绘制访客用户画像的优化标题：如何准确绘制访客用户画像？

1.相关知识

用户画像，即用户信息标签化，网店通过收集与分析消费者的社会属性、生活习惯、消费行为等主要信息的数据，抽象出一个用户的商业全貌是网店应用大数据技术的基本方式。用户画像为网店提供了足够的基础信息，能够帮助网店快速找到精准用户群体以及用户需求等更为广泛的反馈信息。

随着淘宝市场竞争加剧，淘宝商家越来越觉得引流难度在加大。要获得流量，那应该先明白一个道理：淘宝的流量为什么给你？一定是你能够创造最大的流量价值，也就是说，流量进到店铺后，转化率、客单价一定都是优秀的。淘宝一直在倡导的个性化——千人千面，一方面这样做确实有利于提升用户的购物体验，从另一个角度来说，对平台和卖家来讲都是有好处的，流量精准性的提高，带来了转化率的提高和客单价的提高。

淘宝的千人千面是依靠淘宝网庞大的数据库构建出的买家的兴趣模型。它能从细分类目中抓取那些特征与买家兴趣点匹配的推广宝贝，展现在目标客户浏览的网页上，帮助商家锁定潜在买家，实现精准营销。淘宝首先根据客户的特征以及浏览和购买行为为其打上标签，如年龄段标签——25～35岁，地域标签——杭州，偏好标签——喜欢设计艺术感，客单价标签——200～400元，等等；同时淘宝也会根据进店访客的特征以及访客浏览和购买行为为该店家打上标签，然后再设法将两者进行匹配。

所以商家要想在千人千面搜索规则下得到更多的展示机会，则要先知道自己的访客长什么样，然后根据访客的用户画像来优化网店经营的产品和营销策略，最后形成明确、独特的市场定位，这正是淘宝所希望看到的。

2.任务要求

收集一家网店访客的特征及其浏览和购买行为数据，绘制访客的用户画像，具体包括客户的年龄、性别、地域、爱好、消费层级、访问深度、平均访问时长、新老占比、流量流转和热力图等。在此基础上，总结网店访客的主要特征。

3.任务实施

（1）理论基础。绘制网站访客清晰的用户画像，需要了解不同行为的访客所对应的基础特征。如果要解决这个问题，就要很清楚地了解用户的情况，用户的个人喜好，他需要什么，这就需要大数据挖掘技术的支持。需要基于用户在网站的一切行为（行为背后是一系列的数据），包括搜索、浏览、点击、咨询、加关注、放购物车、下单、支付、物流配送、售后评价等一系列数据，在这些数据的基础上进行建模，然后概括出每个用户的情况。

用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。如，红酒0.8、李宁0.6。标签表明某用户对该内容有兴趣、偏好、需求等。权重表明用户的兴趣、偏好指数，也可能表明用户的需求度，可以简单地理解为可信度或概率。网店访客的用户数据划分为静态信息数据、动态信息数据两大类，如图6-36所示。

①静态信息数据。静态信息数据是指用户相对稳定的信息，主要包括人口属性、商业属性等方面的数据。这类信息自成标签，如果商家有真实信息则无须过多建模预测，更多的是做好数据清洗工作。

②动态信息数据。动态信息数据是指用户不断变化的行为信息。广义上讲，一个用户打开网页，买了一个杯子，与该用户傍晚溜了趟狗，白天取了一次钱，打了一个哈欠一样都是用户行为。当集中到电商层面进行分析时，用户行为就会聚焦很多，如浏览凡客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“‘双十一’大促给力”的微博消息等，均可看作访客的用户行为。

网店访客的用户行为可以看作用户动态信息的唯一数据来源，如何对用户行为数据构建数据模型，分析出用户标签这是一个难点。

图6-36　用户数据

（2）实施步骤。对于一个非技术型的运营人员，对访客的用户画像会偏向于通过数据简单整合、与用户多维度沟通等过程来实现，这个过程可以简单分解成三个步骤。

步骤1：用户维度筛选。(www.xing528.com)

用户画像需要建立在真实有效的数据上，在做用户画像的过程中要对数据做筛选整合，首先并不是所有数据信息都有用，其次，数据还会有主与次、重要与非重要的区别。每一个公司的不同阶段，构成用户画像的数据维度会不一样。用户画像维度的筛选是为了指引营销、产品或者运营指标，不同职能人员对不同用户画像维度的看重程度是不一样的。以网店运营为例，客服销售关注的是用户的购物情况，产品运营关注的是页面的用户体验变化，渠道推广关注的是用户在流量上的表现。用户画像是一个动态的过程，分析的维度要视具体情况而定，要考虑数据汇集所需的时间。通常可以把用户的数据维度分成静态维度和动态维度，然后归类维度属性，接下来就开始进入数据信息收集的过程了。

步骤2：数据信息收集。

收集数据的方式方法会决定数据是不是有效的。线上运营比较常用的方法就是对用户进行“监控、跟踪”，淘宝网店的店主可以从生意参谋中获取大量自家店铺、行业和竞争对手的大量数据。当然除了数据跟踪，还可以结合用户调研的方式收集用户数据信息，如在网店运营过程中，除了跟踪用户购物下单等数据之外，还可以筛选出特定的用户做访谈调研。例如，横比产品的选择偏好，对于产品消费过程中的反馈等。

步骤3：数据建模分析。

数据是零散的或是表面的，用户画像要对收集到的数据做整理，比较常用的是通过数据建模的方式做归类创建。一些比较初级的用户画像，通过Excel工具就可以基本完成整合。而对于技术工具层面的数据建模，可以聘请专业技术人员来完成。在数据量不大、用户画像比较初级的情况下，通过筛选、归类、整合的过程对用户做属性归类，然后确定用户画像，这种方式可能有不到位的地方，但是在产品还没有推出或者数据量不大的情况下，运营还未进入深度精细化阶段，这种用户画像的初级处理，也能避免很多决策过于主观化。在数量比较多、用户画像精细化的情况下，就需要通过一些用户画像的工具做数据的整理了，通过对数据进行规整处理，然后做例如聚类、回归、关联及各种分类器等算法处理。关联性分析和RFM模型都是用户画像中数据建模分析常用的方式。

步骤4：总结网店访客的主要特征。

步骤5：撰写《××网店访客的用户画像》。

步骤6：做好汇报的准备。

（3）成果报告。

××网店访客的用户画像

××网店访客的用户画像如表6-1所示。

表6-1　××网店访客的用户画像

续表

从表6-1汇集的网店访客的静态信息数据、动态信息数据来看，客户的年龄在18～50岁分布比较均匀，最主要年龄段为26～35岁，合计占比46.52％；客户的性别男性占多数；地域集中分布在东南部沿海经济发达地区及少数中西部人口较多的省份；客户爱好趋向于聚划算和宝贝优惠券等，对价格敏感；消费层级集中在0～1810元区间，占比达到93.85％；访问深度1.43页/人；平均访问时长37秒；新老客户占比中新客户居多，老客户偏少；来源关键词为空调、格力空调、洗衣机等；浏览量集中分布在1～3页；从热力图来看，客户对首页图片比较感兴趣，点击率达到35.11％。