基于NES模型的優(yōu)惠券場景下用戶畫像構(gòu)建研究

劉雨晴 茍娟瓊 崔倩倩

摘 要：用戶畫像是對用戶現(xiàn)實(shí)信息的抽象與概括，以優(yōu)惠券為場景的用戶畫像的構(gòu)建為場景化的精準(zhǔn)營銷奠定了基礎(chǔ)。本文通過AARRR模型對優(yōu)惠券營銷場景進(jìn)行識別與分析，并結(jié)合NES模型對用戶活躍狀態(tài)維度進(jìn)行細(xì)分，最后采用聚類和相似度計(jì)算的算法構(gòu)建用戶畫像并可視化結(jié)果。結(jié)果發(fā)現(xiàn)基于NES模型的優(yōu)惠券場景，用戶畫像的構(gòu)建能夠全面描述用戶的靜態(tài)和動態(tài)信息，從而推動精準(zhǔn)營銷以及智能營銷的發(fā)展。

關(guān)鍵詞：用戶畫像;標(biāo)簽體系;精準(zhǔn)營銷;場景識別

中圖分類號：F274 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-0298（2021）03（a）--03

用戶畫像是對用戶現(xiàn)實(shí)信息的抽象與概括，用戶畫像的構(gòu)建是基于用戶屬性和用戶行為提取用戶興趣，了解用戶的過程。而構(gòu)建的過程是用一些計(jì)算機(jī)技術(shù)來挖掘數(shù)據(jù)以及數(shù)據(jù)之間的關(guān)系，然后用可視化的技術(shù)呈現(xiàn)出來。

用戶畫像的構(gòu)建在構(gòu)建方法上多是從用戶的人口統(tǒng)計(jì)學(xué)屬性和動態(tài)數(shù)據(jù)的屬性出發(fā)，先利用建模的方法，然后用聚類分析、關(guān)聯(lián)規(guī)則等算法[1]挖掘用戶的信息以及潛在的關(guān)聯(lián)關(guān)系;在應(yīng)用場景上多半是圖書館[2]，還有一部分學(xué)者研究了旅游場景[3]、虛擬社區(qū)場景、電網(wǎng)場景等;在時(shí)間跨度方面，多數(shù)研究所關(guān)注的時(shí)間點(diǎn)也只是某固定的時(shí)間，忽略了用戶整個的購買周期這個影響因素。

所以，本文引入AARRR用戶生命周期模型對營銷場景進(jìn)行細(xì)分，選取優(yōu)惠券的具體營銷場景作為研究對象，然后依據(jù)NES模型對優(yōu)惠券場景中用戶的活躍狀態(tài)維度進(jìn)行劃分，結(jié)合其他屬性維度，再用計(jì)算機(jī)技術(shù)構(gòu)建出用戶畫像，最終可視化結(jié)果。

1 場景化NES模型的應(yīng)用

1.1 基于AARRR模型的優(yōu)惠券場景識別與分析

AARRR分別代表獲取用戶、提高活躍度、提高留存率、獲取收入和自傳播[4]，分別對應(yīng)用戶生命周期中的五個重要環(huán)節(jié)。優(yōu)惠券營銷的場景可分為兩大類：維護(hù)客群和提升交易，具體分類如表1所示。

本文優(yōu)惠券營銷場景的識別依據(jù)用戶生命周期相關(guān)理論和實(shí)踐經(jīng)驗(yàn)，對用戶的全生命周期每個階段所具備的行為特征和需求進(jìn)行分析和重構(gòu)，助力營銷和運(yùn)營人員識別營銷場景。

1.2 優(yōu)惠券營銷場景下NES模型的應(yīng)用

NES理論的提出是為了幫助企業(yè)更準(zhǔn)確地掌握顧客的變動性，期望基于對消費(fèi)者實(shí)際交易數(shù)據(jù)的計(jì)算，并通過不斷對這些數(shù)據(jù)的動態(tài)更新和修正，將消費(fèi)者分為首次購買的新顧客、支撐主要營收來源的既有顧客和回購率低于10%的沉睡顧客。

本文的活躍狀態(tài)標(biāo)簽基于NES模型劃分，根據(jù)用戶的購買周期與最近一次的購買時(shí)間對比[5]，將用戶劃分為新顧客、主力顧客、睡眠顧客（包括瞌睡顧客、半睡顧客和沉睡顧客）。

2 用戶畫像概念的建立

基于前面對營銷場景的解析，相應(yīng)的用戶畫像標(biāo)簽體系包括靜態(tài)信息標(biāo)簽和動態(tài)信息標(biāo)簽兩大類。其中，靜態(tài)信息標(biāo)簽是由依據(jù)用戶注冊信息或資料完善后系統(tǒng)自動標(biāo)注，包括性別、年齡和地區(qū)三個維度;動態(tài)信息標(biāo)簽是基于用戶的行為數(shù)據(jù)和用戶行為分析模型抽取得到，包括活躍狀態(tài)、用戶價(jià)值、價(jià)格敏感度和商品喜好四個維度。

在建立用戶畫像模型體系時(shí)，應(yīng)注意：第一，營銷場景和用戶需求會不斷更新，所以標(biāo)簽體系的建立是一個逐步完善的過程，不可能一步到位;第二，應(yīng)從本質(zhì)上去透徹分析和把握不同營銷場景下營銷目標(biāo)用戶的行為特征，根據(jù)實(shí)際業(yè)務(wù)需求去分析; 第三，根據(jù)具體的營銷場景和業(yè)務(wù)需求合理規(guī)劃用戶畫像標(biāo)簽的結(jié)構(gòu)，便于對標(biāo)簽的管理和對標(biāo)簽的組合使用。

3 用戶畫像的實(shí)例構(gòu)建

本文從L公司數(shù)據(jù)庫中隨機(jī)抽取了288條用戶數(shù)據(jù)用于場景化營銷模擬，經(jīng)過篩選異常數(shù)據(jù)和缺失數(shù)據(jù)，并通過數(shù)據(jù)脫敏處理，最終保留260條有效用戶基本信息數(shù)據(jù)，共1240條用戶訂單數(shù)據(jù)。同時(shí)，以用戶ID為檢索條件，檢索出這260名用戶在最近三個月的所有瀏覽、收藏、加購記錄進(jìn)行預(yù)處理。

3.1 靜態(tài)標(biāo)簽

性別標(biāo)簽包含男和女兩種，根據(jù)用戶注冊時(shí)提供的性別字段值給用戶貼上對應(yīng)的性別標(biāo)簽。年齡段標(biāo)簽包括四個：未成年、青年、中年和老年，根據(jù)用戶注冊時(shí)填寫的出生年月日可計(jì)算出用戶的實(shí)際年齡，給用戶貼上相應(yīng)的年齡段標(biāo)簽。

3.2 動態(tài)標(biāo)簽

3.2.1 活躍狀態(tài)標(biāo)簽

本文的活躍狀態(tài)標(biāo)簽主要依據(jù)NES購買周期模型來劃分。根據(jù)簡單的計(jì)算可知：不活躍用戶中26%為瞌睡顧客， 29%為半睡顧客，45%為沉睡顧客。

3.2.2 用戶價(jià)值標(biāo)簽

用戶價(jià)值標(biāo)簽依據(jù)RFM模型[6]的計(jì)算獲得，通過獲取用戶最近一次購買時(shí)間、購買頻次和購買金額源數(shù)據(jù)并進(jìn)行初步分析和處理，得到 R、F 和 M 三個指標(biāo)各自的平均值，以及每個用戶與均值比較的結(jié)果，從而綜合判斷用戶的價(jià)值并貼上價(jià)值標(biāo)簽。用戶價(jià)值標(biāo)簽的數(shù)據(jù)結(jié)構(gòu)和分析結(jié)果如表 2所示。

3.2.3 用戶喜好標(biāo)簽

用戶喜好標(biāo)簽的提取主要根據(jù)用戶的屬性特征和購物行為尋找其相似近鄰用戶，采用基于用戶的協(xié)同過濾推薦算法來預(yù)測用戶的商品喜好。用戶綜合相似度矩陣如表3所示。

通過計(jì)算用戶綜合相似度，得到用戶的Top5近鄰用戶，將近鄰用戶的歷史購買商品集中的商品放入該用戶的喜好商品集，通過對喜好商品集的商品標(biāo)簽提取，為用戶貼上商品喜好標(biāo)簽。

3.2.4 價(jià)格敏感度標(biāo)簽

價(jià)格敏感度標(biāo)簽的提取，通過查詢用戶訂單總數(shù)和參與優(yōu)惠的訂單數(shù)、計(jì)算每單優(yōu)惠金額和每單優(yōu)惠前金額、匯總用戶所有訂單未優(yōu)惠前總價(jià)格和所有訂單。參與優(yōu)惠的總金額，計(jì)算可得優(yōu)惠訂單占比、平均每單優(yōu)惠金額占比和總優(yōu)惠金額占比三個指標(biāo)之和，作為K-means聚類算法輸入的數(shù)據(jù)。聚類中心點(diǎn)的三個指標(biāo)之和越小，代表價(jià)格敏感度越低。由此將所有用戶劃分為三個群體并貼上對應(yīng)的價(jià)格敏感度標(biāo)簽，如表4所示。

3.3 綜合的用戶畫像

以用戶為維度的用戶畫像可視化，相對于營銷場景用戶畫像較為簡單，首先為用戶打上各類特征標(biāo)簽，然后將用戶的標(biāo)簽綜合顯示，本文采用人物與標(biāo)簽搭配的形式呈現(xiàn)用戶畫像，以 ID為11001的用戶畫像為例，如圖1所示。

4 結(jié)語

本文通過對營銷場景進(jìn)行識別與分析，采用 NES 模型對用戶活躍狀態(tài)進(jìn)行細(xì)分，結(jié)合計(jì)算機(jī)技術(shù)構(gòu)建了場景化的用戶畫像模型，為精準(zhǔn)的場景化營銷奠定了基礎(chǔ);現(xiàn)在已經(jīng)有一些將用戶畫像應(yīng)用到不同的領(lǐng)域和場景中的研究，不過本文結(jié)合新的畫像維度并應(yīng)用到優(yōu)惠券營銷場景中也是一個嘗試。本文主要關(guān)注于優(yōu)惠券場景中一次數(shù)據(jù)的收集與使用，以此為基礎(chǔ)構(gòu)建了用戶畫像，對于反饋數(shù)據(jù)關(guān)注的較少，希望在后續(xù)研究中能夠完善。

參考文獻(xiàn)

梅陽陽.基于網(wǎng)絡(luò)行為的用戶畫像算法研究[D].廣州：廣東技術(shù)師范大學(xué)，2019.

劉速.淺議數(shù)字圖書館知識發(fā)現(xiàn)系統(tǒng)中的用戶畫像——以天津圖書館為例[J].圖書館理論與實(shí)踐，2017（06）：103-106.

劉海鷗，孫晶晶，蘇妍嫄，等.基于用戶畫像的旅游情境化推薦服務(wù)研究[J].情報(bào)理論與實(shí)踐，2018，41（10）：87-92.

徐倩茹.基于AARRR模型的貨運(yùn)APP用戶留存策略研究[J].電子商務(wù)，2019（07）：66-67.

劉進(jìn).重復(fù)購買周期和營銷戰(zhàn)略選擇[J].企業(yè)管理，2010（02）：81-83.

樂承毅，王曦.基于改進(jìn)RFM聚類的高校圖書館用戶畫像研究[J].圖書館理論與實(shí)踐，2020（02）：75-79.