如何从0到1做电商用户画像建模？

小提示：您能找到这篇{如何从0到1做电商用户画像建模？}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的如何从0到1做电商用户画像建模？内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

用户画像，其实就是通过算法聚合成一类实现用户信息标签化。而本文就以电商用户为例，展示了如何从0到1做画像建模。

一、构建用户画像

① 用户画像信息：基本属性，购买能力，行为特征，兴趣爱好，心理特征，社交网络

② 行为建模：文本挖掘，自然语言处理，机器学习，预测算法，聚类算法

③ 数据收集：网络日志数据，用户行为数据，网站交易数据

作用：了解用户的行为习惯，个性化营销及精准广告

• 静态数据来源：来源于用户填的个人信息，及算法模型预测的数据
• 动态信息数在线营销 partner据： 用户行为产生的数据：注册，浏览，点击，购买，签收，评价，退货等

—比较重要的行为：购买商品，浏览商品，放入购物车，关注商品等

根据行为可以得出标签： 潮妈族，纠结商品，最大消费，退货数量，败家指数，品牌偏好，用户活跃度等
确定标签与根据算法猜测的标签

• 确定的标签：比如用户购买了或者收藏了某个商品等
• 猜测的标签：比如用户的性别，是男性的概率0.8。

另外还有很多模型：孕妇模型，潜在汽车用户模型，用户价值模型

比如：用户活跃度（活跃，沉睡，流失，未购买） 用户分群：电脑达人，数码潮人，家庭用户，网购达人，奶爸奶妈，单身贵族，闪购用户，时尚男女等

二、用户画像建模

1. 客户消费订单表

根据用户消费的情况来提取的客户标签，用以了解用户的消费情况，消费习惯。

（1）客户消费订单表标签：

购买信息：

客户ID，第一次消费时间，最近一次消费时间，首单距今时间，尾单距今时间，近30/60/90天购买次数/购买金额（不含退拒），最大/最小消费金额，累计消费次数/金额（不含退拒） 累计使用代金券金额，客单价（含退拒），常用收货地区，常用支付方式，退货商品数量，退货商品金额，拒收商品金额/数量，最近一次退货时间，各地点下单总数/总额，上下午下单总数/总额。

最近30天购物车商品件数/提交商品件数/购物车成功率/购物车放弃件数

（2）提取标签的作用

• 确定用户什么时候来的，多久没来了：第一次消费时间，最近一次消费时间，首单距今时间，尾单距今时间。
• 最近消费能力：近30天购买次数（不含退拒），近30购买金额（不含退拒），近30天购买次数（含退拒），近30天购买金额（含退拒）。
• 总体的消费情况：最小/大消费金额（可做个性化商品推荐），累计消费次数（不含退拒，可以计算客单价），累计消费金额，累计使用代金券金额（代金券爱好。）
• 消费属性：常用收货地区，常用支付方式。
• 购物车习惯：最近30天购物车次数，最近30天购物车提交商品件数，最近30天购物车商品件数，最近30天购物车放弃件数，最近30天购物车成功率。
• 退货和习惯特征：退货商品数量，拒收商品数量，退货商品金额，拒收商品金额，最近一次退货时间 用户购物时间及地点习惯：各下单地点总数，各时间段下单总数。

2. 客户购买类目表

—根据客户购买类目的情况提取的客户标签，用以了解类目的购买人群情况 。

客户购买表标签：

客户ID，一级/二级/三级分类ID/名称，近30天/90天/180天购买类目次数/金额，累计购买类目次数/金额，累计购买类目次数/金额，近30天/90天/180天购物车某类目次数/金额，累计购买类目次数/金额，累计购物车类目次数/金额，最后一次购买类目时间/距今天数

3. 客户购买商店表

根据客户购买商店的情况提取的客户标签，用以了解商店及品牌的购买人群（做品牌营销等） 客户。

购买商店表标签：

用户ID，商店ID/名称，品牌ID/名称，最近30天购物车次数/商品件数/提交商品件数/成功率/放弃件数，最后一次购物车时间，最近90天商品排除退拒商品件数/金额，最近90天货到付款订单数，最近90天退换件数/金额，最近90网络口碑推广天拒收件数/金额.

4. 客户基本属性

根据客户所填的属性标签与推算出来的标签，用以了解用户的基本属性（可用以个性营销，生日营销，星座营销等）。

客户基本属性标签：

客户ID，客户登录名，性别，生日，年龄，星座，大区域，省份，城市，城市等级，邮箱，邮箱运营商，加密手机，手机运营商，注册时间，登录ip地址，登录来源，邀请人，会员积分，已使用积分，会员等级名称，婚姻状况，学历，月收入，职业，性别模型，是否孕妇，是否有小孩，孩子性别及年龄概率，是否有车，潜在汽车用户概率，使用手机品牌/档次，用户忠诚度，用户购物类型，身材，身高。

数据来源：

用户表，用户调查表，孕妇模型表，马甲模型表，用户价值模型表等 根据算法得出的标签。

其中模型：

性别模型：用以推算用户的购买用品的性别倾向（不一定是真实性别）

（1）性别模型

用户性别：1男，0女，-1未识别 | 1，商品性别得分，2，用户购买商品性别得分。

孩子性别：0仅有男孩，1仅有女孩，2，男女均匀，3，无法识别 |1，选择男童女童商品等

性别验证： 随机抽样调查 ，与用户填写性恶爆匹配。

（2）用户购物模型

两种归类：

用户购物类型：

1. 购物冲动型
2. 海淘犹豫型
3. 理性比较型
4. 目标明确型
5. 未识别

构建：

1. 计算用户在对三级品类购物前流量时间和浏览sku数量
2. kmeans聚类

用户忠诚度模型：

用户忠诚度：

1. 忠诚型用户
2. 偶尔型用户
3. 投资型用户
4. 浏览型用户
5. 未识别

构建：

1. 只浏览不购买
2. 购买天数大于一定天数
3. 购买天数小于一定天数，大部分只有优惠彩购买 等

5. 客户营销信息表

将用户营销相关的常用标签放到一张表中，方便使用。

• 客户营销信息表： 客户ID，营销手机号，第一个有效订单来源/地址/手机号，常用的手机号，常用的收货地址，不同收货地址的数量，客户分群，活跃状态，用户价值（重要，保持，流失等），纠结商品，纠结小时
• 主要来源表： 用户表，订单表，活动表，购物车表。

其中模型：

（1）客户活跃状态模型

客户一般的活跃状态：

1. 注册未购买（只注册未购买，多事第三方登录）
2. 活跃（可以细分为高频，中频，低频）
3. 沉睡（近90天无购买，近60天无购买）
4. 流失 （近90天无购买，曾经购买）

（2）用户价值模型

体现用户对网站的价值对提供用户留存率非常有帮助

使用RFM实现用户价值模型参考指标：

• 最近一次消费时间（Recency）
• 消费频率（Frequency）
• 消费金额（Monetary）

RFM 实现用户价值模型计算方法：

• 使用指标：租金一次购买时间，近180天购买订单量，近180天购买金额，分N段进行RFM分数计算
• 算出Recency_score,Frequency_score,Monetary_score,然后划分用户群

6. 客户活动信息表

根据客户参与活动的情况提取的客户标签，用于了解用户对活动的参与情况，以进行活动的策划

客户活动信息表内容标签：

客户ID，用户促销明个度，满减促销敏感度，打折促销敏感度，换购促销敏感度，满赠促销敏感度，购买力分段，品牌偏好，品类偏好，颜色偏好，败家偏好，冲动偏好，累计积分，已用积分，可以积分，累计代金券数量/金额，已用代金券数量/金额，过期代金券数量/金额，可用代金券数量/金额

标签作用：

确定用户喜欢那种活动类型：用户促销敏感度，满减促销敏感度，满赠敏感度，打折促销敏感度，换购促销敏感度，团购促销敏感度等

促销敏感度模型：

根据用户购买的活动类型订单数与金额数已判断其属于哪类人群

用户有什么偏好：店铺偏好，品牌偏好，品类偏好，颜色偏好 用户指数：购买力分段，败家指数，冲动指数 用户购买力高中低模型：

—从购物车，客单价来判断 用户购买力高中低端模型：

1. 从购物车来判断
2. 从客单价来判断

指数模型：

败家指数：

• 使用购买特征山炮数量来识别（刚出的苹果产品，奢侈品）
• 结合用户的订单金额

冲动指数 ：

• 使用特征商品（同品类价格较高商品）平均购物车停留时间
• 结合特征商品（同品类价格较高商品）的购买数量

7. 客户访问信息表

根据客户访问的情况提取的客户标签以了解访问习惯。

客户访问信息标签：

最近一次/第一次pc端访问日期/session/cookies/pv/使用浏览器/操作系统/，最近一次/ 第一次app端访问日期/操作系统，最近一次/第一次访问ip/访问城市/省份，近7天/15天/30天/60天/90天app端/pc端访问次数，近30天pc端/app端访问天数/访问并购买次数/访问pv/访问评价pv/ip数/，app及pc端各时间段访问的次数。

本文由 @Ethan 于。，。

，。