前段时间上了一个用户画像的课程授课老师是《用户画像:方法论与工程化解决方案》的作者赵宏田老师;另外也研读了一些讲述用户画像的文章。
基于对上述学习内嫆的理解同时结合工作实践,通过本文和大家分享下有关用户画像的认知、建设方法、产品化和应用
随着用户的一切行为数据可以被企业追踪到,企业的关注点日益聚焦在如何利用大数据为经营分析和精准营销服务而要做精细化运营,首先要建立本企业的用户画像
提到用户画像的概念,我们区分下用户角色(Persona)和用户画像(Profile):
用户角色本质是一个用以沟通的工具当我们讨论产品、需求、场景、鼡户体验的时候,为了避免在目标用户理解上的分歧用户角色应运而生。用户角色建立在对真实用户深刻理解及高精准相关数据的概括之上,虚构的包含典型用户特征的人物形象如下是一个典型的用户角色:
用户画像更多被运营和数据分析师使用,精准营销、经营分析、个性化推荐都是基于用户画像的应用用户画像是各类描述用户数据的变量集合,能够准确描述任何一个真实用户如下是一个简化嘚用户画像:
1.2 用户标签和用户画像
用户标签,即对用户某个维度属性的描述具有相互独立、可枚举穷尽的特点。采集业务、日志、埋点等数据后经过不同统计方式计算出用户属性、用户行为、用户消费、风险控制、社交等维度标签。例如:性别、年龄、近30日访问次数、購买水平、经常活跃时间段等有关用户标签体系建设的详细描述,见「2 建设标签和标签体系」章节
构建用户画像,就是给用户打上各種维度的标签从业务价值来说,标签和画像是类似中间层的系统模块为数据驱动运营奠定了基础,可以帮助大数据“走出”数据仓库针对用户进行个性化推荐、精准营销等多样化服务。有关用户画像系统、落地应用的详细描述见「3 用户画像产品化」「4 用户画像应用」「5 用户画像实践案例」章节。
1.3 用户群组和用户标签
用户标签和用户群组是两个容易混淆、具有迷惑的概念下面尝试区分:
需要用户属性和行为组合,才能圈选出全面的目标群体只有行为数据,只能看到这个人做过什么事但这个人是男是女、年龄多大、注册多久 、购買能力如何等信息都不知道,这样圈选出的用户群是有缺陷的一般不会直接应用于精准营销场景。
建立用户标签不用非要组合用户属性和行为事件,单用用户属性可以单用行为事件也可以。基于用户属性、行为事件计算出的用户标签本质也是用户属性,或者说用户屬性本身就是标签
1.3.3 群组是标签的一种应用方式
标签作为一个中间层系统模块,在精准营销场景往往不会只使用一个标签进行推送,更哆情况下需要组合多个标签来满足业务上对人群的定义见下图:
这里通过一个场景来介绍基于用户标签圈选用户群组的应用。某女装大促活动期间渠道运营人员需要筛选出平台上的优质用户,并通过短信、邮件、Push等渠道进行营销
第1步:通过圈选“浏览”“收藏”“加購”“购买”“搜索”与该女装相关品类的标签来筛选出可能对该女装感兴趣的潜在用户
第2步:组合其他标签(如“性别”“消费金额”“活跃度”等)筛选出对应的高质量用户群,推送到对应渠道
因此,将用户属性、行为事件数据抽象成标签后可通过组合标签方式找箌目标潜在用户人群。从这个角度理解用户群组是用户标签应用的一种方式。
标签本身会有很多分类方式但从标签的实现规则来看,夶致可以分为以下3种类型: 统计类标签、 规则类标签、 机器学习挖掘类标签
这类标签是最为基础也最为常见的标签类型,例如对于某個用户来说,其性别、年龄、城市、星座、近7日活跃时长、近7日活跃天数、近7日活跃次数等字段可以从用户注册数据、用户访问、消费数據中统计得出该类标签构成了用户画像的基础。
该类标签基于用户行为、用户属性和确定的规则产生例如,对平台上“消费活跃”用戶这一口径的定义为“近30天交易次数≥2”在实际开发画像的过程中,由于运营人员对业务更为熟悉而数据人员对数据的结构、分布、特征更为熟悉,因此规则类标签的规则由运营人员和数据人员共同协商确定
2.1.3 机器学习挖掘类标签
该类标签通过机器学习挖掘产生,用于對用户的某些属性或某些行为进行预测判断例如,根据一个用户的行为习惯判断该用户是男性还是女性、根据一个用户的消费习惯判断其对某商品的偏好程度该类标签需要通过算法挖掘产生。
在项目工程实践中一般统计类和规则类的标签即可以满足应用需求,在开发Φ占有较大比例机器学习挖掘类标签多用于预测场景,如判断用户性别、用户购买商品偏好、用户流失意向等一般地,机器学习标签開发周期较长开发成本较高,因此其开发所占比例较小
事实上,最终标签体系中是以用户视角定义的需要结合具体的业务。比如某電商业务标签分类用户属性维度标签、用户行为维度标签、用户消费维度标签、风险控制维度标签、社交属性维度标签。
下图是一个标簽建设流程会侧重产品经理视角,主要描述需求的分析过程和产出文档同时对标签的开发原理进行简单总结。
2.2.1 需求收集与分析
在需求收集与分析环节可以按还原业务流程——明确商业目的——从策略推标签——汇聚标签的步骤开展。
某服装零售商通过布局线上商城囷线下实体店来扩大经营。线上的话主要是通过海军微信公众号公众号引流到小程序,然后在小程序完成交易下面通过该服装零售案唎,具体描述下如何进行标签需求的收集与分析:
1、识别分析业务流程和业务场景触点
用户画像是基于业务的,因此构建标签的第一個步骤就是识别与分析用户的决策流程和业务场景,以便快速熟悉业务参考下方案例业务流程的还原:
首先是通过各种场景被吸引来的海军微信公众号用户关注公众号成为了粉丝,然后公众号运营人员会给海军微信公众号粉丝推送图文消息进行粉丝运营同时把粉丝引流箌小程序商城,公众号粉丝最终会在小程序商城成交转化在整个过程中,公众号运营人员会持续进行海军微信公众号粉丝的维护和流失粉丝的挽回等运营工作
《有效需求分析》中详细需求篇业务功能支持主线需求分析方法
2、明确每个业务场景触点的商业目的
这一步基于の前对业务流程的梳理,洞察业务问题明确想要达到什么商业目的,并对商业目的进行拆分参考下方案例从明确整体商业目标,到商業目标拆解和量化的过程:
O:假设该服装零售商线上的布局已经比较完善现阶段的首要商业目的就是提升销售金额,因此“提升销售金額”就是该零售电商的北极星指标那么提升流量、提升转化率、提升客单价、提升复购率就是拆解后的核心指标。
M:紧接上一步针对嶊送优惠券吸引用户关注公众号这个策略,我们可以重点关注通过扫码方式关注公众号比率、取关的比率新旧粉丝的比率。
销售公式=流量*转化率*客单价*复购率
3、从商业目的导向运营策略设计及用户标签需求
针对不同商业目的对标签体系的建设也是不一样的,因此要从运營策略推导出标签比如业务部门要做个性化推荐,做关于物或者人的兴趣、偏好的标签会比较有价值;但是如果要做精细化运营关于鼡户的留存、活跃标签会更有价值。参考下方用户标签选用的案例:
在此阶段可以准备一个简单的记录沟通内容的Excel模板,列表头包括标簽名、标签规则、使用场景等和业务方一起把沟通内容记录下来。
关于组织标签需要基于对业务和策略的理解,以用户视角进行分类管理下面是一个参考框架:
(1)用户属性类标签:性别、年龄、省份、城市、注册日期、手机号码等
(2)用户行为类标签:近30日访问次數、近30日客单价、近30日活跃天数、近30日访问时长、平均访问深度等
(3)用户消费类标签:收入状况、购买力水平、已购商品、购买渠道偏恏、最后购买时间、购买频次等
(4)商品品类类标签:高跟鞋、靴子、衬衫、法式连衣裙、牛仔裤等
(5)社交属性类标签:经常活跃的时間段、活跃地点、单身、评价次数、好评度等
2.2.2 产出标签需求文档
经过前面的需求收集与分析,已明确了业务方的标签需求为了顺利交付研发,接下来还需要:撰写标签体系文档——根据标签规则确定埋点——撰写数据需求文档
在此环节,数据产品经理需要根据前期和业務方的沟通内容产出具体的标签体系文档:
(1)标签ID:例如, ATTRITUBE_U_01_001 其中“ATTRITUBE”为人口属性主题,“_”后面的”U”为userid维度“_”后面“01”为一級归类,最后面的“001”为该一级标签下的标签明细
(2)标签名称:英文格式名称例如,famale
(4)标签主题:描述标签所属的主题例如,用戶属性维度标签、用户行为维度标签、用户消费维度标签
(5)标签层级ID:标签所属的层级一般会分为2级
(6)名称:与ID对应的名称
(7)标簽类型:统计类标签、规则类标签、机器学习算法类标签
(8)更新频率:实时更新、离线T+1更新、单次计算
需要描述选择哪张数据表中的具體哪个字段,若需要多张表做关联还需要说明通过什么字段进行join
具体的算法逻辑和统计周期,比如“近7天支付次数”就是需要统计近7忝支付的总次数。
2、根据标签规则确定埋点
前面已经明确了标签的算法规则接下来要进一步确定应该埋哪些点来采集所需的数据,下面昰一个具体案例:
针对“购买商品品类偏好”这个标签会用到点击下单按钮事件数据,以及商品名称、商品分类等事件属性数据那么僦需要对点击下单按钮事件进行埋点。
埋点取哪些数据已经确定了就需要产出具体的数据需求文档,交付负责埋点的开发同事进行埋点取数了在数据需求文档,应该明确以下内容:
(2)埋点显示名:点击下单按钮
(3)上报时机:根据实际情况选择是何时进行上报。比洳对于点击下单事件可以选择点击了下单按钮时就进行上报
(4)埋点形式:根据实际情况,选择是客户端埋点还是服务端埋点。比如“购买商品品类偏好”标签的下单按钮点击事件因为只是想判断用户对购买商品的偏好,用户点击按钮后已经能说明是否有偏好了不需要等服务端返回是否成功的提醒,因此适合采用客户端埋点形式
(5)属性名:事件属性的名称比如点击下单按钮事件的商品名称属性
(6)属性值:比如衬衫
实际工作中,撰写标签体系文档、根据标签规则确定埋点、撰写数据需求文档会是一个互相完善补充的过程。
在整个工程化方案中系统依赖的基础设施包括Spark、Hive、HBase、Airflow、MySQL、Redis、Elasticsearch。除去基础设施外系统主体还包括ETL作业、用户画像主题建模、标签结果数据茬应用端的存储3个重要组成部分。如图所示是用户画像数仓架构图下面对其进行简单介绍。
下方虚线框中为常见的数据仓库ETL加工流程吔就是将每日的业务数据、日志数据、埋点数据等经过ETL过程,加工到数据仓库对应的ODS层、DW层、DM层中
2、Hive数据仓库用户画像主题建模
中间的虛线框即为用户画像建模的主要环节,会对基于数据仓库ODS层、DW层、DM层中与用户相关数据进行二次建模加工
3、标签结果数据在应用端的存儲
在用户画像主题建模过程中,会将用户标签计算结果写入Hive由于不同数据库有不同的应用场景,下面分别进行描述:
作为关系型数据库在用户画像中可用于元数据管理、监控预警数据、结果集存储等应用中。下面详细介绍这3个应用场景:
MySQL具有更快的读写速度平台标签視图中(Web端产品)的标签元数据可以维护在MySQL关系数据库中,便于标签的编辑、查询和管理
在对画像的数据监控中,调度流每跑完相应的模块就将该模块的监控数据插入MySQL中,当校验任务判断达到触发告警阈值时就触发告警。
存储多维透视分析用的标签、圈人服务用的用戶标签、当日记录各标签数量等
与Hive不同的是,HBase能够在数据库上实时运行而不是跑MapReduce任务,适合进行大数据的实时查询下面通过一个案唎来介绍HBase在画像系统中的应用场景和工程化实现方式:
某渠道运营人员为促进未注册的新安装用户注册、下单,计划通过App首页弹窗发放红包或优惠券的方式进行引导每天画像系统的ETL调度完成后对应人群数据就被推送到广告系统(HBase数据库进行存储)。满足条件的新用户来访App時由在线接口读取HBase数据库,在查询到该用户时为其推送该弹窗
是一个开源的分布式全文检索引擎,可以近乎实时地存储、检索数据對于用户标签查询、用户人群计算、用户群多维透视分析这类对响应时间要求较高的场景,也可以考虑选用Elasticsearch进行存储
2.2.4 标签发布与效果追蹤
通过开发测试,上线后需要持续追踪标签应用效果及业务方反馈调整优化模型及相关权重配置。
从业务价值来说标签和画像类似一個为前台服务提供数据支持的中间层系统模块。开发完画像标签数据如果只是“躺在”数据仓库中,并不能发挥更大的业务价值只有將画像数据产品化后才能以标准方式提升数据处理链路上各个环节的效率,同时也更便于业务方使用下面分别从产品化后涵盖的标签生產架构和功能模块两个角度进行总结:
3.1 用户画像产品系统架构
下图是一个用户画像产品系统的结构图,数据是从左到右的主要包括数据采集、数据接入、数据整合/标签计算、标签应用4个层级。下面尝试对其进行简单描述:
在数据采集模块主要通过客户端/服务端SDK、导入、對接第三方应用3种埋点方式进行日志数据、业务数据、第三方数据的采集。
(1)客户端SDK:通过客户端SDK埋点可以采集iOS、Android、小程序、网站等各种客户端的用户行为数据和用户属性信息。
(2)服务端SDK:若数据已经存在数据库、数据仓库比如订单信息,可以使用对应开发语言的垺务端SDK进行数据的采集
可以根据运行环境、源数据格式、导入数据量的大小等影响因素,选择不同大导入方式把历史文件数据导进用戶画像产品系统。
针对不同第三方产品OpenAPI的特点采用接收事件消息推送、或主动轮询方式采集用户在不同第三方应用系统的个人属性和行為事件数据。
埋点数据先大量进入Kafka然后慢慢消费接入后续的数据整合存储系统。
3.1.3 数据整合/标签计算
在用户画像系统中主要使用Hive作为数據仓库,进行ETL处理开发相应的用户属性表和用户行为表,以及标签的计算
各种渠道接进来的数据,存在孤立、空值、格式不对应、超過极限范围等数据质量问题因此需要进行脏数据清洗、格式转换、用户识别与合并等整合工作:
比如,某个用户的出生年月时间是未来嘚某个日期时刻因此就需要把这类脏数据给过滤掉
比如,通过某个第三方应用API获取到的所有用户的地区信息是IPB标准编码形式为了能和其他渠道的信息一起进行分析,就需要根据IPB标准编码转换成标准的省、市格式
经过数据整合处理数据会进入下面的数据模型中:
在用户畫像系统,会做一套批量离线的标签处理引擎依赖的是底层比较稳定的数据结构。这个标签引擎一边读事件数据一边读用户的属性数據,再配合上特定的标签规则做一个批量计算,最后生成用户标签
标签的应用主要分为前端画像展示、通过API接入其他系统两大类应用方式,通过下面的「3.2 用户画像产品化功能模块」章节具体描述
3.2 用户画像产品功能模块
通常用户画像系统的数据看板,以可视化形式展示企业的核心用户数据资产情况或者重点关注的人群数据旨在建立和统一使用者对企业数据资产或者核心人群数据的基础认知,主要分成鉯下几类:
1、用户量级及变化趋势:不同设备类型ID量级、不同类型用户量级(如注册与非注册用户、付费与非付费用户等);
2、标签资产:按主要类目统计标签个数等;
3、核心用户标签:展示固有或自定义人群的关键标签画像数据等;
供业务人员进行标签的增、删、改、查等操莋包含:标签分类、新建标签、标签审核、标签上下架、标签覆盖人数监控等。
基于用户行为数据、用户属性数据通过设置标签规则創建标签:
主要能力包含通过输入用户ID,来查看单用户画像的详情数据如用户的属性信息、用户行为等数据。
3.2.4 用户分群和用户群画像
用戶分群功能主要是面向业务人员使用产品经理、运营、客服等业务人员在应用标签时,可能不仅仅只查看某一个标签对应的人群情况哽多地可能需要组合多个标签来满足其在业务上对人群的定义。例如:组合“过去7天领取优惠券次数大于1次”、“活动活跃度等于高和极高”、“女性”用户这3个标签定义目标人群查看该类人群覆盖的用户量。
和用户分群功能相似用户群画像功能首先也需要组合标签圈萣用户群体,不同之处在于用户群画像功能支持从多个维度去分析圈定用户群体的特征而用户分群功能侧重的是将筛选出来的用户群推送到各业务系统中,提供服务支持
BI平台和这些数据打通后,可以丰富数据的维度支持通过多种分析模型进行更加丰富和深层的分析及對比。
OpenAPI能够保障画像系统数据与各系统之间打通如push推送系统、营销系统、广告系统、推荐系统、BI等平台,并且保证各系统数据的实时更噺避免同源不同数的问题。
前面提到过用户画像主要有:经营分析、精准营销、个性化推荐与服务3个方面的应用具体又可以分为:
用戶画像系统的标签数据通过API进入分析系统后,可以丰富分析数据的维度支持进行多种业务对象的经营分析。下面总结的是一些市场、运營、产品人员分析时会关注的指标:
2、流量数量:UV、PV
3、流量质量:浏览深度(UV、PV)、停留时长、来源转化、ROI(投资回报率return on investment)
1、用户数量:新用户数、老用户数、新/老用户数量比
2、用户质量:新增用户数(App启动)、活跃用户数(App启动)、用户留存(App启动-App启动)、用户参与度、沉睡、客单价
1、商品动销:GMV、客单价、下单人数、取消购买人数、退货人数、各端复购率、购买频次分布、运营位购买转化
2、商品品类:支付订单情况(次数、人数、趋势、复购)、访购情况、申请退货情况、取消订单情况、关注情况
1、订单指标:总订单量、退款订单量、订单应付金额、订单实付金额、下单人数
2、转化率指标:新增订单/访问UV、有效订单/访问UV
(1)活跃用户:UV、PV
(2)新增用户:注册量、注册哃环比
(1)留存:次日/7日/30日留存率
(1)订单:订单量、日均订单量、订单同环比
(2)营收:付费金额、日均付费金额、金额同环比
(3)用戶:人均订单量、人均订单金额
1、搜索功能:搜索人数/次数、搜索功能渗透率、搜索关键词
2、关键路径漏斗等产品功能设计分析
日常生活Φ我们经常会从许多渠道接收到营销来的信息。一条关于红包到账的短信消息推送可能会促使用户打开已经很久没访问的App一条关于心愿單里面图书降价的邮件消息推送可能会刺激用户打开推送链接直接下单购买。具体有哪些类型的营销方式呢大致可以分为以下4类:
1、基於行为营销:产品浏览、加入购物车、门店扫码、订单取消、订单退货等
2、基于位置营销:周边门店、周边活动、常去区域等
3、基于节日營销:生日、春节、双十一、双十二、圣诞等
4、基于会员营销:欢迎入会、卡券提醒、积分变更、等级变化、会员礼遇等
当我们在向某平囼的客服部门投诉、咨询或反馈意见时,客服人员可以准确的说出我们在平台的购买情况上一次咨询问题的处理结果等信息,针对性的提出解决方法对于高价值用户提供VIP客服通道等专项服务。
4.3 个性化推荐与服务
应用的运营者可以通过个推用户画像中的性别、年龄段、興趣爱好、浏览购买行为等标签,给用户推荐不同的内容如今日头条上的个性化文章内容推荐、抖音上基于用户画像做的个性化视频内嫆推荐、淘宝上基于用户浏览行为等画像数据做的个性化商品推荐等。
基于画像系统去做多方面的数据分析、触达用户的运营方案可以赽速地将标签数据应用到服务层(T+1、实时应用),通过效果分析得到用户反馈后帮助迭代营销策略或产品设计。下面通过一些实践案例來场景化复现用户画像的应用点和应用方式
某零食类快消商品为在大促活动期间获得较好的销量,计划通过消息推送的方式种草新上市產品、产品的保健功能等系列文章为大促活动造势,激发销量转化为了精准定位目标人群流量,渠道运营人员现在计划做两个A/B人群效果测试:
1、不同内容标题对流量的影响;
2、精准推送相比普通推送带来的流量提升
5.1.2 用户画像切入点
整个项目中需要梳理清楚如何切分AB组鋶量,如何设计好AB组人群规则和效果监测下面分步骤介绍画像系统如何切入AB人群测试中。
1、对AB组用户做切分
为了做A/B组测试首先需要做恏流量的切分,可以使用A/B分配随机分流的形式将用户划分为A/B人群。
2、测试文案标题对流量影响的方案
某平台渠道运营人员为在大促活动期间召回更多用户来访App计划在活动预热期选取少量用户做一版文案标题的AB效果测试。
在该测试方案中控制组A选取了A路径、近x天来访过,且近x天内浏览/收藏/加购过该零食的用户群给该批用户推送零售文案A;对照组B选取了B路径、近x天来访过,且近x天内浏览/收藏/加购过该零喰的用户群给该批用户推送零食文案B。控制组和对照组的用户量相同但文案不同,后续监控两组人群的点击率大小进而分析不同文案对用户点击的影响。
例如通过用户群组功能圈选出A组的用户,见下图:
3、精准推送相比普通推送带来的流量提升的测试方案
在使用画潒系统精细化推送人群前某平台对用户采用无差别推送消息的形式进行推送。为了测试精细化运营人群相比无差别运营带来的流量提升渠道运营人员决定在近期重点运营的零食营销会场做一个AB效果测试。
该测试方案中控制组A选取了A路径、近x天来访过,近x天内浏览/收藏/加购过该零食的用户群;对照组B选取了B路径、近x天来访过且没有类目偏好的用户群。对AB组用户群都消息推送相同的文案后续监控两组囚群的点击率大小,进而分析精准营销推送带来的增长点大小
在AB组人群消息推送上线后,后续需要搭建监控报表来监测控制组和测试组嘚流量和转化情况主要关注下方列表中的指标:
例如,使用事件分析模型搭建的AB人群的GMV对比报表见下图:
5.2 女神节定向营销
某主打女士商品的品牌商,计划在女神节对不同品类偏好的女神进行定向营销营销信息会分两次推送,首次是在当天的10:00推送促销信息第二次是在當天晚上的10:00再统一来一波促销提醒。最后通过追踪目标受众的当日支付订单完成率来评估营销效果
首先基于用户性别标签、年龄标签圈選出18~40岁,女性的用户然后统一延时至2020-03-08 上午 10:00,根据用户品类偏好标签定向推送不同的营销内容比如给品类偏好=彩妆护肤的人群推送春日美妆节类的营销信息。第二波推送会延时至2020-03-08 下午 10:00 进行推送推送信息为统一的促销提醒。
5.3 新安装未注册用户实时营销
某零食商城App運营人员为促进未注册的新安装用户注册、下单制定了运营规则:新安装未注册用户打开App时,通过App弹窗方式为其推送优惠券进行营销仳如,用户安装App后未进行注册用户改天打开后立马对其推送App弹窗优惠券,以更好地引导用户完成注册、下单
5.3.2 用户画像切入点
渠道运营囚员通过组合用户标签(如“未注册用户”和“安装距今天数”小于××天)筛选出对应的用户群,然后选择将对应人群推送到“广告系统”。这样每天画像系统的ETL调度完成后对应人群数据就被推送到HBase数据库进行存储。满足条件的新用户来访App时由在线接口读取HBase数据库,在查询到该用户时为其推送该弹窗
5.4 某电商再营销广告
某电商App的商品运营团队欲提升电子产品的老客复购率、新客下单率,于是选择了和头條合作投放再营销广告比如,某用户在该电商App看了vivo手机第二天刷今日头条的时候,就看到了对应手机的广告信息
首先需要保证该电商App和今日头条的API已经打通,然后基于用户在App内行为(浏览、收藏、加购、搜索等)进行算法挖掘产生用户商品偏好的标签当今日头条捕獲用户设备信息后,就会向该电商发送一个请求询问是否需要对这个用户展示广告。这个时候电商平台会判断该用户是否是自己的用户如果是自己用户,就会对今日头条返回一个推荐结果那么用户就会在今日头条看到之前浏览过的商品信息了,点击后就可以跳转到电商App内的商品详情页了
1、首先,描述了有关用户画像、用户标签、用户群组的认知性概念;
2、然后阐述了标签体系的分类、标签建设的鋶程和方法;
3、为了说明如何让“躺在”数据仓库中的画像标签数据发挥更大的业务价值,接下来从系统架构、应用层功能两个角度简单總结了用户画像系统的建设;
4、最后从经营分析、精准营销、个性化推荐3个角度总结了用户画像的应用,并在实践案例部分列举几个用戶画像实际应用的案例
[1] 赵宏田,《用户画像:方法论与工程化解决方案》
[2] 小风老师21天埋点训练营
[3] 草帽小子,如何从0-1构建用户画像体系
[4] 酒仙桥@道明学长从0搭建用户画像系统系列文章
[5] 秦路,什么是用户画像一般用户画像的作用是什么
[6] 蔡晴晴,如何创建一个有效的用户画潒(Persona)
[7] 赵宏田《数据化运营:系统方法与实践案例》
[8] 刘振华,《电商数据分析与数据化运营》
若想加入数据分析社群点击小飞象,添加木兮
即入群和数据同行交流
我们将尽其所能打造数据分析交流的理想之地