欢迎光临
我们一直在努力

体系建立、标签构建、系统支持:用户画像是怎么生成出来的?

作者:营销实验室Convertlab

大数据火遍各行各业的今天,用户画像确实得到了前所未有的重视,其在产品设计与优化、个性化运营、精准营销等众多环节都担任着非常关键的角色。而对于用户画像的生成思路和方法,站在企业角度会有不一样的理解和做法,我们就在此做一些总结,从体系建立、标签构建、系统支持三个方面来借楼分享,希望能对大家有所参考与帮助。

站在企业角度来说,选择构建用户画像平台,可以实现不同的战略目的(如提升产品服务质量、精准营销等),而根据战略目的的不同,用户画像的构建也有所区别。因此,我们首先需要明确用户画像平台的战略意义、平台建设目标和效果预期,进而有针对性地开展实施工作。

而对用户画像进行数据建模,应该结合客户实际的需求,找出相关的数据实体,以数据实体为中心规约数据维度类型和关联关系,形成符合客户实际情况的建模体系;对于维度分解,必须要以用户、行为、交易三类数据实体为中心,进行数据维度的分解和列举,根据相关性原则,选取和战略目的相关的数据维度,以此来避免产生过多无用数据干扰分析过程;针对不同角色人员的需求(如市场、销售、研发等),也要去设计适合各角色人员在用户画像工具中的使用功能和应用/操作流程。

企业应该改变以往闭门造车的生产模式,通过事先调研用户需求,以设计制造更适合用户的产品,提升用户体验为目标来建立用户画像体系;根据产品特点,找到目标用户,在用户偏好的渠道上与其交互,促成购买以实现精准营销与运营,达到对外服务提升盈利的目的。

图标

对于标签建模,首先需要从各个渠道、触点收集 用户行为的原始数据,从原始数据进行统计分析,得到事实标签,再进行建模分析,得到模型标签,再进行模型预测,得到预测标签。

不同于To C重标签及标签使用场景化的特点,To B的标签构建 更主要重来源、属性、标签及活跃度,其内容构架及说明我们有如下建议:

◆来源(对来源组应进行罗列,梳理来源及来源内容,通常来说还会有活动名称、邀请渠道等,若需不同维度则可依照需求调研时的内容来确认);

◆客户标签(主要会按照产品类别、市场类别、职位类别分三类,若客户内容很多,则可建立具备可能性的标签再视情况增加):事实属性标签(人口、家庭人数、公司规模等)、渠道标签(渠道偏好,接触时间)、品牌关联(用户活跃度、与品牌方的关系)、营销创意相关(解决方案偏好、行业资讯前沿偏好、礼品活动偏好等)、社交传播影响力(传播意愿、传播内容、传播影响力等);

◆客户生命周期阶段(主要看不同行业的B2B具体情况而有所不同,一般是市场部会由粉丝 → leads → MQL → SQL组成);

◆内容标签(因为主要放置在官网,因此基本只会做重要的客户标签并确认偏好);

◆活跃度-线索打分(由于每个客户的内容、事件、权重、活跃度等皆不相同,需长期进行迭代,因此打分机制需要定制);

还有就是,一般在集客营销 中,有些标签也会被默认或被设置为常用,包括相关的属性(公司地址、职位、是否需要咨询等);事件(官网事件、活动事件、资料下载等)。

另外,优质用户画像的生成对系统平台的要求非常高,需要平台可以灵活接入不同数据源,并获取客户数据、客户行为数据。针对触点类数据源(如微信,网站,App),也要提供通用、高效的数据埋点接入方案,提供高达每秒数万次的数据采集能力。对于企业核心系统数据,如交易数据、CRM数据、售后数据等,Restful API进行的数据集成也需要非常稳定和安全,第三方数据源也需要有灵活的网关对接方案,将数据初步清洗后导入大数据平台。

与此同时,多触点采集用户信息和用户行为时,常常会面临数据碎片化和数据孤岛的问题,从而导致无法准确、完整的绘制用户画像,此时跨触点用户身份识别机制和用户信息预处理、补全机制必不可少,它可以在用户数据进入大数据平台 前进行有效的清洗、整理,提高数据的录入质量。

大数据平台 需要满足企业提供实时、离线两类数据处理引擎的要求,要有针对需要及时计算、立刻反馈的场景(如实时监控、实时统计、实时触发工作流),数据流可以传输到实时计算引擎(基于spark stream,durid)进行秒级的计算和响应,针对于大量历史数据和复杂模型的计算,数据流可以传输到离线计算引擎(基于spark,hive),利用内建或定制的算法引擎进行批量计算并得到分群、标签、推荐结果。

总而言之,用户画像的生成只有基于功能强大的大数据平台,企业才可以搭建各类前端应用(如业务运营监控、产品体现分析、精细化营销、分析及报表等等)。

赞(0)
未经允许不得转载:皮村电商网 » 体系建立、标签构建、系统支持:用户画像是怎么生成出来的?
分享到:

分享开网店教程 让网店推广变得更简单

皮村电商网www.picun.com