劉雨晴 茍娟瓊 崔倩倩

摘 要：用戶畫像是對用戶現(xiàn)實信息的抽象與概括，以優(yōu)惠券為場景的用戶畫像的構(gòu)建為場景化的精準營銷奠定了基礎(chǔ)。本文通過AARRR模型對優(yōu)惠券營銷場景進行識別與分析，并結(jié)合NES模型對用戶活躍狀態(tài)維度進行細分，最后采用聚類和相似度計算的算法構(gòu)建用戶畫像并可視化結(jié)果。結(jié)果發(fā)現(xiàn)基于NES模型的優(yōu)惠券場景，用戶畫像的構(gòu)建能夠全面描述用戶的靜態(tài)和動態(tài)信息，從而推動精準營銷以及智能營銷的發(fā)展。

關(guān)鍵詞：用戶畫像;標(biāo)簽體系;精準營銷;場景識別

中圖分類號：F274 文獻標(biāo)識碼：A 文章編號：2096-0298（2021）03（a）--03

用戶畫像是對用戶現(xiàn)實信息的抽象與概括，用戶畫像的構(gòu)建是基于用戶屬性和用戶行為提取用戶興趣，了解用戶的過程。而構(gòu)建的過程是用一些計算機技術(shù)來挖掘數(shù)據(jù)以及數(shù)據(jù)之間的關(guān)系，然后用可視化的技術(shù)呈現(xiàn)出來。

用戶畫像的構(gòu)建在構(gòu)建方法上多是從用戶的人口統(tǒng)計學(xué)屬性和動態(tài)數(shù)據(jù)的屬性出發(fā)，先利用建模的方法，然后用聚類分析、關(guān)聯(lián)規(guī)則等算法[1]挖掘用戶的信息以及潛在的關(guān)聯(lián)關(guān)系;在應(yīng)用場景上多半是圖書館[2]，還有一部分學(xué)者研究了旅游場景[3]、虛擬社區(qū)場景、電網(wǎng)場景等;在時間跨度方面，多數(shù)研究所關(guān)注的時間點也只是某固定的時間，忽略了用戶整個的購買周期這個影響因素。

所以，本文引入AARRR用戶生命周期模型對營銷場景進行細分，選取優(yōu)惠券的具體營銷場景作為研究對象，然后依據(jù)NES模型對優(yōu)惠券場景中用戶的活躍狀態(tài)維度進行劃分，結(jié)合其他屬性維度，再用計算機技術(shù)構(gòu)建出用戶畫像，最終可視化結(jié)果。

1 場景化NES模型的應(yīng)用

1.1 基于AARRR模型的優(yōu)惠券場景識別與分析

AARRR分別代表獲取用戶、提高活躍度、提高留存率、獲取收入和自傳播[4]，分別對應(yīng)用戶生命周期中的五個重要環(huán)節(jié)。優(yōu)惠券營銷的場景可分為兩大類：維護客群和提升交易，具體分類如表1所示。

本文優(yōu)惠券營銷場景的識別依據(jù)用戶生命周期相關(guān)理論和實踐經(jīng)驗，對用戶的全生命周期每個階段所具備的行為特征和需求進行分析和重構(gòu)，助力營銷和運營人員識別營銷場景。

1.2 優(yōu)惠券營銷場景下NES模型的應(yīng)用

NES理論的提出是為了幫助企業(yè)更準確地掌握顧客的變動性，期望基于對消費者實際交易數(shù)據(jù)的計算，并通過不斷對這些數(shù)據(jù)的動態(tài)更新和修正，將消費者分為首次購買的新顧客、支撐主要營收來源的既有顧客和回購率低于10%的沉睡顧客。

本文的活躍狀態(tài)標(biāo)簽基于NES模型劃分，根據(jù)用戶的購買周期與最近一次的購買時間對比[5]，將用戶劃分為新顧客、主力顧客、睡眠顧客（包括瞌睡顧客、半睡顧客和沉睡顧客）。

2 用戶畫像概念的建立

基于前面對營銷場景的解析，相應(yīng)的用戶畫像標(biāo)簽體系包括靜態(tài)信息標(biāo)簽和動態(tài)信息標(biāo)簽兩大類。其中，靜態(tài)信息標(biāo)簽是由依據(jù)用戶注冊信息或資料完善后系統(tǒng)自動標(biāo)注，包括性別、年齡和地區(qū)三個維度;動態(tài)信息標(biāo)簽是基于用戶的行為數(shù)據(jù)和用戶行為分析模型抽取得到，包括活躍狀態(tài)、用戶價值、價格敏感度和商品喜好四個維度。

在建立用戶畫像模型體系時，應(yīng)注意：第一，營銷場景和用戶需求會不斷更新，所以標(biāo)簽體系的建立是一個逐步完善的過程，不可能一步到位;第二，應(yīng)從本質(zhì)上去透徹分析和把握不同營銷場景下營銷目標(biāo)用戶的行為特征，根據(jù)實際業(yè)務(wù)需求去分析; 第三，根據(jù)具體的營銷場景和業(yè)務(wù)需求合理規(guī)劃用戶畫像標(biāo)簽的結(jié)構(gòu)，便于對標(biāo)簽的管理和對標(biāo)簽的組合使用。

3 用戶畫像的實例構(gòu)建

本文從L公司數(shù)據(jù)庫中隨機抽取了288條用戶數(shù)據(jù)用于場景化營銷模擬，經(jīng)過篩選異常數(shù)據(jù)和缺失數(shù)據(jù)，并通過數(shù)據(jù)脫敏處理，最終保留260條有效用戶基本信息數(shù)據(jù)，共1240條用戶訂單數(shù)據(jù)。同時，以用戶ID為檢索條件，檢索出這260名用戶在最近三個月的所有瀏覽、收藏、加購記錄進行預(yù)處理。

3.1 靜態(tài)標(biāo)簽

性別標(biāo)簽包含男和女兩種，根據(jù)用戶注冊時提供的性別字段值給用戶貼上對應(yīng)的性別標(biāo)簽。年齡段標(biāo)簽包括四個：未成年、青年、中年和老年，根據(jù)用戶注冊時填寫的出生年月日可計算出用戶的實際年齡，給用戶貼上相應(yīng)的年齡段標(biāo)簽。

3.2 動態(tài)標(biāo)簽

3.2.1 活躍狀態(tài)標(biāo)簽

本文的活躍狀態(tài)標(biāo)簽主要依據(jù)NES購買周期模型來劃分。根據(jù)簡單的計算可知：不活躍用戶中26%為瞌睡顧客， 29%為半睡顧客，45%為沉睡顧客。

3.2.2 用戶價值標(biāo)簽

用戶價值標(biāo)簽依據(jù)RFM模型[6]的計算獲得，通過獲取用戶最近一次購買時間、購買頻次和購買金額源數(shù)據(jù)并進行初步分析和處理，得到 R、F 和 M 三個指標(biāo)各自的平均值，以及每個用戶與均值比較的結(jié)果，從而綜合判斷用戶的價值并貼上價值標(biāo)簽。用戶價值標(biāo)簽的數(shù)據(jù)結(jié)構(gòu)和分析結(jié)果如表 2所示。

3.2.3 用戶喜好標(biāo)簽

用戶喜好標(biāo)簽的提取主要根據(jù)用戶的屬性特征和購物行為尋找其相似近鄰用戶，采用基于用戶的協(xié)同過濾推薦算法來預(yù)測用戶的商品喜好。用戶綜合相似度矩陣如表3所示。

通過計算用戶綜合相似度，得到用戶的Top5近鄰用戶，將近鄰用戶的歷史購買商品集中的商品放入該用戶的喜好商品集，通過對喜好商品集的商品標(biāo)簽提取，為用戶貼上商品喜好標(biāo)簽。

3.2.4 價格敏感度標(biāo)簽

價格敏感度標(biāo)簽的提取，通過查詢用戶訂單總數(shù)和參與優(yōu)惠的訂單數(shù)、計算每單優(yōu)惠金額和每單優(yōu)惠前金額、匯總用戶所有訂單未優(yōu)惠前總價格和所有訂單。參與優(yōu)惠的總金額，計算可得優(yōu)惠訂單占比、平均每單優(yōu)惠金額占比和總優(yōu)惠金額占比三個指標(biāo)之和，作為K-means聚類算法輸入的數(shù)據(jù)。聚類中心點的三個指標(biāo)之和越小，代表價格敏感度越低。由此將所有用戶劃分為三個群體并貼上對應(yīng)的價格敏感度標(biāo)簽，如表4所示。

3.3 綜合的用戶畫像

以用戶為維度的用戶畫像可視化，相對于營銷場景用戶畫像較為簡單，首先為用戶打上各類特征標(biāo)簽，然后將用戶的標(biāo)簽綜合顯示，本文采用人物與標(biāo)簽搭配的形式呈現(xiàn)用戶畫像，以 ID為11001的用戶畫像為例，如圖1所示。

4 結(jié)語

本文通過對營銷場景進行識別與分析，采用 NES 模型對用戶活躍狀態(tài)進行細分，結(jié)合計算機技術(shù)構(gòu)建了場景化的用戶畫像模型，為精準的場景化營銷奠定了基礎(chǔ);現(xiàn)在已經(jīng)有一些將用戶畫像應(yīng)用到不同的領(lǐng)域和場景中的研究，不過本文結(jié)合新的畫像維度并應(yīng)用到優(yōu)惠券營銷場景中也是一個嘗試。本文主要關(guān)注于優(yōu)惠券場景中一次數(shù)據(jù)的收集與使用，以此為基礎(chǔ)構(gòu)建了用戶畫像，對于反饋數(shù)據(jù)關(guān)注的較少，希望在后續(xù)研究中能夠完善。

參考文獻

梅陽陽.基于網(wǎng)絡(luò)行為的用戶畫像算法研究[D].廣州：廣東技術(shù)師范大學(xué)，2019.

劉速.淺議數(shù)字圖書館知識發(fā)現(xiàn)系統(tǒng)中的用戶畫像——以天津圖書館為例[J].圖書館理論與實踐，2017（06）：103-106.

劉海鷗，孫晶晶，蘇妍嫄，等.基于用戶畫像的旅游情境化推薦服務(wù)研究[J].情報理論與實踐，2018，41（10）：87-92.

徐倩茹.基于AARRR模型的貨運APP用戶留存策略研究[J].電子商務(wù)，2019（07）：66-67.

劉進.重復(fù)購買周期和營銷戰(zhàn)略選擇[J].企業(yè)管理，2010（02）：81-83.

樂承毅，王曦.基于改進RFM聚類的高校圖書館用戶畫像研究[J].圖書館理論與實踐，2020（02）：75-79.