PICC用戶畫像解決方案

1、Pice項目用戶畫像解決方案1、 41.1、 用戶細(xì)分-國像與營銷41.2、 用戶Z田分一圓像的概念4121、用戶彳亍為名田分4122、用戶價值細(xì)分41.2.3、 用戶需求細(xì)分51.3、 用戶細(xì)分-畫像的應(yīng)用場景5 <2、口口 彳 51.3.3、交叉銷售52、 621、6 1» 1、 J JJ ' I* 1J212、 VjI 8213、 J、' QQ/Xll9214、 口口】，口1.1.5. 訂單明細(xì)表101.1.6. 業(yè)務(wù)數(shù)據(jù)庫101.1.7. 對照字典101.1.8. 用戶信息匯總101.1.9. 數(shù)據(jù)集市邏輯設(shè)計132.2、 數(shù)據(jù)獲取13221、線上行為數(shù)

2、據(jù)132.3、 數(shù)理142.3.1. 用戶識另U142.3.2. 用戶瀏覽行1為整合14233、用戶投保彳丁為整合152.3.4. 用戶投保行為分類標(biāo)簽生成162.3.5. 用戶購買可能性分析172.3.6. 產(chǎn)品首頁的關(guān)聯(lián)推薦182.3.7. 訂單支付完成頁面的關(guān)聯(lián)推薦192.4、 數(shù)據(jù)挖掘模型202.4.1. 分分析202.4.2. 聚類分析21243、多元分謝莫型22231.背景1.1,用戶細(xì)分畫像與營銷典型的營銷活動相關(guān)的數(shù)據(jù)分析包括以下步驟：1、收集用戶不同方面的數(shù)據(jù)2、用戶分析與用戶細(xì)分,分析不同群組的行為與需求3、建立用戶響應(yīng)預(yù)測模型，定位響應(yīng)可能性較高的用戶4、選擇不同的渠道、

3、時間和Offer5、通過測試和控制組比較分析效果6、通過營銷分析優(yōu)化下一次的渠道、Offer等因此用戶細(xì)分（畫像）在營銷活動中的作用是理解、定位與篩選用戶。1.2、用戶細(xì)分畫像的概念1.2.1,用戶行為細(xì)分按照用戶行為方式將用戶分為不同的群組，可以按照以下幾種維度進行細(xì)分: 用戶購買方式細(xì)分（時間、地點、設(shè)備、渠道）用戶購買產(chǎn)品細(xì)分（產(chǎn)品類別偏好）例如在保險行業(yè)按照用戶購買產(chǎn)品細(xì)分，可以分為旅游與運輸險用戶、家庭 與責(zé)任險用戶、車險用戶等。1.2.2,用戶價值細(xì)分按照用戶產(chǎn)生的價值進行細(xì)分，可以分為高價值、普通和低價值用戶。1.2.3,用戶需求細(xì)分按照用戶人生階段，可以分為初入職場、家庭建立,

4、財富累積、職業(yè)生涯晚 期等不同階段，每個不同階段的用戶有不同的需求。1.2.4,用戶畫像在用戶細(xì)分的基礎(chǔ)上，分析各個群組的其它維度。例如在購買產(chǎn)品行為細(xì)分 的基礎(chǔ)上,分析各個群組的年齡、性別、瀏覽、購買方式等，形成完整的用戶群 組描述。13.用戶細(xì)分畫像的應(yīng)用場景根據(jù)用戶的歷史購買金額數(shù)據(jù)，進行用戶價值細(xì)分，通過分析當(dāng)前高價值用 戶群體的特征，定位與高價值用戶類似的用戶。1.3.2.產(chǎn)品定位根據(jù)產(chǎn)品購買行為和產(chǎn)品使用行為數(shù)據(jù)，分析當(dāng)前公司已有的用戶細(xì)分與每 個細(xì)分所占份額，通過與競爭對手用戶細(xì)分所占份額進行比較，分析優(yōu)勢細(xì)分群 體與未覆蓋細(xì)分群體的市場份額與產(chǎn)品屬性偏好，進行新產(chǎn)品的定位。13

5、.3,交叉銷售在向用戶銷售新產(chǎn)品時，通過分析樣本用戶中最終購買和未購買用戶的個人 基本信息、歷史購買記錄和歷史瀏覽記錄，建立購買可能性預(yù)測模型，提取在非樣本用戶中購買可能性較高的那一部分人群，提升轉(zhuǎn)化率。1.3.4.精準(zhǔn)推薦通過分析用戶的購買行為分類、瀏覽行為分類和年齡、性別等個人基本信息, 找到與指定用戶相似的用戶群體，計算該用戶群體最多購買的產(chǎn)品，向該指定用 戶進行相似度推薦。當(dāng)用戶瀏覽產(chǎn)品A時，分析所有瀏覽過產(chǎn)品A用戶的瀏覽 記錄，找到瀏覽產(chǎn)品A后最有可能瀏覽的其它產(chǎn)品，進行關(guān)聯(lián)推薦。2、實施過程2.1,數(shù)據(jù)定義數(shù)據(jù)集市的目的是整合所有數(shù)據(jù)挖掘和營銷相關(guān)的用戶數(shù)據(jù)，確保數(shù)據(jù)的完 整性，以

6、及提升數(shù)據(jù)挖掘項目的速度。數(shù)據(jù)集市中至少應(yīng)當(dāng)包括用戶基本信息、 用戶訪問記錄、用戶產(chǎn)品瀏覽記錄、用戶購買記錄和數(shù)據(jù)對照字典?？赡艿臉I(yè)務(wù) 場景包括產(chǎn)品關(guān)聯(lián)分析、用戶響應(yīng)預(yù)測、用戶細(xì)分-畫像、2.11、用戶基本信息整合之后的用戶基本信息應(yīng)當(dāng)包括身份識別標(biāo)識，姓名，性別，年齡、婚姻 狀況、學(xué)歷、地區(qū)、聯(lián)系方式、小孩數(shù)量等數(shù)據(jù)，如有其它外部源數(shù)據(jù)，可通過 用戶身份信息表進行關(guān)聯(lián),并導(dǎo)入外部相關(guān)標(biāo)簽信息。用戶身份信息表，用于識別并標(biāo)識唯一用戶。屬性說明訪問標(biāo)識主鍵訪客標(biāo)識訪問時間證件類型證件號碼會員賬號手機號碼郵箱噴該表為用戶身份信息表，作為數(shù)據(jù)集市的一個底層表。用戶信息表來源為線 上渠道，包括epic

7、c網(wǎng)站、w叩端、客戶端以及微信頁面,主要用于對線上用 戶的唯一識別及整合客戶身份信息。用戶唯一識別規(guī)則如下：(1)優(yōu)先以證件號碼作為唯一用戶識別標(biāo)識，同一訪客不同證件號碼，將 會算不同的用戶；不同訪客，同一證件號碼，會歸為同一個客戶；(2 )證件號不存在時，以用戶用效手機號為唯一識別標(biāo)識，處理規(guī)則同上；(3)手機號不存在時,以用戶會員賬號為唯一識別標(biāo)識,處理規(guī)則同上；(4)會員賬號不存在時，以有效的郵箱號碼為唯一標(biāo)識，處理規(guī)則同上；唯一標(biāo)識確定之后，在整合用戶身份信息時，如果存在唯一標(biāo)識相同，其他 身份信息不同，則以訪問時間最近一次為準(zhǔn)，最終將用戶身份信息以唯一識別標(biāo) 識為中心，整合成一條數(shù)據(jù)

8、；2.1.2,用戶訪問記錄用戶訪問記錄表，作為數(shù)據(jù)集市的一個底層表,存放用戶每次訪問的相關(guān)記錄，主要涉及字段如下表：屬性說明訪問標(biāo)識主鍵訪客標(biāo)識訪問時間訪問次數(shù)訪問深度登錄貞面退出貞面營銷渠道SEM/DSP/EDM/短信來源類型搜索引摯外部關(guān)鍵詞內(nèi)部關(guān)鍵詞訪問渠道例如 Web、APP、WAP分辨率操作系統(tǒng)設(shè)備名稱App運宮1曲App下載渠道App2.1.3,產(chǎn)品瀏覽表產(chǎn)品瀏覽表，記錄線上渠道用戶每次訪問的產(chǎn)品瀏覽記錄訪問標(biāo)識主鍵訪客標(biāo)識產(chǎn)品A瀏覽數(shù)量產(chǎn)品B瀏覽數(shù)量產(chǎn)品C瀏覽數(shù)量2.1.4、產(chǎn)品訂單表產(chǎn)品訂單表，記錄線上渠道用戶每次訪問的產(chǎn)品訂購數(shù)量訪問標(biāo)識主鍵訪客標(biāo)識產(chǎn)品A訂單數(shù)量產(chǎn)品B訂單數(shù)

9、量產(chǎn)品C訂單數(shù)量2.1.5,訂單明細(xì)表用戶訂單明細(xì)記錄至少應(yīng)當(dāng)包括訂單標(biāo)識，訪問標(biāo)識，訪客標(biāo)識，訂夠時間, 購買產(chǎn)品，購買金額等。訂單編號主鍵訪問標(biāo)識訪客標(biāo)識訂購時間購買產(chǎn)品購買金額2.1.6, 業(yè)務(wù)數(shù)據(jù)庫數(shù)據(jù)業(yè)務(wù)數(shù)據(jù)庫數(shù)據(jù)主要為客戶交易數(shù)據(jù)、CRM數(shù)據(jù)庫以及其他渠道數(shù)據(jù)等2.1.7, 數(shù)據(jù)對照字典對照數(shù)據(jù)字典用于當(dāng)數(shù)據(jù)中記錄的是代碼而不是名稱時，用于查詢對應(yīng)的名 稱。對照數(shù)據(jù)也可以用于對被對照數(shù)據(jù)的分類，例如產(chǎn)品的分類。2.1.8, 用戶信息匯總用戶信息匯總作為所有分析的基礎(chǔ)，為數(shù)據(jù)庫中的視圖，定期進行更新。用 戶信息匯總包含以下:用戶基本信息：身份識別標(biāo)識性別年齡城市用戶訪問記錄：最近三個

10、月Web訪問次數(shù)最近三個月WAP訪問次數(shù)最近三個月APP訪問次數(shù) 用戶瀏覽記錄：最近三個月A產(chǎn)品瀏覽次數(shù)最近三個月B產(chǎn)品瀏覽次數(shù)最近三個月C產(chǎn)品瀏覽次數(shù) 最近三個月D產(chǎn)品瀏覽次數(shù) 最近三個月E產(chǎn)品瀏覽次數(shù)用戶購買數(shù)據(jù)：最近N月A產(chǎn)品購買數(shù)量最近N月A產(chǎn)品購買金額最近N月B產(chǎn)品購買數(shù)量最近N月B產(chǎn)品購買金額最近N月C產(chǎn)品購買數(shù)量最近N月C產(chǎn)品購買金額最近N月D產(chǎn)品購買數(shù)量最近N月D產(chǎn)品購買金額最近N月E產(chǎn)品購買數(shù)量最近N月E產(chǎn)品購買金額最近N月購買總數(shù)量最近N月購買總金額最大購買金額最小購買金額最近一次購買時間最近一次購買金額用戶標(biāo)簽：瀏覽行為分類：訪問渠道偏好、來源渠道偏好、搜索引擎偏好、關(guān)鍵

11、詞偏好、訪問時長、訪問頻次、營銷渠道偏好、產(chǎn)品瀏覽偏好等用戶信息分析：年齡段分類、職業(yè)、性別、家庭（婚姻、小孩、父母聯(lián)系方式真實度評估購買行為分類：購買記錄、購買時間偏好、購買產(chǎn)品偏好、支付方式分類用戶價值分類（根據(jù)保險購買記錄、保費金額、理賠信息等判斷）：價值評估、資產(chǎn)評估（房屋、車輛、企業(yè)資產(chǎn)等）興趣爰好類：旅游偏好、寵物偏好2.1.9, 數(shù)據(jù)集市邏輯設(shè)計投很打為分類窮筌 飲值分突笈筵 嫩道分美* 布似推/n 布修推存2 桁僅推養(yǎng)3 相隼推善4 蟲隼靠浜鈾行為京粼州廣公/,0行為數(shù)汨（用尸很粉）5萬為JW8 （用戶CUM）.； LE，由'8生；qy度笳mnar擊 aC：?用戶侑總訪

12、問伯恩訪解磔期）產(chǎn)員代網(wǎng)關(guān)段聚谷，大以推力2大聯(lián)推行3嚴(yán)叢囪火記廣（網(wǎng)戶Ct W）產(chǎn)吊/覽標(biāo)箋個晶詞第亦（曲可圖利）2.2、 數(shù)據(jù)獲取2.2.1, 線上行為數(shù)據(jù)Web、WAP、APP 等從 Insight 獲取2.2.2, 業(yè)務(wù)數(shù)據(jù)從公司內(nèi)部業(yè)務(wù)數(shù)據(jù)源獲取2.2.3, 外部數(shù)據(jù)引入或購買外部數(shù)據(jù)2.3、 數(shù)據(jù)處理2.3.1, 用戶識別通過訪客標(biāo)識（Cookie ）和證件號碼進行唯一用戶。如果沒有證件號碼,則 通過手機號碼識別唯一用戶。如果沒有手機號碼，則通過登錄賬號識別唯一用戶。 如果沒有登錄賬號，則通過郵箱識別唯一用戶。2.3.2, 用戶瀏覽行為整合根據(jù)訪問級別的用戶瀏覽記錄，通過訪客標(biāo)識和

13、身份標(biāo)識進行瀏覽數(shù)據(jù)的處 理和匯總，最后形成用戶級別的瀏覽行為匯總。按訪客匯總23.3.用戶投保行為整合通過處理訪問級別的訂單記錄和CIF數(shù)據(jù)庫提供的部分實際成單數(shù)據(jù)，進行 用戶投保記錄的整合，最后形成用戶級別的投保行為匯總。關(guān)聯(lián)匹配產(chǎn)品訂單記錄（訪問級別）CIF投保數(shù)據(jù)（訂單級別）/按用戶匯總己支付的的訂單Pivot投保行為（用戶級別）. 衍生字段創(chuàng)建2.3.4、用戶投保行為分類標(biāo)簽生成通過選取樣本用戶的投保行為數(shù)據(jù)，包括各產(chǎn)品的投保數(shù)量和投保金額，進 行主成分分析和聚類分析，確定分類標(biāo)簽的含義，訓(xùn)練分類預(yù)測模型，預(yù)測三株羊 本用戶的分類標(biāo)簽，從而生成所有用戶的投保行為分類標(biāo)簽。23.5,用

14、戶購買可能性分析通過分析近N個月內(nèi)瀏覽過某產(chǎn)品的所有用戶的用戶基本信息、投保行為和 瀏覽行為，以購買或未購買該產(chǎn)品為目標(biāo)變量，建立分類預(yù)測模型,分析購買可 能性最高的用戶群組特征，預(yù)測在將來瀏覽該產(chǎn)品的用戶的購買可能性，進行用 戶定位和精準(zhǔn)營銷。2.3.6, 產(chǎn)品首頁的關(guān)聯(lián)推薦選取近N個月內(nèi)的訪問級別的產(chǎn)品瀏覽記錄，如果瀏覽過某產(chǎn)品則記為1, 沒有瀏覽過則記為0 ,生成行數(shù)據(jù)代表一次訪問，列數(shù)據(jù)為是否瀏覽過產(chǎn)品的矩陣，進行關(guān)聯(lián)分析，得到同一次訪問中瀏覽產(chǎn)品的關(guān)聯(lián)規(guī)則,為每個產(chǎn)品提取瀏覽關(guān)聯(lián)度最高的M個產(chǎn)品并寫入數(shù)據(jù)表中。產(chǎn)品瀏覽記錄（訪問級別）/ 過濾、計數(shù)近N個月的產(chǎn)品瀏覽矩陣/- 關(guān)聯(lián)分析

15、瀏覽本產(chǎn)品的同一次訪問中最多瀏覽的其它產(chǎn)品2.3.7, 訂單支付完成頁面的關(guān)聯(lián)推薦選取近用戶級別的產(chǎn)品瀏覽記錄，如果購買過某產(chǎn)品則記為1,沒有購買過 則記為0 ,生成行數(shù)據(jù)代表一個用戶，列數(shù)據(jù)為是否購買過產(chǎn)品的矩陣，進行關(guān) 聯(lián)分析，得到同一用戶購買產(chǎn)品的關(guān)聯(lián)規(guī)則,為每個產(chǎn)品提取購買關(guān)聯(lián)度最高的 M個產(chǎn)品并寫入數(shù)據(jù)表中產(chǎn)品投保行為（用戶級別）L 過濾、計數(shù)用戶-產(chǎn)品購買矩陣/>關(guān)聯(lián)分析購買本產(chǎn)品的用戶中購買次數(shù)最多的其它產(chǎn)品2.4.數(shù)據(jù)挖掘模型2.4.1, 主成分分析在數(shù)據(jù)維度較多，例如用戶可能購買的產(chǎn)品類別達幾十種時,可以通過主成 分分析，在保留大部分原有信息的情況下，推導(dǎo)出反映用戶行為

16、的由原有維度線 性組合而成的主要復(fù)合維度。通過對這些主要的復(fù)合維度而不是原有的幾十個維 度進行分析，可以減少計算的復(fù)雜度。通過分析主要復(fù)合維度,也可以輔助對產(chǎn) 品進行分類。ABCDEFGHIJKLMN0PQ ZC123430000100195300 4C200004252000010000 1C310113456000000563 8表1主成分分析之前的用戶產(chǎn)品購買數(shù)據(jù)PlP2P3P4P5P6Cl150173016C2020101517C3217022019表2主成分分析之后的用戶產(chǎn)品購買數(shù)據(jù)2.4.2, 聚類分析通過將用戶總體分為幾個不同的組間差異較大、組內(nèi)相似度較高的群組,可 以更容易和高

17、效地理解用戶特征。聚類分析通過計算用戶維度數(shù)據(jù)之間的相似度 或者距離，將用戶總體分為不同群組。通過分析群組與總體之間以及群組與群組 之間各個度量平均值之間的差異，例如不同產(chǎn)品類別購買數(shù)量之間的差異，描述 各個細(xì)分用戶的購買行為。P1P2P3P4P5P6分類C1150173016aC2020101517bC3217022019cC411012309aC5023201713bC6016101519b表3利用主成分分析之后的數(shù)據(jù)進行聚類分析PlP2P3P4PSP6分類性別年齡渠道瀏覽金額Cl150173016a男34 500C2020101517b男23 700C3217022019c女26 600C411012309a女28 400C5023201713b男31 300C6016101519b女4