你要的用戶畫像實踐來了！

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

0.身邊的用戶畫像

首先我們來感性的認(rèn)識一下用戶畫像

用戶畫像的核心是為用戶打標(biāo)簽，即——將用戶的每個具體信息抽象成標(biāo)簽，利用這些標(biāo)簽將用戶形象具體化，從而為用戶提供有針對性的服務(wù)。

我們身邊就有用戶畫像應(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，需要給這個女生進行男嘉賓的匹配，那么她理想的男嘉賓就是一個群體，通過一個個的標(biāo)簽來描述這個群體。

男性，未婚，年齡33-28歲，身高176-188，皮膚白體型偏瘦，年收入在12萬元以上，在武漢生活并且購房，擁有本科以及上的學(xué)歷，家中獨子沒有兄弟姐妹，不喜歡打牌。

1.用戶畫像體系相關(guān)概念

如何一句話說清楚什么是用戶畫像？

用戶畫像是通過分析用戶的基礎(chǔ)信息、特征偏好、社會屬性等各維度的數(shù)據(jù)，刻畫出用戶的信息全貌，從中挖掘用戶價值，從而提供個性化推薦、精準(zhǔn)營銷等服務(wù)。

1.1標(biāo)簽類型

我們一般將用戶標(biāo)簽分為3類

• 統(tǒng)計類標(biāo)簽

這類標(biāo)簽是最為基礎(chǔ)也最為常見的標(biāo)簽類型，例如：對于某個用戶來說，其姓名、性別、年齡、地市、活躍時長等，這類數(shù)據(jù)可以從用戶注冊數(shù)據(jù)、用戶消費數(shù)據(jù)中得出，該類數(shù)據(jù)構(gòu)成了用戶畫像的基礎(chǔ)。

• 規(guī)則類標(biāo)簽

基于用戶的行為以及規(guī)則，在實際開發(fā)畫像的過程中，由于運營人員對業(yè)務(wù)更為熟悉，而數(shù)據(jù)人員對數(shù)據(jù)的結(jié)構(gòu)、分布、特征更為熟悉，因此規(guī)則類標(biāo)簽的規(guī)則由運營人員和數(shù)據(jù)人員共同協(xié)商確定

• 學(xué)習(xí)挖掘類標(biāo)簽

通過機器學(xué)習(xí)挖掘產(chǎn)生，根據(jù)用戶的行為和規(guī)則進行預(yù)測和判斷。比如某個用戶檢查購買衛(wèi)生巾，我們可以通過這個行為來推出用戶性別為女性

1.2畫像價值

在用戶量大業(yè)務(wù)復(fù)雜的公司，都會花很高的成本構(gòu)建用戶畫像體系，在各個業(yè)務(wù)線上采集數(shù)據(jù)做分析，不斷深入的了解用戶才能提供更加精準(zhǔn)的服務(wù)和多樣化的運營策略。

用戶引流

通過現(xiàn)有用戶的畫像分析，在相關(guān)DMP廣告平臺做投放，重點推薦其平臺上具有相關(guān)類似標(biāo)簽的用戶，為產(chǎn)品做用戶引流，這里用的是相似用戶快速擴量的概念。

新用戶冷啟動

快速分析新注冊用戶可能偏向的屬性和興趣偏好，實現(xiàn)服務(wù)快速精準(zhǔn)推薦，例如用戶注冊地所在區(qū)域，可以通過該區(qū)域用戶的通用標(biāo)簽推測該新用戶的特征。

精準(zhǔn)或個性化服務(wù)

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

多場景識別

這里場景相對偏復(fù)雜，通過一個案例描述，例如在某個平臺用手機號A注冊，之后該手機號A丟失，換用手機號B之后，通過相關(guān)行為去理解用戶是否手機號A的用戶，也可以根據(jù)同個手機序列識別不同用戶或者多個手機序列識別相同用戶。

沉默用戶喚醒

基于精細(xì)化的標(biāo)簽和多個場景數(shù)據(jù)，對用戶的沉默程度做快速識別，基于畫像分析制定運營策略進行激活召回減少用戶流失。

2.用戶畫像實踐項目

你是某電商公司的數(shù)據(jù)分析師，你的運營同事找到你，最近平臺某家電類目的訂單數(shù)量，瀏覽量有所下降，平臺想做一些促銷活動，給用戶發(fā)優(yōu)惠劵，希望你能對本次活動提出一些建議

促銷活動需要哪幾個部分的信息呢？

• 促銷活動的受眾群體
• 促銷活動的上線時間
• 促銷活動所覆蓋的產(chǎn)品
• ...

確定問題后，我們從用戶的基本屬性，行為屬性以及偏好屬性入手

2.1從數(shù)據(jù)庫中提取數(shù)據(jù)

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

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

data.head()

2.2用戶性別和年齡分布

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

從數(shù)據(jù)來看，用戶消費沒有明顯的性別偏好，男性用戶稍微多一點，用戶的年齡集中在25-35歲之間，25歲以下以及45歲以上的用戶數(shù)較少。

25歲以下的用戶多為在校學(xué)生，對于家電類目的購買需求低

45歲以上的用戶多為中年人員，家電類目需求低，同時手機網(wǎng)購的比例低

2.3用戶地域分布

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

用戶在城市分布上具有一定的集中性，大多集中在一線和新一線城市，因為一線城市對年輕人有很強的吸引力，因此城市分布和用戶的年齡分布也相符合

2.4用戶的婚育狀況

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)來看，近70%的小家電用戶都是已婚，超過60%的用戶有小孩的可能性高

2.5用戶的學(xué)歷和職業(yè)分布

y = user_edu_df['edu']
x = x = ['初中及以下', '高中（中專）', '大學(xué)（?？萍氨究疲?, '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='用戶的學(xué)歷分布',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

通過用戶的基礎(chǔ)屬性的研判來看，小家電的典型用戶為：

男性，年齡在28-30歲左右，已婚且有孩子

他在一線城市居中，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

因為還剛進入婚姻，因此有一定的生活品質(zhì)追求，同時比較關(guān)注家庭生活

因此，我們給運營同事的建議是，文案不用過于個性，促銷的商品要重點突出家庭品質(zhì)生活屬性，同時強調(diào)家電的健康與安全

2.6用戶購買商品分布

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='用戶購買商品分布',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

用戶購買商品的類目是用戶的行為數(shù)據(jù)，從圖中的數(shù)據(jù)來看，最受歡迎的電器是電風(fēng)扇，考慮到這個數(shù)據(jù)采集的時間是8月12日，用戶購買電風(fēng)扇的需求得到了釋放，在即將進入秋天，因此應(yīng)該對其它商品 比如凈水器，加濕器等商品進行促銷

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', # 折線圖
    line = dict(
        width = 2
    ) )
layout = go.Layout(
    title = dict(text='用戶購買的日期分布',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', # 折線圖
    line = dict(
        width = 2
    ) )
layout = go.Layout(
    title = dict(text='用戶購買的時間分布',x=0.5),
    xaxis=dict(
        tickmode='linear'))
fig = go.Figure(data=trace,layout=layout)
fig

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

推測形成的原因，每周的周二和周六用戶更喜歡訪問電商網(wǎng)站，并在早上10點左右下單，或者晚上10準(zhǔn)備上床休息時下單。

2.7用戶敏感度分析

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='用戶價格敏感度分布',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='用戶頻率敏感度分布',x=0.5)
    
)
fig = go.Figure(data=trace,layout=layout)
fig

通過用戶敏感度分析來看，用戶對價格較為敏感，同時對評論極度敏感，因此促銷活動的商品需要選擇有較好口碑的商品，才能提升活動的轉(zhuǎn)化率

因此我們給運營同事的建議是：

• 促銷活動的文案最好采用中性風(fēng)格，促銷的商品要重點突出家庭品質(zhì)生活屬性，同時強調(diào)家電的健康與安全
• 促銷的商品以夏末秋初需求旺盛的商品，如凈水器，飲水機，加濕器等產(chǎn)品入手
• 促銷廣告投放的時間，最好選擇在每周的周二和周六這2個時間段，同時在早上9點和晚上9點提高廣告的頻率
• 促銷的商品需要選擇評論口碑較好的產(chǎn)品，可以在廣告中對商品的口碑進行介紹

3.實踐思考

運營的同事聽了你的建議，決定找了一些口碑較好的凈水器進行定向促銷，但是由于活動資金的限制，只能選擇幾個特定型號的產(chǎn)品進行推廣，因此同事希望你在產(chǎn)品的品牌和價格的選擇上給出一些建議。

可以將你的意見或者分析思路寫在留言區(qū)。