用戶畫像 摘錄

用戶畫像的焦點工做就是爲用戶打「標籤」，而一個標籤一般是人爲規定的高度精煉的特徵標識，如年齡、性別、地域、用戶偏好等，最後將用戶的全部標籤綜合來看，就能夠勾勒出該用戶的立體「畫像」了。

 

 

具體來說，當爲 用戶畫像 時，須要如下四個階段：

　　1.戰略解讀：企業選擇構建用戶畫像平臺，能夠實現不一樣的戰略目的，如提高產品服務質量、精準營銷等。根據戰略目的的不一樣，用戶畫像的構建也有所區別。所以首先須要明確用戶畫像平臺的戰略意義、平臺建設目標和效果預期，進而有針對性的開展實施工做。

　　2.建模體系：對用戶畫像進行數據建模，結合客戶實際的需求，找出相關的數據實體，以數據實體爲中心規約數據維度類型和關聯關係，造成符合客戶實際狀況的建模體系。

　　3.維度分解：以用戶、商品、渠道三類數據實體爲中心，進行數據維度分解和列舉。根據相關性原則，選取和戰略目的相關的數據維度，避免產生過多無用數據干擾分析過程。

　　4.應用流程：針對不一樣角色人員的需求(如市場、銷售、研發等)，設計各角色人員在用戶畫像工具中的使用功能和應用/操做流程。

 

用戶畫像平臺的 戰略意義：

　　1. 完善產品運營，提高用戶體驗：改變以往閉門造車的生產模式，經過事先調研用戶需求，設計製造更適合用戶的產品，提高用戶體驗。

　　2 .對外服務，提高盈利：根據產品特色，找到目標用戶，在用戶偏好的渠道上與其交互，促成購買，實現精準運營和營銷。

 

如何搭建用戶畫像平臺？

        該平臺須要回答的核心問題是：用戶是誰? 用戶需求是什麼? 用戶在哪裏？

 

用戶畫像 建模體系

    　完善的用戶畫像平臺須要考慮周全的模型體系。一般來說，構建用戶畫像平臺所需的數據分紅 用戶、商品、渠道三類實體。

 

       1.用戶：數據維度包括天然特徵、興趣特徵、社會特徵、消費特徵。從數據特色上看，又可分爲 基本屬性 和 衍生標籤，基本屬性包括年齡、性別、地域、收入等客觀事實數據，衍生標籤屬於基本屬性爲依據，經過模型規則生成的附加判斷數據。

　　2.商品：數據維度包括 商品定位 和 商品屬性。商品屬性即商品的功能、顏色、能耗、價格等事實數據，商品定位即商品的風格和定位人羣，須要和用戶標籤進行匹配。

　　3.渠道：渠道分爲 信息渠道 和 購買渠道。用戶在信息渠道上得到資訊，在購買渠道上進行商品採購。不一樣類型的用戶對渠道有不一樣的偏好，精準的選擇對應的渠道才能提升效率和收益。

 

 

用戶畫像 數據維度

　　針對每一類數據實體，進一步分解可落地的數據維度，造成字段集。

　　1 用戶數據：

　　用戶天然特徵：性別，年齡，地域，教育水平，出生日期，職業，星座

　　用戶興趣特徵：興趣愛好，使用APP/網站,瀏覽/收藏內容，互動內容，品牌偏好，產品偏好

　　用戶社會特徵:婚姻情況，家庭狀況，社交/信息渠道偏好

　　用戶消費特徵：收入情況,購買力水平，已購商品，購買渠道偏好，最後購買時間，購買頻次

　　2 商品數據 (以消費電子類爲例)：

　　手機：品牌，顏色，尺寸，電池容量，內存，攝像頭，CPU，材質，散熱，價格區間

　　筆記本：品牌，屏幕尺寸，配置，顏色，風格，薄厚，價格區間

　　智能手錶：品牌，功能，材質，電池容量，顏色，風格，價格區間

　　{C}3.{C}{C}渠道數據(以消費電子類爲例)：

　　信息渠道：微信，微博，論壇，SNS，貼吧，新聞網站，諮詢App

　　購買渠道:電商平臺，微店，官網，實體店，賣場

 

 

 

用戶畫像使用場景

   　　場景一，按需設計：改變原有的先設計、再銷售的傳統模式，在研發新產品前，先基於產品指望定位，在用戶畫像平臺中分析該用戶羣體的偏好，有針對性的設計產品，從而改變原先新產品高失敗率的窘境，加強銷售表現。好比，某公司想研發一款智能手錶，面向28-35歲的年輕男性，經過在平臺中進行分析，發現材質=「金屬」、風格=「硬朗」、顏色=「黑色」/"深灰色"、價格區間=「中等」的偏比如重最大，那麼就給新產品的設計提供了很是客觀有效的決策依據。

　　   場景二，精準營銷：針對已有產品，尋找所偏好的精準人羣分類，以及這些人羣在信息渠道和購買渠道上的分佈比例，來決定廣告投放和活動開展的位置、內容等，實現精準營銷。

 

 

 

用戶畫像平臺技術方案

 

從數據源到最終展示分紅以下幾層：

    　1.數據源：包括來自各個業務系統和媒介的分析數據源，其載體包括數據庫、文件、大數據平臺等。

　　2.數據建模：根據用戶畫像建模體系，配置數據模型。

　　3.數據集市：每一個數據集市是基於一個主題作好輕量建模的細節數據，數據按照列存儲的方式，被高效壓縮，打好標籤，存儲在磁盤中。當須要計算時，採用內存計算來進行數據計算，而且每臺機器節點會同時計算，最終會將結果送往可視化分析層作展示。

 

敏捷可視化分析已成主流

　　目前，可視化分析行業的建設思路也在發生着積極變化。敏捷可視化分析這一思路，從被你們認知，繼而逐步接受，到了今天已經成爲了主流。敏捷可視化分析經過敏捷、迭代的可視化分析應用開發模式，能快速知足客戶的可視化分析需求;經過提高可視化分析系統的交付成功率，去最大化客戶的商業價值。

 

　　基於敏捷可視化分析產品，客戶的可視化分析應用不用等待數月之久，採用快速交付、持續迭代的敏捷開發，一個可視化分析需求能夠在一週以內就獲得響應並交付給用戶。

　　同時，基於自服務(Self-Service)的實現理念，敏捷可視化分析支持最終用戶經過簡單、靈活、強大的可視化分析前端去實現本身的可視化分析應用。經過打造「發現問題、找到答案、採起行動」的可視化分析閉環，敏捷可視化分析不但能最快地知足客戶的需求，還能下降IT部門的沉重負擔。

　　敏捷可視化分析對比傳統可視化分析

　　敏捷可視化分析

　　傳統可視化分析

　　產品結構

　　一個廠家提供的一個工具，集ETL、OLAP、展示於一體

　　由ETL工具、數據倉庫、CUBE、OLAP、報表工具等不一樣廠家不一樣產品組成

　　安裝過程

　　安裝文件100M，幾分鐘內安裝完成。

　　安裝文件龐大(甚至幾張光盤)，配置複雜，須要幾天時間

　　數據來源

　　數據倉庫、數據集市、ODS以及源業務系統均可以做爲數據源，無需數據倉庫、第三方數據庫或CUBE文件。

　　須要數據倉庫、第三方數據庫或CUBE文件支持;

　　建模過程

　　從數據源或數據倉庫中直接抽取細節數據。

　　任何字段均可以做爲維度和度量，靈活組合。

　　不基於Cube的彙總數據，保證分析的靈活性。

　　ETL：從源系統中將源數據根據構建完成的數據模型，抽取、轉換並裝載到數據倉庫。Cube生成：將數據倉庫中的星型模型數據，根據需求生成OLAP Cube，供給前端分析工具展示。

　　靈活性

　　只須要在界面中選取新的緯度，或者改變度量值就能實現業務人員分析需求的變動，這個操做只須要幾秒鐘，快速獲取價值，無需複雜的建模工做。

　　能夠按需抽取數據源的表，隨時調整。

　　界面展示控件豐富，佈局靈活。

　　OLAP須要花費大量的時間，並須要專業的技能來構建Cube。一旦最終用戶但願增長、調整多維分析的要求，則必須將其需求遞交給IT人員，由IT人員從數據建模，Cube製做直至展示，從新構建。

　　性能

　　高性能的列存儲數據集市，分佈式計算架構，內存緩存交換機制，實現百億級數據的秒級計算響應。

　　隨着併發用戶的增長，報表和OLAP的內容增多，分析維度的增長，系統的響應速度將愈緩慢，即使增長多個應用服務器，也難以從根本上解決性能問題

　　項目風險

　　獨特的產品技術架構，無需複雜的建模工做，按需快速調整分析維度和度量，極大的靈活性，加快了項目實施週期，也下降了項目的風險。

　　核心就是數據建模，數據建模的好壞影響前端分析的效果是否能知足用戶的需求，增長了項目的風險度，直接決定了商務智能的成敗;

　　實施週期

　　動態建模、實時計算，無需事先定義分析維度和CUBE，項目實施週期短。

　　產品結構簡單，少許培訓便可使用，無需專業的技術技能。

　　實施週期通常以周來估算。

　　數據建模的過程一般佔整個商務智能項目的30%-50%時間，形成項目週期比較長。產品體系複雜，須要大量培訓，有經驗的專業人員才能實施。

　　實施週期通常以月來估算。

　　總結來講，用敏捷可視化的工具鏈接企業自有數據庫，搭建一個用戶畫像平臺，根據不一樣的用戶交互場景，隨時分析用戶特徵，快速洞察用戶需求。這期間的建模和維度分解工做作好便可。