摘"要：作為我國七大戰略性新興產業之一的新能源汽車，已成為經濟高質量發展的重要引擎，也是實現強國戰略的重要途徑。在車市營銷戰愈演愈烈的環境下，通過對新能源汽車用戶信息和畫像分析，找到精準營銷路徑，對有效的導流、用戶觸達、促進銷售、提升營銷效率具有重要意義。文章擬通過分析新能源汽車社群營銷發展現狀，構建社群用戶畫像，建立資源聚合模型，精準定位目標客戶群體，識別不同消費者的潛在特征及消費需求，為其定制合理化精準營銷策略，有效完成產品信息精準推送，及時提供服務，從而提升用戶體驗提供借鑒。

關鍵詞：新能源汽車；用戶畫像；精準營銷

中圖分類號：F273.2文獻標識碼：A文章編號：1005-6432（2025）"08-0106-04

DOI：10.13939/j.cnki.zgsc.2025.08.027

習近平總書記指出：“發展新能源汽車是我國從汽車大國邁向汽車強國的必由之路”。"近十年來新能源汽車產業實現了飛躍式發展。與此同時，大數據、5G、移動互聯技術的發展驅動制造業發展進入了數字經濟時代，再次迎來了科技革命與消費結構升級，只有打破傳統思路才能實現品牌突破，形成具有強勢競爭力的用戶體驗。汽車行業跨境融合成為商業模式重新改革后的一種新常態，通過互聯網企業與汽車企業強強聯合，以新的價值生態系統贏得新一輪汽車企業生態戰。通過互聯網大數據技術構建新能源汽車企業用戶數據庫，分析消費者需求及其關注熱點，對產品及其相關信息進行精準推送的同時提供精準服務，提升用戶體驗的同時提高滿意度。

1"國內外發展狀況及研究現狀

1.1"國內研究現狀

用戶畫像作為表示用戶屬性、行為和偏好信息的工具，其目的是理解用戶并帶給其個性化的信息服務和體驗，在廣泛應用于互聯網服務企業的同時向各行各業進行延伸與滲透。索曉陽，王偉基于新浪微博數據提出了一種基于社交網絡數據的用戶群體畫像方法，根據用戶社交信息提取多維度用戶特征，再利用"K"均值聚類算法（K-means"clustering"algorithm，K-means）進行聚類生成用戶群體畫像[1]。姜興琪提出基于基礎畫像進行相似人群畫像的挖掘，根據用戶共同閱讀的新聞內容挖掘相似用戶，并利用權重映射的方式對用戶畫像權重進行衰減[2]。孫吉祥以用戶個人信息和行為數據作為初始畫像，然后利用"Bert+BiLSTM+Attention"模型通過對用戶的評論信息挖掘其情感偏向，并利用艾賓浩斯記憶遺忘曲線模擬用戶興趣的遺忘規律進行用權重衰減[3]。

1.2"國外研究現狀

Wang、Liu、Jiang提出了一種通過結合強化學習和知識圖譜對增量式移動用戶畫像進行表示學習的方案，目標是得到從混合用戶事件流中增量式學習動態更新的用戶畫像向量[4]。Gu、Ding、Wang研究了層次用戶畫像建模問題（hierarchical"user"profiling，HUP），旨在從不同粒度實時表示用戶興趣偏好，首先利用金字塔型的循環神經網絡從用戶的微觀行為中抽象出不同粒度的用戶興趣，其中微觀行為包括點擊物品的組件，例如圖片和評論等，以及使用搜索引擎或推薦導航瀏覽行為，且為了更好地模擬用戶的實時興趣，設計了基于行為的LSTM模型，將行為的元信息（如類型、停留時間和時間間隔信息等）集成到"HUP"中[5]。

通過文獻分析可以看出，用戶畫像在新能源汽車社群領域內的研究主要集中在單獨構建和使用用戶畫像，較少對用戶畫像和資源畫像深度融合進行研究。鑒于此，文章提出構建新能源汽車用戶畫像和資源畫像模型并進行情境化融合，以期為當前新能源汽車情境化推薦系統研究提供參考。

2"用戶畫像的研究概述

2.1"用戶畫像起源

最早提出用戶畫像（persona）"的學者是被命名為交互設計之父的阿蘭·庫珀，其認為用戶畫像是真實反映用戶數據特征的虛擬代表，通過對用戶數據的挖掘，對用戶的目標、行為和觀點進行抽取，分析出用戶的典型特征，把用戶的靜態數據和動態數據標簽化，從而形成的一個目標用戶的模型。該模型能夠反映用戶真實行為和偏好，精準細分用戶群體并挖掘潛在群體。與此同時，隨著數據挖掘、云計算、人工智能等技術的發展，大數據環境下的各類資源呈現出動態性、多樣化特征，面向用戶需求與服務需求的資源聚合方法與技術也不斷更新。

2.2"用戶畫像標簽體系

用戶畫像通過對用戶社會屬性、消費習慣、偏好行為等各維度數據進行收集整理，進而對用戶或者產品特征屬性進行刻畫，并通過對其分析、統計、挖掘價值信息，從而提取用戶整體的典型信息全貌[6]。用戶屬性是刻畫用戶的基礎，常見用戶屬性指標包括用戶的年齡、性別、注冊狀態、城市、歷史購買狀態、歷史購買金額等；用戶行為是用戶標簽的另一重要維度，通過用戶行為可以挖掘其偏好和調整，常見用戶行為維度指標包括用戶訂單相關行為、下單/訪問行為、用戶近30天行為類型指標、用戶高頻活躍時間段、用戶購買品類、點擊偏好、營銷敏感度等相關行為；對于用戶消費維度，可以從用戶瀏覽、加購、下單、收藏、搜索商品對應的品類等入手。

3"新能源汽車社群用戶畫像與資源畫像構建

社群是指在某些邊界線、地區或領域內發生作用的一切社會關系。汽車之家口碑是一個聚焦于欲購車用戶和已購車用戶，建立評價分享和溝通交流平臺，為用戶提供了解車主真實用車情況的渠道，幫助用戶省時省力了解感興趣的汽車。截至2016年年底，汽車之家口碑月度活躍用戶超過3500萬人，在用戶規模和流量方面處于行業領導者地位。截至目前，口碑已成為購車族真實生動的購車參考、交流平臺，同時汽車廠商也能通過口碑，及時了解車主真實聲音并對產品進行改良。因此，文章以汽車之家口碑中蔚來汽車為例，通過建立汽車之家口碑的用戶畫像和資源畫像的映射關系，試圖為精準營銷提供依據。

3.1"蔚來汽車口碑用戶畫像

3.1.1"用戶畫像數據的獲取

以汽車之家口碑中蔚來汽車ES8為例，運用八爪魚爬蟲軟件，對蔚來汽車ES8"2023年3月25日至2020年2月27日口碑進行了爬取工作，爬取時間為2023年4月4日，通過對數據的篩選、清洗和加工，共爬出口碑數據1981條。將這些數據進行歸類、匯總，對數據進行統計分析，用戶數據主要包括購買型號、口碑ID、評價用戶、用戶頭像、發表時間、瀏覽數、評論數、支持數、標題、經銷商、購買地點、購買價格、購買時間、百公里油耗、百公里電耗、行駛里程、綜合評分、空間評分、動力評分、操控評分、油耗評分、舒適性評分、外觀評分、內飾評分、性價比評分、購車目的、最滿意、最不滿意、空間、駕駛感受、外觀、內飾、性價比等。

3.1.2"用戶畫像標簽體系的建立

文章將用戶標簽體系分為用戶屬性、用戶行為、用戶消費三個方面。用戶屬性主要包括口碑ID、評價用戶、用戶頭像；用戶行為主要包括標題、綜合評分、空間評分、動力評分、操控評分、油耗評分、舒適性評分、外觀評分、內飾評分、性價比評分、最滿意、最不滿意、空間、駕駛感受、外觀、內飾、性價比等；用戶消費主要包括購買型號、經銷商、購買地點、購買價格、購買時間、百公里油耗、百公里電耗、行駛里程等，如圖1所示（見下頁）。

3.1.3"用戶畫像的構建

易詞云作為詞云分析制作工具，支持詞云圖制作、分詞、詞頻統計、數據可視化等功能，為了使用戶標簽體系更加直觀，文章根據易詞云3.0軟件進行詞頻分析，用戶的標簽主要以用戶消費與用戶行為為研究主體，在可視化詞云中，用戶在標簽體系中的作用和地位與字體大小成正比。文章以汽車之家蔚來ES8口碑用戶群體為例，由于評價內容較多，為了更加直觀，詞頻分析時主要選取名詞與形容詞頻次在100以上的數據，剔除了副詞等及其他出現頻次較低的名詞和形容詞等，構建的用戶畫像如圖2所示（見下頁）。

3.2"蔚來汽車資源畫像構建

3.2.1"資源畫像數據的獲取與標簽體系的建立

資源畫像數據獲取仍以汽車之家蔚來為例，運用八爪魚爬蟲軟件，對蔚來汽車2020年5月7日至2023年3月18日資訊進行了爬取工作，爬取時間為2023年4月4日，共爬出資訊數據293條。經過進一步歸類匯總，資訊數據主要包括標題、正文、作者、發布時間、標簽等，資源畫像的標簽主要按照自然屬性、特征屬性、內容屬性進行構建，資訊的自然屬性主要包括標題、發布時間、作者；特征屬性主要包括資訊、新能源、行業、新聞、專業評測、二手車導購、對比測試、車型PK、原創試駕等。內容屬性主要包括電動車車聞、新車預告、后市場、電動車試駕評測、企業動向、電動車導購、產銷數據、碰撞成績、企業動向、零部件、帶你懂行業、安全技術、新產品計劃、單車性能測試、多車對比、揭秘新車技術、整車、銷量榜、行業視角，具體如表1所示。

3.2.2"資源畫像的構建

文章運用易詞云3.0版本的軟件，結合建立的資源畫像標簽體系進行構建，剔除標簽中的重復數值，將標簽單詞數值設置為1，間隔設置為0，構成的資源畫像如圖3所示。

3.3"用戶畫像與資源畫像之間的映射關系

大眾分類法是單詞“Folksonomy”的翻譯，該詞是"Thomas"Vande"Wal"在"2004"年提出的，在一些研究中也被翻譯為社會化標注。大眾分類法是一種自下而上的資源組織方法，隨著用戶自由的選擇標簽對網絡上的資源進行標注而產生[7]。大眾分類法中包括用戶、資源和標簽三個要素。用戶是指大眾分類系統中資源的上傳者、使用者和標注者。資源是指由用戶上傳的網頁、圖片、視頻等各種類型的信息，這些資源來源于用戶，并與其他人分享。標簽是用戶在對各類資源進行描述時所用的詞語或短語，是用戶對資源的理解的表現。文章通過運用大眾分類法對用戶畫像和資源畫像建立標簽集合，從而建立了兩者之間的映射關系，如圖4所示。

文章以汽車之家為例，將汽車之家口碑中蔚來汽車的用戶畫像與汽車之家蔚來汽車資源畫像屬性進行分析，并建立標簽模型，實現了一種復雜的文本數據處理和分析方法，旨在發現用戶畫像和資源畫像之間的聯系。首先，文本數據通過jieba.posseg.cut進行分詞和詞性標注，接著，定義了一個停用詞列表，用于去除那些常見但無關緊要的詞，以便更準確地捕捉文本的關鍵信息，同時，文章還統計了特定詞性（名詞和形容詞）的詞頻，從而過濾出出現頻率較高的關鍵詞。隨后，文章利用TF-IDF（詞頻-逆文檔頻率）方法將文本數據轉換成數值型特征向量，這些特征向量化的文本數據通過余弦相似度進行比較，基于這些計算，文章構建了一個相似度矩陣，該矩陣存儲了用戶畫像和資源畫像標簽之間的相似度。最后，文章通過選擇相似度最高的標簽對來實現用戶畫像和資源畫像之間的映射。這一過程涉及一系列復雜的判斷，確保每個用戶畫像標簽、資源畫像標簽和第三方公共標簽在映射中都是獨一無二的。這種方法有效地將不同類別的標簽聯系起來，為用戶畫像和資源畫像之間的關系提供了一種新的視角，從而形成了具體的用戶畫像與資源畫像的映射模型，如表2所示。

通過文本分析和相似度計算，每個用戶畫像標簽與資源畫像標簽被成功地匹配到了一個相關的共同標簽。這些匹配反映了用戶畫像（即用戶的關注點或評價標準）與資源畫像（即媒體內容或行業焦點）之間的潛在聯系。

第一，用戶關注“性價比”時，可能會特別關注“專業評測”，尤其是那些詳細評述的“文章”。這表明，在評估性價比時，用戶傾向于參考專家的意見和深入的產品分析。

第二，用戶在考慮“服務”方面時，可能會查看與“服務”相關的“資訊”，并且關注與所選產品或服務“同類”的其他產品。這表明用戶在評估服務時喜歡進行比較和對照。

第三，用戶在關心“價格”時，可能會對比不同的“車型pk”，關注在對比中提出的“問題”。這意味著價格敏感的用戶會通過比較不同車型來尋找性價比高的選擇。

第四，關注“售后”的用戶可能會對“行業”動態保持關注，尤其是與“產品”相關的內容。這表明用戶在考慮購買后的支持和服務時，會考慮行業趨勢和產品質量。

第五，對“電池”感興趣的用戶可能會關注“新能源”領域，特別是相關的“技術”動態。這說明在新能源車領域，電池性能和技術創新是用戶關注的重點。

第六，與“體驗”相關的用戶可能會看重“原創試駕”的內容，尤其是其他“用戶”的體驗反饋。這意味著用戶在考慮產品時，不僅重視專家的意見，也看重普通用戶的實際體驗。

4"結語

綜上所述，這些匹配揭示了用戶畫像與資源畫像之間的具體聯系。通過了解汽車用戶的關注點和他們獲取信息的方式，汽車企業和內容創建者可以更有效地定位他們的目標受眾，優化產品和服務，以及創造更有吸引力的內容，并同時進行個性化推薦及相關性推薦，根據用戶消費意向與自身信息推薦定制個性化信息，并可以結合行業熱點及未來發展，為每位用戶推薦相關信息與熱點事件。大數據在新能源汽車行業中的應用可以使精準化營銷收獲更好的效果，從而大大提升客戶轉化率與產品銷量。

參考文獻：

[1]索曉陽，王偉.基于社交網絡數據的用戶群體畫像構建方法研究[J].網絡空間安全，2019，10（9）：55-61.