zoukankan      html  css  js  c++  java
  • 用户画像 摘录

    用户画像的焦点工作就是为用户打“标签”,而一个标签通常是人为规定的高度精炼的特征标识,如年龄、性别、地域、用户偏好等,最后将用户的所有标签综合来看,就可以勾勒出该用户的立体“画像”了。

     
     

    具体来讲,当为 用户画像 时,需要以下四个阶段

      1.战略解读:企业选择构建用户画像平台,可以实现不同的战略目的,如提升产品服务质量、精准营销等。根据战略目的的不同,用户画像的构建也有所区别。因此首先需要明确用户画像平台的战略意义、平台建设目标和效果预期,进而有针对性的开展实施工作。

      2.建模体系:对用户画像进行数据建模,结合客户实际的需求,找出相关的数据实体,以数据实体为中心规约数据维度类型和关联关系,形成符合客户实际情况的建模体系。

      3.维度分解:以用户、商品、渠道三类数据实体为中心,进行数据维度分解和列举。根据相关性原则,选取和战略目的相关的数据维度,避免产生过多无用数据干扰分析过程。

      4.应用流程:针对不同角色人员的需求(如市场、销售、研发等),设计各角色人员在用户画像工具中的使用功能和应用/操作流程。

    用户画像平台的 战略意义

      1. 完善产品运营,提升用户体验:改变以往闭门造车的生产模式,通过事先调研用户需求,设计制造更适合用户的产品,提升用户体验。

      2 .对外服务,提升盈利:根据产品特点,找到目标用户,在用户偏好的渠道上与其交互,促成购买,实现精准运营和营销。

    如何搭建用户画像平台?

            该平台需要回答的核心问题是:用户是谁? 用户需求是什么? 用户在哪里?

    用户画像 建模体系

         完善的用户画像平台需要考虑周全的模型体系。通常来讲,构建用户画像平台所需的数据分成 用户、商品、渠道三类实体

           1.用户:数据维度包括自然特征、兴趣特征、社会特征、消费特征。从数据特点上看,又可分为 基本属性 和 衍生标签基本属性包括年龄、性别、地域、收入等客观事实数据衍生标签属于基本属性为依据,通过模型规则生成的附加判断数据

      2.商品:数据维度包括 商品定位 和 商品属性商品属性即商品的功能、颜色、能耗、价格等事实数据,商品定位即商品的风格和定位人群,需要和用户标签进行匹配

      3.渠道:渠道分为 信息渠道 和 购买渠道。用户在信息渠道上获得资讯,在购买渠道上进行商品采购。不同类型的用户对渠道有不同的偏好,精准的选择对应的渠道才能提高效率和收益。

    用户画像 数据维度

      针对每一类数据实体,进一步分解可落地的数据维度,形成字段集

      1 用户数据:

      用户自然特征:性别,年龄,地域,教育水平,出生日期,职业,星座

      用户兴趣特征:兴趣爱好,使用APP/网站,浏览/收藏内容,互动内容,品牌偏好,产品偏好

      用户社会特征:婚姻状况,家庭情况,社交/信息渠道偏好

      用户消费特征:收入状况,购买力水平,已购商品,购买渠道偏好,最后购买时间,购买频次

      2 商品数据 (以消费电子类为例):

      手机:品牌,颜色,尺寸,电池容量,内存摄像头CPU,材质,散热,价格区间

      笔记本:品牌,屏幕尺寸,配置,颜色,风格,薄厚,价格区间

      智能手表:品牌,功能,材质,电池容量,颜色,风格,价格区间

      {C}3.{C}{C}渠道数据(以消费电子类为例):

      信息渠道:微信微博,论坛,SNS,贴吧,新闻网站,咨询App

      购买渠道:电商平台,微店,官网,实体店,卖场

     

    用户画像使用场景

         场景一,按需设计:改变原有的先设计、再销售的传统模式,在研发新产品前,先基于产品期望定位,在用户画像平台中分析该用户群体的偏好,有针对性的设计产品,从而改变原先新产品高失败率的窘境,增强销售表现。比如,某公司想研发一款智能手表,面向28-35岁的年轻男性,通过在平台中进行分析,发现材质=“金属”、风格=“硬朗”、颜色=“黑色”/"深灰色"、价格区间=“中等”的偏好比重最大,那么就给新产品的设计提供了非常客观有效的决策依据。

         场景二,精准营销:针对已有产品,寻找所偏好的精准人群分类,以及这些人群在信息渠道和购买渠道上的分布比例,来决定广告投放和活动开展的位置、内容等,实现精准营销。


     
     

    用户画像平台技术方案

    从数据源到最终展现分成如下几层:

         1.数据源:包括来自各个业务系统和媒介的分析数据源,其载体包括数据库、文件、大数据平台等。

      2.数据建模:根据用户画像建模体系,配置数据模型。

      3.数据集市:每个数据集市是基于一个主题做好轻量建模的细节数据,数据按照列存储的方式,被高效压缩,打好标签,存储在磁盘中。当需要计算时,采用内存计算来进行数据计算,并且每台机器节点会同时计算,最终会将结果送往可视化分析层做展现。

    敏捷可视化分析已成主流

      目前,可视化分析行业的建设思路也在发生着积极变化。敏捷可视化分析这一思路,从被大家认知,继而逐步接受,到了今天已经成为了主流。敏捷可视化分析通过敏捷、迭代的可视化分析应用开发模式,能快速满足客户的可视化分析需求;通过提升可视化分析系统的交付成功率,去最大化客户的商业价值。

      基于敏捷可视化分析产品,客户的可视化分析应用不用等待数月之久,采用快速交付、持续迭代的敏捷开发,一个可视化分析需求可以在一周之内就得到响应并交付给用户。

      同时,基于自服务(Self-Service)的实现理念,敏捷可视化分析支持最终用户通过简单、灵活、强大的可视化分析前端去实现自己的可视化分析应用。通过打造“发现问题、找到答案、采取行动”的可视化分析闭环,敏捷可视化分析不但能最快地满足客户的需求,还能降低IT部门的沉重负担。

      敏捷可视化分析对比传统可视化分析

      敏捷可视化分析

      传统可视化分析

      产品结构

      一个厂家提供的一个工具,集ETL、OLAP、展现于一体

      由ETL工具、数据仓库、CUBE、OLAP、报表工具等不同厂家不同产品组成

      安装过程

      安装文件100M,几分钟内安装完成。

      安装文件庞大(甚至几张光盘),配置复杂,需要几天时间

      数据来源

      数据仓库、数据集市、ODS以及源业务系统都可以作为数据源,无需数据仓库、第三方数据库或CUBE文件。

      需要数据仓库、第三方数据库或CUBE文件支持;

      建模过程

      从数据源或数据仓库中直接抽取细节数据。

      任何字段都可以作为维度和度量,灵活组合。

      不基于Cube的汇总数据,保证分析的灵活性。

      ETL:从源系统中将源数据根据构建完成的数据模型,抽取、转换并装载到数据仓库。Cube生成:将数据仓库中的星型模型数据,根据需求生成OLAP Cube,供给前端分析工具展现。

      灵活性

      只需要在界面中选取新的纬度,或者改变度量值就能实现业务人员分析需求的变更,这个操作只需要几秒钟,快速获取价值,无需复杂的建模工作。

      可以按需抽取数据源的表,随时调整。

      界面展现控件丰富,布局灵活。

      OLAP需要花费大量的时间,并需要专业的技能来构建Cube。一旦最终用户希望增加、调整多维分析的要求,则必须将其需求递交给IT人员,由IT人员从数据建模,Cube制作直至展现,重新构建。

      性能

      高性能的列存储数据集市,分布式计算架构,内存缓存交换机制,实现百亿级数据的秒级计算响应。

      随着并发用户的增加,报表和OLAP的内容增多,分析维度的增加,系统的响应速度将愈缓慢,即便增加多个应用服务器,也难以从根本上解决性能问题

      项目风险

      独特的产品技术架构,无需复杂的建模工作,按需快速调整分析维度和度量,极大的灵活性,加快了项目实施周期,也降低了项目的风险。

      核心就是数据建模,数据建模的好坏影响前端分析的效果是否能满足用户的需求,增加了项目的风险度,直接决定了商务智能的成败;

      实施周期

      动态建模、实时计算,无需事先定义分析维度和CUBE,项目实施周期短。

      产品结构简单,少量培训即可使用,无需专业的技术技能。

      实施周期一般以周来估算。

      数据建模的过程通常占整个商务智能项目的30%-50%时间,造成项目周期比较长。产品体系复杂,需要大量培训,有经验的专业人员才能实施。

      实施周期一般以月来估算。

      总结来说,用敏捷可视化的工具连接企业自有数据库,搭建一个用户画像平台,根据不同的用户交互场景,随时分析用户特征,快速洞察用户需求。这期间的建模和维度分解工作做好即可。

    God has given me a gift. Only one. I am the most complete fighter in the world. My whole life, I have trained. I must prove I am worthy of someting. rocky_24
  • 相关阅读:
    [kuangbin带你飞]专题十六 KMP & 扩展KMP & ManacherK
    [kuangbin带你飞]专题十六 KMP & 扩展KMP & Manacher J
    [kuangbin带你飞]专题十六 KMP & 扩展KMP & Manacher I
    pat 1065 A+B and C (64bit)(20 分)(大数, Java)
    pat 1069 The Black Hole of Numbers(20 分)
    pat 1077 Kuchiguse(20 分) (字典树)
    pat 1084 Broken Keyboard(20 分)
    pat 1092 To Buy or Not to Buy(20 分)
    pat 1046 Shortest Distance(20 分) (线段树)
    pat 1042 Shuffling Machine(20 分)
  • 原文地址:https://www.cnblogs.com/rocky24/p/5756589.html
Copyright © 2011-2022 走看看