用户画像

用户画像的准则

首先就是将自己企业的用户画像做个白描，告诉他这些用户“都是谁”“从哪来”“要去哪”

• 第一步，就是用户从哪里来，这里我们需要统一标识用户ID，方便我们对用户后续行为进行跟踪
• 第二步，这些用户是谁？我们需要对这些用户进行标签化，方便我们对用户行为进行理解
• 第三步，就是用户要到哪里去？我们要将这些用户画像与我们的业务相关联，提升我们的转化率，或者降低我们的流失率

为什么要设计唯一标识

用户唯一标识是整个用户画像的核心。以一个App为例，它把“从用户开始使用APP到下单到售后整个所有的用户行为”进行串联，这样就可以更好地去跟踪和分析一个用户的特征

设计唯一标识可以从这些项中选择：用户名、注册手机号、联系人手机号、邮箱、设备号、CookieID等

给用户打标签

标签有很多，且不同的产品，标签的选择范围也不同，这么多的标签，怎样划分才能既方便记忆，又能保证用户画像的全面性呢

可以简单总结为八个字，叫“用户消费行为分析”。我们可以从这4个维度来进行标签划分

• 用户标签：它包括了性别、年龄、地域、收入、学历、职业等。这些包括了用户的基础属性
• 消费标签：消费习惯、购买意向、是否对促销敏感。这些统计分析用户的消费习惯
• 行为标签：时间段、频次、时长、访问路径。这些是通过分析用户行为，来得到他们使用App的习惯
• 内容分析：对用户平时浏览的内容，尤其是停留时间长、浏览次数多的内容进行分析，分析出用户对哪些内容感兴趣，比如，金融、娱乐、教育、体育、时尚、科技等

获客、粘客和留客

• 获客：如何进行拉新，通过更精准的营销获取客户
• 粘客：个性化推荐，搜索排序，场景运营等
• 留客：流失率预测，分析关键节点降低流失率

数据层、算法层和业务层标签

标签化的流程，就是通过数据层的“事实标签”，在算法层进行计算，打上“模型标签”的分类结果，最后指导业务层，得出“预测标签”

• 数据层指的是用户消费行为里的标签。我们可以打上“事实标签”，作为数据客观的记录
• 算法层指的是透过这些行为算出的用户建模。我们可以打上“模型标签”，作为用户画像的分类标识

• 业务层指的是获客、粘客、留客的手段。我们可以打上“预测标签”，作为业务关联的结果

• 数据层标签

  • 用户属性、投诉次数、产品购买次数、渠道使用频率、优惠券使用、访问时长、支付渠道使用、浏览内容频次
• 算法层标签
  • 用户兴趣、用户活跃度、产品购买偏好、用户关联关系、用户满意度、渠道使用偏好、支付使用偏好、优惠券偏好
• 业务层标签
  • 获客预测、个性化推荐、GMV趋势预测、用户流失概率