丁文文 李征宇 李貴

摘? 要：為電商直播平臺更精細(xì)運(yùn)營提供建議。以蘑菇街電商直播間動作用戶作為研究對象，通過爬蟲程序，獲取直播間截圖、分享、加購物車、加關(guān)注、彈幕、時間等和動作用戶個人主頁的粉絲數(shù)、關(guān)注數(shù)、種草力數(shù)、身高、體重等，提出并使用二次聚類的群體畫像方法。結(jié)論表明該平臺存在9類典型群體，對聚類中心點(diǎn)對比，識別各群體特征，提出精準(zhǔn)運(yùn)營策略和建議。

關(guān)鍵詞：電商直播平臺? 二次聚類? ? 行為用戶? ?群體畫像

中圖分類號：F49;F274? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A文章編號：1672-3791（2021）05（b）-0043-03

Abstract： Provide suggestions for the finer operation of the e-commerce live broadcast platform. Taking the action users of Mogujie e-commerce broadcast room as the research object， through the crawler program， the screenshot， share， add shopping cart， add attention， bullet screen， time， etc. of the broadcast room and the number of fans， number of attention， number of grass planting， height， weight， etc. of the personal homepage of the action users are obtained. And the group portrait method of secondary clustering is proposed and used. The conclusion shows that there are 9 types of typical groups in the platform. By comparing the clustering center points， the characteristics of each group are identified and precise operation strategies and suggestions are put forward.

Key Words： E-commerce live broadcast platform; Secondary clustering; Behavior user; Group portrait

2020年以來，中國境內(nèi)受疫情影響，線下交易受挫，但直播行業(yè)逆勢上漲，發(fā)展空間巨大。對電商直播平臺行為用戶群體畫像，精準(zhǔn)識別特征及需求，對平臺提供精準(zhǔn)運(yùn)營有重要意義。

群體畫像已有不少探索。薛歡雪從4個方面建立學(xué)科服務(wù)用戶畫像模型[1]。Iglesias J A等研究者用聚類描繪各群組用戶畫像[2];上述大多是理論宏觀描繪，不適宜大量用戶數(shù)據(jù)處理。對平臺研究多在傳播模式、運(yùn)營策略等方面，比如：王亮分析語音直播傳播模式和知識變現(xiàn)方式[3];楊靜用長尾理論分析知乎平臺三階段運(yùn)營模式[4];用戶行為層面大多研究參與動機(jī)或付費(fèi)因素[5]。僅是分層理論研究，規(guī)模數(shù)據(jù)實(shí)驗(yàn)探索較匱乏，應(yīng)用電商直播平臺分析更加之少。

該文提出基于二次聚類群體畫像研究方法。發(fā)揮了DBSCAN在處理異常數(shù)據(jù)時優(yōu)越性，處理效率大大提高;KMEANS方法對樣本群體劃分，根據(jù)輪廓系數(shù)靈活確定最優(yōu)簇數(shù)，收斂速度更快，結(jié)果更合理。

1? 聚類思想在畫像領(lǐng)域的應(yīng)用

用戶群體畫像是聚類算法重要應(yīng)用領(lǐng)域，聚類得到不同群體模型，可在大規(guī)模數(shù)據(jù)下更好地研究用戶需求和特征。例如：楊衛(wèi)紅等研究者用k-means對用電行為劃分類別[6];朱鈺涵用k-means算法對彈幕用戶聚類[7];張莉曼等研究者用密度峰值算法對付費(fèi)用戶聚類分析[8]。

2? 畫像設(shè)計(jì)

2.1 畫像概念模型

基本屬性由關(guān)注數(shù)、粉絲數(shù)、種草力數(shù)、城市、身高、體重這6個標(biāo)簽構(gòu)成。動態(tài)屬性含有發(fā)送彈幕、動作時間、是否關(guān)注、加購物車數(shù)、截圖數(shù)、分享數(shù)這6個標(biāo)簽。

2.2 畫像構(gòu)建流程

群體畫像有用戶數(shù)據(jù)采集與處理、聚類及特征提取、群組畫像及精準(zhǔn)營銷等環(huán)節(jié)。群體畫像的構(gòu)建流程見圖1。

3? 數(shù)據(jù)采集與處理

爬取29 289條直播間樣本。選取關(guān)注數(shù)、粉絲數(shù)、種草力數(shù)、彈幕數(shù)、彈幕長度、加購物車次數(shù)、分享次數(shù)和截圖次數(shù)為特征，數(shù)據(jù)匯總見表1。

均值和中位數(shù)差異非常大，最大值都遠(yuǎn)大于均值和中位數(shù)，這意味可能存在一些離群點(diǎn)。

4? 群組聚類及特征提取

離群值與絕大多數(shù)值差距大，但數(shù)量稀少。DBSCAN結(jié)果受半徑和類的最小樣本數(shù)影響，半徑設(shè)為10，較大半徑設(shè)置有助找出離群嚴(yán)重樣本點(diǎn)。對離群值探索，試圖分析異常具體原因，有3個用戶的粉絲數(shù)和種草力都非常大，都超過了平均水平幾十倍。經(jīng)過查看這3個用戶的具體彈幕發(fā)言內(nèi)容，提取該用戶前5條直播實(shí)時數(shù)據(jù)，發(fā)現(xiàn)該用戶實(shí)際是該直播間的客服，同樣的另外倆位也是這種情況。其余異常點(diǎn)，均是行為相對較為異常的用戶，有大量的刷屏、加購物車行為。共找出8個離群點(diǎn)，因行為過于異常，因此刪除。

5? 群組畫像及精準(zhǔn)營銷

進(jìn)行K-means聚類，選擇簇數(shù)為9，聚類中心特征見表2。

樣本量非常小的類第2類和第5類，發(fā)言數(shù)量是正常水平?？赡苁瞧渌辈ラg主播或客服，結(jié)果有邏輯合理性。

另外，數(shù)據(jù)被聚類成7類。第0類用戶是“推廣大使”型用戶。有遠(yuǎn)高于平均水平的分享次數(shù)，但購物車次數(shù)遠(yuǎn)低于平均水平，幫助了店鋪商品傳播，可尋找其需求主題，改善購物體驗(yàn)。第1類用戶是“靜默大眾”型用戶。各指標(biāo)均低于平均水準(zhǔn)，價值最低的大眾用戶;平臺可消息提醒、客服回訪等與用戶建立聯(lián)系，激發(fā)行為意愿。第3類用戶是“主力購物”型用戶。這類用戶發(fā)言次數(shù)和長度很少，以默默購買行為為主，是主力購買用戶群體;用戶有較高購物意愿，是平臺和主播營收關(guān)鍵，可用等級、特權(quán)等方式提高身份價值。第4類用戶，是“積極問答”型用戶。其發(fā)言長度遠(yuǎn)超平均水平，是問題和發(fā)言最多群體，是發(fā)言氛圍得以活躍的關(guān)鍵，應(yīng)不斷優(yōu)化體驗(yàn)，對積極參與彈幕行為進(jìn)行獎勵。第6類用戶是“對比同款”型用戶。購買車行為高于平均水平，截圖次數(shù)遠(yuǎn)高平均水平。發(fā)言長度和次數(shù)只略高于平均水平，此類用戶對產(chǎn)品疑問主要通過直播間內(nèi)交流得到答復(fù)，用戶更傾向截圖去其他網(wǎng)店或直播間找同款、對比等方式來解決購買決策問題。該群組購物主要關(guān)注并選擇單價較低或者有折扣優(yōu)惠物品。大多無迫切需求，購物意愿受價格影響較大?？赏扑驼劭坌畔?、發(fā)放優(yōu)惠券等刺激消費(fèi)。第7類用戶，是“潛在購買”型用戶。購物車行為很少，發(fā)言次數(shù)和長度都較高，可能在直播室聊天或詢問產(chǎn)品問題，有轉(zhuǎn)化購買用戶潛力。可回訪調(diào)研購物少原因，通過積分等標(biāo)簽去提高身份價值，激勵參與彈幕貢獻(xiàn)。8類用戶是“廣泛關(guān)注”型用戶。關(guān)注數(shù)非常多，可能關(guān)注了數(shù)量眾多的主播，但購買力一般。應(yīng)通過各種方式了解并滿足其購物需求，積極引導(dǎo)關(guān)注用戶向消費(fèi)用戶轉(zhuǎn)變。

6? 結(jié)語

平臺可根據(jù)畫像挖掘特征及需求精準(zhǔn)運(yùn)營。因平臺信息保密，獲得數(shù)據(jù)還不全面，如沒有獲得用戶搜索和消費(fèi)數(shù)據(jù)，未來可考慮獲得更全面數(shù)據(jù)。

參考文獻(xiàn)

[1] 薛歡雪.高校圖書館學(xué)科服務(wù)用戶畫像創(chuàng)建過程[J].圖書館學(xué)研究，2018（13）：67-71，82.

[2] Iglesias J A，Angelov P，Ledezma A， et al. Creating Evolving User Behavior Profiles Automatically[J].IEEE Transactions on Knowledge and Data Egineering，2012，24（5）：854-867.

[3] 工亮.基于語音互動的知識付費(fèi)問答社區(qū)的傳播模式研究[D].上海師范大學(xué)，2018.

[4] 楊靜.長尾理論視閡的知識分享變現(xiàn)條件分析[D].南京大學(xué)，2017.

[5] 趙楊，袁析妮，李露琪，等.基于社會資本理論的問答平臺用戶知識付費(fèi)行為影響因素研究[J].圖書情報知識，2018（4）：15-23.

[6] 楊衛(wèi)紅，賴清平，蘭宇，等.基于調(diào)節(jié)潛力指標(biāo)的用戶用電行為聚類分析算法研究[J].電力建設(shè)，2018，39（6）：96-104.

[7] 朱鈺涵.在線視頻社區(qū)中彈幕信息交互群體的用戶畫像研究[D].南京大學(xué)，2019.

[8] 張莉曼，張向先，盧恒，等.知識直播平臺付費(fèi)用戶群體畫像研究[J].圖書情報工作，2019，63（5）：84-91.