01

寫在前面

我們經常在淘寶上購物, 作為淘寶方,他們肯定想知道他的使用用戶是什么樣的, 是什么樣的年齡性別, 城市, 收入, 他的購物品牌偏好, 購物類型, 平時的活躍程度是什么樣的, 這樣的一個用戶描述就是用戶畫像分析

無論是產品策劃還是產品運營, 前者是如何去策劃一個好的功能, 去獲得用戶最大的可見的價值以及隱形的價值, 必須的價值以及增值的價值, 那么了解用戶, 去做用戶畫像分析, 會成為數據分析去幫助產品做做更好的產品設計重要的一個環節。

那么作為產品運營, 比如要針用戶的拉新, 挽留, 付費, 裂變等等的運營, 用戶畫像分析可以幫助產品運營去找到他們的潛在的用戶, 從而用各種運營的手段去觸達。

因為當我們知道我們的群體的是什么樣的一群人的時候, 潛在的用戶也是這樣的類似的一群人,這樣才可以做最精準的拉新,提高我們的ROI

在真正的工作中, 用戶畫像分析是一個重要的數據分析手段去幫助產品功能迭代, 幫助產品運營做用戶增長。

總的來說, 用戶畫像分析就是基于大量的數據, 建立用戶的屬性標簽體系, 同時利用這種屬性標簽體系去描述用戶

02

用戶畫像的作用

像上面描述的那樣, 用戶畫像的作用主要有以下幾個方面

1.廣告投放

在做用戶增長的例子中, 我們需要在外部的一些渠道上進行廣告投放， 對可能的潛在用戶進行拉新, 比如B站在抖音上投廣告

我們在選擇平臺進行投放的時候, 有了用戶畫像分析, 我們就可以精準的進行廣告投放, 比如抖音的用戶群體是18-24歲的群體, 那么廣告投放的時候就可以針對這部分用戶群體進行投放, 提高投放的ROI

假如我們沒有畫像分析, 那么可能會出現投了很多次廣告, 結果沒有人點擊

2.精準營銷

假如某個電商平臺需要做個活動給不同的層次的用戶發放不同的券, 那么我們就要利用用戶畫像對用戶進行劃分, 比如劃分成不同的付費的活躍度的用戶, 然后根據不同的活躍度的用戶發放不用的優惠券。

比如針對付費次數在[1-10] 的情況下發 10元優惠券刺激, 依次類推

3.個性化推薦

精確的內容分發, 比如我們在音樂app 上看到的每日推薦, 網易云之所以推薦這么準, 就是他們在做點擊率預估模型(預測給你推薦的歌曲你會不會點擊)的時候, 考慮了你的用戶畫像屬性。

比如根據你是90后, 喜歡傷感的, 又喜歡杰倫, 就會推薦類似的歌曲給你, 這些就是基于用戶畫像推薦

4. 風控檢測

這個主要是金融或者銀行業設計的比較多, 因為經常遇到的一個問題就是銀行怎么決定要不要給一個申請貸款的人給他去放貸

經常的解決方法就是搭建一個風控預測模型, 去預約這個人是否會不還貸款，同樣的, 模型的背后很依賴用戶畫像。

用戶的收入水平, 教育水平, 職業, 是否有家庭,是否有房子, 以及過去的誠信記錄， 這些的畫像數據都是模型預測是否準確的重要數據

5. 產品設計

互聯網的產品價值 離不開 用戶 需求 場景 這三大元素, 所以我們在做產品設計的時候, 我們得知道我們的用戶到底是怎么樣的一群人, 他們的具體情況是什么, 他們有什么特別的需求， 這樣我們才可以設計出對應解決他們需求痛點的產品功能

在產品功能迭代的時候, 我們需要分析用戶畫像行為數據, 去發現用戶的操作流失情況, 最典型的一種場景就是漏斗轉化情況, 就是基于用戶的行為數據去發現流失嚴重的頁面, 從而相對應的去優化對應的頁面,

比如我們發現從下載到點擊付款轉化率特別低，那么有可能就是我們付款的按鈕的做的有問題, 就可以針對性的優化按鈕的位置等等

同時也可以分析這部分轉化率主要是在那部分用戶群體中低, 假如發現高齡的用戶的轉化率要比中青年的轉化率低很多, 那有可能是因為我們字體的設置以及按鈕本身位置不顯眼等等, 還有操作起來不方便等等因素

6. 數據分析

在做描述性的數據分析的時候, 經常需要畫像的數據, 比如描述抖音的美食博主是怎么樣的一群人, 他們的觀看的情況, 他們的關注其他博主的情況等等

簡單來說就是去做用戶刻畫的時候, 用戶畫像可以幫助數據分析刻畫用戶更加清晰。

03

如何搭建用戶畫像

用戶畫像搭建的架構如下:

數據層:

首先 是數據層, 用戶畫像的基礎是首先要去獲取完整的數據, 互聯網的數據主要是利用打點, 也就是大家說的數據埋點上報上來的, 整個過程就是數據分析師會根據業務需要提數據上報的需求,然后由開發完成, 這樣就有了上報的數據。

除了上報的數據, 還有其他數據庫同步的數據, 一般會把數據庫的數據同步到hive表中, 按照數據倉庫的規范，按照一個個主題來放置

還有一些其他的數據比如外部的一些調研的數據, 以excel 格式存在, 就需要把excel 數據導入到hive 表中

挖掘層:

有了基礎的數據以后, 就進入到挖掘層, 這個層次主要是兩件事情, 一個是數據倉庫的構建, 一個是標簽的預測, 前者是后者的基礎。

一般來說我們會根據數據層的數據表, 對這些數據表的數據進行數據清洗，數據計算匯總,然后按照數據倉庫的分層思想, 比如按照 數據原始層, 數據清洗層，數據匯總層, 數據應用層等等進行表的設計

數據原始層的表的數據就是上報上來的數據入庫的數據,這一層的數據沒有經過數據清洗處理, 是最外層的用戶明細數據

數據清洗層主要是數據原始層的數據經過簡單數據清洗之后的數據層, 主要是去除明顯是臟數據, 比如年齡大于200歲, 地域來自 FFFF的等明顯異常數據

數據匯總層的數據主要是根據數據分析的需求, 針對想要的業務指標, 比如用戶一天的聽歌時長, 聽歌歌曲數, 聽的歌手數目等等, 就可以按照用戶的維度, 把他的行為進行聚合, 得到用戶的輕量指標的聚合的表。

這個層的用處主要是可以快速求出比如一天的聽歌總數, 聽歌總時長， 聽歌時長高于1小時的用戶數, 收藏歌曲數高于100 的用戶數是多少等等的計算就可以從這個層的表出來

數據應用層主要是面向業務方的需求進行加工,可能是在數據匯總的基礎上加工成對應的報表的指標需求， 比如每天聽歌的人數, 次數， 時長,搜索的人數, 次數, 歌曲數等等

按照規范的數據倉庫把表都設計完成后, 我們就得到一部分的用戶的年齡性別地域的基礎屬性的數據以及用戶觀看付費 活躍等等行為的數據

但是有一些用戶的數據是拿不到的比如音樂app 為例, 我們一般是拿不到用戶的聽歌偏好這個屬性的數據, 我們就要通過機器學習的模型對用戶的偏好進行預測

機器學習的模型預測都是基于前面我們構建的數據倉庫的數據的, 因為只有完整的數據倉庫的數據, 是模型特征構建的基礎

服務層:

有了數據層和挖掘層以后, 我們基本對用戶畫像體系構建的差不多, 那么就到了用戶畫像賦能的階段。

最基礎的應用就是利用用戶畫像寬表的數據,對用戶的行為進行洞察歸因 挖掘行為和屬性特征上的規律

另外比較大型的應用就是搭建用戶畫像的平臺, 背后就是用戶畫像表的集成。

用戶提取:我們可以利用用戶畫像平臺, 進行快速的用戶選取, 比如抽取18-24歲的女性群體 聽過杰倫歌曲的用戶, 我們就可以快速的抽取。

分群對比:我們可以利用畫像平臺進行分群對比。比如我們想要比較音樂vip 的用戶和非vip 的用戶他們在行為活躍和年齡性別地域 注冊時間, 聽歌偏好上的差異, 我們就可以利用這個平臺來完成

功能畫像分析:我們還可以利用用戶畫像平臺進行快速進行某個功能的用戶畫像描述分析, 比如音樂app 的每日推薦功能, 我們想要知道使用每日推薦的用戶是怎么樣的用戶群體,以及使用每日推薦不同時長的用戶他們的用戶特征分別都是怎么樣的，就可以快速的進行分析

責任編輯：lq