基于购买行为的电子商务用户画像构建研究

张莉（湖南信息学院）

■引言

据统计，2019年我国网络购物用户规模达6.39亿，较2018年底增长2871万，占网民整体的74.8%。随着人们的物质生活水平的提高，经济增长动力逐步向消费驱动型的模式转变,消费者的行为模式、消费内容都发生了重大变化，在消费过程中更加具有社交化、个性化和移动化等特征。

如何更好地理解用户需求，促进用户购买决策的形成，已成为企业迫切需要解决的问题。用户画像技术的本质是在大数据环境下，企业可以深入了解用户信息，全面准确地描述用户的维度和属性，从而可以深入研究用户的特征和行为，更准确地把握用户需求更好地为用户服务。

用户画像，作为大数据的根基可以帮助电商企业在实施精准营销过程中“以顾客为中心、以服务为中心”，企业只有以顾客为中心，为顾客创造价值，并建立亲密的客户关系，才能生存和发展。

■消费者细分

消费者细分是美国学者温德尔·史密斯在20世纪50年代提出的一种对客户进行分类的方法，其理论基础主要基于客户特征和客户反映。通过消费者细分，企业能更好的识别的不同的消费者群体，采取差异化的营销策略。由此发展起来的RFM模型被广泛运用在数据库营销中，该模型利用通用交易环节中最核心的三个维度-最近消费(Recency)、消费频率(Frequency)、消费金额(Monetary)动态显示客户档案和客户价值，并为个性化的沟通和营销服务提供基础，增加客户交易数量，获取三个指标的数据后，需要计算每个指标数据的均值，分别以（R）、（F）、（M）来表示，最后将每位的三个指标与均值进行比较，并通过改善三个指标的状态为营销决策提供支持，RFM模型的8种客户分类如表1所示。

表1 RFM模型的8种客户分类

■“用户画像”与精准营销的关系

“用户画像”，即用户信息标签化，最初是在电商领域得到应用。通过大数据收集与分析用户社会属性、生活方式、兴趣爱好、消费行为等主要信息数据之后，抽象出一个用户的信息全貌，可作为企业营销的参考依据。构建“用户画像”的焦点工作就是为用户打“标签”，并勾勒出该用户的立体“画像”，其次根据“用户画像”数据库识别高价值用户、智能推荐、广告投放、会员营销服务、提升用户满意度等，再通过聚类分析，对聚类后的特定群体实行RFM分析，定位潜在用户群进行主动营销、产生实际购买行为；在实施精确的营销策略之后或在实施过程中，企业还可以通过与消费者的互动交流，消费者评估以及其他数据来检查营销效果，并将这些效果反馈给“用户画像”数据库以改善营销策略,如图1所示。

■用户画像构建研究

传统的用户画像数据仅来自业务系统，事件系统，关系信息等。多种类型的信息丢失或不完整，很难形成准确而全面的用户画像。利用大数据和AI（ArtificialIntelligence）人工智能技术，可以获得更多的数据维度和更完整的信息，两者的结合可以提供强大稳定的数据计算能力，实时洞察消费者行为，及时响应让数据分析随时随地可行，让营销行动目标更加明确、可追踪、可衡量、可优化。除了移动互联网，物联网也在迅速发展，在这样的背景下，可以从基本用户信息，用户产品信息，用户社交信息，用户事件信息等维度为用户构建360度用户画像。此外，用户画像和一系列衍生系统可以基于用户信息推荐相辅相成，并根据用户推荐内容进行反馈，进一步完善和丰富用户信息。可以说，用户画像不仅是对用户的潜在研究，而且是对用户的持续研究，以及对用户的实时研究。构建出精准的用户画像主要包括数据挖掘、标签体系构建与画像呈现三个部分。

（一）用户数据挖掘

当确立了用户画像的方向，即确定了需要的数据信息和力度，最关键的部分就是数据挖掘。数据挖掘需要通过属性筛选、聚类算法、关联分析、回归算法等方法，去发现人群与人群、人群与商品、商品与商品、商品与品牌等之间的差异与联系。如客户消费的详细信息、客户下单时间、客单价、商品信息、商品促销信息等。通过客户的消费行为分析，以及用户与企业交互过程产生的非消费行为数据中可以了解到客户的购买力、购买习惯、商品或服务的偏好，结合特定的数据挖掘模型，基于历史消费行为，还能够预测未来消费的可能性；非消费行为数据则可以通过分类、加工和分析，形成客户洞察，引导消费转化，或比较相同类别人群的消费和非消费特征，以形成新的洞察。

常见的用户数据挖掘方法包括主题模型(LDA、基于LDA改进的模型等)、分类算法、协同过滤法（CollaborativeFilteri ngrecommendation）、聚类算法(K一means、层次聚类等）、关联规则法。其中，主题模型即文档主题生成模型，是用来识别大规模文档集或语料库中潜藏的主题信息，从而将文本信息转化成易于建模的数字信息；协同过滤法是目前信息过滤和信息系统中非常流行的技术，它不同于基于对内容进行直接分析以进行推荐的传统内容过滤，协同过滤分析用户兴趣，并找到用户组中指定用户的相似性（兴趣）用户，将这些相似用户的信息综合起来，形成系统对该指定用户对此信息的喜好程度。聚类分析是从目标对象中提取关键因子，对相似因子组合进行分类，主要用来对销售数据分析，其目的是通过构建分类模型，以此来确定顾客的兴趣和消费倾向，然后将数据分成给定的类别，从而推断消费者下一步的消费行为;关联规则主要是利用产品相似性进行推荐营销，追踪每件物品的销售数据，从而也可以获取哪些物品通常被同时购买；通过数据挖掘，企业可以瞄准目标客户，采用最新信息、推广活动或其他一些特殊的信息手段，减少广告预算和增加收入。

（二）用户标签体系构建

“标签”是用户画像最核心的部分。当获得原始数据后，需要对原始数据进行身份识别，去重、去无效、去异常等数据清洗工作，从中提取对业务有帮助的特征数据。再基于用户分析模型对用户数据进行二次加工，从而获取模型标签，目前以用户状态模型、用户忠诚度模型、用户价值（RFM）模型、用户分群模型为主。其中，用户状态模型以顾客的消费频次作为主要判断依据；用户价值分析模型（Recency、Frequency、Monetary）量化用户价值和创利能力，动态显示客户档案和客户价值，并为个性化的沟通和营销服务提供基础；用户分群分层模型则是完全基于企业业务场景做客群区分，以便于圈定目标群组进行精准推送。

用户标签体系构建需要大量的大数据行为来综合建模完成，不能通过客户的某一次购买或者搜索关注行为来下决定，而是要将其应用的频次、占消费比、占大部分人群比等综合信息综合构建。也可以根据用户的历史购物信息，历史评分信息等，使用关联规则、聚类、协同过滤等算法构建推荐系统，针对不同群体指定不同的营销策略。

（三）用户画像呈现

用户画像呈现能直观明了地体现用户特征，帮助研究人员更好地理解和应用用户画像。呈现用户画像主要依靠3个维度，即信息画像、行为画像、分群画像。

信息画像属于静态数据，包括地域、性别，收入，婚否、家庭、职业、收入、资产、消费水平等；行为画像属于动态数据，包括用户的浏览习惯、访问时长、使用频次、消费记录、喜欢偏好、行为轨迹等；分群画像则根据产品业务的需求，将具有共同业务特性的用户贴上标签，聚合标签划分群体画像。用户画像呈现方式多种多样，最常见的有标签云、人物图像+用户标签、统计图等，如图2所示。

■基于购买行为的电子商务用户画像构建方法

构建用户画像的流程包括数据源端数据收集、数据预处理、行为建模，其构建方法与结果输出形式多种多样，本文基于消费者细分方法中主要因素的归类提炼，提出电子商务用户画像构建方法。

（一）基于RFM模型对用户数据进行分类

RFM模型是根据客户订单活跃程度和交易金额的贡献，进行客户分群和价值细分的一种方法。建好RFM的数据模型之后，通过对RFM这三组数值的平均值或者中位数和每个用户进行比较，以建立起一个数据立方，进行群体划分。RFM模型得分会随着时间节点的推移得到不同的数据。

（二）KMeans聚类

运用KMeans聚类和可视化方法根据RFM模型对用户进行分群，KMeans聚类是一种非监督式机器学习方法，根据电子商务用户的特征相似程度将同类用户聚合，抽取能够刻画各聚类的属性值。KMeans聚类需要指定聚类数k，随机选择k个点作为聚类中心，每个样本找到距离自己最近的中心点，形成第一次聚类簇，这样每个聚类簇根据计算各维度的均值，又可以得到k个质心，每个样本再次去找距离自己最近的质心，形成第二次聚类簇，以此循环不断的计算中心并重新分组，直到结果收敛，即数据不再改变分组为止，最终达到接近稳定的聚类状态，最后根据分类的结果来对不同的用户进行用户研究，形成用户画像。

■总结

充分利用“用户画像”大数据，实现目标客户精准挖掘，提升营销精准性，电商企业可以通过以下五个方面来建立：构建消费者信息数据库、精准的市场定位、“一对一”沟通服务、完善精准营销组织机构、提供个性化的产品。通过对电商用户画像数据库的精准衡量和分析为基础，以消费者数据为核心，并建立精准营销模型，基于RFM模型对用户数据进行分类进行客户优选，并通过市场测试验证来区分所做定位是否准确有效。并通过这些大数据，了解目标客户个人的性别、喜好、消费层次、文化品位等，采用他们所能够接受的营销方式，制定精准定制化的营销方案。