促销敏感度模型
1.
对于租凭公司平台而言,全范围的促销投放和对所有用户发放优惠券之类的,的确可以得到不错的效果,比如2019年的春节,公司通过对所有老用户发放优惠券,成功争取到了1000多订单。但是如果想进一步提高销售额的话,就需要公司对消费者进行更精细化的运营,对不同促销敏感度的用户,进行精确的营销,差别化发放优惠券,促销效果必然会事半功倍。就像公司里,春节时期,即使都是处于满租情况,但是如果精确话营销的话,销售额会提升很多。
2.
数据准备
衡量电商的消费者是否对促销敏感,主要是通过他的历史订单里促销优惠的比例来判断。一般我们认为,用户的含促销订单比例越高,敏感度越高;促销金额比例越大,敏感度越高。
a.
时间范围:查询每个消费者的1年内的数据,敏感度具有时效性,随着年龄和收入的增长,敏感度也会发生变化,以一年为临界点更具代表性。
b.
订单单量数据:提取用户订单数据,计算一年内的订单总数和用户参与优惠的订单数。这里的优惠可以是满减,满赠或者使用优惠券的订单。
c.
订单价格数据:汇总用户所有订单未优惠前总价格,汇总用户所有订单参与优惠的总金额,价格数据可以用np.log()将其偏态分布转为比较标准的正态分布
3.
处理好的数据字段
a.
优惠订单占比
b.
平均每单优惠金额占比
c.
优惠金额与总金额占比
4.
模型
通用型:将敏感度,划分6个等级。极度敏感,较敏感,一般敏感,较不敏感,极度不敏感。然后使用k-mean聚类将其分成6个类别。此敏感度模型输入,其相似点是优惠订单占比,统计三个数据字段的指标之和。三者之和越小,代表价格敏感度越低。然后根据每个用户的订单数据情况,每个指标我们都会得到一个预测值,这个值在你标准化后的值之间,当预测值未负的时候,我们可以理解为对价格不敏感。然后我们就得到了以下的数据。
然后可以根据业务需求,去定敏感度划分,例如可以把小于0的定位不敏感,在0和1之间的为一般敏感,大于1的为敏感用户。
购买力模型
1.
消费者购买力,是指消费者购买商品的能力。在一定时期内,能够反映他的消费水平和消费层级。购买力模型属于用户画像的一部分,是区分人群和定义用户身份的其中一项标签。模型具有实效性,数据是动态变化的。
2.
数据和模型
衡量一个用户购买力高低需要在不同类别商品下进行分析的。例如:一个用户在服装上花费很少,购买的衣着大都是平民价位的商品,但是在摄影和相机方面上花费甚高。针对这问题,可以建立不同商品的购买力模型。比如衣着-购买力模型,化妆品-消费模型之类的。或者也可以针对不同类目进行权重分配,然后统计总的用户购买力模型。
a.
用户的订单数据
消费者在不同种类商品下购买的商品价格,反应了在此品类下的消费能力和水平。统计用户购买同一类商品(例如:化妆品)高中低各价格段的比列,生成三个数据字段(根据业务要求进行价格区间的划分)。可以直接根据这些数据字段进行一个聚类(k-mean或dbscan)来划分用户在这类商品的购买力。
3.
实践
本身在租凭行业,产品比较单一,因此只需要考虑同一种类商品就行。在特征工程上,先将商品根据业务要求进行了价格划分,分别计算了其不同程度的占比(比例情况)。再此基础上,我加了一个数据字段--adr(日订单均价),然后用k-mean进行了聚类。得出的模型结果,可以根据业务要求进行调整,或者根据实际的分类结果进一步优化。
购物决策模型
1.
此模型所依赖的衡量标准是
用户购买商品或者下单过程产生的行为
来刻画的。可以根据业务需要,将用户购买商品的决策划分为
购物冲动型
、
海淘犹豫型
和
理想比较型
等。此模型标签作用:统计不同购物人群的比列,用于营销活动的设计或者产品的设计。
2.
数据和模型
主要的数据类型:用户完成订单前的浏览时间、浏览SKU数量(SKU就是相当于一款商品,但是例如同款多色的话,SKU是不同)、订单是否取消、订单付款时间和下单时间的差值等有关的特征进行聚类。
PS:
因为用户的购物决策是有时效性的,在取数据时,根据行业和业务需求,取最近一年或相关时间的数据。
品类综合偏好度
1.
品类偏好度是用户通过搜索、浏览、关注、购买品类商品的次数、频率这些特征,来计算对品类的权重,最后用户与用户会有个纵向比较。例如:计算某款车型的偏好。取最近一段时间订单里该款车型的占比,再与其他用户进行纵向比较。
2.
数据和模型
偏好度不需要一些机器学习的知识,只要简单的统计次数占比,再进行一个纵向比较,即可完成用户对某款商品的偏好度。
用户价值模型
1.
一个很经典的RFM模型,根据在某一段时间内,用户最近的消费间隔,消费次数和消费金额,再根据k-mean结合,对用户价值的一个划分。每个数据字段划分高、低的话,共分8类用户,如下图所示:
2.
注意一点,不仅仅可以局限于这三个数据字段,可以根据业务需求,加入某些字段,进行调整模型。
用户活跃度模型
1.
跟RFM模型很相似的RFE模型,是根据最近一次访问时间R( Recency)、访问频率 F(Frequency)和页面互动度 E(Engagements),在根据k-mean,进行划分的的一种模型。
a.
最近一次访问时间 R( Recency)
: 会员最近一次访问或到达网站的时间。
b.
访问频率 F( Frequency)
:用户在特定时间周期内访问或到达的频率。
c.
页面互动度 E( Engagements)
:互动度的定义可以根据不同企业或行业的交互情况而定,例如可以定义为页面 浏览时间、浏览商品数量等。
PS:
在RFE模型中, 由于不要求用户发生交易, 因此可以做未发生登录、 注册等匿名用户的行为价值分析, 也可以做 实名用户分析。 该模型常用来做用户活跃分群或价值区分。
本文转自:
用户画像
实践篇
1. 什么是
用户画像
用户画像
的核心是为
用户
打标签,即——将
用户
的每个具体信息抽象成标签,利用这些标签将
用户
形象具体化,从而为
用户
提供有针对性的服务。
一般我们的目标
用户
就是一个群体(可以通过一个个的标签来描述这个群体)。
2.
用户画像
体系相关概念
用户画像
是通过分析
用户
的基础信息、特征偏好、社会属性等各维度的数据,刻画出
用户
的信息全貌,从
中
挖掘
用户
价值,从而提供个性化推荐、精准营销等服务。
2.1 标签类型
2.1.1 统计类标签
这类标签是最为基础也最为常见的标签类型,例
“
用户画像
作为一种设计工具,可以很好得帮助设计师跳出“为自己设计”的惯性思维,聚焦目标
用户
,发现核心价值,赋能产品,在互联网各类型产品
中
有广泛的应用。在产品研发过程
中
,产品、设计、研发等人员经常会提到“我们要为目标
用户
设计”、“我们的
用户
是谁”等字眼,可见找准目标
用户
在产研过程
中
至关重要。
用户画像
作为一种设计工具,可以很好得帮助设计师跳出“为自己设计”的惯性思维,聚焦目标
用户
,发现核心价值,赋能产品,在互联网各类型产品
中
有广泛的应用。”
当我们在淘宝搜索一本书时,淘宝就会推送相关书籍,再回到首.
1、什么是
用户画像
?
用户画像
是建立在一系列真是数据之上的目标
用户
模型
,即
用户
属性值不同将
用户
分布展示2、功能介绍1)分析内容 可进行
用户画像
分析的属性:
用户
属性
中
的枚举类型属性我们会分析您上传的
用户
属性值,若不同的属性值个数小于100且为字符类型,系统会自动认定该属性为枚举类属性2)选择
用户
选择
用户
,可以选择任意一个已创建的
用户
群组,单独对该
用户
群组的
用户
进行事件分析选择
用户
组后,依旧可以选择
用户
...
二、为什么需要
用户画像
用户画像
的核心工作是为
用户
打标签,打标签的重要目的之一是为了让人能够理解并且方便计算机处理,如,可以做分类统计:喜欢红酒的
用户
有多少?喜欢红酒的人群
中
,男、女比例是多少?
也可以做...
文章目录一、性别预测问题二、特征数据选取(1)比如选取以下的
用户
特征数据:(2)经验样本数据(3)待测试数据三、算法选择·朴素贝叶斯问题:处理:四、代码详解(1)工具类(2)主代码
一、性别预测问题
用户
注册时,所填写的性别,存在大概率的随意性;
不能完全作为
用户画像
的性别参考;
所以在无法通过直接手段获得
用户
真实性别的情况下,需要通过
用户
的各种行为特征,来对
用户
的性别进行预测。
二、特征数据...
我们经常在淘宝网购物,作为淘宝方,他们想知道
用户
是什么样的,年龄、性别、城市、收入、购物品牌偏好、购物类型、平时的活跃程度等,这样的一个
用户
描述就是
用户画像
分析。在实际工作
中
,
用户画像
分析是一个重要的数据分析手段,帮助产品策划人员对产品功能进行迭代,帮助产品运营人员做
用户
增长。作为产品策划人员,需要策划一个好的功能,获得
用户
最大的可见价值与隐形价值、必须价值与增值价值,那...
最近在工作之余,结合自己的理解和论坛上的一些帖子,整理了份
用户画像
的文章,个人觉得这篇文章在宏观上很好地描述了
用户画像
的主要内容。(文章内的图片来源于不同帖子,权当分享,侵删)一、 什么是
用户画像
用户画像
是指根据
用户
的属性、
用户
偏好、生活习惯、
用户
行为等信息而抽象出来的标签化
用户
模型
。通俗说就是给
用户
打标签,而标签是通过对
用户
信息分析而来的高度精炼的特征标识。通过打...