交互设计之父Alan Cooper 最早提出了用户画像的概念,如今我们都说用户画像对于企业各层面乃至当今整个时代都尤为重要。
用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心工作就是给用户打“标签”,而标签是通过对用户信息分析而来的高度精炼的特征标识。
无论是做大数据,还是做智能化,用户画像都特别重要。为什么这么说呢?
我们常听到的有:以消费群体为对象的“客户画像”,在企业级市场里应用的“企业画像”,在制造、电信、公安等行业里的“设备画像”、“网络画像”、“特殊人群画像”,各具特点,一般比较常见和通用的称呼就是“用户画像”。
虚拟世界和现实世界不同的是,没有距离的概念,数据没有形状大小,可瞬间抵达,但是在虚拟世界依然要有自己的规则来还原和模拟现实世界。比如,现实世界中有房间、门、锁,在虚拟世界里也需要建立防范措施,来保护人们的安全。同样,现实中的实体事物,在虚拟世界中会有对应的数字表达,数据画像在一定意义上就是人、机器、场所、机构等事物在虚拟世界的数字再现。
用户画像应用的场景
用户画像在实际业务运营中主要应用在以下方面:
1. 数据挖掘,精准营销
通过用户画像和产品画像的匹配度构建智能推荐系统,利用关联规则计算、聚类算法分析等手段,分析挖掘潜在客户;基于用户画像设计营销方案,高效触达,降低销售成本,提高销售效率。
2. 产品设计,运营分析
根据用户画像设计产品,避免产品设计和生产的盲目性,降低设计失误和投入风险;通过对用户产品使用行为分析,分析各项产品要素的适用度,提升用户数量和粘性。
3. 效果评估,风险控制
进行效果评估,完善产品运营,提升服务质量,相当于市场调研、用户调研、定位服务群体,提供高水平的服务;通过用户画像进行全面透视、精准分析、可靠预测,也是实现风险控制的根本要素。
以银行为例,跟大家探讨用户画像与精准营销、产品创新以及风控合规之间的联系。
客户营销方面:银行可以运用大数据收集广泛的信息,为用户构建崭新的360度的画像,其分析力度将精细到每个用户的个体分析,洞察用户的情感、情绪,预测用户的期待,并及时组织好相匹配的产品与个性化的服务。
风险合规方面:银行可以利用大数据收集并量化互联网上的各类信息,通过模型计算出客户的信用情况和违约概率,并引入交易行为、客户评价等多侧面、多维度的关联数据,以大数据的思维构建新的信用评价模型,从而更精准有效地评价客户的信用特征。
产品创新和资源配置方面:大数据可以帮助银行深入了解自身的运营情况,辅助改造和优化业务管理流程,改善运行效率,提高产品创新速度,更有效地开展绩效管理和资源配置。
企业如何构建用户画像
用户画像系统包含几部分,如:
-
数据层:数据收集和处理;
-
处理层:业务数据建模和用户属性和行为标签输出;
-
应用层:通过用户属性和行为标签可以筛选出特定用户进行短信、邮件等方式触达;
-
前端UI:用户画像的可视化,用图表展示用户属性;
-
业务层:针对不同业务需求输出不同用户画像集合;
建立用户画像系统的步骤:
1. 数据收集和整理
数据收集大致分为网络行为数据、服务行为数据、用户内容偏好数据、用户交易数据这几类。值得一提的是,储存用户行为数据时,最好同时储存发生该行为的场景,以便更好地进行数据分析。数据收集完毕后,需要对数据进行错误订正、缺失数据填补等工作,最后将数据结构处理成模型可用的结构。
2. 数据建模
该阶段是对上阶段收集到的数据的处理,进行行为建模,以抽象出用户的标签,这个阶段注重的应该是大概率事件,通过数学算法模型尽可能排除用户的偶然行为。
这时也要用到机器学习对用户的行为、偏好进行猜测,好比一个y=kx+b的算法,x代表已知信息,y是用户偏好,通过不断地精确k和b来精确y。
这个阶段,需要用到很多模型来给用户打标签:
用户忠诚度模型;
用户价值模型;
用户购买力模型;
用户群……
3. 数据可视化分析
这是把用户画像真正利用起来的一步,在此步骤中,一般是针对群体的分析,比如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间,以作出针对性的运营。
声明:本文来自金融科技安全,版权归作者所有。文章内容仅代表作者独立观点,不代表士冗科技立场,转载目的在于传递更多信息。如有侵权,请联系 service@expshell.com。