专注APP运营推广与商业变现
  • APP图标 APP
    Android二维码
    扫码下载APP干货铺子
  • 注册 登录
  • 首页
  • 特邀专栏
  • 活动福利
  • 投稿合作
用户画像的典型应用场景及案例分享

作者:易观方舟AnalysysData · 2023-09-26

上文《还在面对海量数据做标签?一文带你梳理用户画像体系的科学逻辑》我们介绍了用户画像体系的生成逻辑,今天我们继续分享用户画像的应用场景及典型案例。


1

First Point

用户画像的典型应用场景


1.1 个性化推荐


标签可以作为个性化推荐算法的一部分输入,用户标签体系可以在个性化推荐中起到关键作用。


图片


以电商业务场景为例,我们可以将用户路径划分为6个环节:闲逛-搜索-比价-购买-晒单-分享。每个环节中推荐商品的策略都有所不同,需要有用户标签才能实现推荐信息精准触达目标用户。


闲逛,根据用户全网购物偏好标签,为其推荐符合与其偏好一致的跨品类热门商品。

搜索,根据用户在列表页的点击行为、搜索商品的关键词,结合全网购物偏好,为用户生成个性化排序列表页中的商品。

比价,所对比的商品特征和全网购物偏好,推荐用户最有可能购买的商品。

购买,结合用户购物车中的商品,推荐跨品类搭配商品或相关优惠套装。

晒单,晒单后,根据全网购物偏好,结合会员积分和优惠券进行个性化推荐。

分享,快消品,根据复购周期推荐同类商品;耐用品,根据购物偏好推荐关联商品。


整个路径可以描述从用户没有明确的购买需求,到查看相关信息确认购买目标,再通过不同商品的价格对比制定购买决策,获得优惠信息产生加购或者直接购买行为,最后实现用户晒单等分享行为。


业务导向的用户标签体系是自下而上进行构建的,要求企业能从整体出发判断用户当前所处的场景,再设置对应的业务目标,进而确定为了达成业务目标所需要的标签,再去反推该标签是通过何种算法和规则生成的,最后再去反推标签最底层的元数据是什么。


这样基于业务需求或者实际产品来构建的标签体系,更有助于实现业务目标。而不是凭空给用户打了成百上千个标签,却没有实际效果。


1.2 协同推荐


协同推荐指电商平台中推荐系统的一种算法,利用某兴趣相投、拥有共同购物需求的群体喜好来推荐用户感兴趣的信息,例如淘宝的“猜你喜欢”。


在垂直应用领域,企业通常根据用户的偏好标签实现用户的兴趣扩散。协同推荐的算法分为两个方面:不同用户之间的关联度、用户和商品之间的关联度。


举个例子,如果我们现在有U1、U2、U3这些用户数据,想要给第N个用户推荐一些合适的商品,这时候我们需要两部分的内容:

•不同用户之间的相似度

•不同用户和不同商品之间的关联度


图片


协同推荐的基本逻辑如下:

•先通过用户标签找到和第N个用户相似的一批用户,即和第N个人打上相同标签的一批人;

•按照蓝色路径计算,U3、U1与Un的相似度分别是0.45和0.3;

•按照红色路径计算,U2、U1与Un的相似度分别是0.4和0.35;

•所有路径的相似度叠加之后,U1、U3、U2与Un的相似度分别是0.55、0.45和0.4;

•由此判定,U1和Un是最相像的。所以,可以把U1买过但是Un还没有买过的商品推荐给Un,Un可能会把它加入购物车。

当第N个用户进入电商平台中,就能通过两方面的计算结果,展示用户最有可能感兴趣的商品。不难发现,协同推荐的关键是算法对用户的不同标签进行加权计算。


1.3 RTB广告


RTB(Real Time Bidding)广告,即“实时竞价”广告,其提升了网络广告投放的精准性,广告主要求获得可观的广告投入产出比,媒体平台则需要有足够的用户浏览量作为实现变现的前提。

RTB广告应用标签时描述的就是一个基本广告投放流程:从用户侧访问到媒体的流量侧,然后将广告主的预算发到广告平台上,最终完成广告投放。


图片


上述三个主体在数据交易方面各有利益倾向:广告平台想要保证最大收益;广告主想要保证总体投入的ROI;流量平台想要保证自己的位置能产生足够的流量变现。

•广告主自己的DSP

通常,广告主会构建自己的DSP,即用于网络投放的数据平台,其中保存大量的用户标签。

•第三方DSP

有的广告主会对接第三方的DSP,作为自己数据的一个加值,加值自身所不具备的数据标签。

•免费产品盈利

很多产品可能是免费使用的,但其实本身他就是采集很多数据,再把这些数据加工成标签,再卖给一些广告平台,通过数据变现产生盈利,然后再去支撑前端免费的业务。

三者之间的利益平衡只能通过“在合适的时间,在合适的广告位置,把合适的广告内容,曝光给合适的人”来实现——这就需要投放算法和构建完善的用户标签体系。


2

Second Point

用户画像的行业应用案例


行业应用案例之某银行


银行业是最早开始进行用户标签体系的行业之一,原因有三:一,银行拥有丰富且高质量的用户数据;二,银行在信用卡等业务版块有着非常强烈的营销需求;三,银行有充足的资金委托第三方公司为其进行用户标签体系的建设。

易观方舟服务的该银行,采用的数据包括行业资深行为数据、该银行内的储藏的数据,以及他们在第三方外部采买的一些数据,如征信的数据和运营商的数据,共同形成用户标签体系。


●系统定位

整合行内各渠道用户行为数据、数据仓库数据及行外第三方数据,挖掘用户潜在需求,形成用户画像;针对不同用户画像制定营销规则,将个性化营销策略推送到各电子渠道,支持未来互联网场景化营销。


●核心功能

我们依据实际应用场景,构建了以下核心功能:

  ○ 用户画像:基于用户交易记录和实时行为,形成个性化的客户标签,通过标签的组合,构建出客户的用户画像。

  ○ 个性化精准推荐:基于推荐算法和规则,通过引擎,实时生成个性化推荐建议。

  ○ 模型实验室:对算法模型进行训练和优化。

  ○ 推荐效果评估:通过模型计算,评估推荐效果,识别推荐的有效性与否。

  ○ 权益投放策略管理:依据营销方案,结合产品、服务特征,实现个性化推荐线上权益的投放策略,及投放效果评估。

  ○ 广告投放策略管理:依据营销方案,结合渠道、内容特征,实现个性化推荐线上广告及投放效果评估。


● 解决方案

落实到解决方案层面,我们主要做了三件事情:

a.构建基础性标签,依据客户浏览、购买、持有、赎回、续约等配置资产行为及对应的产品特征不同,分别统计每个理财有效客户在4类近20个产品上的年日均余额及资产占比,统计得出产品三性偏好基础标签。

b.商业建模,基于基础标签进行商业建模,形成流动性、安全性、收益性标签。流动性标签:产品流动性偏好、交易频次、特殊行为(提前赎回理财转让)等;风险性标签:产品风险性偏好、风险信用等;收益性标签:产品收益性偏好、持有时长等。

c.用户分群,按照用户每个标签的“高-中-低”结果进行分类,将客户分为27类,并制定对应的营销策略。

这是构建用户标签体系的基本思路,掌握其方法论就能以不变应万变。因为底层逻辑始终不变,会随环境变化只是数据的来源和标签体系的应用场景。


行业应用案例之某券商


我们在给某券商做用户标签体系项目的时候,根据客户属性、客户行为、客户价值,生成了14个一级标签;每个一级标签,下分为若干个二级、三级标签……这些标签的数据来源包括一方数据、埋码采集(BDI)数据和第三方数据。

图片


以“网上开户上网特征”举例,基于该一级标签衍生出2个二级标签:“PC端开户上网特征”和“移动端开户上网特征”;每个二级标签继续衍生出上网时长、上网时段、上网频次、终端类型、操作系统、浏览器等三级标签……这类细致、精准的标签非常利于优化券商开户的用户体验。

因为券商的开户与APP注册不同,除了手机号、姓名之外,还要填写大量繁杂的个人信息。很多用户可能填一半的时候就填不下去了,线上客户流失率较高;这时需要利用到用户标签来筛查是哪些用户的流失率较高,他们使用的终端是什么、浏览器是什么、通常在什么时段开户、该时段的服务器是否稳定……我们可以对症下药,对其进行优化迭代,从而优化用户体验。


通过以上案例不难发现,构建一个完整的用户标签体系是比较复杂的,完善的用户画像可能涉及到几百个标签的构建。

但即使面对一套庞大的标签体系建设,我们依然可以通过自下而上的方式,将场景切割成多个细分垂直的标签类目。

通常来说,构建完善的用户画像可能只需要几个月就可以完成,但构建的完成并不是标签体系的终点。用户标签体系有其自身的生命周期,需要企业在几年甚至更长的时间内持续维护用户标签体系,使其能为我们的业务增长不断助力。


作者:易观方舟AnalysysData

本文经授权发布,不代表APP干货铺子立场。如若转载请联系原作者。

原文链接如下:https://mp.weixin.qq.com/s/yOyHMzw5DAYxJqFUxOguQg


    标签:

  • 用户画像

    分享到:

下一篇文章:
  • 热门文章
  • 热门标签
  • 1 技术和数据,破局渠道数字化的两大法则
  • 2 近 30 天热门短剧App出海投放洞察
  • 3 盘点8种移动端广告样式常见尺寸和设计规范
  • 4 如何设计一个完整的交互流程,提升产品用户体验
  • 5 广告联盟选哪家?带你看优量汇&穿山甲
  • 6 电商转化率还能这样看?
  • 7 40个互联网广告专业术语,投放必备!
  • 8 一文搞懂小红星、星知任务、星火计划!
  • 移动互联网
  • 运营
  • APP推广
  • 行业快讯
  • 运营分析
  • 互联网+
  • 渠道推广
  • 用户运营
  • ASO
  • 商业化模式
  • 增值服务
  • 广告变现
  • 移动APP
  • 渠道
  • 内容运营
  • App Store
  • 推广
  • 电商
  • APP营销
  • 产品运营
  • 微博营销
  • 活动运营
  • 游戏
  • 信息流广告
  • 社区运营
  • 职场
  • 创业
  • 产品推广
  • 广告投放
  • 网红经济
  • 微信
  • 广告技术
  • 网红
  • 行业洞察
  • 直播
  • 新媒体运营
  • 程序化广告
  • B站
  • 品牌营销
  • APP广告变现
  • 行业报告
  • 广告商业变现
  • 手游
  • 抖音
  • 快手
  • 腾讯
  • 游戏运营
  • 流量变现
  • 小红书
  • 短视频
  • APP
  • APP干货铺子
  • APP干货铺子
  • APP干货铺子
  • APP干货铺子
  • APP干货铺子
app干货铺子
APP干货铺子
APP干货铺子 APP干货铺子 老板娘微信:18938040424
app干货铺子

合作伙伴

  • 皓量科技 |
  • 微思敦 |
  • 小敦客户中心 |
  • 活动盒子 |
  • 鸟人网 |
  • App Growing |
  • 热云数据 |
  • 爱运营 |
  • 手游那点事 |
  • 诸葛智能 |
  • 微营销手册 |
  • 蝉大师 |
  • APP营 |
  • 量江湖ASM智投 |
  • 艾奇在线 |
  • 饮鹿网 |
  • 七麦数据 |
  • 运营狗 |
  • CC数据 |
  • 起点学院 |
  • 信息流雷达 |
  • 运营喵 |
  • 有米有站 |
  • 新媒体之家 |
  • 蜂库导航 |
  • 一只青蟹 |
  • easyAI知识库 |
  • PaaSoo国际短信 |
  • 小码助手 |
  • 闯奇科技 |
  • CQADO信息流数据 |
  • 蝉妈妈抖音数据 |
  • 快出海 |
  • BigBigAds |
  • 鸟人笔记 |
  • 阿里巴巴国际站 |
  • 数字时代 |
  • 侃文案 |
  • 洞见研报 |
  • 神赞新媒体营销 |
  • ASOTools |
  • NIUKE跨境通 |
  • 得书网 |
  • 宜日达 |
  • 外贸客户开发软件 |
  • Smartproxy |
  • Diffshop店湖 |

联系我们

联系微信:18938040424

纯干货,喂饱你

订阅
微信公众号

微 信 公 众 号

Copyright © 2015- APP干货铺子 版权所有 京ICP备20017819号

您的报名信息已提交!
请等待工作人员的进一步通知

好的

欢迎报名

您的姓名:
请填写您的真实姓名(必填)
手机号码:
请填写您常用的手机号码(必填)
电子邮箱:
请填写您常用的电子邮箱(必填)
公司名称:
请填写您所在的公司名称(必填)
职位名称:
请填写您的职位名称(必填)
所 在 地:
请填写您的所在地(必填)
微博昵称:
请填写您的微博昵称(选填)
QQ 号码:
请填写您的QQ号码(选填)
微信:
请填写您的微信(选填)
提交
APP干货铺子
  • 首页
  • 特邀专栏
  • 活动福利
  • 投稿合作
用户画像的典型应用场景及案例分享

易观方舟AnalysysData · 2023-09-26

上文《还在面对海量数据做标签?一文带你梳理用户画像体系的科学逻辑》我们介绍了用户画像体系的生成逻辑,今天我们继续分享用户画像的应用场景及典型案例。


1

First Point

用户画像的典型应用场景


1.1 个性化推荐


标签可以作为个性化推荐算法的一部分输入,用户标签体系可以在个性化推荐中起到关键作用。


图片


以电商业务场景为例,我们可以将用户路径划分为6个环节:闲逛-搜索-比价-购买-晒单-分享。每个环节中推荐商品的策略都有所不同,需要有用户标签才能实现推荐信息精准触达目标用户。


闲逛,根据用户全网购物偏好标签,为其推荐符合与其偏好一致的跨品类热门商品。

搜索,根据用户在列表页的点击行为、搜索商品的关键词,结合全网购物偏好,为用户生成个性化排序列表页中的商品。

比价,所对比的商品特征和全网购物偏好,推荐用户最有可能购买的商品。

购买,结合用户购物车中的商品,推荐跨品类搭配商品或相关优惠套装。

晒单,晒单后,根据全网购物偏好,结合会员积分和优惠券进行个性化推荐。

分享,快消品,根据复购周期推荐同类商品;耐用品,根据购物偏好推荐关联商品。


整个路径可以描述从用户没有明确的购买需求,到查看相关信息确认购买目标,再通过不同商品的价格对比制定购买决策,获得优惠信息产生加购或者直接购买行为,最后实现用户晒单等分享行为。


业务导向的用户标签体系是自下而上进行构建的,要求企业能从整体出发判断用户当前所处的场景,再设置对应的业务目标,进而确定为了达成业务目标所需要的标签,再去反推该标签是通过何种算法和规则生成的,最后再去反推标签最底层的元数据是什么。


这样基于业务需求或者实际产品来构建的标签体系,更有助于实现业务目标。而不是凭空给用户打了成百上千个标签,却没有实际效果。


1.2 协同推荐


协同推荐指电商平台中推荐系统的一种算法,利用某兴趣相投、拥有共同购物需求的群体喜好来推荐用户感兴趣的信息,例如淘宝的“猜你喜欢”。


在垂直应用领域,企业通常根据用户的偏好标签实现用户的兴趣扩散。协同推荐的算法分为两个方面:不同用户之间的关联度、用户和商品之间的关联度。


举个例子,如果我们现在有U1、U2、U3这些用户数据,想要给第N个用户推荐一些合适的商品,这时候我们需要两部分的内容:

•不同用户之间的相似度

•不同用户和不同商品之间的关联度


图片


协同推荐的基本逻辑如下:

•先通过用户标签找到和第N个用户相似的一批用户,即和第N个人打上相同标签的一批人;

•按照蓝色路径计算,U3、U1与Un的相似度分别是0.45和0.3;

•按照红色路径计算,U2、U1与Un的相似度分别是0.4和0.35;

•所有路径的相似度叠加之后,U1、U3、U2与Un的相似度分别是0.55、0.45和0.4;

•由此判定,U1和Un是最相像的。所以,可以把U1买过但是Un还没有买过的商品推荐给Un,Un可能会把它加入购物车。

当第N个用户进入电商平台中,就能通过两方面的计算结果,展示用户最有可能感兴趣的商品。不难发现,协同推荐的关键是算法对用户的不同标签进行加权计算。


1.3 RTB广告


RTB(Real Time Bidding)广告,即“实时竞价”广告,其提升了网络广告投放的精准性,广告主要求获得可观的广告投入产出比,媒体平台则需要有足够的用户浏览量作为实现变现的前提。

RTB广告应用标签时描述的就是一个基本广告投放流程:从用户侧访问到媒体的流量侧,然后将广告主的预算发到广告平台上,最终完成广告投放。


图片


上述三个主体在数据交易方面各有利益倾向:广告平台想要保证最大收益;广告主想要保证总体投入的ROI;流量平台想要保证自己的位置能产生足够的流量变现。

•广告主自己的DSP

通常,广告主会构建自己的DSP,即用于网络投放的数据平台,其中保存大量的用户标签。

•第三方DSP

有的广告主会对接第三方的DSP,作为自己数据的一个加值,加值自身所不具备的数据标签。

•免费产品盈利

很多产品可能是免费使用的,但其实本身他就是采集很多数据,再把这些数据加工成标签,再卖给一些广告平台,通过数据变现产生盈利,然后再去支撑前端免费的业务。

三者之间的利益平衡只能通过“在合适的时间,在合适的广告位置,把合适的广告内容,曝光给合适的人”来实现——这就需要投放算法和构建完善的用户标签体系。


2

Second Point

用户画像的行业应用案例


行业应用案例之某银行


银行业是最早开始进行用户标签体系的行业之一,原因有三:一,银行拥有丰富且高质量的用户数据;二,银行在信用卡等业务版块有着非常强烈的营销需求;三,银行有充足的资金委托第三方公司为其进行用户标签体系的建设。

易观方舟服务的该银行,采用的数据包括行业资深行为数据、该银行内的储藏的数据,以及他们在第三方外部采买的一些数据,如征信的数据和运营商的数据,共同形成用户标签体系。


●系统定位

整合行内各渠道用户行为数据、数据仓库数据及行外第三方数据,挖掘用户潜在需求,形成用户画像;针对不同用户画像制定营销规则,将个性化营销策略推送到各电子渠道,支持未来互联网场景化营销。


●核心功能

我们依据实际应用场景,构建了以下核心功能:

  ○ 用户画像:基于用户交易记录和实时行为,形成个性化的客户标签,通过标签的组合,构建出客户的用户画像。

  ○ 个性化精准推荐:基于推荐算法和规则,通过引擎,实时生成个性化推荐建议。

  ○ 模型实验室:对算法模型进行训练和优化。

  ○ 推荐效果评估:通过模型计算,评估推荐效果,识别推荐的有效性与否。

  ○ 权益投放策略管理:依据营销方案,结合产品、服务特征,实现个性化推荐线上权益的投放策略,及投放效果评估。

  ○ 广告投放策略管理:依据营销方案,结合渠道、内容特征,实现个性化推荐线上广告及投放效果评估。


● 解决方案

落实到解决方案层面,我们主要做了三件事情:

a.构建基础性标签,依据客户浏览、购买、持有、赎回、续约等配置资产行为及对应的产品特征不同,分别统计每个理财有效客户在4类近20个产品上的年日均余额及资产占比,统计得出产品三性偏好基础标签。

b.商业建模,基于基础标签进行商业建模,形成流动性、安全性、收益性标签。流动性标签:产品流动性偏好、交易频次、特殊行为(提前赎回理财转让)等;风险性标签:产品风险性偏好、风险信用等;收益性标签:产品收益性偏好、持有时长等。

c.用户分群,按照用户每个标签的“高-中-低”结果进行分类,将客户分为27类,并制定对应的营销策略。

这是构建用户标签体系的基本思路,掌握其方法论就能以不变应万变。因为底层逻辑始终不变,会随环境变化只是数据的来源和标签体系的应用场景。


行业应用案例之某券商


我们在给某券商做用户标签体系项目的时候,根据客户属性、客户行为、客户价值,生成了14个一级标签;每个一级标签,下分为若干个二级、三级标签……这些标签的数据来源包括一方数据、埋码采集(BDI)数据和第三方数据。

图片


以“网上开户上网特征”举例,基于该一级标签衍生出2个二级标签:“PC端开户上网特征”和“移动端开户上网特征”;每个二级标签继续衍生出上网时长、上网时段、上网频次、终端类型、操作系统、浏览器等三级标签……这类细致、精准的标签非常利于优化券商开户的用户体验。

因为券商的开户与APP注册不同,除了手机号、姓名之外,还要填写大量繁杂的个人信息。很多用户可能填一半的时候就填不下去了,线上客户流失率较高;这时需要利用到用户标签来筛查是哪些用户的流失率较高,他们使用的终端是什么、浏览器是什么、通常在什么时段开户、该时段的服务器是否稳定……我们可以对症下药,对其进行优化迭代,从而优化用户体验。


通过以上案例不难发现,构建一个完整的用户标签体系是比较复杂的,完善的用户画像可能涉及到几百个标签的构建。

但即使面对一套庞大的标签体系建设,我们依然可以通过自下而上的方式,将场景切割成多个细分垂直的标签类目。

通常来说,构建完善的用户画像可能只需要几个月就可以完成,但构建的完成并不是标签体系的终点。用户标签体系有其自身的生命周期,需要企业在几年甚至更长的时间内持续维护用户标签体系,使其能为我们的业务增长不断助力。


作者:易观方舟AnalysysData

本文经授权发布,不代表APP干货铺子立场。如若转载请联系原作者。

原文链接如下:https://mp.weixin.qq.com/s/yOyHMzw5DAYxJqFUxOguQg


    标签:

  • 用户画像

    分享到:

APP干货铺子作者 易观方舟AnalysysData 易观方舟是易观集团旗下的全场景私域用... 117篇

纯干货,喂饱你

订阅

合作伙伴

  • 皓量科技 |
  • 微思敦 |
  • 小敦客户中心 |
  • 活动盒子 |
  • 鸟人网 |
  • App Growing |
  • 热云数据 |
  • 爱运营 |
  • 手游那点事 |
  • 诸葛智能 |
  • 微营销手册 |
  • 蝉大师 |
  • APP营 |
  • 量江湖ASM智投 |
  • 艾奇在线 |
  • 饮鹿网 |
  • 七麦数据 |
  • 运营狗 |
  • CC数据 |
  • 起点学院 |
  • 信息流雷达 |
  • 运营喵 |
  • 有米有站 |
  • 新媒体之家 |
  • 蜂库导航 |
  • 一只青蟹 |
  • easyAI知识库 |
  • PaaSoo国际短信 |
  • 小码助手 |
  • 闯奇科技 |
  • CQADO信息流数据 |
  • 蝉妈妈抖音数据 |
  • 快出海 |
  • BigBigAds |
  • 鸟人笔记 |
  • 阿里巴巴国际站 |
  • 数字时代 |
  • 侃文案 |
  • 洞见研报 |
  • 神赞新媒体营销 |
  • ASOTools |
  • NIUKE跨境通 |
  • 得书网 |
  • 宜日达 |
  • 外贸客户开发软件 |
  • Smartproxy |
  • Diffshop店湖 |

联系我们

联系微信:18938040424

Copyright © 2015- APP干货铺子 版权所有
京ICP备20017819号

您的报名信息已提交!请等待工作人员的进一步通知

您的报名信息已提交!
请等待工作人员的进一步通知

好的
APP干货铺子
APP 干货铺子
专注APP运营推广与商业变现
免费下载
APP 干货铺子