用户画像中常用的用户模型

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。

用户画像中常用的用户模型相关推荐

用户画像中怎么给用户打标签
首先,要了解标签的概念标签是人工定义的.高度凝练的特征表示.标签有两个特点:语义化和短文本.语义化指的是容易理解,短文本指的是标签本身不需要进行过多文本分析等预处理工作,可以直接参与特征提取等. 以 ...
大数据中的用户画像——让机器懂用户
一.用户画像的定义用户画像(persona) 的概念最早由交互设计之父Alan Cooper 提出: "Personas are a concrete representation of ...
【原】浅谈KL散度（相对熵）在用户画像中的应用
最近做用户画像,用到了KL散度,发现效果还是不错的,现跟大家分享一下,为了文章的易读性,不具体讲公式的计算,主要讲应用,不过公式也不复杂,具体可以看链接. 首先先介绍一下KL散度是啥.KL散度全称Ku ...
python用户画像建模_求用户画像的详细解释、建模方法及算法模型
先给你一个传送门,目测是一个腾讯内部的培训资料:https://bbs.pinggu.org/thread-3868699-1-1.html 该文档我看了,虽然比较浅,但内容相当实在--目前大家谈起用 ...
用户画像标签维度_用户画像详解：关于用户画像的What、Why、How
今天谈谈大家经常听到却又一肚子懵逼的"用户画像". What 基础概念扫盲用户画像(User Profile):也称人物角色,是根据用户社会属性.生活习惯和消费行为等信息而抽象出 ...
什么是用户画像？如何构建用户画像？
我们通过这篇文章,介绍我们理解的两种用户画像(User Persona 和 User Profile),以及如何构建用户画像(User Profile)的标签体系并驱动产品智能. User Perso ...
最佳实践 | 通过用户画像工具确定目标用户
问题产品的功能繁多,却无法真正满足任何一种用户的需求不论什么规模的组织,资源永远是有限的.如果你想覆盖多种用户的需求,产品为很多不同类型的用户而设计,会使产品过于复杂,结果是任何一种用户你都无法真 ...
美团外卖的用户画像怎么设计？用户画像全流程讲解！
陈旸 | 作者王兴说过,我们已经进入到互联网的下半场.在上半场,也就是早期的互联网时代,你永远不知道在对面坐的是什么样的人.那个年代大部分人还是 QQ 的早期用户.在下半场,互联网公司已经不新鲜了, ...
用户画像系列——什么是用户画像？金融行业大数据用户画像实践
进入移动互联网时代之后,金融业务地域限制被打破.金融企业没有固定业务区域,金融服务面对所有用户是平的. 金融消费者逐渐年轻化,80.90后成为客户主力,他们的消费意识和金融意识正在增强.金融服务正在从 ...
python用户画像_京东小家电用户画像分析（python+tableau）
一.项目背景京东电商平台最近小家电类目的订单数量.产品浏览量和搜索数量等均有所下降,相关部门计划对小家电类目进行一次促销活动,希望能针对小家电用户的特征提出相应的建议. 二.需求拆解促销活动主要包 ...

用户画像中常用的用户模型

用户画像中常用的用户模型相关推荐

最新文章

热门文章