用户画像
1、 概念
用户画像是指用户信息标签化，通过收集用户多维度的信息数据（如人口统计属性，社会属性，行为偏好，消费习惯等），对其进行统计，分析，从而抽象出用户信息全貌，相比用户原型，它更侧重于数据挖掘，标签体系搭建。
用户画像的主要特征：
- 真实性：集合了每个个体的真实信息，既有人口统计属性等静态信息，也有用户行为的动态信息。
- 失效性：用户动态信息并非固定，可以实时追踪其变化
- 覆盖度广：既能检测到用户感兴趣的内容，也可以看到其不感兴趣的内容，维度众多，颗粒度粗细均有。
两类用户画像的差异对比：
日常见到的用户画像一般指数据画像。
2、为什么要分析用户画像
用户画像可以应用在很多方面：产品设计、广告投放、精准营销、个性化推荐、风控检测，数据分析等
用户画像举例
-
京东食品用户画像
-
今日头条基础用户画像
-
典型的电商用户画像
-
用户画像系统
3、用户画像能为企业带来什么
1、营收
2、做好产品的基础
3、日常经营活动的推动
在企业中，用户画像的主要应用有三个方面：经营分析、精准营销、个性化推荐与服务
1、经营分析
用户画像系统的标签数据通过API进入分析系统后，可以丰富分析数据的维度，支持进行多种业务对象的经营分析。一般市场、运营、产品人员分析时会关注的指标：
1.1 流量分析
- 流量来源
- 流量数量：UV、PV
- 流量质量：浏览深度（UV、PV）、停留时长、来源转化、ROI
1.2 用户分析
- 用户数量：新用户数、老用户数、新/老用户数量比
- 用户质量：新增用户数（App启动）、活跃用户数（App启动）、用户留存（App启动-App启动）、用户参与度、沉睡、客单价
1.3 商品分析
- 商品动销：GMV（成交总额）、客单价、下单人数、取消购买人数、退货人数、各端复购率、购买频次分布、运营位购买转化
- 商品品类：支付订单情况（次数、人数、趋势、复购）、访购情况、申请退货情况、取消订单情况、关注情况
1.4 订单分析
- 订单指标：总订单量、退款订单量、订单应付金额、订单实付金额、下单人数
- 转化率指标：新增订单/访问UV、有效订单/访问UV
1.5 渠道分析
- 用户活跃
（1）活跃用户：UV、PV
（2）新增用户：注册量、注册同环比 - 用户质量
（1）留存：次日/7日/30日留存率 - 渠道收入
（1）订单：订单量、日均订单量、订单同环比
（2）营收：付费金额、日均付费金额、金额同环比
（3）用户：人均订单量、人均订单金额
1.6 产品分析
- 搜索功能：搜索人数/次数、搜索功能渗透率、搜索关键词
- 关键路径漏斗等产品功能设计分析
2、精准营销
2.1 短信/邮件/push营销
具体营销方式，大致可以分为以下4类：
1、基于行为营销：产品浏览、加入购物车、门店扫码、订单取消、订单退货等
2、基于位置营销：周边门店、周边活动、常去区域等
3、基于节日营销：生日、春节、双十一、双十二、圣诞等
4、基于会员营销：欢迎入会、卡券提醒、积分变更，等级优化、会员礼遇等
2.2 客服话术
当我们在向某平台的客服部⻔投诉、咨询或反馈意⻅时，客服⼈员可以准确的说出我们在平台的购买情况，上⼀次咨询问题的处理结果等信息，针对性
的提出解决⽅法，对于⾼价值⽤户提供VIP客服通道等专项服务。
2.3 个性化推荐与服务
应⽤的运营者，可以通过个推⽤户画像中的性别、年龄段、兴趣爱好、浏览购买⾏为等标签，给⽤户推荐不同的内容。⽐如：
- 今⽇头条上的个性化⽂章内容推荐
- 抖⾳上基于⽤户画像做的个性化视频内容推荐
- 淘宝上基于⽤户浏览⾏为等画像数据做的个性化商品推荐
4、如何搭建用户画像
目前国内市场上针对在线用户行为数据分析的工具：百度统计，诸葛io，神策数据，GrowingIO
5、如何应用用户画像的工具
应用案例1
根据用户画像标签，做出合理的决策
应用案例2
问题：某互联网公司电销业务，最近新入职销售的三个月离职率极高，要求看看销售的用户画像，分析下问题来自哪里？
破局思路：
1、构建分析逻辑
抛开数据，为什么会离职，原因可能是多方面的：
- 公司很垃圾，业内口碑差
- 销售管理不佳，员工体验差
- hr从源头就招错了人，滥竽充数
- 本身业绩不好做，销售挣不到钱
- 能挣到钱，但是过于辛苦
- ……
- 这些因素往往是相互叠加的
2、逐层分析，剥离宏观因素，聚焦问题 - 公司很垃圾，业内口碑差：查看近一年的离职率
- 销售管理不佳，员工体验差：拉取各团队的离职率
- hr从源头就招错了人，滥竽充数：拉取新人执行工作效率数据
- 销售线索质量太差，⼲扰了销售⼯作：拉取各渠道来源的数据转化率
逐层分析下去，就能够剥离明显的宏观问题，聚焦到销售本身的能力上。接下来就可以聚焦销售能力的评估和人员的基本特征。
3、聚焦销售能力，构建销售人员用户画像
用户画像的切入点：对于销售离职问题来说，最有力的特征应该是收入 - 数据统计：销售入职3个月的收入情况
结合离职率，查看高收入/低收入人员的离职差异
分析：
高收入人员离职率高，大概率是 “ 觉得难做，去别的公司做同样的工作赚的更多 ”
低收入人员离职率高，进一步分析： - 分配的数据不够多（管理问题）
- 分配的数据够，没有做完（执行问题）
- 分配的数据够，做完了，没转化（技巧问题）
- 分配的数据够，做完了，有转化，单子太小（管理问题）
矩阵分析法，区分情况： 本文地址：http://www.ksxb.net/quote/8000.html 海之东岸资讯 http://www.ksxb.net/ , 查看更多