基于用户画像的精准营销决策建议

        读研期间，最大的收获就是在导师的引导下，多次带领团队参与政府及公司的合作项目。在项目中增长了实践经验，积累了相关统计知识、学习了模型构建方法及算法编写的优化方式。

     趁着现在不忙，把部分可公开、不涉密的项目经历梳理出来，将自己努力的成果写在博客里，既是为自己学过的知识梳理总结、为自己的汗水留份纪念，也可以为需要学习的小伙伴做个参考借鉴。

     原创内容，未经允许不得转载和全篇引用。

 基于用户画像的精准营销决策建议

 

一、什么是用户画像？

   1、提出背景

       互联网进入大数据时代，消费者消费行为改变、消费需求出现分化，企业想要实现精准营销服务，深入挖掘潜在的商业价值，“用户画像”概念应运而生。

    2、定义来源

         源于现实、高于现实： 用户画像是描述用户的数据，是符合特定业务需求的对用户的形式化描述

         源于数据，高于数据： 用户画像是通过分析挖掘用户尽可能对的数据信息而得到的

    3、什么是用户画像

         用户画像，即用户信息标签化。

                    每个标签都规定了我们观察、认识和描述用户的一个角度；

                    各个标签的维度不孤立，标签之间有联系，构成用户画像一个整体

    4、应用实现

•        分析---消费者社会属性   生活习惯   浏览行为
•        提取---用户的信息全貌
•        定位---用户行为习惯    消费习惯
•        实现---企业盈利目的   提升客户满意度

二、基于用户画像的精准营销

    1.为用户打标签

 

   

     2.销售领域用户画像体系

数据源	建立模型	用户标签
用 户 数 据 行 为 数 据 消 费 数 据 商 品 数 据 库 存 数 据 客 服 数 据 反 馈 数 据	用 户 购 买 力 模 型 群 体 画 像 模 型 购 买 兴 趣 模 型 促 销 敏 感 度 模 型 商 品 质 量 模 型 库 存 预 测 模 型	用 户 DNA 品 类 偏 好 品 牌 偏 好 促 销 偏 好 价 格 偏 好 季 节 影 响

 

    3.精准营销的应用

           识别高价值用户、智能推荐、广告投放建议、会员营销服务、提升用户满意度。

三、实例验证

    1.识别高价值用户

        数据源：最近一次消费、消费金额、消费频次

 

       实现一：定位高价值用户群---提高忠诚度---增加回购率

               对于已购买的用户。通过聚类分析，将购买过该品牌洗护用品的人群按照最近一次消费、消费频次、消费金额，根据其相似程度聚为不同的类群。对聚类后的特定群体实行RFM分析，该类用户重复购买该商品的概率为51%。

        商家可以针对该类用户推广优惠力度，吸引回购，增加回购率。

 

       实现二：定位潜在用户群---主动营销---产生实际购买行为

              通过分类分析方法，将最近一次消费过竞品办公用具的人群按照年龄、职务、消费能力、浏览信息等特征分类，对分类后的人群以短息、邮件等形式推送相应的办公用品信息、并在其常用浏览平台推送我方商家相应广告，同时采取适当的优惠活动如：满减、包邮、满额折扣等。

         吸引潜在用户，促使其产生实际购买行为

 

    2.智能推荐

         数据源：用户基础信息、行为偏好、消费能力、购物偏好

        模型选取：关联规则、聚类分析、贝叶斯估计

        用户标签体系如下：

         根据用户近期的消费行为和第三方平台浏览记录，建模分析，构建用户标签体系，形成用户画像群，实现为特定的客户投其所好，推荐其可能感兴趣的商品信息，或者促销活动。

     3.广告精准投放

        数据源：用户基础信息、浏览信息、消费能力、购物偏好、现有广告推广情况、客户反馈意见。

        模型选取：聚类分析、关联规则、贝叶斯概率、灰色预测模型

        模型实现：

        针对用户搜索度投放广告

        由贝叶斯估计和关联规则分析

        如：中等以上消费水平的用户，经常在搜索引擎上关注汽车信息，同时又搜索车饰用品的用户为53%，向该类顾客投放汽车类、汽车车饰、汽车保养等相关广告，其成功购买的支持度为83%。

        针对客户需求投放广告

        通过聚类方法分析客户群需求相似程度，通过个性化推荐引擎向用户推荐其感兴趣的内容。

        如：毕业两年以内的90后职场新人，消费水平较低，对促销活动、打折信息的关注支持度为52%

        针对已投放广告效果评价

        将用户浏览内容、浏览时段、广告投放页面位置、广告品类信息等数据计算贝叶斯概率、关联分析

        如：针对在亚马逊平台推广的图书满减广告页面，学生用户，在开学初期，点击该广告并浏览的概率为61%，支持度为79%。

     4.会员营销

        数据源：用户基础信息、会员反馈意见、会员维修情况、会员投诉信息

        模型选取：关联规则

        针对海尔洗衣机的会员营销案例

    1.通过分析后为陈女士推送了全自动、节能、前开式洗衣机的产品信息；

    2.并以短信和邮件的方式向陈女士发出邀请；

    3.陈女士到大连海尔旗舰店，现场体验了该类型洗衣机功能；

    4.最终陈女士购买了这款洗衣机。

 

     5.提升用户满意度

     实现方法：

•      个性化搜索---针对用户的行为偏好和购物偏好，对用户要搜索的信息加上相应权重，将用户可能感兴趣的商品加大权重，让用户最先搜索到。
•      社交传播---根据用户浏览信息和消费水平，在微信平台上针对特定用户推广其倾向的品类牌广告，如：针对经常关注化妆用品的女士推荐美妆广告；针对经常浏览汽车信息的用户推送汽车新品宣传活动。
•      热力图工具---基于数据分析方法，显示哪些地区热度高、哪些品类用户比较关注等实时状态。
•      智能选品---根据用户画像，采用关联规则和灰色预测模型，对用户登录页面或APP时优先推荐用户感兴趣的商品。
•      DSP广告---根据客户搜索信息，用户主动看过什么就会给用户推相应的广告如某用户在淘宝上看了一个马克杯，接下来你去浏览新浪、搜狐、微博等门户网站时，就会看到马克杯的广告。