电商大数据应用之用户画像

用户画像项目介绍

用户画像（UserProfile）

也叫用户信息标签化、客户标签；从电商的角度看，根据你在电商网站上所填的信息和你的行为，可以用一些标签把你描绘出来，描述你的标签就是用户画像。

构建用户画像技术

• 用户画像：基本属性、购买能力、行为特征、社交网络、心理特征、兴趣爱好

• 行为建模：文本挖掘、自然语言处理、机器学习、预测算法、聚类算法

• 数据收集：网络日志数据、用户行为数据、网站交易数据

用户画像简介

静态信息数据

• 来源于用户填的个人资料，或者由此算出的数据

• 如果有不确定的，可以建立模型来判断，比如用户性别如果不填，可以建立性别模型，根据用户的行为来判断其性别是什么及其概率
  性别、生日、城市、学历、星座、月收入、婚姻状况、职业

动态信息数据

• 用户行为产生的数据：注册，浏览，点击，购买，签收，评价

• 比较重要的行为：购买商品，浏览商品，放入购物车，关注商品
  注册时间、首单时间、纠结商品、最大消费、退货数量、败家指数、品牌偏好

确定的标签与根据算法猜测的标签

• 确定的标签：比如用户购买了或者收藏了某个商品，用户送货地址和联系手机

• 猜测的标签：比如用户的性别，是男性的概率0.8，另外还有很多模型：孕妇模型，潜在汽车用户模型，用户价值模型
  是否孕妇、孩子性别概率、疑似马甲标志、潮妈族、满减促销敏感度、败家指数

标签举例

用户画像的用途

• 分类统计

• 营销推荐

• 数据挖掘
  根据用户的数据挖掘出一些有用的规律以支持决策

用户画像建模

客户消费订单表

根据客户消费的情况提取的客户标签；用于了解用户的消费总体情况，以根据用户消费习惯与消费能力做营销

主要数据来源表：订单表、退货表、用户表、购物车表

• 订单表：第一次消费时间、最近一次消费时间、首单距今时间、尾单距今时间

• 订单表+退货表构建的标签：近30天购买次数（不含退拒）、近30天购买次数（含有退拒）、近30天购买金额（不含退拒）、近30天购买金额（含有退拒）

• 订单表：最小/最大消费金额、累计消费次数（不含退拒）、累计消费金额（不含退拒）、累计使用代金券金额；来判断用户总体消费情况

• 订单表标签：客单价（含退拒）、近90天客单价（含退拒）——反应消费水平；常用收货地区、常用支付方式——常用消费属性，方便定向营销。

• 购物车表标签：最近30天 购物车次数、商品件数、提交商品件数、放弃件数、成功率

• 订单表+退货表：退货商品数量、金额；拒收商品数量、金额；最近一次退货时间。用户拒收和退货习惯

• 订单表+用户表：学校、单位、家里、上午、下午、晚上下单总数

客户购买类目表

根据客户购买目的情况提取的客户标签；用于了解类目的购买人群情况和针对某一类目的营销等。

主要数据来源表：订单表、购物车、类目维表

• 类目维表：一级分类ID、名称；二级分类ID、名称；三级分类ID、名称——用户购买过哪些类目

• 电商的三级类目：
  

• 客户购买类目：
  订单表+类目维表：近30/90天购买类目次数，近30/90天购买类目金额，近180天购买类目次数/金额，累计购买类目金额；近30/90天购物车类目次数/金额；最后一次购买类目时间——客户最近购买了什么，用户喜欢哪些类目；用户多久没有购买该类目

客户购买商店表

根据客户购买商店的情况提取的客户标签；用于了解商店及品牌的购买人群情况；常用来针对某一品牌的营销，某店铺活动的营销。

主要数据来源表：订单表、购物车表、商店表、退货表

• 商店表：商店ID、商店名称、品牌ID、品牌名称

• 商店表+购物车表：最近30天购物车次数/购物车商品件数/购物车提交商品件数/购物车成功率/购物车放弃件数

• 商店表+购物车表：最后一次购物车时间/提交商品件数/次数——用户多久没有挑选该品牌

• 商店表+订单表：最近90天排除退拒商品件数/金额、最近90天购买订单数（含退拒）、最近90天货到付款单数——用户最近购买商店与品牌的情况

• 商店表+订单表：最近90天退换件数、拒收件数 、退换商品金额、拒收商品金额

• 商店表+订单表：最后一次排除退拒订单时间、最后一次排除退拒订单购买商品金额/件数、最后一次退货时间、最后一次拒收时间

使用Hive进行数据开发

用户画像数据开发