用户画像准则
概述
现实中，BOSS很容易提出一个问题，让你用数据分析的方法，为我们的用户分类，减少流失提高销售额等。这种时候可以这么和老板说，这个工程有3个步骤：
第一步，统一用户标识，也就是用户ID，方便全程跟踪。对应在数据层标识这些用户的“事实标签”，如用户从哪里来的，平台A OR B。——用户从哪里来。
第二步，给用户打标签，也就是用户画像，方便对这些用户做更深的理解。对应算法层的“模型标签”，如铲屎官、孕期etc.——用户是谁。
第三步，业务化，将用户画像和我们业务结合，降低流失率，或提高我们的转化率。对应业务层的“预测标签”，如购买推荐、创作鼓励、优惠券etc.——用户到哪去。
统一用户标识
没什么好解释的，就是为了将整个用户行为进行串联，可以用账号、电话、用户名、CookieID等。
给用户打标签
8个字：用户消费行为分析
用户标签：性别、年龄、城市、职业等基础信息。
消费标签：消费习惯、购买意向、是否对促销敏感等消费习惯。
行为标签：时间段、频次、时长、访问路径等行为信息，分析用户使用产品的习惯。
内容分析：关注用户浏览次数多的内容，重点关注浏览时长，分析出用户的兴趣。如：金融、街舞、相声、茶。
业务化
从用户周期的三个阶段即获客、粘客、留客来阐述。
获客：如何进行拉新，通过更精准的营销获取客户。
粘客：个性化推荐，搜索排序，场景运营等。
留客：流失率预测，分析关键节点降低流失率。
按数据流处理的阶段划分用户画像建模的过程
所以这个标签化的流程，就是通过数据层的“事实标签”，在算法层进行建模计算，打上“模型标签”的分类结果，最后指导业务层，得出“预测标签”。
以美团为例
给用户打标签
按照“用户消费行为分析”的准则来进行设计。
- 用户标签：性别、年龄、家乡、居住地、收货地址、婚姻、宝宝信息、通过何种渠道进行的注册。
- 消费标签：餐饮口味、消费均价、团购等级、预定使用等级、排队使用等级、外卖等级。
- 行为标签：点外卖时间段、使用频次、平均点餐用时、访问路径。
- 内容分析：基于用户平时浏览的内容进行统计，包括餐饮口味、优惠敏感度等。
业务化
我们在这里介绍的都是创建用户画像的步骤，而非数据挖掘的步骤，数据挖掘是用这些标签和算法去做决策。
比如一个经常买沙拉的人，一般很少吃夜宵。同样，一个经常吃夜宵的人，吃小龙虾的概率可能远高于其他人。这些结果都是通过数据挖掘中的关联分析得出的。
回到用户周期的三个阶段上，利用这些标签可以引导用户转化和消费。
- 获客：通过个性化渠道做个性化宣传，吸引有潜在需求的用户，并刺激其转化。
- 粘客：如何提升用户的单价和消费频次，方法可以包括购买后的个性化推荐、针对优质用户进行优质高价商品的推荐、以及重复购买，比如通过红包、优惠等方式激励对优惠敏感的人群，提升购买频次。
- 留客：用户流失可能会包括多种情况，比如用户体验、竞争对手、需求变化等，通过预测用户的流失率可以大幅降低用户留存的运营成本。
