简易版用户画像，你需要掌握这3个数据处理方法

曾经终败给现在 2022-05-29 04:51 146阅读 0赞

> 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。

![简易版用户画像，你需要掌握这3个数据处理方法][3]

## 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。

![简易版用户画像，你需要掌握这3个数据处理方法][3 1]

1.  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；
2.  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；
3.  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；
4.  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。

![简易版用户画像，你需要掌握这3个数据处理方法][3 2]

同理可得到用户消费能力评分：

![简易版用户画像，你需要掌握这3个数据处理方法][3 3]

### 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：

1.  简化为1/0式逻辑思维
2.  专家投票表决，横行比纵列重要时填“1”，反之填“0”
3.  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：

![简易版用户画像，你需要掌握这3个数据处理方法][3 4]

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。

[3]: /images/20220529/e3bebcd54d3143058ce673712e5440e7.png
[3 1]: http://p99.pstatp.com/large/pgc-image/R7C5jSZCI0tUsA
[3 2]: /images/20220529/0dcd018d63db48cbb07899a6a210d730.png
[3 3]: http://p3.pstatp.com/large/pgc-image/R7C5jkcAcDcRzn
[3 4]: /images/20220529/4aa4f71c11da4c26a310f4f505688824.png