面包君
用户画像我们主要是这6个维度。
这里面会大概有600多个标签,有原始数据、也有通过模型预测的。
比如你是多大、性别这些都是知道,但是你什么时候生孩子、什么时候结婚都是预测的。
用户画像做什么用?个性化,精准化营销!
方式有两种 ,一种是传统的BI的方式,描述用户画像的群体特征,比如我们的用户是理财小白,我们就要去想这些屌丝有什么习惯,给他们什么产品合适。
第二种方式就是机器学习,通过大数据训练的方式来做自动化的个性化营销。通过这些600多个特征的不同组合,训练出AUC大于0.7以上的model,再实测。
举个例子,就是我们在天猫logo做的“千人千面”。
每个广告推荐都是通过分析用户的历史行为,推断出用户最喜爱的品牌;当他来到网站时,在资源位上自动展现他喜爱的品牌logo。
基本思路:
要实现这个目标,需具备以下3个条件:
1) 建立一个logo库:存放品牌ID/所属类目/logo图片/跳转链接等必要信息;
2) 有一套业务逻辑&数据模型算法,分析计算出每个人可能最想看到的品牌;
3) 有一套产品支持:利用推荐引擎产品和前端开发实现对应资源位的个性化展现;
我们会每天喝着茶,思考着人生,看看这些不同model跑出来的效果。
资源位个性化推荐的方式,优点是能明显提升资源位的整体使用效率。但实际使用时需要注意以下几点:
1) 由于方法仅适用于投放素材相对固定的资源位;
2) 可供推荐的素材“库”要达到一定规模,算法才能体现出效果,否则会因为“人和内容匹配度不高”而无法达到个性化效果,如“库”仅20-30个素材,人工经验挑选可能效果更好;
3) 利用判断用户偏好来进行推荐的方式,其效果也与资源位所在页面的“用户识别程度”有关,“对用户身份识别度高”&“识别到的用户有较多历史行为”的页面效果更好,反之,如流量来源主要是外投的页面or新用户注册完成页面,则效果不明显。
而围绕用户画像的传统BI的做法,是建立数据监控体系,有个类似会员健康度的东东。
差不多是这些,欢迎补充。