详细介绍用户画像京东用户画像分析( 五 ) _用户

网上找了一个金融领域的例子，比如根据活跃情况，可以区分活跃用户和流失用户，再根据时间窗口维度可以拆为48小时活跃和不活跃用户。简单的统计就可以为用户贴上各类的标签，比如过去12个月内累计订单超过20次为界限，可以划分为高低频用户等。不过多展开，可以自行阅读上图。
当然用户画像依赖的商品基础标签是必不可少的，比如用户服装偏好下有颜色偏好(白色)，这个是通过用户历史的点击、加购、收藏等行为关联的商品所带标签的聚合，那其实底层商品的颜色标签是必不可少的。
接下来介绍的是一个构建方法论，但不是唯一方法论。
先从大维度来说，划分为动态和静态两类。比如说人口统计学的性别、年龄、地域、收入、生活习惯，是相对静态的，性别一般都不会变，年龄的话一年就涨一岁，然后地域的话也很少有大的变动，收入职业所处行业也不会有突然的变化，这些都可以划分到静态标签。而像用户访问设备、用户的48小时是否活跃、内容&商品消费偏好等属于时常在发生变动的，这些可以划入动态特征。
静态和动态的划分，其实是根据某个维度来定的，或者是在某个时间窗口内的。静态画像一般是实时性弱更新慢；动态画像变化相对更快一些，可以再时效性、空间上有差异。
不同的行业，不同的业务，也会有不一样的构建目标和方式。在这个过程中，通过业务应用的要素分析，去驱动标签维度的扩展，然后通过标签维度的扩展。然后我又可以去驱动业务。
上述图片介绍了常用的偏好标签建模的思路，不做过多展开，有兴趣的小伙伴可以私信交流。
那系统化的标签生产如何来做呢，可以参考上图，上图元素和参考了很多美团的做法，由于篇幅限制，这里不过多展开，后续的分享可以专门来将构建的细节。
重点是结合业务，构建闭环，用数据来提升业务理解，通过业务理解来快速构建画像相关的数据体系。
04
商品/用户画像的应用
第四部分我们来介绍一些画像的应用。
第一个我们介绍一下通过用户画像来做与竞品对比分析，在大维度战略调整和选择的时候，可以有差异化市场定位。根据用户标签进行市场细分和群画像分析，输出分析报告；帮助企业理解用户的人群特征、人生阶段、消费偏好等；帮助企业分析和友商用户群的异同，优化市场定位和差异化产品策略。这部分数据有自己内部的数据，竞品数据可以通过第三方等间接获取。
比如今天shein作为跨境快时尚平台做得不错，如果同类型的平台是否可以考虑在年龄段标签上做差异化，比如他们切的是18-35岁的年轻女性，那是否可以考虑35-50岁的中年女性作为用户群，在运营过程中做调整，反而在利基点上有不错的收益。

详细介绍用户画像 京东用户画像分析( 五 )

猜你喜欢

详细介绍用户画像京东用户画像分析( 五 )