基于購買行為的電子商務用戶畫像構建研究

張莉（湖南信息學院）

■引言

據統計，2019年我國網絡購物用戶規模達6.39億，較2018年底增長2871萬，占網民整體的74.8%。隨著人們的物質生活水平的提高，經濟增長動力逐步向消費驅動型的模式轉變,消費者的行為模式、消費內容都發生了重大變化，在消費過程中更加具有社交化、個性化和移動化等特征。

如何更好地理解用戶需求，促進用戶購買決策的形成，已成為企業迫切需要解決的問題。用戶畫像技術的本質是在大數據環境下，企業可以深入了解用戶信息，全面準確地描述用戶的維度和屬性，從而可以深入研究用戶的特征和行為，更準確地把握用戶需求更好地為用戶服務。

用戶畫像，作為大數據的根基可以幫助電商企業在實施精準營銷過程中“以顧客為中心、以服務為中心”，企業只有以顧客為中心，為顧客創造價值，并建立親密的客戶關系，才能生存和發展。

■消費者細分

消費者細分是美國學者溫德爾·史密斯在20世紀50年代提出的一種對客戶進行分類的方法，其理論基礎主要基于客戶特征和客戶反映。通過消費者細分，企業能更好的識別的不同的消費者群體，采取差異化的營銷策略。由此發展起來的RFM模型被廣泛運用在數據庫營銷中，該模型利用通用交易環節中最核心的三個維度-最近消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)動態顯示客戶檔案和客戶價值，并為個性化的溝通和營銷服務提供基礎，增加客戶交易數量，獲取三個指標的數據后，需要計算每個指標數據的均值，分別以（R）、（F）、（M）來表示，最后將每位的三個指標與均值進行比較，并通過改善三個指標的狀態為營銷決策提供支持，RFM模型的8種客戶分類如表1所示。

表1 RFM模型的8種客戶分類

■“用戶畫像”與精準營銷的關系

“用戶畫像”，即用戶信息標簽化，最初是在電商領域得到應用。通過大數據收集與分析用戶社會屬性、生活方式、興趣愛好、消費行為等主要信息數據之后，抽象出一個用戶的信息全貌，可作為企業營銷的參考依據。構建“用戶畫像”的焦點工作就是為用戶打“標簽”，并勾勒出該用戶的立體“畫像”，其次根據“用戶畫像”數據庫識別高價值用戶、智能推薦、廣告投放、會員營銷服務、提升用戶滿意度等，再通過聚類分析，對聚類后的特定群體實行RFM分析，定位潛在用戶群進行主動營銷、產生實際購買行為；在實施精確的營銷策略之后或在實施過程中，企業還可以通過與消費者的互動交流，消費者評估以及其他數據來檢查營銷效果，并將這些效果反饋給“用戶畫像”數據庫以改善營銷策略,如圖1所示。

■用戶畫像構建研究

傳統的用戶畫像數據僅來自業務系統，事件系統，關系信息等。多種類型的信息丟失或不完整，很難形成準確而全面的用戶畫像。利用大數據和AI（ArtificialIntelligence）人工智能技術，可以獲得更多的數據維度和更完整的信息，兩者的結合可以提供強大穩定的數據計算能力，實時洞察消費者行為，及時響應讓數據分析隨時隨地可行，讓營銷行動目標更加明確、可追蹤、可衡量、可優化。除了移動互聯網，物聯網也在迅速發展，在這樣的背景下，可以從基本用戶信息，用戶產品信息，用戶社交信息，用戶事件信息等維度為用戶構建360度用戶畫像。此外，用戶畫像和一系列衍生系統可以基于用戶信息推薦相輔相成，并根據用戶推薦內容進行反饋，進一步完善和豐富用戶信息。可以說，用戶畫像不僅是對用戶的潛在研究，而且是對用戶的持續研究，以及對用戶的實時研究。構建出精準的用戶畫像主要包括數據挖掘、標簽體系構建與畫像呈現三個部分。

（一）用戶數據挖掘

當確立了用戶畫像的方向，即確定了需要的數據信息和力度，最關鍵的部分就是數據挖掘。數據挖掘需要通過屬性篩選、聚類算法、關聯分析、回歸算法等方法，去發現人群與人群、人群與商品、商品與商品、商品與品牌等之間的差異與聯系。如客戶消費的詳細信息、客戶下單時間、客單價、商品信息、商品促銷信息等。通過客戶的消費行為分析，以及用戶與企業交互過程產生的非消費行為數據中可以了解到客戶的購買力、購買習慣、商品或服務的偏好，結合特定的數據挖掘模型，基于歷史消費行為，還能夠預測未來消費的可能性；非消費行為數據則可以通過分類、加工和分析，形成客戶洞察，引導消費轉化，或比較相同類別人群的消費和非消費特征，以形成新的洞察。

常見的用戶數據挖掘方法包括主題模型(LDA、基于LDA改進的模型等)、分類算法、協同過濾法（CollaborativeFilteri ngrecommendation）、聚類算法(K一means、層次聚類等）、關聯規則法。其中，主題模型即文檔主題生成模型，是用來識別大規模文檔集或語料庫中潛藏的主題信息，從而將文本信息轉化成易于建模的數字信息；協同過濾法是目前信息過濾和信息系統中非常流行的技術，它不同于基于對內容進行直接分析以進行推薦的傳統內容過濾，協同過濾分析用戶興趣，并找到用戶組中指定用戶的相似性（興趣）用戶，將這些相似用戶的信息綜合起來，形成系統對該指定用戶對此信息的喜好程度。聚類分析是從目標對象中提取關鍵因子，對相似因子組合進行分類，主要用來對銷售數據分析，其目的是通過構建分類模型，以此來確定顧客的興趣和消費傾向，然后將數據分成給定的類別，從而推斷消費者下一步的消費行為;關聯規則主要是利用產品相似性進行推薦營銷，追蹤每件物品的銷售數據，從而也可以獲取哪些物品通常被同時購買；通過數據挖掘，企業可以瞄準目標客戶，采用最新信息、推廣活動或其他一些特殊的信息手段，減少廣告預算和增加收入。

（二）用戶標簽體系構建

“標簽”是用戶畫像最核心的部分。當獲得原始數據后，需要對原始數據進行身份識別，去重、去無效、去異常等數據清洗工作，從中提取對業務有幫助的特征數據。再基于用戶分析模型對用戶數據進行二次加工，從而獲取模型標簽，目前以用戶狀態模型、用戶忠誠度模型、用戶價值（RFM）模型、用戶分群模型為主。其中，用戶狀態模型以顧客的消費頻次作為主要判斷依據；用戶價值分析模型（Recency、Frequency、Monetary）量化用戶價值和創利能力，動態顯示客戶檔案和客戶價值，并為個性化的溝通和營銷服務提供基礎；用戶分群分層模型則是完全基于企業業務場景做客群區分，以便于圈定目標群組進行精準推送。

用戶標簽體系構建需要大量的大數據行為來綜合建模完成，不能通過客戶的某一次購買或者搜索關注行為來下決定，而是要將其應用的頻次、占消費比、占大部分人群比等綜合信息綜合構建。也可以根據用戶的歷史購物信息，歷史評分信息等，使用關聯規則、聚類、協同過濾等算法構建推薦系統，針對不同群體指定不同的營銷策略。

（三）用戶畫像呈現

用戶畫像呈現能直觀明了地體現用戶特征，幫助研究人員更好地理解和應用用戶畫像。呈現用戶畫像主要依靠3個維度，即信息畫像、行為畫像、分群畫像。

信息畫像屬于靜態數據，包括地域、性別，收入，婚否、家庭、職業、收入、資產、消費水平等；行為畫像屬于動態數據，包括用戶的瀏覽習慣、訪問時長、使用頻次、消費記錄、喜歡偏好、行為軌跡等；分群畫像則根據產品業務的需求，將具有共同業務特性的用戶貼上標簽，聚合標簽劃分群體畫像。用戶畫像呈現方式多種多樣，最常見的有標簽云、人物圖像+用戶標簽、統計圖等，如圖2所示。

■基于購買行為的電子商務用戶畫像構建方法

構建用戶畫像的流程包括數據源端數據收集、數據預處理、行為建模，其構建方法與結果輸出形式多種多樣，本文基于消費者細分方法中主要因素的歸類提煉，提出電子商務用戶畫像構建方法。

（一）基于RFM模型對用戶數據進行分類

RFM模型是根據客戶訂單活躍程度和交易金額的貢獻，進行客戶分群和價值細分的一種方法。建好RFM的數據模型之后，通過對RFM這三組數值的平均值或者中位數和每個用戶進行比較，以建立起一個數據立方，進行群體劃分。RFM模型得分會隨著時間節點的推移得到不同的數據。

（二）KMeans聚類

運用KMeans聚類和可視化方法根據RFM模型對用戶進行分群，KMeans聚類是一種非監督式機器學習方法，根據電子商務用戶的特征相似程度將同類用戶聚合，抽取能夠刻畫各聚類的屬性值。KMeans聚類需要指定聚類數k，隨機選擇k個點作為聚類中心，每個樣本找到距離自己最近的中心點，形成第一次聚類簇，這樣每個聚類簇根據計算各維度的均值，又可以得到k個質心，每個樣本再次去找距離自己最近的質心，形成第二次聚類簇，以此循環不斷的計算中心并重新分組，直到結果收斂，即數據不再改變分組為止，最終達到接近穩定的聚類狀態，最后根據分類的結果來對不同的用戶進行用戶研究，形成用戶畫像。

■總結

充分利用“用戶畫像”大數據，實現目標客戶精準挖掘，提升營銷精準性，電商企業可以通過以下五個方面來建立：構建消費者信息數據庫、精準的市場定位、“一對一”溝通服務、完善精準營銷組織機構、提供個性化的產品。通過對電商用戶畫像數據庫的精準衡量和分析為基礎，以消費者數據為核心，并建立精準營銷模型，基于RFM模型對用戶數據進行分類進行客戶優選，并通過市場測試驗證來區分所做定位是否準確有效。并通過這些大數據，了解目標客戶個人的性別、喜好、消費層次、文化品位等，采用他們所能夠接受的營銷方式，制定精準定制化的營銷方案。