(huà)像分析，理解用戶(hù)并提供精準(zhǔn)服務(wù)或個(gè)性化服務(wù)。提供好的服務(wù)自然能做到用戶(hù)的深度沉淀。

多場(chǎng)景識(shí)別

這里場(chǎng)景相對(duì)偏復(fù)雜，通過(guò)一個(gè)案例描述，例如在某個(gè)平臺(tái)用手機(jī)號(hào)A注冊(cè)，之后該手機(jī)號(hào)A丟失，換用手機(jī)號(hào)B之后，通過(guò)相關(guān)行為去理解用戶(hù)是否手機(jī)號(hào)A的用戶(hù)，也可以根據(jù)同個(gè)手機(jī)序列識(shí)別不同用戶(hù)或者多個(gè)手機(jī)序列識(shí)別相同用戶(hù)。

沉默用戶(hù)喚醒

基于精細(xì)化的標(biāo)簽和多個(gè)場(chǎng)景數(shù)據(jù)，對(duì)用戶(hù)的沉默程度做快速識(shí)別，基于畫(huà)像分析制定運(yùn)營(yíng)策略進(jìn)行激活召回減少用戶(hù)流失。

2.用戶(hù)畫(huà)像實(shí)踐項(xiàng)目

你是某電商公司的數(shù)據(jù)分析師，你的運(yùn)營(yíng)同事找到你，最近平臺(tái)某家電類(lèi)目的訂單數(shù)量，瀏覽量有所下降，平臺(tái)想做一些促銷(xiāo)活動(dòng)，給用戶(hù)發(fā)優(yōu)惠劵，希望你能對(duì)本次活動(dòng)提出一些建議

促銷(xiāo)活動(dòng)需要哪幾個(gè)部分的信息呢？

• 促銷(xiāo)活動(dòng)的受眾群體
• 促銷(xiāo)活動(dòng)的上線(xiàn)時(shí)間
• 促銷(xiāo)活動(dòng)所覆蓋的產(chǎn)品
• ...

確定問(wèn)題后，我們從用戶(hù)的基本屬性，行為屬性以及偏好屬性入手

2.1從數(shù)據(jù)庫(kù)中提取數(shù)據(jù)

數(shù)據(jù)來(lái)源某電商平臺(tái)2020年8月12日-2020年8月19日某家電類(lèi)目脫敏訂單數(shù)據(jù)

Datawhale公眾號(hào)后臺(tái)回復(fù) 電商數(shù)據(jù) 可獲取數(shù)據(jù)。

data.head()

2.2用戶(hù)性別和年齡分布

labels = ['男','女']
values = [male_user, female_user]
trace = [go.Pie(labels=labels, values=values)]
layout = go.Layout(
    title = dict(text='用戶(hù)的性別分布',x=0.5)
)
fig = go.Figure(data = trace, layout = layout)
fig

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(hù)年齡分布',x=0.5),
    
)
fig = go.Figure(data=trace,layout=layout)
fig

從數(shù)據(jù)來(lái)看，用戶(hù)消費(fèi)沒(méi)有明顯的性別偏好，男性用戶(hù)稍微多一點(diǎn)，用戶(hù)的年齡集中在25-35歲之間，25歲以下以及45歲以上的用戶(hù)數(shù)較少。

25歲以下的用戶(hù)多為在校學(xué)生，對(duì)于家電類(lèi)目的購(gòu)買(mǎi)需求低

45歲以上的用戶(hù)多為中年人員，家電類(lèi)目需求低，同時(shí)手機(jī)網(wǎng)購(gòu)的比例低

2.3用戶(hù)地域分布

y = user_region_df['province_name'][::-1] # 切片方法，讓列表反向。兩個(gè)冒號(hào)分隔為{起始位置：終止位置：步長(zhǎng)}
x = user_region_df['region_count'][::-1] # 其中步長(zhǎng)為正，從左往右取，步長(zhǎng)為負(fù)，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(hù)的地域分布',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(hù)的城市分布',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

用戶(hù)在城市分布上具有一定的集中性，大多集中在一線(xiàn)和新一線(xiàn)城市，因?yàn)橐痪€(xiàn)城市對(duì)年輕人有很強(qiáng)的吸引力，因此城市分布和用戶(hù)的年齡分布也相符合

2.4用戶(hù)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(hù)的性別分布',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(hù)的小孩情況',x=0.5)
)
fig = go.Figure(data = trace, layout = layout)
fig

從圖中的數(shù)據(jù)來(lái)看，近70%的小家電用戶(hù)都是已婚，超過(guò)60%的用戶(hù)有小孩的可能性高

2.5用戶(hù)的學(xué)歷和職業(yè)分布

y = user_edu_df['edu']
x = x = ['初中及以下', '高中（中專(zhuān)）', '大學(xué)（專(zhuān)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(hù)的學(xué)歷分布',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

x = ['金融從業(yè)者', '醫(yī)務(wù)人員', '公務(wù)員/事業(yè)單位', '白領(lǐng)/一般職員', '工人/服務(wù)業(yè)人員', '教師', '互聯(lián)網(wǎng)從業(yè)人員', '學(xué)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(hù)的學(xué)歷分布',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

通過(guò)用戶(hù)的基礎(chǔ)屬性的研判來(lái)看，小家電的典型用戶(hù)為：

男性，年齡在28-30歲左右，已婚且有孩子

他在一線(xiàn)城市居中，本科學(xué)歷，在一家互聯(lián)網(wǎng)公司任職，有比較穩(wěn)定的收入

因?yàn)檫€剛進(jìn)入婚姻，因此有一定的生活品質(zhì)追求，同時(shí)比較關(guān)注家庭生活

因此，我們給運(yùn)營(yíng)同事的建議是，文案不用過(guò)于個(gè)性，促銷(xiāo)的商品要重點(diǎn)突出家庭品質(zhì)生活屬性，同時(shí)強(qiáng)調(diào)家電的健康與安全

2.6用戶(hù)購(gòu)買(mǎi)商品分布

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(hù)購(gòu)買(mǎi)商品分布',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

用戶(hù)購(gòu)買(mǎi)商品的類(lèi)目是用戶(hù)的行為數(shù)據(jù)，從圖中的數(shù)據(jù)來(lái)看，最受歡迎的電器是電風(fēng)扇，考慮到這個(gè)數(shù)據(jù)采集的時(shí)間是8月12日，用戶(hù)購(gòu)買(mǎi)電風(fēng)扇的需求得到了釋放，在即將進(jìn)入秋天，因此應(yīng)該對(duì)其它商品 比如凈水器，加濕器等商品進(jìn)行促銷(xiāo)

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(xiàn)圖
    line = dict(
        width = 2
    ) )
layout = go.Layout(
    title = dict(text='用戶(hù)購(gòu)買(mǎi)的日期分布',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(xiàn)圖
    line = dict(
        width = 2
    ) )
layout = go.Layout(
    title = dict(text='用戶(hù)購(gòu)買(mǎi)的時(shí)間分布',x=0.5),
    xaxis=dict(
        tickmode='linear'))
fig = go.Figure(data=trace,layout=layout)
fig

從日期和時(shí)間維度來(lái)看，訂單成交的高峰在周二和周六，從每天的時(shí)間來(lái)看，早上10點(diǎn)-11點(diǎn)，晚上20點(diǎn)-22點(diǎn)有較大的成交量。

推測(cè)形成的原因，每周的周二和周六用戶(hù)更喜歡訪(fǎng)問(wèn)電商網(wǎng)站，并在早上10點(diǎn)左右下單，或者晚上10準(zhǔn)備上床休息時(shí)下單。

2.7用戶(hù)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(hù)價(jià)格敏感度分布',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(hù)頻率敏感度分布',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

通過(guò)用戶(hù)敏感度分析來(lái)看，用戶(hù)對(duì)價(jià)格較為敏感，同時(shí)對(duì)評(píng)論極度敏感，因此促銷(xiāo)活動(dòng)的商品需要選擇有較好口碑的商品，才能提升活動(dòng)的轉(zhuǎn)化率

因此我們給運(yùn)營(yíng)同事的建議是：

• 促銷(xiāo)活動(dòng)的文案最好采用中性風(fēng)格，促銷(xiāo)的商品要重點(diǎn)突出家庭品質(zhì)生活屬性，同時(shí)強(qiáng)調(diào)家電的健康與安全
• 促銷(xiāo)的商品以夏末秋初需求旺盛的商品，如凈水器，飲水機(jī)，加濕器等產(chǎn)品入手
• 促銷(xiāo)廣告投放的時(shí)間，最好選擇在每周的周二和周六這2個(gè)時(shí)間段，同時(shí)在早上9點(diǎn)和晚上9點(diǎn)提高廣告的頻率
• 促銷(xiāo)的商品需要選擇評(píng)論口碑較好的產(chǎn)品，可以在廣告中對(duì)商品的口碑進(jìn)行介紹

3.實(shí)踐思考

運(yùn)營(yíng)的同事聽(tīng)了你的建議，決定找了一些口碑較好的凈水器進(jìn)行定向促銷(xiāo)，但是由于活動(dòng)資金的限制，只能選擇幾個(gè)特定型號(hào)的產(chǎn)品進(jìn)行推廣，因此同事希望你在產(chǎn)品的品牌和價(jià)格的選擇上給出一些建議。

可以將你的意見(jiàn)或者分析思路寫(xiě)在留言區(qū)。