基于大數(shù)據(jù)的電子商務(wù)用戶畫像構(gòu)建研究

李佳慧 趙剛

摘要：隨著云計(jì)算、物聯(lián)網(wǎng)等新一代技術(shù)的迅猛發(fā)展，以及來自政府的政策支持，大數(shù)據(jù)時(shí)代已經(jīng)到來，網(wǎng)絡(luò)交易所產(chǎn)生的數(shù)據(jù)量正呈指數(shù)級上漲，這為企業(yè)構(gòu)建用戶畫像提供了豐富數(shù)據(jù)來源。本文立足于電子商務(wù)領(lǐng)域，從標(biāo)簽體系建設(shè)和畫像體系建設(shè)兩方面來探討如何構(gòu)建用戶畫像，并在此基礎(chǔ)上分析利用RFM模型構(gòu)建電子商務(wù)用戶畫像的方法與步驟。

關(guān)鍵詞：電子商務(wù);用戶畫像;大數(shù)據(jù);RFM模型

引言

據(jù)CNNIC第41次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2017年12月，我國網(wǎng)民規(guī)模達(dá)7.72億，普及率達(dá)到55.870，其中，網(wǎng)購用戶規(guī)模達(dá)5.33億，同比增長14.30。隨著中國經(jīng)濟(jì)已經(jīng)進(jìn)入高質(zhì)量增長階段，國家供給側(cè)結(jié)構(gòu)調(diào)整的改革主線為企業(yè)互聯(lián)網(wǎng)的發(fā)展帶來了政策紅利，2017年《中華人民共和國網(wǎng)絡(luò)安全法》正式實(shí)施，相關(guān)配套法規(guī)陸續(xù)出臺，網(wǎng)絡(luò)交易環(huán)境不斷得到改善，為電子商務(wù)的誠信交易創(chuàng)造了有利的條件，現(xiàn)代物流業(yè)的快速發(fā)展，我國網(wǎng)絡(luò)基礎(chǔ)設(shè)施的不斷改善，為電子商務(wù)發(fā)展提供了重要支撐保障，使得我國電子商務(wù)用戶規(guī)模呈現(xiàn)快速增長。

在中國網(wǎng)民數(shù)量與電子商務(wù)市場交易規(guī)模持續(xù)增長，我國商務(wù)大數(shù)據(jù)建設(shè)取得重要進(jìn)展，覆蓋主要平臺.主要領(lǐng)域的電子商務(wù)運(yùn)行監(jiān)測和統(tǒng)計(jì)分析體系初步形成的背景下，電商平臺在運(yùn)行過程中存儲了海量的交易數(shù)據(jù)，形成了巨大的數(shù)據(jù)流量。在大數(shù)據(jù)背景下出現(xiàn)的云計(jì)算、人工智能等數(shù)字技術(shù)為電子商務(wù)創(chuàng)造了豐富的應(yīng)用場景，不斷催生新營銷模式和商業(yè)業(yè)態(tài)，電商企業(yè)如何有效利用數(shù)據(jù)資源在快速變化、競爭激烈的市場環(huán)境中挖掘用戶需求，創(chuàng)新經(jīng)營，用戶畫像概念應(yīng)運(yùn)而生，其能夠完美地抽象出用戶的信息全貌，幫助分析用戶行為、消費(fèi)習(xí)慣等重要信息。構(gòu)建精準(zhǔn)的用戶畫像，是提高用戶活躍度與復(fù)購率的有效手段，是企業(yè)運(yùn)營與決策的重要依據(jù)，可以看作為企業(yè)應(yīng)用大數(shù)據(jù)的根基。

1、什么是用戶畫像

用戶畫像（Persona）最早是由交互設(shè)計(jì)之父Alan Cooper提出的，他認(rèn)為用戶畫像是真實(shí)用戶的虛擬代表，是根據(jù)一系列用戶的真實(shí)數(shù)據(jù)而挖掘出的目標(biāo)用戶模型。用戶畫像的本質(zhì)是消費(fèi)者特征“可視化”，通過收集與分析用戶的基本屬性、社會交往、行為偏好等多個(gè)維度的主要信息，將得到的用戶所有標(biāo)簽綜合起來，即可勾勒出用戶的整體特征與輪廓。在電子商務(wù)領(lǐng)域中，用戶畫像所能實(shí)現(xiàn)的客戶識別、精準(zhǔn)營銷、改善經(jīng)營、拓展市場等功能，是企業(yè)應(yīng)用用戶畫像的主要驅(qū)動力。

1.1客戶識別

不同的用戶對企業(yè)具有不同的價(jià)值，通過對用戶進(jìn)行多個(gè)維度的特征分析，企業(yè)可以根據(jù)用戶貢獻(xiàn)度對不同用戶進(jìn)行區(qū)分，幫助企業(yè)實(shí)現(xiàn)對潛在用戶的識別，并對不同價(jià)值客戶采取不同程度的維護(hù)手段。

1.2精準(zhǔn)營銷

通過給不同用戶打上專屬標(biāo)簽，可以重新理解消費(fèi)者，分析并預(yù)測用戶的消費(fèi)行為。不僅能滿足消費(fèi)者日益挑剔的需求，同時(shí)也可以促進(jìn)商品曝光，提高商品成交效率。

1.3改善經(jīng)營

用戶畫像可以輔助決策者在正確的時(shí)間對正確的人開展正確的活動，通過用戶畫像分析方法改善經(jīng)營決策，為管理層提供可靠的客戶相關(guān)數(shù)據(jù)支撐，可以使經(jīng)營決策更加高效、敏捷，精確性更高。

1.4拓展市場

利用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等深度挖掘方法構(gòu)建精準(zhǔn)而全面的用戶畫像，可以使企業(yè)更加明晰自身業(yè)務(wù)的優(yōu)劣勢，在此基礎(chǔ)上不斷延伸自己業(yè)務(wù)的應(yīng)用場景。

2、用戶畫像構(gòu)建研究

用戶畫像是通過收集與分析消費(fèi)者社會屬性、行為習(xí)慣等主要信息后，抽取用戶信息并進(jìn)行標(biāo)簽化和結(jié)構(gòu)化處理，完美地抽象出一個(gè)用戶的全貌的過程。其本質(zhì)是給用戶貼標(biāo)簽，一個(gè)標(biāo)簽通常是人為規(guī)定的高度精煉的特征標(biāo)識。主要呈現(xiàn)出兩個(gè)重要特征：一是語義化，如客戶類型：忠誠客戶，人們能方便地理解每個(gè)標(biāo)簽含義，能夠較好的滿足業(yè)務(wù)需求;二是短文本。每個(gè)標(biāo)簽通常只表示一種含義，標(biāo)簽本身無需再做過多文本分析等預(yù)處理工作。根據(jù)業(yè)務(wù)需求將不同標(biāo)簽組合成情境化用戶特征，構(gòu)建出精準(zhǔn)的用戶畫像主要包括數(shù)據(jù)采集、標(biāo)簽體系構(gòu)建與畫像體系構(gòu)建三個(gè)部分。

2.1用戶數(shù)據(jù)采集

構(gòu)建用戶畫像是為了還原用戶信息，確保信息的客觀真實(shí)性，因此必須遵循一個(gè)大的原則：數(shù)據(jù)來源于所有用戶相關(guān)的真實(shí)數(shù)據(jù)。在此原則下，為了保證采集到的數(shù)據(jù)具有可用性，能夠滿足分析目標(biāo)，可以將數(shù)據(jù)采集劃分不同維度。在電子商務(wù)領(lǐng)域，數(shù)據(jù)采集維度主要有用戶基本信息數(shù)據(jù)，包括性別、年齡、婚否、收入等;用戶內(nèi)容偏好數(shù)據(jù)，包括用戶的瀏覽、點(diǎn)擊、收藏、評論等;網(wǎng)絡(luò)行為數(shù)據(jù)，包括瀏覽路徑、瀏覽次數(shù)、頁面停留時(shí)長等;用戶交易數(shù)據(jù)，包括購買數(shù)量、購買種類、支付金額、購買頻率等。這些數(shù)據(jù)主要來源于用戶行為日志、企業(yè)后臺數(shù)據(jù)庫、客戶關(guān)系管理系統(tǒng)等。

2.2標(biāo)簽體系建設(shè)

收集到所需數(shù)據(jù)之后，需要對數(shù)據(jù)進(jìn)行清洗：去重、去異常數(shù)據(jù)、去刷單數(shù)據(jù)等，然后再提取所需特征數(shù)據(jù)用于創(chuàng)建標(biāo)簽。整個(gè)標(biāo)簽體系建設(shè)的流程通常是標(biāo)簽定義、標(biāo)簽分類分級、標(biāo)簽生產(chǎn)、標(biāo)簽更新、標(biāo)簽查詢、標(biāo)簽管理，可以概括為標(biāo)簽設(shè)計(jì)和標(biāo)簽管理兩個(gè)部分。

2.2.1標(biāo)簽設(shè)計(jì)

（1）標(biāo)簽分類

從數(shù)據(jù)提取維度來看，標(biāo)簽數(shù)據(jù)可以分為事實(shí)標(biāo)簽：既定事實(shí)，直接從原始數(shù)據(jù)中獲取;模型標(biāo)簽：沒有對應(yīng)數(shù)據(jù)，需要定義規(guī)則，建立模型進(jìn)行計(jì)算得到標(biāo)簽實(shí)例;預(yù)測標(biāo)簽：參考已有事實(shí)數(shù)據(jù)，來預(yù)測用戶的行為或偏好三種標(biāo)簽類型。其中，模型標(biāo)簽和預(yù)測標(biāo)簽的生成方法包括統(tǒng)計(jì)方法、文本挖掘算法、相似度計(jì)算方法、分類聚類算法、推薦算法、機(jī)器學(xué)習(xí)預(yù)測算法等。圖1展示了三種不同類型標(biāo)簽之間的層次關(guān)系。

（2）標(biāo)簽分級

由上述事實(shí)標(biāo)簽、模型標(biāo)簽、預(yù)測標(biāo)簽組合構(gòu)成的揭示消費(fèi)者信息全貌的工具即為用戶畫像，為了展示標(biāo)簽之間的結(jié)構(gòu)與關(guān)聯(lián)關(guān)系，方便標(biāo)簽的管理與維護(hù)，需要根據(jù)實(shí)際情況對標(biāo)簽進(jìn)行分級，建立適合自身業(yè)務(wù)的標(biāo)簽體系。用戶的每個(gè)標(biāo)簽都是由屬性與權(quán)重兩個(gè)參數(shù)組成的，不同屬性的重要程度各不相同，可以利用基于信息增益、基于卡方檢測等方法進(jìn)行屬性篩選，利用主成分分析法對不同屬性進(jìn)行權(quán)值分配。表1給出了電子商務(wù)中畫像標(biāo)簽體系舉例。

2.2.2標(biāo)簽管理

標(biāo)簽是對用戶信息高度精煉的總結(jié)，無論是外在環(huán)境引導(dǎo)還是用戶自身興趣轉(zhuǎn)移，歷史所獲用戶信息總是不能完全反映未來用戶價(jià)值，所以需要對用戶標(biāo)簽進(jìn)行管理。標(biāo)簽管理指對標(biāo)簽庫中的標(biāo)簽進(jìn)行長期跟蹤管理和維護(hù)，為了便于管理，首先通常要對分類分級后的標(biāo)簽采用目錄化形式，根據(jù)業(yè)務(wù)搭建好數(shù)據(jù)建模體系;然后為標(biāo)簽設(shè)置權(quán)限層級，明確的權(quán)限和清晰的層級關(guān)系可以使標(biāo)簽管理更加科學(xué)有序，避免標(biāo)簽創(chuàng)建過程中出現(xiàn)標(biāo)簽重復(fù)、丟失等混亂現(xiàn)象;最后為了提高標(biāo)簽的利用率和準(zhǔn)確度，有必要對標(biāo)簽熱度進(jìn)行動態(tài)管理，按照標(biāo)簽使用范圍、使用頻率等對標(biāo)簽進(jìn)行活躍度排名，使企業(yè)清楚看到哪些標(biāo)簽價(jià)值最大、最能反映問題，然后據(jù)此擴(kuò)展標(biāo)簽的數(shù)據(jù)維度。以上三方面對于標(biāo)簽的管理伴隨著標(biāo)簽的創(chuàng)建、編輯、評估到審核、刪除、停用的整個(gè)生命周期過程。

2.3畫像體系建設(shè)

（1）用戶畫像構(gòu)建

用戶畫像是要根據(jù)用戶行為偏好和認(rèn)知差異等，通過用戶信息標(biāo)簽化，把具有共同行為特點(diǎn)、同一消費(fèi)層次的用戶劃分為同一類別。構(gòu)建用戶畫像需要?jiǎng)澐钟脩舢嬒窬S度，從電子商務(wù)的角度來看，用戶畫像可以從基本屬性、行為特征、購買特征、社交特征、心理特征、興趣特征六個(gè)維度進(jìn)行組合。

基本特征：通常在注冊時(shí)引導(dǎo)獲取，如手機(jī)號碼、性別、年齡、教育程度、所屬地區(qū)等等，可以根據(jù)生日、年齡等推斷出星座、目前身份等其他屬性。

行為特征：通過分析用戶訪問來源、訪問時(shí)長、溝通渠道、支付方式等分析用戶的上網(wǎng)行為和購買習(xí)慣。

購買特征：分析用戶的購買頻率、購買金額等，對用戶的消費(fèi)能力、消費(fèi)品質(zhì)、消費(fèi)刺激進(jìn)行長時(shí)間多頻次的建模，判斷客戶處在價(jià)值金字塔的哪一等級，是活躍用戶還是沉睡用戶等。

社交特征：分析用戶將商品分享給好友的頻次，在問答社區(qū)及評論區(qū)交流的情況，以及收貨人地址的數(shù)量等，研究用戶的社交情況。

心理特征：分析用戶參加促銷活動的頻次、優(yōu)惠券消耗情況、同一品牌復(fù)購率等情況，推算用戶對大促的敏感度、對品牌的忠誠度等。

興趣特征：根據(jù)搜索類目、瀏覽類目、收藏類目、長期關(guān)注點(diǎn)等，分析用戶對某些品牌、品類的偏好度，從而進(jìn)行某個(gè)品類的專場營銷活動。

（2）用戶畫像管理

用戶的興趣偏好隨時(shí)都可能發(fā)生變化，為了設(shè)計(jì)出能更準(zhǔn)確的描述用戶需求的標(biāo)簽，需要及時(shí)根據(jù)變化的用戶信息更新標(biāo)簽，為了得到能更清晰的描述用戶需求的標(biāo)簽，需要對數(shù)據(jù)進(jìn)行更細(xì)粒度的挖掘，因此，科學(xué)的用戶畫像必須注重時(shí)效性和覆蓋度，為了滿足這兩點(diǎn)需求，對用戶畫像的管理也提出了更高要求。

首先，為了應(yīng)對畫像數(shù)據(jù)維度擴(kuò)大、快速更新、海量增長的存取需求，需要建立起容量大且可擴(kuò)展性好的畫像存儲機(jī)制;其次，為了實(shí)現(xiàn)標(biāo)簽庫和業(yè)務(wù)場景的聯(lián)動管理，需要建立定時(shí)更新機(jī)制，根據(jù)變化信息不斷迭代和優(yōu)化已有畫像，獲得對用戶描述更加完善和準(zhǔn)確的更新畫像;最后，為了滿足各種不同的畫像查詢需求，且便于畫像實(shí)時(shí)查詢，需建立起滿足并行查詢、緩存優(yōu)化和聚合統(tǒng)計(jì)等功能的查詢機(jī)制。做好用戶畫像管理從長遠(yuǎn)來看是為企業(yè)節(jié)省時(shí)間和人力成本，是保障企業(yè)業(yè)務(wù)朝正確方向展開的前提。

（3）用戶畫像應(yīng)用

實(shí)際應(yīng)用中，用戶畫像需要企業(yè)或商家立足自身業(yè)務(wù)領(lǐng)域，沿著業(yè)務(wù)需求路線，選取特定角度的標(biāo)簽集合，從整體到細(xì)節(jié)對標(biāo)簽進(jìn)行逐級展現(xiàn)，并利用可視化方法勾勒出消費(fèi)主體的全貌。比如，企業(yè)想要進(jìn)行用戶細(xì)分，可以調(diào)用用戶基本特征和購買特征兩個(gè)維度的標(biāo)簽組合出用戶畫像，識別出不同價(jià)值的客戶群體，然后有針對性的進(jìn)行營銷和維護(hù);又如，企業(yè)想要探究轉(zhuǎn)化率背后的影響因素，可以調(diào)用用戶購買特征、心理特征、興趣特征三個(gè)維度組合出用戶畫像，有人可能是因?yàn)樵u論影響購物決定，有人可能是因?yàn)樯唐氛故居绊戀徫餂Q定，有人可能是因?yàn)閮?yōu)惠活動影響購物決定，利用用戶畫像可以方便直觀的探究消費(fèi)者消費(fèi)偏好背后的原因。圖2展示了標(biāo)簽維度與業(yè)務(wù)應(yīng)用之間的關(guān)系。

3、利用RFM模型構(gòu)建用戶畫像實(shí)例

根據(jù)不同用戶特征進(jìn)行用戶區(qū)分，明確用戶處于價(jià)值金字塔哪一等級對于電商主體至關(guān)重要。根據(jù)美國數(shù)據(jù)庫營銷研究所研究，客戶數(shù)據(jù)中消費(fèi)金額、消費(fèi)頻率、消費(fèi)時(shí)間間隔三個(gè)要素構(gòu)成了數(shù)據(jù)分析最好的指標(biāo)，利用這三個(gè)指標(biāo)來衡量用戶價(jià)值、進(jìn)行用戶識別即為RFM模型，在電子商務(wù)領(lǐng)域中被廣泛使用。本文數(shù)據(jù)來源為某圖書電商2018年1月1日到201 8年4月29日的交易數(shù)據(jù)，共計(jì)5770條。數(shù)據(jù)的特征維度有買家編號、聯(lián)系方式、商品名稱、支付金額、購買時(shí)間、訂單狀態(tài)等，已對用戶交易數(shù)據(jù)進(jìn)行了脫敏處理。

3.1數(shù)據(jù)預(yù)處理

3.1.1數(shù)據(jù)篩選統(tǒng)計(jì)

RFM模型只針對訂單狀態(tài)為成功的用戶，創(chuàng)建訂單但沒有成功付款的用戶訂單狀態(tài)視為失敗，首先要把這類用戶篩選掉。然后從用戶購買特征這一維度出發(fā)，對用戶一至四月份的數(shù)據(jù)進(jìn)行整合，從數(shù)據(jù)集中抽取出買家編號、支付金額、購買時(shí)間三個(gè)字段，在此基礎(chǔ)上計(jì)算“購買頻率”、 “平均支付金額”和“距上次購買間隔”。 “購買頻率”通過對買家編號進(jìn)行計(jì)數(shù)得到， “平均支付金額”通過計(jì)算用戶4個(gè)月的購買總金額算平均值得到， “距上次購買間隔”通過每個(gè)用戶最后一次購買時(shí)間與截止日（將5月1號設(shè)置為截止日）相減得到。部分實(shí)驗(yàn)數(shù)據(jù)如表2所示。

3.1.2變量標(biāo)準(zhǔn)化

根據(jù)對樣本數(shù)據(jù)的分析，各指標(biāo)數(shù)據(jù)度量單位各不相同，且不在同一個(gè)區(qū)間，為避免直接進(jìn)行數(shù)據(jù)建模對結(jié)果造成干擾，需要將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。由于F、M指標(biāo)對顧客價(jià)值存在正相關(guān)影響，因此針對這兩項(xiàng)指標(biāo)運(yùn)用正向指標(biāo)的標(biāo)準(zhǔn)化方法，標(biāo)準(zhǔn)化公式為：

其中，X 表示標(biāo)準(zhǔn)化后的數(shù)值，X表示原始值，X 表示該指標(biāo)的極小值，X 表示該指標(biāo)的極大值。R指標(biāo)對顧客價(jià)值存在負(fù)相關(guān)關(guān)系，因此對此指標(biāo)運(yùn)用負(fù)向指標(biāo)的標(biāo)準(zhǔn)化方法，標(biāo)準(zhǔn)化公式為：

標(biāo)準(zhǔn)化后的部分?jǐn)?shù)據(jù)如表3所示。

3.2利用RFM模型進(jìn)行K-means聚類

本文中所采用的數(shù)據(jù)挖掘工具為WEKA。WEKA作為一個(gè)公開的數(shù)據(jù)挖掘工作平臺，功能豐富，集成了大量能承擔(dān)數(shù)據(jù)挖掘任務(wù)的機(jī)器學(xué)習(xí)算法和統(tǒng)計(jì)算法，包括數(shù)據(jù)預(yù)處理、分類回歸、聚類以及結(jié)果的可視化等。利用WEKA對經(jīng)處理后的數(shù)據(jù)進(jìn)行K-means運(yùn)算，K值取4，聚類可視化結(jié)果如圖3所示。

此次聚類結(jié)果分為四簇，其中第一類共981人，占整體人數(shù)的17%;第二類共792人，占整體人數(shù)的14%;第三類共301人，占整體人數(shù)的5%;第四類共3696人，占整體人數(shù)的640。當(dāng)K值取4時(shí)，聚類F值為87.35%，且通過上述可視化圖像可知，每個(gè)用戶群體分布明顯，同一簇內(nèi)距離緊湊，不同簇間界限清晰，說明本次聚類效果較好。

3.3實(shí)證結(jié)果與分析

將聚類結(jié)果細(xì)節(jié)信息提取出來，如圖4所示。根據(jù)結(jié)果可以明顯看到四類不同特征的消費(fèi)群體。第一類消費(fèi)者購買金額較低，消費(fèi)時(shí)間間隔較久，給企業(yè)帶來的利潤較小，屬于低價(jià)值客戶;第二類消費(fèi)者購買頻率不高，但單次購買金額較高，說明此類用戶可能為企業(yè)或者學(xué)校用戶，屬于高價(jià)值客戶，企業(yè)應(yīng)重點(diǎn)維護(hù)此類用戶，謀求與此類用戶的長期合作;第三類消費(fèi)者購買頻率較高、但單次購買金額不高，說明此類用戶可能為經(jīng)常購買但每次購買數(shù)量較少的散客，屬于對企業(yè)較為忠誠的客戶，針對此類用戶，企業(yè)可通過贈送積分、會員折扣等針對性措施來提高此類用戶的留存率，使其持續(xù)為企業(yè)創(chuàng)造利潤;第四類消費(fèi)者購買頻次不高、購買金額屬正常范圍，說明此類用戶為最普通的一類用戶，有需要了才來購買，對企業(yè)的忠誠度一般，對此類客戶，可通過個(gè)性化推薦進(jìn)行精準(zhǔn)營銷，經(jīng)常為其推送感興趣的圖書新品，通過刺激消費(fèi)促使其轉(zhuǎn)化為企業(yè)忠誠客戶。

以某一位用戶為例，以RFM模型結(jié)果為主，結(jié)合其他特征，利用可視化方法為其刻畫用戶畫像，如圖5所示，字號越大，代表權(quán)重越大。

4、總結(jié)

大數(shù)據(jù)時(shí)代下，消費(fèi)者在網(wǎng)絡(luò)上的行為被充分的記錄下來，用戶畫像作為大數(shù)據(jù)環(huán)境下的用戶描述工具，憑借其用戶描述與建模上的優(yōu)勢，在電子商務(wù)領(lǐng)域被廣泛應(yīng)用。本文圍繞電子商務(wù)領(lǐng)域中經(jīng)常關(guān)注的用戶購買習(xí)慣、購買行為、興趣愛好、社交態(tài)度等特征，給出了在該領(lǐng)域構(gòu)建用戶畫像的思路，并從用戶購買習(xí)慣這一維度出發(fā)，給出了利用RFM模型獲得預(yù)測標(biāo)簽，然后通過貼標(biāo)簽構(gòu)建用戶畫像，對用戶價(jià)值進(jìn)行區(qū)分以幫助電商主體精細(xì)化定位人群特征，挖掘潛在用戶群體的實(shí)例。用戶畫像現(xiàn)已不僅僅停留于電商領(lǐng)域，各領(lǐng)域都涉及并需要構(gòu)建用戶畫像，只是根據(jù)業(yè)務(wù)需求側(cè)重點(diǎn)有所不同，今后，各行業(yè)需要不斷完善用戶畫像的內(nèi)容和應(yīng)用，更好的利用數(shù)據(jù)服務(wù)用戶和業(yè)務(wù)發(fā)展。

參考文獻(xiàn)：

[1]謝康，吳記，肖靜華.基于大數(shù)據(jù)平臺的用戶畫像與用戶行為分析[J].中國信息化，2018（3）：100-104.

[2]張小可，沈文明，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.

[3]趙剛，姚興仁.基于用戶畫像的異常行為檢測模型[J].信息網(wǎng)絡(luò)安全，2017（7）：18-24.

[4]劉蓓琳，張琪，基于購買決策過程的電子商務(wù)用戶畫像應(yīng)用研究[J].商業(yè)經(jīng)濟(jì)研究，2017（24）：49-51

[5]王曉東，陳波，陳增偉，運(yùn)用涉稅大數(shù)據(jù)為納稅人貼標(biāo)畫像的探索[J].稅務(wù)研究，2017（395）：112 -113.

[6]徐文瑞.基于RFM模型的顧客消費(fèi)行為與顧客價(jià)值預(yù)測研究[J].商業(yè)經(jīng)濟(jì)研究，2017（19）：44-46