用户画像标签体系主要包含哪些方面

物联网0143

用户画像标签体系主要包含哪些方面,第1张

标签是某一种用户特征的符号表示,每个标签都规定了观察、认识和描述用户的一个角度,用户画像是一个整体,各个维度不孤立,标签之间有联系,用户画像可以用标签的集合来表示。个推有几百个用户相关的标签,用户的性别,年龄,兴趣爱好,消费习惯,地理位置,用户设备等。

作者介绍

@王志杰

明略科技的大数据架构师;

毕业于北京大学计算机科学与技术专业。

往期回顾:

比你更了解你,浅谈用户画像(一)

02  为什么要做用户画像?

前面所讲的内容,是对于画像进行了理论上的定义和直观上的认识。

我们知道画像后,为什么要去构建画像?构建出来有什么用呢?下面和大家分享一下我的看法。

首先,我们从理论上去分析一下,具体分为业务和技术两个方面。业务层面上,我们通过用户画像可以构建一个具象的认知,构建战略和战术的方向。同时,也可以去探索用户的足迹,形成以用户为导向的方向。

具体是什么意思呢?就是构建具体认知,构建战略、战术方向。其实就是说,我们为了在这个层面跟核心用户,达成一个统一和具象的认识。达成了认识之后,我们才方便在后续的投入上面能有的放矢,至少我们知道应该向哪个方向投入。

当我们在为用户去设计产品的时候,我们必须要清楚的知道用户长什么样子,他有什么行为的特征,有什么样的属性特征。这样我们才能以用户为导向。所以,我们根据用户画像的信息去做产品设计,这样才是为我们公司提出战略和战术层面的指导。

探索用户的足迹形成用户的导向,其实是说在我们详细的了解了真实用户,他是如何和产品的相关内容进行互动后,我们才能进一步的深化产品。当我们对用户进行画像的时候,我们一定要从业务场景出发,带业务场景目标,去解决实际的一个业务问题。

比如,我们要去进行画像,要么就是去获取新用户,要么就是去提升用户体验,再或者可能就是去挽回一个流失用户。总之,我一定是有一个非常明确的目标。这些是从业务上去构建用户画像一些必要性而做出的努力。

从技术层面上来讲,我们通过用户画像的构建,可以帮助去构建底层的数据基础,来服务上层的应用。同时,也是在某些层面上方便信息的处理。

为什么呢?用户画像除了可以做直观的展示之外,更多的是服务一些上层的应用。其实刚刚几位老师也提到过,比如在推荐系统里,用户画像是可以做推荐系统非常重要的一环而存在,它对推荐的效果有较大的提升。

另外,像刚刚提到的在金融里面的应用,用户画像也可以应用在风控的应用里,做一些规则特征来存在,来量化系统等级。

所谓方便信息的处理,其实是说我们标签之后,计算机就可以方便地来处理一些量化的需求。

比如去做一些分类统计,某个视频网站上最近比较火的脱口秀,希望知道看脱口秀大会的用户到底有多少,男女比例是多少;或者可以去做数据挖掘,喜欢买榴莲的用户,通常他们喜欢的是什么服装品牌;或者经常买咖啡、又买大蒜的用户,他们的年龄分布是什么样子。等等。可以帮我们去做一些量化分析。

总之,用户画像可以完美地抽象出一个用户的信息全貌,这是企业应用大数据的根基。

用户画像可以帮助企业,为用户提供个性化的产品和服务。我们也总是在说千人千面,每个给客户提供服务的企业,最终的目的都是,当用户打开产品、打开APP或者网站时,他看到的内容和得到的体验,都是针对他来设计的,或者说符合他的调性。只有这样,他的体验才会有一个真正的提升。

下面给大家举个例子,结合明略的用户画像和营销自动化的场景,举一个画像支撑业务的非常浅显的例子。

当我们想要举行一场营销活动的时候,可能不会面向所有的用户群体,就是针对某一类具有一定特征的用户来进行。

首先,我们就会用到用户画像,根据我们对于用户的画像,或者根据用户构建的标签,去进行人群的圈选。

根据业务上的条件,去确定用户群体,我们就可以在群体里面通过条件把它圈选出来。比如这个例子里面,就是通过一个消费行为的标签,把360天内都没有购买过的用户圈出来。

当真正去做营销活动的时候,我就可以在营销自动化产品里面,在规划和实施营销活动的时候,将刚刚筛选出来的用户群体作为标准群,就是我画红圈的部分。我们就可以轻松地实现定向的营销。

总体来讲,画像作为一个整体,它到底有什么作用?刚刚提到画像、标签,它其中有几个联系。下面具体来谈一谈标签,标签到底有什么样的作用?为什么会有这么大的重要性?

标签可以将数据及其含有的信息转化成带有明确的可决策行为的指导。“人”参与决策越多的地方,越需要将数据/信息进行标签化,以提升人对数据的理解和处理效率,实现人机协同。

这个总结出来的具体是什么含义呢?我们可以来详细地交流一下。

我们来观察一下这些所谓的数据产品,比如营销领域的DNT、CPP,或者大家不太熟悉的话,我们可以举一些通用的例子,比如BI等等,这些数据产品的特征,就是怎么样用数据让人们去产生快速地理解。

举一个具体的例子,当前的疫情的环境下,可能有一个大家经常会遇到的标签,我们在测体温的时候,如果超过37度,可能就是发烧了,就需要去看医生,我们可能就会被带走隔离,这个点就是一个重要的标签,就是一个发烧点。

再比如开车的时候,如果时速超过120码,我的导航上的显示就变成红色了,这个也是一个非常重要的标签,它就会告诉我,说我超速了。

所以,我们在日常生活中,总是遇到一些特别底层的标签,比如说到某个标签,我就能知道去怎么做,或者下一步该怎么走。比如我看到超速了,就知道该把速度降下来了。

再从另一个角度来看一下,为什么需要去做标签?比如说我们现在的各种新闻类或者短视频类的APP,他们的背后都有一个非常好的推荐,这些推荐可能不需要标签。比如它知道你喜欢这个东西,它就推给你看,然后你去看,它可能再给你推荐另外一个,可能你又看了。

当所有的这些数据由机器去处理的时候,它可能不需要理解是什么,因为它有大量的用户的反馈数据去帮它做决策,它就可以不断地去刷新、去训练模型。

但是如果某些场景中是需要人参与做决策,也就是说人参与决策的地方越多,我们就越需要将数据进行标签化。为什么呢?因为人处理信息就没有办法像机器通过大量的预算,毕竟人处理的信息是有限的。

所以,为了快速地让人对数据进行理解,可以去提升处理效率,最终实现人机协同。我们用标签的目的,就是为了把大量的数据验算完的结果,通过信息的标签化,变成快速去理解,快速去做决策的一个形式。

就像我们刚刚提到的,在数据产品里,如果可以把数据变成一个明确的标签,提醒用户你现在需要降速了,或者提醒用户你发烧了,该去看医生了。这就是一个非常好的标签,因为它已经加速了我们处理的速度,直接帮忙我们去做决策。

下面举一个例子,我们进一步来看一下标签的作用。

这个标签的作用也和后面要讲到的标签的流程相关。在这个地方,它分成了四个步骤,我们来看一下,它是怎么通过这几个步骤,一步一步地转化成标签,最终指导我们去做决策。

第一个步骤,就是最左边的一列叫做数据在线,数据在线指的是什么呢?就是我要通过数字化的转型,将我们的业务流程在线化,在业务流程中产生的数据,它就自然到线上,具备了让人不去处理的条件。

比如,以前我们在超市里面买东西,很难去统计每个用户买的什么东西,这样的话,你后续的分析也就很难进行。现在呢?很多人都在电商上买东西,购物环节的数据就在线了,以后可能随着越来越多的业务流程在线化,我们分析的内容也越来越多。

回到这个例子里,就是我的一个数据在线或者一个采购的过程,通过线上的购物,已经记录到我的系统里。

数据在线之后,我们第二个要做的就是去进行一个数据转成信息的过程。比如,我们现在看到这个用户叫王二妮,这个信息是什么呢?其实这个信息就是,比如说用户转化成信息,转化成什么样的信息呢?这个信息就是说在我的业务场景下,能够解读出来的内容。

我们在这个例子里面看到王二妮,它典型就是一个净化的文字,这个可能并不是一个非常直接的转换。但这也是我们在从数据到信息的过程中,也是要基于我们对于业务场景的理解,我们不仅需要直接地分析数据、转换数据。其实,我们还可以给这些数据附一些新的信息,这个就是我们所谓信息的转换,以及我们的信息的一个争议。

第三步,就要把我们的信息转换成标签了。比如我们可以通过一些规则的设定,当我看到这个信息的时候,我们就可以判断,大概率90%以上这个人就是一个女性,叫王二妮。所以这个时候,我可以给她一个标签,一个应该算是一种性别的标签,比如这个例子里面给了她一个标签,叫做女性。

第四步,就是我怎么样根据这个标签去产生一个决策。在这个标签里面,我就是产生一个决策,在后续和这个用户去沟通的时候,我更可能用一种妈妈性的沟通方式和称呼。为什么会有这个决策呢?就是因为我们发现她购买婴儿奶粉。

在电商的场景中,我们的一个用户购买了一款婴儿奶粉,我们接下来该如何去跟她互动,在做这个决策的过程中,就结合她的性别标签,我们可能会去判断大概率是一个妈妈,就应该使用妈妈性的沟通方式和称呼去和她沟通。

这里会不会有一些错误?那当然会有,比如我买的这个东西是帮别人买的,也可能会有这种情况发生。

不过,我们还会进行更深入地分析,比如我们看到她买过的是三段奶粉,就意味着可能不是一种新生儿奶粉,一般小孩儿到一两岁的年纪,也不会有人再去看他的时候,去送奶粉了,通常刚出生的时候,可能性会比较大。

所以,我们通过结合多种标签,将他们去结合起来,帮助我们去做出决策,就是适合用一种什么样的方式去沟通。

在这个环节中,我们并不要求这个决策100%是正确的,因为在大多数的业务里面,我们只需要它给我们推荐,至少会让我们去尝试一下。

未完待续……敬请关注《比你更了解你,浅谈用户画像(三)》

为用户画像的焦点工作就是为用户打“标签”,而一个标签通常是人为规定的高度精炼的特征标识,如年龄、性别、地域、用户偏好等,最后将用户的所有标签综合来看,基本就可以勾勒出该用户的立体“画像”了。

借助CRM系统,轻松勾勒出用户“画像”:

1、客户特征细分

借助CRM,可以对现有客户或者是潜在客户的特征进行整理分析,这些信息是多维度的,包括姓名、性别、年龄、****、地址、职业、客户编号等基本信息(静态信息),此外,企业还可以根据自身需求添加自定义字段,在开发以及维护的过程中不断完善客户资料,形成对客户的基础认知。

2、客户价值细分

CRM可以详细记录客户的消费记录,打开CRM,就可以详细看到客户的下单时间,购买的产品种类、数量、价格,下单的频率等。企业可以根据这些数据统计得出客户的价值,哪些客户是一次性消费大宗消费的、哪些客户是持续性消费的、哪些客户从来没有消费过。结合消费金额和消费频率,可以从总体上将客户划分价值区间:高价值客户、低价值客户、中间客户等。

3、客户需求细分

CRM中的各个板块既相互独立又相互融合,企业可以根据需要做交叉数据分析。根据CRM中的咨询记录、沟通与跟进记录、订单记录、收款记录及合同记录等,企业可以得出目标客户及客户群对产品的需求及购买规律:客户需要的是什么产品、客户购买的是什么产品、在什么时间购买的、购买的频率是什么从而得出客户的需求状况,以及需求是否被满足。

消费方式的改变促使用户迫切希望尽快获取自己想要了解的信息,所以说,基于用户画像上的精准营销不管对企业还是对用户来说,都是有需求的,这会给双方交易带来极大便捷,也为双方平等沟通搭建了一个畅通平台。

用户标签和用户画像是爬虫。根据相关公开资料显示,用户标签和用户画像是用来勾画用户(用户背景、特征、性格标签、行为场景等)和联系用户需求与产品设计的,一般需要用python语言的爬虫功能来做。用户标签和用户画像是根据用户在互联网留下的种种数据,主动或被动地收集,然后尽可能全面细致地抽出一个用户的信息全貌,从而帮助解决如何把数据转化为商业价值的问题。

工业大数据开启新时代 七大应用分析

工业大数据的典型应用包括产品创新、产品故障诊断与预测、工业生产线物联网分析、工业企业供应链优化和产品精准营销等诸多方面。本文我们讲就工业大数据在制造企业的应用场景进行逐一梳理。

随着信息化与工业化的深度融合,信息技术渗透到了工业企业产业链的各个环节,条形码、二维码、RFID、工业传感器、工业自动控制系统、工业物联网、ERP、CAD/CAM/CAE/CAI等技术在工业企业中得到广泛应用,尤其是互联网、移动互联网、物联网等新一代信息技术在工业领域的应用,工业企业也进入了互联网工业的新的发展阶段,工业企业所拥有的数据也日益丰富。工业企业中生产线处于高速运转,由工业设备所产生、采集和处理的数据量远大于企业中计算机和人工产生的数据,从数据类型看也多是非结构化数据,生产线的高速运转则对数据的实时性要求也更高。因此,工业大数据应用所面临的问题和挑战并不比互联网行业的大数据应用少,某些情况下甚至更为复杂。

工业大数据应用将带来工业企业创新和变革的新时代。通过互联网、移动物联网等带来的低成本感知、高速移动连接、分布式计算和高级分析,信息技术和全球工业系统正在深入融合,给全球工业带来深刻的变革,创新企业的研发、生产、运营、营销和管理方式。这些创新不同行业的工业企业带来了更快的速度、更高的效率和更高的洞察力。

1加速产品创新

客户与工业企业之间的交互和交易行为将产生大量数据,挖掘和分析这些客户动态数据,能够帮助客户参与到产品的需求分析和产品设计等创新活动中,为产品创新作出贡献。福特公司是这方面的表率,他们将大数据技术应用到了福特福克斯电动车的产品创新和优化中,这款车成为了一款名副其实的“大数据电动车”。第一代福特福克斯电动车在驾驶和停车时产生大量数据。在行驶中,司机持续地更新车辆的加速度、刹车、电池充电和位置信息。这对于司机很有用,但数据也传回福特工程师那里,以了解客户的驾驶习惯,包括如何、何时以及何处充电。即使车辆处于静止状态,它也会持续将车辆胎压和电池系统的数据传送给最近的智能电话。

这种以客户为中心的大数据应用场景具有多方面的好处,因为大数据实现了宝贵的新型产品创新和协作方式。司机获得有用的最新信息,而位于底特律的工程师汇总关于驾驶行为的信息,以了解客户,制订产品改进计划,并实施新产品创新。而且,电力公司和其他第三方供应商也可以分析数百万英里的驾驶数据,以决定在何处建立新的充电站,以及如何防止脆弱的电网超负荷运转。

2产品故障诊断与预测

这可以被用于产品售后服务与产品改进。无所不在的传感器、互联网技术的引入使得产品故障实时诊断变为现实,大数据应用、建模与仿真技术则使得预测动态性成为可能。在马航MH370失联客机搜寻过程中,波音公司获取的发动机运转数据对于确定飞机的失联路径起到了关键作用。我们就拿波音公司飞机系统作为案例,看看大数据应用在产品故障诊断中如何发挥作用。在波音的飞机上,发动机、燃油系统、液压和电力系统等数以百计的变量组成了在航状态,这些数据不到几微秒就被测量和发送一次。以波音737为例,发动机在飞行中每30分钟就能产生10TB数据。

这些数据不仅仅是未来某个时间点能够分析的工程遥测数据,而且还促进了实时自适应控制、燃油使用、零件故障预测和飞行员通报,能有效实现故障诊断和预测。再看一个通用电气(GE)的例子,位于美国亚特兰大的GE能源监测和诊断(M&D)中心,收集全球50多个国家上千台GE燃气轮机的数据,每天就能为客户收集10G的数据,通过分析来自系统内的传感器振动和温度信号的恒定大数据流,这些大数据分析将为GE公司对燃气轮机故障诊断和预警提供支撑。风力涡轮机制造商Vestas也通过对天气数据及期涡轮仪表数据进行交叉分析,从而对风力涡轮机布局进行改善,由此增加了风力涡轮机的电力输出水平并延长了服务寿命。

3工业物联网生产线的大数据应用

现代化工业制造生产线安装有数以千计的小型传感器,来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据,利用这些数据可以实现很多形式的分析,包括设备诊断、用电量分析、能耗分析、质量事故分析(包括违反生产规定、零部件故障)等。首先,在生产工艺改进方面,在生产过程中使用这些大数据,就能分析整个生产流程,了解每个环节是如何执行的。一旦有某个流程偏离了标准工艺,就会产生一个报警信号,能更快速地发现错误或者瓶颈所在,也就能更容易解决问题。利用大数据技术,还可以对工业产品的生产过程建立虚拟模型,仿真并优化生产流程,当所有流程和绩效数据都能在系统中重建时,这种透明度将有助于制造商改进其生产流程。再如,在能耗分析方面,在设备生产过程中利用传感器集中监控所有的生产流程,能够发现能耗的异常或峰值情形,由此便可在生产过程中优化能源的消耗,对所有流程进行分析将会大大降低能耗。

4工业供应链的分析和优化

当前,大数据分析已经是很多电子商务企业提升供应链竞争力的重要手段。例如,电子商务企业京东商城,通过大数据提前分析和预测各地商品需求量,从而提高配送和仓储的效能,保证了次日货到的客户体验。RFID等产品电子标识技术、物联网技术以及移动互联网技术能帮助工业企业获得完整的产品供应链的大数据,利用这些数据进行分析,将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。

以海尔公司为例,海尔公司供应链体系很完善,它以市场链为纽带,以订单信息流为中心,带动物流和资金流的运动,整合全球供应链资源和全球用户资源。在海尔供应链的各个环节,客户数据、企业内部数据、供应商数据被汇总到供应链体系中,通过供应链上的大数据采集和分析,海尔公司能够持续进行供应链改进和优化,保证了海尔对客户的敏捷响应。美国较大的OEM供应商超过千家,为制造企业提供超过1万种不同的产品,每家厂商都依靠市场预测和其他不同的变量,如销售数据、市场信息、展会、新闻、竞争对手的数据,甚至天气预报等来销售自己的产品。

利用销售数据、产品的传感器数据和出自供应商数据库的数据,工业制造企业便可准确地预测全球不同区域的需求。由于可以跟踪库存和销售价格,可以在价格下跌时买进,所以制造企业便可节约大量的成本。如果再利用产品中传感器所产生的数据,知道产品出了什么故障,哪里需要配件,他们还可以预测何处以及何时需要零件。这将会极大地减少库存,优化供应链。

5产品销售预测与需求管理

通过大数据来分析当前需求变化和组合形式。大数据是一个很好的销售分析工具,通过历史数据的多维度组合,可以看出区域性需求占比和变化、产品品类的市场受欢迎程度以及最常见的组合形式、消费者的层次等,以此来调整产品策略和铺货策略。在某些分析中我们可以发现,在开学季高校较多的城市对文具的需求会高很多,这样我们可以加大对这些城市经销商的促销,吸引他们在开学季多订货,同时在开学季之前一两个月开始产能规划,以满足促销需求。对产品开发方面,通过消费人群的关注点进行产品功能、性能的调整,如几年前大家喜欢用音乐手机,而现在大家更倾向于用手机上网、拍照分享等,手机的拍照功能提升就是一个趋势,4G手机也占据更大的市场份额。通过大数据对一些市场细节的分析,可以找到更多的潜在销售机会。

6生产计划与排程

制造业面对多品种小批量的生产模式,数据的精细化自动及时方便的采集(MES/DCS)及多变性导致数据剧烈增大,再加上十几年的信息化的历史数据,对于需要快速响应的APS来说,是一个巨大的挑战。大数据可以给予我们更详细的数据信息,发现历史预测与实际的偏差概率,考虑产能约束、人员技能约束、物料可用约束、工装模具约束,通过智能的优化算法,制定预计划排产,并监控计划与现场实际的偏差,动态的调整计划排产。帮我们规避“画像”的缺陷,直接将群体特征直接强加给个体(工作中心数据直接改变为具体一个设备、人员、模具等数据)。通过数据的关联分析并监控它,我们就能计划未来。虽然,大数据略有瑕疵,只要得到合理的应用,大数据会变成我们强大的武器。当年,福特问大数据的客户需求是什么?而回答是“一匹更快的马”,而不是现在已经普及的汽车。所以,在大数据的世界里,创意、直觉、冒险精神和知识野心尤为重要。

7产品质量管理与分析

传统的制造业正面临着大数据的冲击,在产品研发、工艺设计、质量管理、生产运营等各方面都迫切期待着有创新方法的诞生,来应对工业背景下的大数据挑战。例如在半导体行业,芯片在生产过程中会经历许多次掺杂、增层、光刻和热处理等复杂的工艺制程,每一步都必须达到极其苛刻的物理特性要求,高度自动化的设备在加工产品的同时,也同步生成了庞大的检测结果。这些海量数据究竟是企业的包袱,还是企业的金矿呢?如果说是后者的话,那么又该如何快速地拨云见日,从“金矿”中准确地发现产品良率波动的关键原因呢?这是一个已经困扰半导体工程师们多年的技术难题。

某半导体科技公司生产的晶圆在经过测试环节后,每天都会产生包含一百多个测试项目、长度达几百万行测试记录的数据集。按照质量管理的基本要求,一个必不可少的工作就是需要针对这些技术规格要求各异的一百多个测试项目分别进行一次过程能力分析。如果按照传统的工作模式,我们需要按部就班地分别计算一百多个过程能力指数,对各项质量特性一一考核。这里暂且不论工作量的庞大与繁琐,哪怕有人能够解决了计算量的问题,但也很难从这一百多个过程能力指数中看出它们之间的关联性,更难对产品的总体质量性能有一个全面的认识与总结。然而,如果我们利用大数据质量管理分析平台,除了可以快速地得到一个长长的传统单一指标的过程能力分析报表之外,更重要的是,还可以从同样的大数据集中得到很多崭新的分析结果。

以上是小编为大家分享的关于工业大数据开启新时代 七大应用分析的相关内容,更多信息可以关注环球青藤分享更多干货

CRM行业的重要卖点之一是大数据挖掘,针对如何利用CRM系统进行数据挖掘来进行客户关系管理,这里以百会CRM为例,进行一个简单地说明。

客户识别

CRM开始于客户识别,这个阶段的目的就是找到最有可能成为企业的新客户;对企业来说最有价值的是老客户;本阶段还要识别出那些即将流失的客户并且研究如何挽回。百会CRM可以全方位地收集客户资料和信息,及时记录对应的客户线索,并将其进行关联,当客户联系销售人员时候,能够第一时间识别出来。

客户吸引

发现了潜在客户群后,企业可以采取相应的营销策略来吸引这些潜在客户群。吸引客户的一个有效方法就是直接营销,直接营销是企业向客户直接进行推销,通过多种多样的渠道刺激客户直接下单。百会CRM可通过线索表格,无论是从网站获取的,还是线下的研讨会获取的线索信息,百会CRM能够通过对数据的分析,对不同的营销对象来推出对应的营销活动,抓住客户的兴趣。

客户保留

客户满意度指的是客户对企业的期望值与客户本身所感知之间的比较,是企业能留住老客户很重要的条件。企业保留老客户的方法包括一对一营销、客户忠诚度项目和投诉管理。一对一营销指通过分析、发现和预测特定客户的行为,客户忠诚度项目的目的是企业和客户维持较长时间的业务联系。客户忠诚度项目包括客户流失的分析、信用评分、服务质量和对忠诚度项目的满意度。百会CRM可以为客户提供一对一的客户定制服务,对客户进行的有针对性的个性化营销活动,从而为更好的保留客户打下基础。

客户开发

客户开发的要素包括客户生命周期价值的分析,升级销售和交叉销售的市场分析。客户生命周期价值指企业从客户身上所获得的总净收益。升级销售指在合适的时间,为合适的客户提供合适的服务。交叉销售指将各种资源(时间,金钱、构想、活动等)整合,从而降低成本,通过多渠道使企业接触到更多的潜在客户。百会CRM的数据分析的主要目的是通过分析客户购买行为的数据,挖掘出隐藏在客户购买行为后面的规则,最大化客户交易强度和价值。

以上就是关于用户画像标签体系主要包含哪些方面全部的内容,包括:用户画像标签体系主要包含哪些方面、比你更了解你,浅谈用户画像(二)、如何利用CRM系统数据做用户画像_客户画像数据等相关内容解答,如果想了解更多相关内容,可以关注我们,你们的支持是我们更新的动力!