详细介绍用户画像京东用户画像分析( 四 ) _用户

而偏后端一些的维度，商品画像也可以带来非常多的帮助，可以去驱动后端的供应链。通过商品画像的历史情况(近期曝光、点击、订单、转化等)，可以去做销量预估，进行备货、采购、越库、生产物流等等环节的优化。
对于统一建模预测分析，首先如果有了人口属性细分，比如说一些性别，年龄段等等，就可以去明确用户是谁，他在平台上面买了什么，为什么买；有了购买行为细分以后，可以去明确市场机会，市场规模等关键信息；再次是产品需求的细分，提供根据差异化的竞争的产品规格和业务价值，可以去做更加差异化的竞争，不做海量的库存，而是更精准、成本更可控；最后是兴趣态度的细分，通过用户画像可以去做不同的渠道的策略，定价的策略，产品的策略，品牌策略；比如渠道策略，我们可以通过分渠道归因并捞取对应用户群体，并观察各个渠道群体的差异，比如类目偏好、价格段偏好等的差异，在投放过程中进行商品池和投放策略的优化。
总结一下就是商品和用户画像很重要，两者是相辅相成的，在整一个用户体验过程中非常重要。
03
如何构建商品/用户画像
——以用户画像为例——
【详细介绍用户画像京东用户画像分析】那到底如何构建用户和商品画像呢，这里可以提一个概念叫侧写师，电影中经常有一些概念就是侧写师通过观察和收集犯罪现场的信息（数据收集），去想象作案人的心理和案发时的动作（预测），并最终为破案带来机会(实施)，构建用户画像的方法论与其类似。
第一步是收集数据，图中方法比较多，各有优缺点，不过目前主流的还是通过用户静态数据结合海量的平台用户行为数据的方式。通过埋点，我们可以看到用户在我们平台上看了什么商品，点了什么商品买了什么商品，将这些数据串起来，可以作为入口去理解用户，更进一步，通过一些统计、概率知识进行建模，比如说用户细分、生命周期划分、流失用户研究等，做深层次的挖掘。接下来我们来解构用户画像。
主要是人口统计学属性、消费需求、购买能力、兴趣爱好、社交属性等。
用户画像的粒度简单来讲，比如年龄标签是20-30岁和21岁，这两个就是明显不同粒度的标签
再次就是可以从层级的角度来看，用户基本属性和行为标签为浅层用户画像，这些标签画像主要是收集就行，比如年龄，性别。第二层是稍作处理的汇总层，比如手机端大概什么时间活跃，经常购买的品类等。第三层是基于前2层可以做到营销的敏感度，社交关系，上网时间的预测；最后一个是更深层的，需要结合业务知识去做定制。比如保险领域的高中低价值、贷款需求程度，风险高低等。

详细介绍用户画像 京东用户画像分析( 四 )

猜你喜欢

详细介绍用户画像京东用户画像分析( 四 )