阅读书名:《架构师特辑:用户画像》
基本概念:ETL 数据抽取extract,数据转换transform,数据装载load
0:导读
三个问题:
你是谁?—用户画像与特征
你从哪里来?--用户来源渠道与效果
你到哪里去?—用户流失与召回
用户画像要点:
(1)用户画像系统与各系统打通
(2)用户画像的时时并发挑战
下图是用户画像系统所在的位置
一 美团外卖
1.外卖020与传统电商的差异:新事物,发展快;高频;场景驱动;
2.运营对用户画像的要求:
(1)获取新用户—个性化推荐;
(2)维护用户:新品推荐/优质推荐/优惠红包等刺激购买
1)提升用户价值
2)用户留存
考虑基础信息外,有3个点:新客怎么识别?用户流失?用户消费场景?
用户画像的应用场景:广告,排序和运营
3.外卖用户画像实践
(1)新客运营:新客在哪?偏好?消费力?
根据一些个人信息,地理信息,线下消费预估,融入多方特征得到一个较好的预估模型。
(2)流失预测
流失原因:竞争产品,体验,需求变化
流失预警模型:流失概率预测问题质量检测
(3)场景运营:时间,地点,订单
4.面临的挑战:
(1)数据多样性:各种地址,菜品等
(2)跟传统电商比,外卖单价低,品类单一,用户决策时间短,随意性强。用户的实时兴趣不好捕捉,只能从历史兴趣/时间/地点等进行推荐。
二 去哪儿
1.目的
(1)解决实际业务问题:获取新用户,提升用户体验,挽回流失用户
(2)产品设计
2.数据
用户信息:个人基本信息,用户行为,行程信息,用户标签
产品信息:航线,火车汽车,酒店,保险
ETL:数据源清洗到数据仓库表的过程
3.用户画像标签构建策略
用户标签特征属性
标签的分类、构建
4.用户画像数据应用
(1)用户群体特征分析
(2)客户行为预测
(3)数据与业务一起
三 40亿移动设备用户
1.什么是画像:想法设法用各种类型的数据来描述人的特征
比如:自然属性,性别,年龄;社会属性,职业;财富状况;家庭情况;购物习惯;城市;行为习惯等
2.画像的用处:明确自己产品定位的用户画像,再去了解真实用户的画像,进行重点推荐。
如何准确了解先用用户;
如何在人海中通过广告获取类似图像特征的新用户
3.如何进行用户画像:业务目标,需要什么样的标签;数据源,有什么类型的数据源;
标签的处理:数据抽取—数据清洗—数据打通—模型设计—标签计算
四 用户画像
1.做用户画像的原因
推荐算法基于2个原理:
(1)根据人的喜好推荐对应的商品
(2)推荐和目标客人特征相似客人喜好的产品
这两点都离不开用户画像
2.携程用户画像:离线+在线
五 百分点:为什么有的用户画像模型不准确
1.用户画像:是对现实世界中用户的数学建模
2.标签
标签是和业务密切相关的。标签要根据业务需求来收集。
根据需要加工的标签去判断需要什么样的数据源
3.用户画像的应用
售前的广告营销,售中的个性化推荐,售后的增值服务
4.用户画像常见的算法
常见的分类算法和聚类算法都会用到,svm,lr分类,k-means聚类等
六 易观用户画像
1.用户画像应用分类:风险控制-信用评分;个性化推荐;精细化运营;
2.做好用户画像的前提:优质数据源;统一设备ID;技术积累;数据源补充;标签体系;计算能力;
七 让机器读懂用户
1.用户画像persona
最早由交互设计之父Alan Cooper提出 Personas are a concrete representation of target users
2.用户画像作用:精确营销,用户研究-产品优化,个性服务,业务决策
3.用户画像特征
总结:
吸引新客户:更有效的广告营销
维护老客户:个性化推荐,精细化运营等
另外:个人信用评级等