江苏龙网

  1. 首页 > 资讯 > 科技 > >

|用户画像规划流程和方法( 二 )


聚类算法：聚类算法较多 ， 如ANN神经网络和贝叶斯等 ， 聚类主要是针对冷启动用户、用户分群营销等目的；具体算法相对复杂 ， 目前算法应用多使用python的各种库如Sklearn ， 包括一些框架tensorflow、caffe等 。
相似度模型：一般使用相似度模型进行辅助用户分群 ， 常用的有逻辑回归、线性回归、余弦相似度、皮尔森相似度等 。
具体说下余弦相似度：
|用户画像规划流程和方法
本文插图

实例：
|用户画像规划流程和方法
本文插图

用户1和用户2通过公式计算相似度为0.945406 ， 是不是可以解释为两个用户可以划分为同一类人 ， 进行用户分群（计算过程只是用于解释算法 ， 无其他意义） 。
若已有数据仓库 ， 数据采集相对比较轻松 ， 可参考文章“每日优鲜如何搭建数据仓库？” 。
2. 用户维度分析
用户分析具有多维度 ， 随时间更新的特点 ， 包括用户年纪、学历、兴趣、消费水平等都容易变化 。
因此维度信息应该随着用户偏好发生变化 ， 因此 ， 在标签系统中需要有新增标签功能 。
|用户画像规划流程和方法
本文插图

3. 维度标签化
用户画像最终的实现应该是对维度进行标签化 ， 常用MECE法则进行标签化 ， 防止标签界限不清晰 。
标签需要根据需要进行逐级拆分 ， 例如：
|用户画像规划流程和方法
本文插图

4. 标签映射 ， 接口封装
用户画像数据导入服务器中 ， 为后续推荐系统 ， 营销活动服务；封装成API可以作为数据服务的内容 ， 对其他系统提供数据支持 。
5. 用户画像评估
对画像进行评估：
用户覆盖率：用户画像具体能够覆盖到多少用户 ， 有些用户画像可能覆盖总用户的50%或者80%；所以覆盖率是用户画像应用的一个评价 ， 覆盖率越高 ， 对后续精准营销的策略选择越准确 。
准确率：模型的准确性 ， 如上所述 ， 使用算法模型导致的用户分群错误或者对用户的购买意向预测错误 ， 将直接影响购买率 ， 影响GMV 。
可拓展：用户画像在维度刻画应该是可扩展的 。
及时性：如果用户画像服务到实时推荐系统中还需要用户画像的及时 。
四、总结
用户画像结合大数据技术使用户刻画更加细致、及时 ， 对日趋竞争激烈的互联网浪潮起到越来越重要应用 。
本文由@汪仔2296 原创发布于人人都是产品经理 ， 未经许可 ， 禁止转载 。
题图来自Unsplash, 基于CC0协议


推荐阅读


上一篇：|诺奖热背后，带来4点冷思考

下一篇：新机发布|小米11真机曝光！这配置，你真不期待？