江苏龙网

  1. 主页 > 生活百科 > >

3分钟了解用户画像数据 用户画像数据包括哪些内容

编辑导语:如今这个大数据时代，每个用户都被标签化，通过用户画像推送相关新闻来了解用户；最常见的情况是，你买了一件商品后，推荐会自动推送与这件商品相关的商品，促进消费；本文作者分享了什么是真正的用户画像 。让我们一起来看看吧 。
用户画像，又称用户角色，作为勾画目标用户、连接用户需求和设计方向的有效工具，被广泛应用于各个领域 。
在实际操作过程中，我们往往用最简单、最贴近生活的词语，将用户的属性、行为、预期的数据转化联系起来；用户画像形成的用户角色作为实际用户的虚拟代表，并不是在产品和市场之外构建的，形成的用户角色需要有代表性的表现来代表产品的主要受众和目标群体 。(来源百度)
一、用户画像是什么？ 用户画像的核心是对用户进行标签化，即将用户的每一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 。
我理解的用户画像是一种标签(浅层次)，是数据的集合(深层次)，最终的导向是获取用户的信息，提供战略决策 。
1. 什么是标签 比如:男，28岁，未婚，收入2万，热爱美食，科技控，喜欢美女，喜欢旅游，有车 。
这个描述是初步的用户画像，也就是一组标签信息(也就是用户信息标注) 。
那我们来看看这张截图:
(源站酷，作品集中的一页)
这明显是反面教材 。你能在这张截图中看到任何标签吗？
从，姓名，学生，年龄，即将毕业，艺校学生，探索未知等标签，可以知道专业水平和学习兴趣？这是怎么挖出来的？
标签可以分为三类(广义):
统计类标签：这类标签是最为基础也最为常见的标签类型，例如：对于某个用户来说，其姓名、性别、年龄、地市、活跃时长等，这类数据可以从用户注册数据、用户消费数据中得出，该类数据构成了用户画像的基础 。规则类标签：该类标签基于用户行为确定的规则产生 。例如：定义该用户为高频投诉用户，规则为“近30天投诉次数＞10”；在实际开发画像的过程中，由于运营人员对业务更为熟悉，而数据人员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则由运营人员和数据人员共同协商确定 。学习挖掘类标签：该类标签通过系统智能化学习挖掘产生，用于对用户的某些属性或某些行为进行预测判断；例如：根据用户的消费行为习惯判断该用户的消费能力、对某类商品的偏好程度，该类标签需要通过算法挖掘产生 。规则(比如这个规则就是给用户贴上消费能力之类的标签) 。
同样的产品:我姐开了个宝，什么都便宜，我却贵，你知道吗？
2. 为什么需要标签？ 用户画像的核心工作是给用户贴标签 。标注的一个重要目的就是让研究或者产品可以理解，方便数据统计 。
以电子商务为例:
比如标签可以分类统计:有多少用户喜欢美食？喜欢美食的男女比例是多少？
【3分钟了解用户画像数据 用户画像数据包括哪些内容】细分类:有多少人喜欢甜食？有多少人喜欢辣条？那么它们的地理分布比例是多少呢？那么男性和女性对凉茶的喜好比例是多少呢？
例如，标签可以用于数据挖掘/清洗:利用关联规则计算喜欢食物的人通常喜欢什么样的卧室环境 。然后我们也可以分析出任何地区的人更喜欢什么样的食物和环境 。
根据初步的数据分析结果，我们可以得出这样的结论:这个上海地区的人一旦登录某个电商APP，就可以根据该地区的喜好(比如大部分上海人喜欢吃甜零食，或者小资生活的周边和布局等)快速推送 。).
那么就会涉及到一个“模型” 。通过算法和训练，一个APP可以更懂你 。
举个例子，我在某宝上买了一个汽车改装产品，我发疯一样把车推荐给你 。因为我的购买(成绩)、浏览相关(计算)、浏览时间(培训)，他比较确定，我对这方面的需求很大 。
二、数据分析本质是什么？ 由于本文侧重于交互端，数据分析留到下次 。
数据分析的本质是获取信息和知识，用于判断和决策 。
根据分析的方法和目的，数据分析可分为:
描述性分析:将数据整合成可视化的报告，进行演讲或陈述，但不能说明某些结果和未来事件 。
1. 信息可视化 预测分析:预测分析不仅可以描述数据特征与变量(可以假设取消区间的因素)之间的关系，还可以根据过去的数据预测未来 。
预测分析会先确定变量值之间的相关性，然后根据这个已知的相关性预测另一种现象发生的可能性(比如短视频中会产生一个广告，通过行为事件预测购买/下载产品的可能性) 。


推荐阅读


上一篇：最值推荐的10个项目 农村创业项目排行榜前十名

下一篇：有效的8种获取途径 流量获取途径有哪些