详细介绍用户画像京东用户画像分析( 三 ) _用户

上面的是较直观的应用，进一步其实我们可以借助算法挖掘群体偏好（没有算法基础的可以略过），对频道内商品做进一步改造。比如我们通过算法可以对近N天频道内的用户，通过算法进行商品召回和排序生成全站他们购买的商品，再通过用户在频道的活跃度和频道LTV对这些商品通过embeding后的向量进行归约，形成最终的300或者500个商品池，这些商品是你典型用户的一个集合，可以与你现有的商品集合进行融合测试，会有不错的收益。用户消费购物非常复杂，需要根据具体的业务场景去展开的，上述方法不一定适用所有的业务，不同的业务场景需要做调整和适配。
顺便介绍一下什么是商品画像，可以简单的理解为商品画像如同用户画像一样，可以简单理解成是商品海量数据的标签，根据商品的特征、设计、功能、口味、波次、价位段、流行度、销售状况、促销力度、销售渠道差异，将他们区分为不同的类型，然后每种类型中抽取出典型特征，赋予名字、特点、场景、统计学要素等描述。
其实商品和用户画像有很多交集和互相交互的，比如商品有个标签是适用人群，比如女性或者男性，可能就是有很多女性用户经常购买，或者说用户经常购买某个品类或者某种颜色的商品，那用户就可以贴上类似的标签。商品有了标签，运营在做活动的时候，就可以根据活动首页和分会场人群定位，去选品、氛围塑造，比如时尚会场的商品池选取，比如对于履约不好(拒收、退货、低评分)的、高点击&低转化商品的控制。
02
为什么需要商品/用户画像
为什么需要用户画像呢？其实在用户使用产品的过程中，如果我们做了对的事情让用户的体验非常棒，然后其实我们就可以有不错的收益。但如果我们做了用户体验较差的事情，损失会非常巨大。
如何在企业商业化过程中与用户达成双赢是需要逐步来探索的，一种途径是通过数据去驱动决策，做到利益最大化，也就是这里分享的。通过用户和商品画像找到并更好地服务为你产品买单的那一群人。
通过初期形成的产品，形成了我们平台的一些忠实的客户，对于这部分群体的解读，就可以驱动产销配一体化。需求（用户）与供给（商品）两端的匹配GAP的存在，可以推动精准的供给体系构建，比如C2M、C2B的可能尝试。
宏观和微观上我们看看画像的作用，微观上主要是精细化，比如推荐、搜索、精准营销、定向投放、风控、定量和定性的分析、数据化的运营用户分析。宏观上来说就是具象化对于用户的认知，在探索用户足迹的过程中，建立市场细分和用户分群。
这里顺便讲一下商品画像的作用，商品画像的前台作用更多是在流量分发上与用户画像的match，关联后的一些推荐、精准推送等。比如用户标签为a类目的价格段偏好，然后商品画像也有价格段的标签，比如说用户偏好的是30-50人民币的连衣裙，然后这个商品是连衣裙并且正好是在30-50人民币的，所以可能相对其它价格段的商品而言，在这一维上更合理；接着再结合其它维度的商品和用户标签的match就可以构建更多的匹配维度。

详细介绍用户画像 京东用户画像分析( 三 )

猜你喜欢

详细介绍用户画像京东用户画像分析( 三 )