PICC用戶畫(huà)像解決方案

1、Pice項(xiàng)目用戶畫(huà)像解決方案1、 41.1、 用戶細(xì)分-國(guó)像與營(yíng)銷41.2、 用戶Z田分一圓像的概念4121、用戶彳亍為名田分4122、用戶價(jià)值細(xì)分41.2.3、 用戶需求細(xì)分51.3、 用戶細(xì)分-畫(huà)像的應(yīng)用場(chǎng)景5 <2、口口 彳 51.3.3、交叉銷售52、 621、6 1» 1、 J JJ ' I* 1J212、 VjI 8213、 J、' QQ/Xll9214、 口口】，口1.1.5. 訂單明細(xì)表101.1.6. 業(yè)務(wù)數(shù)據(jù)庫(kù)101.1.7. 對(duì)照字典101.1.8. 用戶信息匯總101.1.9. 數(shù)據(jù)集市邏輯設(shè)計(jì)132.2、 數(shù)據(jù)獲取13221、線上行為數(shù)

2、據(jù)132.3、 數(shù)理142.3.1. 用戶識(shí)另U142.3.2. 用戶瀏覽行1為整合14233、用戶投保彳丁為整合152.3.4. 用戶投保行為分類標(biāo)簽生成162.3.5. 用戶購(gòu)買可能性分析172.3.6. 產(chǎn)品首頁(yè)的關(guān)聯(lián)推薦182.3.7. 訂單支付完成頁(yè)面的關(guān)聯(lián)推薦192.4、 數(shù)據(jù)挖掘模型202.4.1. 分分析202.4.2. 聚類分析21243、多元分謝莫型22231.背景1.1,用戶細(xì)分畫(huà)像與營(yíng)銷典型的營(yíng)銷活動(dòng)相關(guān)的數(shù)據(jù)分析包括以下步驟：1、收集用戶不同方面的數(shù)據(jù)2、用戶分析與用戶細(xì)分,分析不同群組的行為與需求3、建立用戶響應(yīng)預(yù)測(cè)模型，定位響應(yīng)可能性較高的用戶4、選擇不同的渠道、

3、時(shí)間和Offer5、通過(guò)測(cè)試和控制組比較分析效果6、通過(guò)營(yíng)銷分析優(yōu)化下一次的渠道、Offer等因此用戶細(xì)分（畫(huà)像）在營(yíng)銷活動(dòng)中的作用是理解、定位與篩選用戶。1.2、用戶細(xì)分畫(huà)像的概念1.2.1,用戶行為細(xì)分按照用戶行為方式將用戶分為不同的群組，可以按照以下幾種維度進(jìn)行細(xì)分: 用戶購(gòu)買方式細(xì)分（時(shí)間、地點(diǎn)、設(shè)備、渠道）用戶購(gòu)買產(chǎn)品細(xì)分（產(chǎn)品類別偏好）例如在保險(xiǎn)行業(yè)按照用戶購(gòu)買產(chǎn)品細(xì)分，可以分為旅游與運(yùn)輸險(xiǎn)用戶、家庭 與責(zé)任險(xiǎn)用戶、車險(xiǎn)用戶等。1.2.2,用戶價(jià)值細(xì)分按照用戶產(chǎn)生的價(jià)值進(jìn)行細(xì)分，可以分為高價(jià)值、普通和低價(jià)值用戶。1.2.3,用戶需求細(xì)分按照用戶人生階段，可以分為初入職場(chǎng)、家庭建立,

4、財(cái)富累積、職業(yè)生涯晚 期等不同階段，每個(gè)不同階段的用戶有不同的需求。1.2.4,用戶畫(huà)像在用戶細(xì)分的基礎(chǔ)上，分析各個(gè)群組的其它維度。例如在購(gòu)買產(chǎn)品行為細(xì)分 的基礎(chǔ)上,分析各個(gè)群組的年齡、性別、瀏覽、購(gòu)買方式等，形成完整的用戶群 組描述。13.用戶細(xì)分畫(huà)像的應(yīng)用場(chǎng)景根據(jù)用戶的歷史購(gòu)買金額數(shù)據(jù)，進(jìn)行用戶價(jià)值細(xì)分，通過(guò)分析當(dāng)前高價(jià)值用 戶群體的特征，定位與高價(jià)值用戶類似的用戶。1.3.2.產(chǎn)品定位根據(jù)產(chǎn)品購(gòu)買行為和產(chǎn)品使用行為數(shù)據(jù)，分析當(dāng)前公司已有的用戶細(xì)分與每 個(gè)細(xì)分所占份額，通過(guò)與競(jìng)爭(zhēng)對(duì)手用戶細(xì)分所占份額進(jìn)行比較，分析優(yōu)勢(shì)細(xì)分群 體與未覆蓋細(xì)分群體的市場(chǎng)份額與產(chǎn)品屬性偏好，進(jìn)行新產(chǎn)品的定位。13

5、.3,交叉銷售在向用戶銷售新產(chǎn)品時(shí)，通過(guò)分析樣本用戶中最終購(gòu)買和未購(gòu)買用戶的個(gè)人 基本信息、歷史購(gòu)買記錄和歷史瀏覽記錄，建立購(gòu)買可能性預(yù)測(cè)模型，提取在非樣本用戶中購(gòu)買可能性較高的那一部分人群，提升轉(zhuǎn)化率。1.3.4.精準(zhǔn)推薦通過(guò)分析用戶的購(gòu)買行為分類、瀏覽行為分類和年齡、性別等個(gè)人基本信息, 找到與指定用戶相似的用戶群體，計(jì)算該用戶群體最多購(gòu)買的產(chǎn)品，向該指定用 戶進(jìn)行相似度推薦。當(dāng)用戶瀏覽產(chǎn)品A時(shí)，分析所有瀏覽過(guò)產(chǎn)品A用戶的瀏覽 記錄，找到瀏覽產(chǎn)品A后最有可能瀏覽的其它產(chǎn)品，進(jìn)行關(guān)聯(lián)推薦。2、實(shí)施過(guò)程2.1,數(shù)據(jù)定義數(shù)據(jù)集市的目的是整合所有數(shù)據(jù)挖掘和營(yíng)銷相關(guān)的用戶數(shù)據(jù)，確保數(shù)據(jù)的完 整性，以

6、及提升數(shù)據(jù)挖掘項(xiàng)目的速度。數(shù)據(jù)集市中至少應(yīng)當(dāng)包括用戶基本信息、 用戶訪問(wèn)記錄、用戶產(chǎn)品瀏覽記錄、用戶購(gòu)買記錄和數(shù)據(jù)對(duì)照字典?？赡艿臉I(yè)務(wù) 場(chǎng)景包括產(chǎn)品關(guān)聯(lián)分析、用戶響應(yīng)預(yù)測(cè)、用戶細(xì)分-畫(huà)像、2.11、用戶基本信息整合之后的用戶基本信息應(yīng)當(dāng)包括身份識(shí)別標(biāo)識(shí)，姓名，性別，年齡、婚姻 狀況、學(xué)歷、地區(qū)、聯(lián)系方式、小孩數(shù)量等數(shù)據(jù)，如有其它外部源數(shù)據(jù)，可通過(guò) 用戶身份信息表進(jìn)行關(guān)聯(lián),并導(dǎo)入外部相關(guān)標(biāo)簽信息。用戶身份信息表，用于識(shí)別并標(biāo)識(shí)唯一用戶。屬性說(shuō)明訪問(wèn)標(biāo)識(shí)主鍵訪客標(biāo)識(shí)訪問(wèn)時(shí)間證件類型證件號(hào)碼會(huì)員賬號(hào)手機(jī)號(hào)碼郵箱噴該表為用戶身份信息表，作為數(shù)據(jù)集市的一個(gè)底層表。用戶信息表來(lái)源為線 上渠道，包括epic

7、c網(wǎng)站、w叩端、客戶端以及微信頁(yè)面,主要用于對(duì)線上用 戶的唯一識(shí)別及整合客戶身份信息。用戶唯一識(shí)別規(guī)則如下：(1)優(yōu)先以證件號(hào)碼作為唯一用戶識(shí)別標(biāo)識(shí)，同一訪客不同證件號(hào)碼，將 會(huì)算不同的用戶；不同訪客，同一證件號(hào)碼，會(huì)歸為同一個(gè)客戶；(2 )證件號(hào)不存在時(shí)，以用戶用效手機(jī)號(hào)為唯一識(shí)別標(biāo)識(shí)，處理規(guī)則同上；(3)手機(jī)號(hào)不存在時(shí),以用戶會(huì)員賬號(hào)為唯一識(shí)別標(biāo)識(shí),處理規(guī)則同上；(4)會(huì)員賬號(hào)不存在時(shí)，以有效的郵箱號(hào)碼為唯一標(biāo)識(shí)，處理規(guī)則同上；唯一標(biāo)識(shí)確定之后，在整合用戶身份信息時(shí)，如果存在唯一標(biāo)識(shí)相同，其他 身份信息不同，則以訪問(wèn)時(shí)間最近一次為準(zhǔn)，最終將用戶身份信息以唯一識(shí)別標(biāo) 識(shí)為中心，整合成一條數(shù)據(jù)

8、；2.1.2,用戶訪問(wèn)記錄用戶訪問(wèn)記錄表，作為數(shù)據(jù)集市的一個(gè)底層表,存放用戶每次訪問(wèn)的相關(guān)記錄，主要涉及字段如下表：屬性說(shuō)明訪問(wèn)標(biāo)識(shí)主鍵訪客標(biāo)識(shí)訪問(wèn)時(shí)間訪問(wèn)次數(shù)訪問(wèn)深度登錄貞面退出貞面營(yíng)銷渠道SEM/DSP/EDM/短信來(lái)源類型搜索引摯外部關(guān)鍵詞內(nèi)部關(guān)鍵詞訪問(wèn)渠道例如 Web、APP、WAP分辨率操作系統(tǒng)設(shè)備名稱App運(yùn)宮1曲App下載渠道App2.1.3,產(chǎn)品瀏覽表產(chǎn)品瀏覽表，記錄線上渠道用戶每次訪問(wèn)的產(chǎn)品瀏覽記錄訪問(wèn)標(biāo)識(shí)主鍵訪客標(biāo)識(shí)產(chǎn)品A瀏覽數(shù)量產(chǎn)品B瀏覽數(shù)量產(chǎn)品C瀏覽數(shù)量2.1.4、產(chǎn)品訂單表產(chǎn)品訂單表，記錄線上渠道用戶每次訪問(wèn)的產(chǎn)品訂購(gòu)數(shù)量訪問(wèn)標(biāo)識(shí)主鍵訪客標(biāo)識(shí)產(chǎn)品A訂單數(shù)量產(chǎn)品B訂單數(shù)

9、量產(chǎn)品C訂單數(shù)量2.1.5,訂單明細(xì)表用戶訂單明細(xì)記錄至少應(yīng)當(dāng)包括訂單標(biāo)識(shí)，訪問(wèn)標(biāo)識(shí)，訪客標(biāo)識(shí)，訂夠時(shí)間, 購(gòu)買產(chǎn)品，購(gòu)買金額等。訂單編號(hào)主鍵訪問(wèn)標(biāo)識(shí)訪客標(biāo)識(shí)訂購(gòu)時(shí)間購(gòu)買產(chǎn)品購(gòu)買金額2.1.6, 業(yè)務(wù)數(shù)據(jù)庫(kù)數(shù)據(jù)業(yè)務(wù)數(shù)據(jù)庫(kù)數(shù)據(jù)主要為客戶交易數(shù)據(jù)、CRM數(shù)據(jù)庫(kù)以及其他渠道數(shù)據(jù)等2.1.7, 數(shù)據(jù)對(duì)照字典對(duì)照數(shù)據(jù)字典用于當(dāng)數(shù)據(jù)中記錄的是代碼而不是名稱時(shí)，用于查詢對(duì)應(yīng)的名 稱。對(duì)照數(shù)據(jù)也可以用于對(duì)被對(duì)照數(shù)據(jù)的分類，例如產(chǎn)品的分類。2.1.8, 用戶信息匯總用戶信息匯總作為所有分析的基礎(chǔ)，為數(shù)據(jù)庫(kù)中的視圖，定期進(jìn)行更新。用 戶信息匯總包含以下:用戶基本信息：身份識(shí)別標(biāo)識(shí)性別年齡城市用戶訪問(wèn)記錄：最近三個(gè)

10、月Web訪問(wèn)次數(shù)最近三個(gè)月WAP訪問(wèn)次數(shù)最近三個(gè)月APP訪問(wèn)次數(shù) 用戶瀏覽記錄：最近三個(gè)月A產(chǎn)品瀏覽次數(shù)最近三個(gè)月B產(chǎn)品瀏覽次數(shù)最近三個(gè)月C產(chǎn)品瀏覽次數(shù) 最近三個(gè)月D產(chǎn)品瀏覽次數(shù) 最近三個(gè)月E產(chǎn)品瀏覽次數(shù)用戶購(gòu)買數(shù)據(jù)：最近N月A產(chǎn)品購(gòu)買數(shù)量最近N月A產(chǎn)品購(gòu)買金額最近N月B產(chǎn)品購(gòu)買數(shù)量最近N月B產(chǎn)品購(gòu)買金額最近N月C產(chǎn)品購(gòu)買數(shù)量最近N月C產(chǎn)品購(gòu)買金額最近N月D產(chǎn)品購(gòu)買數(shù)量最近N月D產(chǎn)品購(gòu)買金額最近N月E產(chǎn)品購(gòu)買數(shù)量最近N月E產(chǎn)品購(gòu)買金額最近N月購(gòu)買總數(shù)量最近N月購(gòu)買總金額最大購(gòu)買金額最小購(gòu)買金額最近一次購(gòu)買時(shí)間最近一次購(gòu)買金額用戶標(biāo)簽：瀏覽行為分類：訪問(wèn)渠道偏好、來(lái)源渠道偏好、搜索引擎偏好、關(guān)鍵

11、詞偏好、訪問(wèn)時(shí)長(zhǎng)、訪問(wèn)頻次、營(yíng)銷渠道偏好、產(chǎn)品瀏覽偏好等用戶信息分析：年齡段分類、職業(yè)、性別、家庭（婚姻、小孩、父母聯(lián)系方式真實(shí)度評(píng)估購(gòu)買行為分類：購(gòu)買記錄、購(gòu)買時(shí)間偏好、購(gòu)買產(chǎn)品偏好、支付方式分類用戶價(jià)值分類（根據(jù)保險(xiǎn)購(gòu)買記錄、保費(fèi)金額、理賠信息等判斷）：價(jià)值評(píng)估、資產(chǎn)評(píng)估（房屋、車輛、企業(yè)資產(chǎn)等）興趣爰好類：旅游偏好、寵物偏好2.1.9, 數(shù)據(jù)集市邏輯設(shè)計(jì)投很打?yàn)榉诸惛F筌 飲值分突笈筵 嫩道分美* 布似推/n 布修推存2 桁僅推養(yǎng)3 相隼推善4 蟲(chóng)隼靠浜鈾行為京粼州廣公/,0行為數(shù)汨（用尸很粉）5萬(wàn)為JW8 （用戶CUM）.； LE，由'8生；qy度笳mnar擊 aC：?用戶侑總訪

12、問(wèn)伯恩訪解磔期）產(chǎn)員代網(wǎng)關(guān)段聚谷，大以推力2大聯(lián)推行3嚴(yán)叢囪火記廣（網(wǎng)戶Ct W）產(chǎn)吊/覽標(biāo)箋個(gè)晶詞第亦（曲可圖利）2.2、 數(shù)據(jù)獲取2.2.1, 線上行為數(shù)據(jù)Web、WAP、APP 等從 Insight 獲取2.2.2, 業(yè)務(wù)數(shù)據(jù)從公司內(nèi)部業(yè)務(wù)數(shù)據(jù)源獲取2.2.3, 外部數(shù)據(jù)引入或購(gòu)買外部數(shù)據(jù)2.3、 數(shù)據(jù)處理2.3.1, 用戶識(shí)別通過(guò)訪客標(biāo)識(shí)（Cookie ）和證件號(hào)碼進(jìn)行唯一用戶。如果沒(méi)有證件號(hào)碼,則 通過(guò)手機(jī)號(hào)碼識(shí)別唯一用戶。如果沒(méi)有手機(jī)號(hào)碼，則通過(guò)登錄賬號(hào)識(shí)別唯一用戶。 如果沒(méi)有登錄賬號(hào)，則通過(guò)郵箱識(shí)別唯一用戶。2.3.2, 用戶瀏覽行為整合根據(jù)訪問(wèn)級(jí)別的用戶瀏覽記錄，通過(guò)訪客標(biāo)識(shí)和

13、身份標(biāo)識(shí)進(jìn)行瀏覽數(shù)據(jù)的處 理和匯總，最后形成用戶級(jí)別的瀏覽行為匯總。按訪客匯總23.3.用戶投保行為整合通過(guò)處理訪問(wèn)級(jí)別的訂單記錄和CIF數(shù)據(jù)庫(kù)提供的部分實(shí)際成單數(shù)據(jù)，進(jìn)行 用戶投保記錄的整合，最后形成用戶級(jí)別的投保行為匯總。關(guān)聯(lián)匹配產(chǎn)品訂單記錄（訪問(wèn)級(jí)別）CIF投保數(shù)據(jù)（訂單級(jí)別）/按用戶匯總己支付的的訂單Pivot投保行為（用戶級(jí)別）. 衍生字段創(chuàng)建2.3.4、用戶投保行為分類標(biāo)簽生成通過(guò)選取樣本用戶的投保行為數(shù)據(jù)，包括各產(chǎn)品的投保數(shù)量和投保金額，進(jìn) 行主成分分析和聚類分析，確定分類標(biāo)簽的含義，訓(xùn)練分類預(yù)測(cè)模型，預(yù)測(cè)三株羊 本用戶的分類標(biāo)簽，從而生成所有用戶的投保行為分類標(biāo)簽。23.5,用

14、戶購(gòu)買可能性分析通過(guò)分析近N個(gè)月內(nèi)瀏覽過(guò)某產(chǎn)品的所有用戶的用戶基本信息、投保行為和 瀏覽行為，以購(gòu)買或未購(gòu)買該產(chǎn)品為目標(biāo)變量，建立分類預(yù)測(cè)模型,分析購(gòu)買可 能性最高的用戶群組特征，預(yù)測(cè)在將來(lái)瀏覽該產(chǎn)品的用戶的購(gòu)買可能性，進(jìn)行用 戶定位和精準(zhǔn)營(yíng)銷。2.3.6, 產(chǎn)品首頁(yè)的關(guān)聯(lián)推薦選取近N個(gè)月內(nèi)的訪問(wèn)級(jí)別的產(chǎn)品瀏覽記錄，如果瀏覽過(guò)某產(chǎn)品則記為1, 沒(méi)有瀏覽過(guò)則記為0 ,生成行數(shù)據(jù)代表一次訪問(wèn)，列數(shù)據(jù)為是否瀏覽過(guò)產(chǎn)品的矩陣，進(jìn)行關(guān)聯(lián)分析，得到同一次訪問(wèn)中瀏覽產(chǎn)品的關(guān)聯(lián)規(guī)則,為每個(gè)產(chǎn)品提取瀏覽關(guān)聯(lián)度最高的M個(gè)產(chǎn)品并寫(xiě)入數(shù)據(jù)表中。產(chǎn)品瀏覽記錄（訪問(wèn)級(jí)別）/ 過(guò)濾、計(jì)數(shù)近N個(gè)月的產(chǎn)品瀏覽矩陣/- 關(guān)聯(lián)分析

15、瀏覽本產(chǎn)品的同一次訪問(wèn)中最多瀏覽的其它產(chǎn)品2.3.7, 訂單支付完成頁(yè)面的關(guān)聯(lián)推薦選取近用戶級(jí)別的產(chǎn)品瀏覽記錄，如果購(gòu)買過(guò)某產(chǎn)品則記為1,沒(méi)有購(gòu)買過(guò) 則記為0 ,生成行數(shù)據(jù)代表一個(gè)用戶，列數(shù)據(jù)為是否購(gòu)買過(guò)產(chǎn)品的矩陣，進(jìn)行關(guān) 聯(lián)分析，得到同一用戶購(gòu)買產(chǎn)品的關(guān)聯(lián)規(guī)則,為每個(gè)產(chǎn)品提取購(gòu)買關(guān)聯(lián)度最高的 M個(gè)產(chǎn)品并寫(xiě)入數(shù)據(jù)表中產(chǎn)品投保行為（用戶級(jí)別）L 過(guò)濾、計(jì)數(shù)用戶-產(chǎn)品購(gòu)買矩陣/>關(guān)聯(lián)分析購(gòu)買本產(chǎn)品的用戶中購(gòu)買次數(shù)最多的其它產(chǎn)品2.4.數(shù)據(jù)挖掘模型2.4.1, 主成分分析在數(shù)據(jù)維度較多，例如用戶可能購(gòu)買的產(chǎn)品類別達(dá)幾十種時(shí),可以通過(guò)主成 分分析，在保留大部分原有信息的情況下，推導(dǎo)出反映用戶行為

16、的由原有維度線 性組合而成的主要復(fù)合維度。通過(guò)對(duì)這些主要的復(fù)合維度而不是原有的幾十個(gè)維 度進(jìn)行分析，可以減少計(jì)算的復(fù)雜度。通過(guò)分析主要復(fù)合維度,也可以輔助對(duì)產(chǎn) 品進(jìn)行分類。ABCDEFGHIJKLMN0PQ ZC123430000100195300 4C200004252000010000 1C310113456000000563 8表1主成分分析之前的用戶產(chǎn)品購(gòu)買數(shù)據(jù)PlP2P3P4P5P6Cl150173016C2020101517C3217022019表2主成分分析之后的用戶產(chǎn)品購(gòu)買數(shù)據(jù)2.4.2, 聚類分析通過(guò)將用戶總體分為幾個(gè)不同的組間差異較大、組內(nèi)相似度較高的群組,可 以更容易和高

17、效地理解用戶特征。聚類分析通過(guò)計(jì)算用戶維度數(shù)據(jù)之間的相似度 或者距離，將用戶總體分為不同群組。通過(guò)分析群組與總體之間以及群組與群組 之間各個(gè)度量平均值之間的差異，例如不同產(chǎn)品類別購(gòu)買數(shù)量之間的差異，描述 各個(gè)細(xì)分用戶的購(gòu)買行為。P1P2P3P4P5P6分類C1150173016aC2020101517bC3217022019cC411012309aC5023201713bC6016101519b表3利用主成分分析之后的數(shù)據(jù)進(jìn)行聚類分析PlP2P3P4PSP6分類性別年齡渠道瀏覽金額Cl150173016a男34 500C2020101517b男23 700C3217022019c女26 600C411012309a女28 400C5023201713b男31 300C6016101519b女4