赞
踩
目录
注:此博文为根据 赵宏田 老师的 用户画像·方法论与工程化解决方案 一书读后笔记而来,仅供学习使用
数据指标体系是建立用户画像的关键环节,也是在标签开发前要 进行的工作,具体来说就是需要结合企业的业务情况设定相关的指标。
互联网相关企业在建立用户画像时一般除了基于用户维度 (userid)建立一套用户标签体系外,还会基于用户使用设备维度 (cookieid)建立相应的标签体系。基于cookieid维度的标签应用也 很容易理解,当用户没有登录账户而访问设备时,也可以基于用户在 设备上的行为对该设备推送相关的广告、产品和服务。
建立的用户标签按标签类型可以分为统计类、规则类和机器学习挖掘类。从建立的标签维度来看, 可以将其分为用户属性类、用户行为类、用户消费类和风险控制类等常见类型。
用户属性是刻画用户的基础。常见用户属性指标包括:用户的年龄、性别、安装时间、注册状态、城市、省份、活跃登录地、历史购 买状态、历史购买金额等。
用户属性维度的标签建成后可以提供客服电话服务,为运营人员了解用户基本情况提供帮助。
用户属性标签包含统计类、规则类、机器学习挖掘类等类型。统计类标签的开发较为简单,机器学习挖掘类标签可能比较困难。如下表给出了常用的用户属性维度标签。
标签名称 | 标签主题 | 一级归类 | 标签类型 |
男 | 用户属性 | 百然性别 | 统计 |
女 | 用户属性 | 自然性别 | 统计 |
男 | 用户属性 | 购物性别 | 规则 |
女 | 用户属性 | 购物性别 | 规则 |
年龄 | 用户属性 | 年龄 | 统计 |
年龄段 | 用户属性 | 年龄 | 统计 |
省份 | 用户属性 | 地域 | 统计 |
城市 | 用户属性 | 地域 | 统计 |
城市等级 | 用户属性 | 地域 | 统计 |
注册日期 | 用户属性 | 注册日期 | 统计 |
高 | 用户属性 | 手机品牌 | 规则 |
中 | 用户属性 | 手机品牌 | 规则 |
低 | 用户属性 | 手机品牌 | 规则 |
Android | 用户属性 | 手机系统 | 统计 |
iOS | 用户属性 | 手机系统 | 统计 |
常用手机号 | 用户属性 | 联系方式 | 统计 |
常用邮箱 | 用户属性 | 联系方式 | 统计 |
身份证号 | 用户属性 | 联系方式 | 统计 |
购买过 | 用户属性 | 历史购买状态 | 统计 |
未购买过 | 用户属性 | 历史购买状态 | 统计 |
钻石会员 | 用户属性 | 会员类型 | 统计 |
黄金会员 | 用户属性 | 会员类型 | 统计 |
黑金会员 | 用户属性 | 会员类型 | 统计 |
白金会员 | 用户属性 | 会员类型 | 统计 |
白银会员 | 用户属性 | 会员类型 | 统计 |
高活跃 | 用户属性 | 用户活跃度 | 现则 |
中活跃 | 用户属性 | 用户活跃度 | 规则 |
低活跃 | 用户属性 | 用户活跃度 | 规则 |
新用户 | 用户属性 | 用户活跃度 | 规则 |
老用户 | 用户属性 | 用户活跃度 | 规则 |
流失用户 | 用户属性 | 用户活跃度 | 规则 |
重要价值 | 用户属性 | RFM价值度 | 规则 |
重盥发展 | 用户属性 | RFM价值度 | 规则 |
重要保持 | 用户属性 | RFM价值度 | 规则 |
重要挽留 | 用户属性 | RFM价值度 | 规则 |
一般价俏 | 用户属性 | RFM价值度 | 规则 |
一般发展 | 用户属性 | RFM价值度 | 规则 |
一般保持 | 用户属性 | RFM你值度 | 规则 |
一般挽留 | 用户属性 | RFM价值度 | 规则 |
浏览购买型 | 用户属性 | 购物风格 | 算法 |
搜索购买型 | 用户属性 | 购物风格 | 算法 |
促销购买型 | 用户属性 | 购物风格 | 算法 |
May-00 | 用户属性 | 购买价格段儡好 | 统计 |
50〜100 | 用户属性 | 购买价格段偏好 | 统计 |
100-500 | 用户屈性 | 购买价格段偏好 | 统计 |
500+ | 用户属性 | 购买价格段偏好 | 统计 |
注册渠道 | 用户热性 | 渠道来源 | 统计 |
最近访问果道 | 用户属性 | 果道来源 | 统计 |
购买渠道 | 用户属性 | 渠道来源 | 统计 |
累计购买次数 | 用户属性 | 平台消费 | 统计 |
近xx日购买次数 | 用户属性 | 平台消费 | 统计 |
累计购买金瓶 | 用户属性 | 平台消物 | 统计 |
近xx日购买金额 | 用户属性 | 平台消费 | 统计 |
家庭主妇 | 用户属性 | 用户身份 | 算法 |
学生 | 川户属性 | 用户身份 | 算法 |
儿童 | 用户属性 | 用户身份 | 算法 |
青年 | 用户属性 | 用户身份 | 算法 |
中年人 | 用户属性 | 用户身份 | 算法 |
老年人 | 用户属性 | 用户身份 | 算法 |
程序员 | 用户属性 | 用户身份 | 算法 |
时尚达人 | 用户属性 | 用户身份 | 算法 |
高忠诚度 | 用户属性 | 用户忠诚度 | 算法 |
一般忠诚度 | 用户属性 | 用户忠诚度 | 算法 |
低忠诚度 | 用户属性 | 用户忠诚度 | 算法 |
X X薪资水平 | 用户属性 | 薪资水平 | 规则 |
对于相同的一级标签类型,需要判断多个标签之间的关系为互斥关系还是非互斥关系。例如,在判断性别时,用户性别为男的情 况下就不能同时为女,所以标签之间为互斥关系;在判断用户是否在 黑名单内时,用户既可能在短信黑名单中,也可能同时在邮件黑名单中,所以这种就为非互斥关系。
对于根据数值进行统计、分类的标签开发相对容易。例如,用户 的“性别”“年龄” “城市”“历史购买金额”等确定性的标签。而 在对规则类的标签进行开发前则首先需要进行数据调研。例如,对于 用户价值度划分(RFM),如何确定一个用户是重要价值用户还是一般 价值用户,对于用户活跃度的划分如何确定是高活跃、中活跃、低活 跃还是已经流失,需要结合数据调研情况给出科学的规则并进行划分。
用户性别可细分为自然性别和购物性别两种。
自然性别是指用户的实际性别,一般可通过用户注册信息、填写调查问卷表单等途径获得。该标签只需要从相应的表中抽取数据即 可,加工起来较为方便。
用户购物性别是指用户购买物品时的性别取向。例如,一位实际性别为男性的用户,可能经常给妻子购买女性的衣物、包等商品,那么这位用户的购物性别则是女性。
注:再次声明,此博文为根据 赵宏田 老师的 用户画像·方法论与工程化解决方案 一书读后笔记而来,仅供学习使用
注:其他相关文章链接由此进 -> 用户画像文章汇总
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。