如何从0到1做电商用户画像建模？
一、构建用户画像
① 用户画像信息：基本属性，购买能力，行为特征，兴趣爱好，心理特征，社交网络
② 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
③ 数据收集：网络日志数据，用户行为数据，网站交易数据
作用：了解用户的行为习惯，个性化营销及精准广告
- 静态数据来源：来源于用户填的个人信息，及算法模型预测的数据
- 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，退货等
—比较重要的行为：购买商品，浏览商品，放入购物车，关注商品等
根据行为可以得出标签： 潮妈族，纠结商品，最大消费，退货数量，败家指数，品牌偏好，用户活跃度等
确定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等
- 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
比如：用户活跃度（活跃，沉睡，流失，未购买） 用户分群：电脑达人，数码潮人，家庭用户，网购达人，奶爸奶妈，单身贵族，闪购用户，时尚男女等
二、用户画像建模
1. 客户消费订单表
根据用户消费的情况来提取的客户标签，用以了解用户的消费情况，消费习惯。
（1）客户消费订单表标签：
购买信息：
客户ID，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，近30/60/90天购买次数/购买金额（不含退拒），最大/最小消费金额，累计消费次数/金额（不含退拒） 累计使用代金券金额，客单价（含退拒），常用收货地区，常用支付方式，退货商品数量，退货商品金额，拒收商品金额/数量，最近一次退货时间，各地点下单总数/总额，上下午下单总数/总额。
购物车信息：
最近30天购物车商品件数/提交商品件数/购物车成功率/购物车放弃件数
（2）提取标签的作用
- 确定用户什么时候来的，多久没来了：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。
- 最近消费能力：近30天购买次数（不含退拒），近30购买金额（不含退拒），近30天购买次数（含退拒），近30天购买金额（含退拒）。
- 总体的消费情况：最小/大消费金额（可做个性化商品推荐），累计消费次数（不含退拒，可以计算客单价），累计消费金额，累计使用代金券金额（代金券爱好。）
- 消费属性：常用收货地区，常用支付方式。
- 购物车习惯：最近30天购物车次数，最近30天购物车提交商品件数，最近30天购物车商品件数，最近30天购物车放弃件数，最近30天购物车成功率。
- 退货和习惯特征：退货商品数量，拒收商品数量，退货商品金额，拒收商品金额，最近一次退货时间 用户购物时间及地点习惯：各下单地点总数，各时间段下单总数。
2. 客户购买类目表
—根据客户购买类目的情况提取的客户标签，用以了解类目的购买人群情况 。
客户购买表标签：
客户ID，一级/二级/三级分类ID/名称，近30天/90天/180天购买类目次数/金额，累计购买类目次数/金额，累计购买类目次数/金额，近30天/90天/180天购物车某类目次数/金额，累计购买类目次数/金额，累计购物车类目次数/金额，最后一次购买类目时间/距今天数
3. 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，用以了解商店及品牌的购买人群（做品牌营销等） 客户。
购买商店表标签：
用户ID，商店ID/名称，品牌ID/名称，最近30天购物车次数/商品件数/提交商品件数/成功率/放弃件数，最后一次购物车时间，最近90天商品排除退拒商品件数/金额，最近90天货到付款订单数，最近90天退换件数/金额，最近90天拒收件数/金额.
4. 客户基本属性
根据客户所填的属性标签与推算出来的标签，用以了解用户的基本属性（可用以个性营销，生日营销，星座营销等）。
客户基本属性标签：
客户ID，客户登录名，性别，生日，年龄，星座，大区域，省份，城市，城市等级，邮箱，邮箱运营商，加密手机，手机运营商，注册时间，登录ip地址，登录来源，邀请人，会员积分，已使用积分，会员等级名称，婚姻状况，学历，月收入，职业，性别模型，是否孕妇，是否有小孩，孩子性别及年龄概率，是否有车，潜在汽车用户概率，使用手机品牌/档次，用户忠诚度，用户购物类型，身材，身高。
数据来源：
用户表，用户调查表，孕妇模型表，马甲模型表，用户价值模型表等 根据算法得出的标签。
其中模型：
性别模型：用以推算用户的购买用品的性别倾向（不一定是真实性别）
（1）性别模型
用户性别：1男，0女，-1未识别 | 1，商品性别得分，2，用户购买商品性别得分。
孩子性别：0仅有男孩，1仅有女孩，2，男女均匀，3，无法识别 |1，选择男童女童商品等
性别验证： 随机抽样调查 ，与用户填写性恶爆匹配。
（2）用户购物模型
两种归类：
用户购物类型：
- 购物冲动型
- 海淘犹豫型
- 理性比较型
- 目标明确型
- 未识别
构建：
- 计算用户在对三级品类购物前流量时间和浏览sku数量
- kmeans聚类
用户忠诚度模型：
用户忠诚度：
- 忠诚型用户
- 偶尔型用户
- 投资型用户
- 浏览型用户
- 未识别
构建：
- 只浏览不购买
- 购买天数大于一定天数
- 购买天数小于一定天数，大部分只有优惠彩购买 等
5. 客户营销信息表
将用户营销相关的常用标签放到一张表中，方便使用。
- 客户营销信息表： 客户ID，营销手机号，第一个有效订单来源/地址/手机号，常用的手机号，常用的收货地址，不同收货地址的数量，客户分群，活跃状态，用户价值（重要，保持，流失等），纠结商品，纠结小时
- 主要来源表： 用户表，订单表，活动表，购物车表。
其中模型：
（1）客户活跃状态模型
客户一般的活跃状态：
- 注册未购买（只注册未购买，多事第三方登录）
- 活跃（可以细分为高频，中频，低频）
- 沉睡（近90天无购买，近60天无购买）
- 流失 （近90天无购买，曾经购买）
（2）用户价值模型
体现用户对网站的价值对提供用户留存率非常有帮助
使用RFM实现用户价值模型参考指标：
- 最近一次消费时间（Recency）
- 消费频率（Frequency）
- 消费金额（Monetary）
RFM 实现用户价值模型计算方法：
- 使用指标：租金一次购买时间，近180天购买订单量，近180天购买金额，分N段进行RFM分数计算
- 算出Recency_score,Frequency_score,Monetary_score,然后划分用户群
6. 客户活动信息表
根据客户参与活动的情况提取的客户标签，用于了解用户对活动的参与情况，以进行活动的策划
客户活动信息表内容标签：
客户ID，用户促销明个度，满减促销敏感度，打折促销敏感度，换购促销敏感度，满赠促销敏感度，购买力分段，品牌偏好，品类偏好，颜色偏好，败家偏好，冲动偏好，累计积分，已用积分，可以积分，累计代金券数量/金额，已用代金券数量/金额，过期代金券数量/金额，可用代金券数量/金额
标签作用：
确定用户喜欢那种活动类型：用户促销敏感度，满减促销敏感度，满赠敏感度，打折促销敏感度，换购促销敏感度，团购促销敏感度等
促销敏感度模型：
根据用户购买的活动类型订单数与金额数已判断其属于哪类人群
用户有什么偏好：店铺偏好，品牌偏好，品类偏好，颜色偏好 用户指数：购买力分段，败家指数，冲动指数 用户购买力高中低模型：
—从购物车，客单价来判断 用户购买力高中低端模型：
- 从购物车来判断
- 从客单价来判断
指数模型：
败家指数：
- 使用购买特征山炮数量来识别（刚出的苹果产品，奢侈品）
- 结合用户的订单金额
冲动指数 ：
- 使用特征商品（同品类价格较高商品）平均购物车停留时间
- 结合特征商品（同品类价格较高商品）的购买数量
7. 客户访问信息表
根据客户访问的情况提取的客户标签以了解访问习惯。
客户访问信息标签：
最近一次/第一次pc端访问日期/session/cookies/pv/使用浏览器/操作系统/，最近一次/ 第一次app端访问日期/操作系统，最近一次/第一次访问ip/访问城市/省份，近7天/15天/30天/60天/90天app端/pc端访问次数，近30天pc端/app端访问天数/访问并购买次数/访问pv/访问评价pv/ip数/，app及pc端各时间段访问的次数。
本文作者 @Ethan 。
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
