简易版用户画像,你需要掌握这3个数据处理方法

衡量用户价值主要有两大维度:忠诚度和消费能力。本文从这两方面进行了简易的用户画像,以此做出用户分析,并告诉大家具体的数据处理方法。

一、背景

某电商,已上线并稳定运营了一段时间,积累了一些用户数据。产品及运营想要了解平台用户的价值类型,以便针对性的采取不同运营策略。(以下方法同样适用于广告、SNS 等领域,或用以确认内容价值)

二、目的

确认用户价值类型,对不同用户,针对性地采取不同运营策略,更深入的挖掘用户价值。

三、分析思路

电商平台,衡量用户的价值主要有两大维度:

  • 忠诚度(包括最近购买时间、购买频率、购买产品种类等);
  • 消费能力(平均每笔消费额、单次最高消费额等 );

要知道这个用户是怎样的用户,就是要知道这个用户在这两个维度上的表现如何。所以我们给用户这两项数据分别打分,放到忠诚度和消费能力的坐标轴中,并分别以两项的均值(可做其他定义)为界,划分出 4 个象限。

  • 第 1 象限是忠诚度较高、消费能力也高的最有价值用户:可进行差异化服务,进行专门重点维护;
  • 第 2 象限是消费能力较高、但忠诚度较低的高价值用户:可为其提供高价值消费品,定制的高价值消费服务。可以的话,用更好的体验来试图提升其忠诚度,使其跃升为第 1 象限用户;
  • 第 3 象限是忠诚度和消费能力都不算高的普通价值用户:可给用户提供感觉质量好、价格低的商品;
  • 第 4 象限是消费能力不高、但很忠诚的传播价值用户:可采取低价促销的策略,其次运营可利用该类用户的特点,为平台提供传播增长价值。

以上,也可不拘泥于 4 个象限,划分出更多区域来进行更细化的运营。

四、具体数据处理

1. 获取数据

获取数据因素(并不全面,仅以此为例):
用户忠诚度数据:

用户消费能力数据:

2. 给用户的各项数据评分


用户数据多种多样,数值及跨度、单位可能大不相同。要怎么处理,使各项相加后不致于偏向某些数据呢?这里我们可以使用数据标准化方法来处理这些数据。
> “数据标准化”:在数据分析中,经常用到数据标准化。数据标准化指的是将数据按比例缩放,使之落入一个小的特定区间。去除数据的单位限制,将其转化为无量纲的纯数值,便于不同单位或量级的指标进行比较和加权。

有两种非常重要的数据标准化方法: 归一化和标准化 。
这里我们使用归一化方法。
归一化:通过对原始数据进行线性变换把数据映射到【0,1】之间,变换函数为:

其中 max 为样本数据的最大值,min 为样本数据的最小值。
以购买频率为例,min=1,max=13, 用户 A 的购买频率标准化 =(3-1)/(13-1)≈0.2。
最近购买时间较为特殊,因为时间越短,忠诚度越高,所以要把计算公式改为(max-x)/(min-max)。
标准化公式算出的数据在【0,1】之间,将数据×10,即得到 10 分制评分。

同理可得到用户消费能力评分:

3. 评分加权

第 1 步我们已经得到了两个维度的各个因素的评分,可以加和算出两个维度的评分了。
但是,这些因素的重要性可能有所不同,为了得到更符合预期的数据,我们可以给这些因素加权。
那各项数据的权重如何确定呢?这里介绍一种矩阵分析法。
以忠诚度为例,有 3 个因素,我们确定权重的步骤如下:

  • 简化为 1/0 式逻辑思维
  • 专家投票表决,横行比纵列重要时填“1”,反之填“0”
  • 将每行数字相加


因为合计中可能存在数值为 0 的情况,为了便于计算,可以人为将合计中每一项数值 +1。
某因素权重 =(某因素新的重要性合计得分 / 所有因素新的重要性合计得分)×100%。
例如:购买频率的权重 =(3/6)×100%=50%。

有了各因素的评分和权重,即可得到各用户的忠诚度加权评分。
忠诚度加权评分 = 最近购买时间评分×17%+ 购买频率评分×50%+ 购买产品种类评分×33%。

同理可得到消费能力的加权评分,过程不再赘述。(若想得到用户忠诚度和消费能力的综合分数,也可先得到两者的权重,再加和,方法同上)

4. 数据可视化

上面我们已经得到了用户的忠诚度加权评分和消费能力加权评分,现在只需将数据放入横坐标为忠诚度、纵坐标为消费能力的坐标轴,并以均值或其他条件划分象限,即可得到我们想要的用户价值分类了。

五、扩展

以上忠诚度只列举了部分购买因素(最近购买时间、购买频率、购买产品种类),还有浏览因素(访问间隔、访问频率、平均停留时长、平均浏览页面数)等等,其中这两类因素也可做出一套象限图,从浏览数据和购买数据来区分用户类别:

也可以结合多维数据,来得到更立体的用户画像,帮助我们更好的进行精准运营,更深入的挖掘用户价值。
以上为《产品心经》部分章节的阅读后总结及思考,感谢闫荣大大。
 
作者 @脱糖 ,