如何构建用户画像模型（3分钟了解用户画像知识点）

人们面对大数据，更多的是将大数据进行汇总、计算，借助数据可视化分析问题、解决问题，这是分析解决问题的一种思维方式和工作方法。

面对大数据这一新业态，政府、企业更关心的是如何让大数据落地，并产生实际的商业价值，比如说增加销售额、获得利润突破等。

用户画像，便是大数据商业应用的一个典型。今天，我们将使用永洪BI带领大家从多维度突破用户画像。

什么是用户画像？

用户画像，即用户信息的标签化，是企业通过收集、分析用户数据后，抽象出的一个虚拟用户，可以认为是真实用户的虚拟代表。

用户画像的核心工作，就是为用户匹配相符的标签，通常一个标签被认为是人为规定的高度精炼的特征标识。

用户画像从多维度对用户特征进行构造和刻画，包括用户的社会属性、生活习惯、消费行为等，进而可以揭示用户的性格特征。

有了用户画像，企业就能更深入地了解用户，实现精准营销。这样既节省营销成本，又能使营销效果最大化。

用户画像的价值是什么？

用户画像的价值主要有以下几个方面：

1. 精准营销，分析产品潜在用户，针对特定用户群体利用短信、邮件等形式进行营销；
2. 用户统计，比如中国大学购买书籍人数TOP 10等；
3. 数据挖掘，构建智能推荐系统，利用关联规则计算喜欢红酒的人通常喜欢什么运动品牌，利用聚类算法分析喜欢红酒的人年龄段分布情况等；
4. 进行效果评估，完善产品运营，提升服务质量；
5. 指导产品研发以及优化用户体验，在以客户需求为导向的企业中，企业可以对目标用户的相关数据进行组合、处理、分析，搭建一个初步的用户画像，对用户喜好、功能需求进行统计，从而设计制造更加符合核心需求的新产品，为用户提供更好的产品体验和服务。

如何构建用户画像？

用户画像的构建可以分为三个阶段：基础数据采集阶段、行为建模阶段及构建用户画像阶段。

构建用户画像的三个阶段

首先是基础数据收集阶段。

构建用户画像是为了将用户信息还原，构建一个用户数据模型。

基础数据大致可以分为网络行为数据、服务内行为数据、用户内容偏好数据、用户交易数据这四类。

网络行为数据包括活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等。

服务内行为数据包括浏览路径、页面停留时间、访问深度、页面浏览次数等。用户内容偏好数据包括浏览/收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等。

用户交易数据（交易服务类）包括贡献率、客单价、连带率、回头率、流失率等。

其次是行为建模阶段。

该阶段是对基础数据收集阶段收集到的数据做处理，进行行为建模，抽象出用户的标签。

在这个阶段，需要通过将定性研究法与定量研究法相结合建立模型，为每个用户打上标签及对应标签的权重。

一般来说，在用户画像中，定性表现为对产品、行为、用户个体的性质和特征做出概括，形成对应的产品标签、行为标签及用户标签。

定量则是在定性的基础上，给每个标签赋予特定的权重，最后通过数学公式计算得出总的标签权重，从而形成完整的用户模型。

最后是构建用户画像阶段。

该阶段可以说是对第二阶段的深入，要把用户的基本属性（年龄、性别、地域）、购买能力、行为特征、兴趣爱好、心理特征、社交网络大致地标签化，当所有数据被打上标签并被赋予权重后，即可用来搭建用户画像的基本模型。

当用户画像基本搭建好后，使用数据可视化分析把用户画像真正利用起来，针对用户群体去做深入分析。

比如可以根据用户价值细分出核心用户、评估某一用户群体的潜在价值，制定针对性的运营策略等等。

B2B用户画像示例

B2C用户画像示例

用户画像应用

1、实现精准化营销

实现精准化营销精准化营销具有极强的针对性，是企业和用户之间点对点的交互。

精准营销不但可以让营销变得更加高效，也能为企业节约成本。

2、指导产品研发以及优化用户体验

在过去较为传统的生产模式中，企业始终奉行着“生产什么就卖什么给用户”的原则，这种闭门造车的产品开发模式，常常会产生“做出来的东西用户完全不买账”的情况。

如今，“用户需要什么企业就生产什么”成为主流，越来越多的企业把用户的真实需求摆在了最重要的位置。

在用户需求为导向的产品研发中，企业通过获取到的大量目标用户数据，进行分析、处理、组合，初步搭建用户画像，做出用户喜好、功能需求统计，从而设计制造更加符合核心需要的新产品，为用户提供更加良好的体验和服务。

3、做相关的分类统计

基于用户画像的信息标签，借助永洪BI，通过简单的拖拽操作，就可以快速制作出各种满足业务需要的可视化分析报告。

再通过数据过滤、多维钻取分析、数据高亮分析、趋势分析、目标值分析、聚焦分析等永洪内置功能，获取隐藏在数据背后的价值，提高整体决策效率和决策水平，为业务增长注入动力。

4、做相关的数据挖掘

在用户画像数据的基础上，借助永洪深度分析模块，可以选择如一元线性回归、逻辑回归、K-means聚类、HoltWinters时序分析、关联分析、决策树等各种经典机器学习算法，通过简单的可视化操作，即可轻松构建机器学习模型，完成预测分析。

下图就是通过关联规则计算，由A联想到B，也就是著名的“啤酒和尿布”的故事。

以上内容就是对大数据商业应用用户画像的简要介绍。