基于電商評價數(shù)據(jù)的農(nóng)產(chǎn)品用戶畫像分析

李勇 譚小玲 陳曉婷 管慧

[摘要]通過構(gòu)建安化黑茶產(chǎn)品的用戶畫像，分析其用戶群體的消費(fèi)行為特征，可為商家提供多維度的產(chǎn)品用戶信息，便于商家了解用戶，進(jìn)而改進(jìn)產(chǎn)品與服務(wù)，為安化黑茶電商營銷策略提供決策依據(jù)。以京東、天貓、淘寶三大電商平臺為基礎(chǔ)，使用python的scrapy第三方庫采集淘寶、京東電商平臺安華黑茶的評價數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行清洗、去空值、去停用詞等預(yù)處理，運(yùn)用jieba第三方庫對評論數(shù)據(jù)進(jìn)行分詞、詞頻分析，完成對安化黑茶用戶特征的完整刻畫。結(jié)合客戶評論數(shù)據(jù)分析，可知安化黑茶近3/4用戶為男性;山東省為安化黑茶網(wǎng)購大省;網(wǎng)購渠道依次為淘寶、京東、天貓;關(guān)注安化黑茶的人更喜歡教育、汽車服飾、綜藝等;消費(fèi)者對安化黑茶訴求如“減肥”、“抗衰老”、“降血脂”等比例升高。

[關(guān)鍵詞]用戶畫像;安化黑茶;電商營銷;數(shù)據(jù)分析;文本挖掘

[中圖分類號]F724.6;F323.7 [文獻(xiàn)標(biāo)識碼]A

1 引言

近年來，電子商務(wù)發(fā)展迅速。湖南安華黑茶借助電商平臺的便捷化優(yōu)勢，拓展了線上營銷渠道，其線上電商平臺的商品評論區(qū)也逐漸成為消費(fèi)者發(fā)表商品訴求的交流平臺。因此可以通過獲取用戶的評論數(shù)據(jù)，來挖掘用戶的需求，以此幫助湖南安化黑茶提升品牌價值、增強(qiáng)市場競爭力。而大數(shù)據(jù)環(huán)境下的用戶畫像分析是近年來深度挖掘用戶需求的重要方法。國內(nèi)外學(xué)者不斷關(guān)注用戶畫像方面的研究，其中用戶畫像精準(zhǔn)營銷是當(dāng)前研究的熱點(diǎn)。

用戶畫像這一概念最早由交互設(shè)計之父Alan Cooper提出，其認(rèn)為用戶畫像是真實(shí)用戶的虛擬代表是建立在真實(shí)數(shù)據(jù)之上的目標(biāo)用戶模型。Teixeira C、Pinto J S、Martins J A等國外研究者認(rèn)為用戶畫像是一個獨(dú)立的描述用戶需求、偏好和興趣的模型，是從海量數(shù)據(jù)中提煉的個人信息的數(shù)據(jù)集合。中國科學(xué)技術(shù)信息研究所信息資源中心主任曾建勛認(rèn)為，用戶畫像是指獲取用戶的專業(yè)背景、文化程度、知識獲取習(xí)慣、興趣偏好、特長任務(wù)等與用戶需求趨向相關(guān)的信息，以此為基礎(chǔ)進(jìn)行模型化表示，為用戶制定特定標(biāo)簽。雖然研究者對用戶畫像的概念表述存在一定差異，但研究者一致認(rèn)同用戶畫像是面向用戶展開的基于真實(shí)數(shù)據(jù)進(jìn)行的研究。ZorattiS等提出了如何利用數(shù)據(jù)挖掘事物間的關(guān)聯(lián)性并應(yīng)用到精準(zhǔn)營銷中;KennedyDS從移動互聯(lián)網(wǎng)的角度提出精準(zhǔn)營銷的具體實(shí)施方法;ZhenY等提出了精準(zhǔn)營銷的決策框架，通過識別不同類別客戶之間的潛在特征，提出適當(dāng)?shù)木珳?zhǔn)營銷策略。用戶畫像技術(shù)還逐步涉及個性化搜索、城市計算、預(yù)測用戶年齡、興趣愛好、性別、地理位置等。用戶畫像有兩個層次的定義。第一種是從產(chǎn)品設(shè)計、運(yùn)營過程中從用戶群體中抽象出來的典型用戶，能夠表達(dá)用戶群體的主要需求和期望。第二種是基于特定使用情境下真實(shí)的用戶行為數(shù)據(jù)所形成的描述用戶屬性及其行為的標(biāo)簽集合。第二種層次的用戶畫像更具有真實(shí)性以及較強(qiáng)的時效性。

近幾年，關(guān)于用戶畫像精準(zhǔn)營銷的決策框架的研究越來越多，但涉及具體案例及具體應(yīng)用的研究較少，因此，本文構(gòu)建用戶畫像是針對第二層次，根據(jù)客戶的評價數(shù)據(jù)，抓住其需求特征，進(jìn)行用戶畫像分析與可視化的構(gòu)建，為企業(yè)確定目標(biāo)客戶，制定精準(zhǔn)的營銷方式、迎合不同消費(fèi)者的需求提供依據(jù)。研究內(nèi)容包括兩部分，第一部分是通過獲取用戶的評論數(shù)據(jù)來搜集用戶屬性信息，將屬性信息標(biāo)簽化以便對用戶進(jìn)行畫像。第二部分是基于用戶畫像挖掘消費(fèi)者對于安化黑茶的需求，實(shí)現(xiàn)對企業(yè)精準(zhǔn)營銷方式的進(jìn)一步完善。

2 客戶評價數(shù)據(jù)的采集與處理

構(gòu)建用戶畫像，應(yīng)從用戶留在網(wǎng)絡(luò)上的“數(shù)據(jù)足跡”的采集、整理與歸類開始。用戶發(fā)表評論的時間、內(nèi)容屬性、追加評論、評論圖片是用戶數(shù)據(jù)采集的主要來源，采集數(shù)據(jù)之后需要對用戶數(shù)據(jù)進(jìn)行有效過濾，去除無效、雜亂數(shù)據(jù)，過濾之后對海量的用戶評論數(shù)據(jù)進(jìn)行清洗、分詞、詞頻分析等處理，發(fā)現(xiàn)其中隱含的有價值的信息，再通過文本處理工具與情感分析工具構(gòu)建用戶畫像，主要從用戶特征、購買渠道、地域分布、關(guān)聯(lián)產(chǎn)品這幾個方面進(jìn)行可視化呈現(xiàn)，具體如圖1所示。

2.1 客戶評價數(shù)據(jù)采集

據(jù)公開資料顯示，中國網(wǎng)民已經(jīng)達(dá)6.88億，其中90.1%的通過手機(jī)上網(wǎng)，手機(jī)網(wǎng)民達(dá)6.2億，超過70%網(wǎng)購消費(fèi)發(fā)生在移動端，電商網(wǎng)絡(luò)逐漸成為主流。而在眾多電商平臺中，天貓、淘寶電商平臺年度活躍用戶達(dá)5.76億，天貓商家店鋪數(shù)量達(dá)23萬，淘寶商家店鋪數(shù)量達(dá)1000萬;京東電商平臺年度活躍用戶達(dá)4.18億，已注冊京東商城的商家超過20萬。

據(jù)此，本文以淘寶、京東為數(shù)據(jù)采集對象，使用python的scrapy第三方庫爬取對淘寶、天貓、京東有關(guān)安化黑茶的客戶評論數(shù)據(jù)。由于淘寶、京東平臺上的安化黑茶商家眾多且經(jīng)營商品復(fù)雜，不利于后期數(shù)據(jù)分析工作。因此本文根據(jù)店鋪的好評率、收藏人數(shù)、經(jīng)營年數(shù)將天貓、淘寶店鋪分成“金色皇冠”商家、“藍(lán)色皇冠”商家、“藍(lán)色鉆石”商家并從這三類商家中分別選取三個最有影響力的商家，從京東旗艦店、自營店、第三方賣家三類商家中分別選取三個最有影響力的商家，選取這六個店鋪的客戶評價作為數(shù)據(jù)樣本，具體店鋪選取情況如表1所示。

將以上三家天貓、淘寶店鋪的安化黑茶客戶評價作為關(guān)鍵詞，采集客戶評價數(shù)據(jù)并將數(shù)據(jù)采集結(jié)果保存至Excel表格中。本文共采集了10個字段，主要涉及電商消費(fèi)者發(fā)布的評價內(nèi)容及時間等，共采集到13571條數(shù)據(jù)，數(shù)據(jù)采集結(jié)果如圖2所示。將采集的三家京東店鋪的安華黑茶客戶評價數(shù)據(jù)保存至Excel表中，共采集到12037條數(shù)據(jù)，局部數(shù)據(jù)采集結(jié)果如圖2所示。

2.2 客戶評價數(shù)據(jù)預(yù)處理

通過本次研究的客戶對于安化黑茶的評價，對應(yīng)的客戶對于安化黑茶的喜好程度與改善建議，從而對安化黑茶的客戶做用戶畫像，因此只有客戶評價內(nèi)容不為空才對本次研究有意義，所以將數(shù)據(jù)中空字段評論過濾掉。同時，用戶的評論列表里可能存在部分過短的評論信息，經(jīng)過調(diào)查研究，發(fā)現(xiàn)8個字以上的評論信息為有效的評論信息，故以此清洗掉少于8個字的用戶評論，最終得到天貓、淘寶有效評論數(shù)據(jù)12065條，京東有效評論數(shù)據(jù)10087條數(shù)據(jù)。

5 結(jié)語

本文以大數(shù)據(jù)背景下安化黑茶的用戶畫像為研究對象，通過python對天貓、淘寶、京東三大電商平臺進(jìn)行數(shù)據(jù)采集，對三大電商平臺的不同等級安化黑茶店鋪的客戶評價進(jìn)行文本挖掘與分析，再通過構(gòu)建用戶畫像對不同的消費(fèi)者進(jìn)行消費(fèi)行為可視化，在此基礎(chǔ)上進(jìn)行用戶畫像分析。從多維度對用戶的潛在需求進(jìn)行精確畫像，不斷提升營銷與推廣的精準(zhǔn)性，不斷為發(fā)展安化黑茶業(yè)務(wù)和改善公司形象、為大數(shù)據(jù)時代安化黑茶企業(yè)的發(fā)展降本增收。

[參考文獻(xiàn)]

[1] 張小可，沈文明，杜翠鳳.貝葉斯網(wǎng)絡(luò)在用戶畫像構(gòu)建中的研究[J].移動通信，2016（22）：22-26.

[2] Teixeira C， Pinto J S， Martins J A. User Profiles in organizational Environment [c]. funchal， Madeira， Portugal： the Fourth International Conference on Web Information Systems and Technologis，2008：329-332.

[3] 曾建勛.精準(zhǔn)服務(wù)需要用戶畫像[J].數(shù)字圖書館論壇，2017（12）：1.

[4] Zoratti S， Gallagher L. Precision Marketing： Maximizing Revenue Through Relevance[M]. Kogan Page，2012.

[5] Kennedy D S. The Ultimate Marketing Plan： Target Your Audience！ Get Out Your Message！ Build Your Brand！ [M]. Adams Media，2014.

[6] Zhen Y， Si Y， Zhang D， et al. A decision-making framework for precision marketing[J]. Expert Systems with Applications，2015（7）：3357-3367.

[7] Luo F， Wang J Z， Promislow E. Exploring local community structures in large net-works[J]. Web Intelligence and Agent Systems： An International Journal，2008（4）：387-400.

[8] Yuan N J， Zhang F， Lian D， et al. We know how you live： exploring the spectrum of urban lifestyles[A]. Proceedings of the first ACM conference on Online social networks[C].ACM， 2013：3-14.

[9] Rosenthal S， McKeown K. Age prediction in blogs： A study of style， content， and online behavior in pre-and post-social media generations[A]. Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics： Human Language Technologies[C]. Association for Computational Linguistics， 2011：763-772.

[10] Chaabane A， Acs G， Kaafar M A. You are what you like！ information leakage through users interests[A]. Proceedings of the 19th Annual Network & Distributed System Security Symposium （NDSS） [C].Citeseer， 2012.

[11] Liu W， Ruths D. Whats in a name？ using first names as features for gender inference in twitter[A]. AAAI spring Symposium： Analyzing Microtext[C].2013.

[12] Burger J D， Henderson J， Kim G， et al. Discriminating gender on twitter[A]. Proceedings of the Conference on Empirical Methods in Natural Language Processing[C].Association for Computational Linguistics， 2011：1301-1309.

[13] Chen J， Liu Y， Zou M. Home location profiling for users in social media[J]. Information & Management，2016（1）：135-143.

[14] Jurgens D. Thats what friends are for： Inferring location in online social media platforms based on social relationships[A].? Proceedings of the 7th International Conference on Weblogs and Social Media [C].JCWSM， 2013：273-282.

[15] Li R， Wang S， Deng H， et al. Towards social user profiling： Unified and discriminative influence model for inferring home locations[A]. Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. ACM， 2012：1023-1031.

[16] 張海濤，崔陽，王丹，等.基于概念格的在線健康社區(qū)用戶畫像研究[J].情報學(xué)報，2018，37（09）：912-922.