用戶畫像標籤體系包括哪些維度?有哪些應用場景?(附完整導圖)


來源:大數據DT

本文約2600字,建議閱讀7分鐘

本文詳細介紹用戶標籤體系的構成及應用場景。

互聯網相關企業在建立用戶畫像時一般除了基於用戶維度(userid)建立一套用戶標籤體系外,還會基於用戶使用設備維度(cookieid)建立相應的標籤體系。

基於cookieid維度的標籤應用也很容易理解,當用戶沒有登錄賬戶而訪問設備時,也可以基於用戶在設備上的行爲對該設備推送相關的廣告、產品和服務。

建立的用戶標籤按標籤類型可以分爲統計類、規則類和機器學習挖掘類,相關內容在《手把手教你做用戶畫像:3種標籤類型、8大系統模塊》中有詳細介紹。從建立的標籤維度來看,可以將其分爲用戶屬性類、用戶行爲類、用戶消費類風險控制類等常見類型。

01 用戶屬性維度

1. 常見用戶屬性

用戶屬性是刻畫用戶的基礎。常見用戶屬性指標包括:用戶的年齡、性別、安裝時間、註冊狀態、城市、省份、活躍登錄地、歷史購買狀態、歷史購買金額等。

用戶屬性維度的標籤建成後可以提供客服電話服務,爲運營人員瞭解用戶基本情況提供幫助。

用戶屬性標籤包含統計類、規則類、機器學習挖掘類等類型。本節主要介紹常見用戶屬性標籤主要包括的維度。表2-1給出了常用的用戶屬性維度標籤。

表2-1 用戶屬性維度標籤示例

表2-1對於相同的一級標籤類型,需要判斷多個標籤之間的關係爲互斥關係還是非互斥關係。例如,在判斷性別時,用戶性別爲男的情況下就不能同時爲女,所以標籤之間爲互斥關係;在判斷用戶是否在黑名單內時,用戶既可能在短信黑名單中,也可能同時在郵件黑名單中,所以這種就爲非互斥關係。

對於根據數值進行統計、分類的標籤開發相對容易。例如,用戶的“性別”“年齡”“城市”“歷史購買金額”等確定性的標籤。

而在對規則類的標籤進行開發前則首先需要進行數據調研。例如,對於用戶價值度劃分(RFM),如何確定一個用戶是重要價值用戶還是一般價值用戶,對於用戶活躍度的劃分如何確定是高活躍、中活躍、低活躍還是已經流失,需要結合數據調研情況給出科學的規則並進行劃分。

2. 用戶性別

用戶性別可細分爲自然性別購物性別兩種。

自然性別是指用戶的實際性別,一般可通過用戶註冊信息、填寫調查問卷表單等途徑獲得。該標籤只需要從相應的表中抽取數據即可,加工起來較爲方便。

用戶購物性別是指用戶購買物品時的性別取向。例如,一位實際性別爲男性的用戶,可能經常給妻子購買女性的衣物、包等商品,那麼這位用戶的購物性別則是女性。

02 用戶行爲維度

用戶行爲是另一種刻畫用戶的常見維度,通過用戶行爲可以挖掘其偏好和特徵。常見用戶行爲維度指標(見表2-2)包括:用戶訂單相關行爲、下單/訪問行爲、用戶近30天行爲類型指標、用戶高頻活躍時間段、用戶購買品類、點擊偏好、營銷敏感度等相關行爲。

表2-2 用戶行爲維度標籤示例

03 用戶消費維度

對於用戶消費維度指標體系的建設,可從用戶瀏覽、加購、下單、收藏、搜索商品對應的品類入手,品類越細越精確,給用戶推薦或營銷商品的準確性越高。如圖2-1所示,根據用戶相關行爲對應商品品類建設指標體系,本案例精確到商品三級品類。

▲圖2-1 用戶消費維度指標梳理

表2-3爲用戶消費維度的標籤設計。

表2-3 用戶消費維度標籤示例

這裏通過一個場景來介紹構建用戶消費維度的標籤的應用。

某女裝大促活動期間,渠道運營人員需要篩選出平臺上的優質用戶,並通過短信、郵件、Push等渠道進行營銷,可以通過圈選“瀏覽”“收藏”“加購”“購買”“搜索”與該女裝相關品類的標籤來篩選出可能對該女裝感興趣的潛在用戶,進一步組合其他標籤(如“性別”“消費金額”“活躍度”等)篩選出對應的高質量用戶羣,推送到對應渠道。

因此將商品品類抽象成標籤後,可通過品類+行爲的組合應用方式找到目標潛在用戶人羣。

04 風險控制維度

互聯網企業的用戶可能會遇到薅羊毛、惡意刷單、借貸欺詐等行爲的用戶,爲了防止這類用戶給平臺帶來損失和風險,互聯網公司需要在風險控制維度構建起相關的指標體系,有效監控平臺的不良用戶。

結合公司業務方向,例如可從賬號風險、設備風險、借貸風險等維度入手構建風控維度標籤體系。下面詳細介紹一些常見的風險控制維度的標籤示例,如表2-4所示。

表2-4 風險控制維度標籤示例

05 社交屬性維度

社交屬性用於瞭解用戶的家庭成員、社交關係、社交偏好、社交活躍程度等方面,通過這些信息可以更好地爲用戶提供個性化服務。表2-5是常用的社交屬性維度標籤示例。

表2-5 社交屬性維度標籤示例

在日常使用社交軟件時,我們可以發現社交軟件中的信息流廣告會結合我們的社交特徵進行個性化推送。

  • 如圖2-2所示,結合我所在城市、經常活躍地段及近期收藏的電腦相關文章,在微信朋友圈給我推送了相關電腦營銷的廣告。

  • 如圖2-3所示,基於我的星座和年齡段信息,推送符合我某些特徵的婚慶攝影廣告。

▲圖2-2 朋友圈信息流廣告 - 基於位置(截圖自微信)

▲圖2-3 朋友圈信息流廣告 - 基於星座(截圖自微信)

06 其他常見標籤劃分方式

本文前5節從用戶屬性、用戶行爲、用戶消費、風險控制、社交屬性共五大維度劃分歸類了用戶標籤指標體系。但對用戶標籤體系的歸類並不侷限於此,通過應用場景對標籤進行歸類也是常見的標籤劃分方式。圖2-4展示了具體的畫像標籤應用場景劃分。

▲圖2-4 畫像標籤應用場景劃分

從業務場景的角度出發,可以將用戶標籤體系歸爲用戶屬性、用戶行爲、營銷場景、地域細分、偏好細分、用戶分層等維度。每個維度可細分出二級標籤、三級標籤等。

  • 用戶屬性包括用戶的年齡、性別、設備型號、安裝/註冊狀態、職業等刻畫用戶靜態特徵的屬性。

  • 用戶行爲:包括用戶的消費行爲、購買後行爲、近N日的訪問、收藏、下單、購買、售後等相關行爲。

  • 偏好細分:用戶對於商品品類、商品價格段、各營銷渠道、購買的偏好類型、不同營銷方式等方面的偏好特徵;

  • 風險控制:對用戶從徵信風險、使用設備的風險、在平臺消費過程中產生的問題等維度考量其風險程度;

  • 業務專用:應用在各種業務上的標籤,如A/B測試標籤、Push系統標籤等;

  • 營銷場景:以場景化進行分類,根據業務需要構建一系列營銷場景,激發用戶的潛在需求,如差異化客服、場景用戶、再營銷用戶等;

  • 地域細分:標識用戶的常住城市、居住商圈、工作商圈等信息,應用在基於用戶地理位置進行推薦的場景中;

  • 用戶分層:對用戶按生命週期、RFM、消費水平類型、活躍度類型等進行分層劃分。

本節提供了一種從業務場景的角度出發對標籤體系進行歸類的解決方案。爲讀者構建標籤體系提供了另外一種參考維度。

關於作者:

趙宏田,資深大數據技術專家,先後在中國地質大學(武漢)和武漢大學獲得工學和經濟學雙學士學位。在大數據、數據分析和數據化運營領域有多年的實踐經驗,擅長Hadoop、Spark等大數據技術,以及業務數據分析、數據倉庫開發、爬蟲、用戶畫像系統搭建等。

本文摘編自《用戶畫像:方法論與工程化解決方案》,經出版方授權發佈。

編輯:黃繼彥

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章