用户画像中常用的用户模型

article/2025/10/24 15:43:32

促销敏感度模型

1.对于租凭公司平台而言，全范围的促销投放和对所有用户发放优惠券之类的，的确可以得到不错的效果，比如2019年的春节，公司通过对所有老用户发放优惠券，成功争取到了1000多订单。但是如果想进一步提高销售额的话，就需要公司对消费者进行更精细化的运营，对不同促销敏感度的用户，进行精确的营销，差别化发放优惠券，促销效果必然会事半功倍。就像公司里，春节时期，即使都是处于满租情况，但是如果精确话营销的话，销售额会提升很多。

2.数据准备

衡量电商的消费者是否对促销敏感，主要是通过他的历史订单里促销优惠的比例来判断。一般我们认为，用户的含促销订单比例越高，敏感度越高；促销金额比例越大，敏感度越高。

a.时间范围：查询每个消费者的1年内的数据，敏感度具有时效性，随着年龄和收入的增长，敏感度也会发生变化，以一年为临界点更具代表性。

b.订单单量数据：提取用户订单数据，计算一年内的订单总数和用户参与优惠的订单数。这里的优惠可以是满减，满赠或者使用优惠券的订单。

c.订单价格数据：汇总用户所有订单未优惠前总价格，汇总用户所有订单参与优惠的总金额，价格数据可以用np.log()将其偏态分布转为比较标准的正态分布

3.处理好的数据字段

a.优惠订单占比

b.平均每单优惠金额占比

c.优惠金额与总金额占比

4.模型

通用型：将敏感度，划分6个等级。极度敏感，较敏感，一般敏感，较不敏感，极度不敏感。然后使用k-mean聚类将其分成6个类别。此敏感度模型输入，其相似点是优惠订单占比，统计三个数据字段的指标之和。三者之和越小，代表价格敏感度越低。然后根据每个用户的订单数据情况，每个指标我们都会得到一个预测值，这个值在你标准化后的值之间，当预测值未负的时候，我们可以理解为对价格不敏感。然后我们就得到了以下的数据。

然后可以根据业务需求，去定敏感度划分，例如可以把小于0的定位不敏感，在0和1之间的为一般敏感，大于1的为敏感用户。

购买力模型

1.消费者购买力，是指消费者购买商品的能力。在一定时期内，能够反映他的消费水平和消费层级。购买力模型属于用户画像的一部分，是区分人群和定义用户身份的其中一项标签。模型具有实效性，数据是动态变化的。

2.数据和模型

衡量一个用户购买力高低需要在不同类别商品下进行分析的。例如：一个用户在服装上花费很少，购买的衣着大都是平民价位的商品，但是在摄影和相机方面上花费甚高。针对这问题，可以建立不同商品的购买力模型。比如衣着-购买力模型，化妆品-消费模型之类的。或者也可以针对不同类目进行权重分配，然后统计总的用户购买力模型。

a.用户的订单数据

消费者在不同种类商品下购买的商品价格，反应了在此品类下的消费能力和水平。统计用户购买同一类商品（例如：化妆品）高中低各价格段的比列，生成三个数据字段（根据业务要求进行价格区间的划分）。可以直接根据这些数据字段进行一个聚类（k-mean或dbscan）来划分用户在这类商品的购买力。

3.实践

本身在租凭行业，产品比较单一，因此只需要考虑同一种类商品就行。在特征工程上，先将商品根据业务要求进行了价格划分，分别计算了其不同程度的占比（比例情况）。再此基础上，我加了一个数据字段--adr（日订单均价），然后用k-mean进行了聚类。得出的模型结果，可以根据业务要求进行调整，或者根据实际的分类结果进一步优化。

购物决策模型

1.此模型所依赖的衡量标准是用户购买商品或者下单过程产生的行为来刻画的。可以根据业务需要，将用户购买商品的决策划分为购物冲动型、海淘犹豫型和理想比较型等。此模型标签作用：统计不同购物人群的比列，用于营销活动的设计或者产品的设计。

2.数据和模型

主要的数据类型：用户完成订单前的浏览时间、浏览SKU数量（SKU就是相当于一款商品，但是例如同款多色的话，SKU是不同）、订单是否取消、订单付款时间和下单时间的差值等有关的特征进行聚类。

PS:因为用户的购物决策是有时效性的，在取数据时，根据行业和业务需求，取最近一年或相关时间的数据。

品类综合偏好度

1.品类偏好度是用户通过搜索、浏览、关注、购买品类商品的次数、频率这些特征，来计算对品类的权重，最后用户与用户会有个纵向比较。例如：计算某款车型的偏好。取最近一段时间订单里该款车型的占比，再与其他用户进行纵向比较。

2.数据和模型

偏好度不需要一些机器学习的知识，只要简单的统计次数占比，再进行一个纵向比较，即可完成用户对某款商品的偏好度。

用户价值模型

1.一个很经典的RFM模型，根据在某一段时间内，用户最近的消费间隔，消费次数和消费金额，再根据k-mean结合，对用户价值的一个划分。每个数据字段划分高、低的话，共分8类用户，如下图所示：