基于NES模型的優惠券場景下用戶畫像構建研究

劉雨晴 茍娟瓊 崔倩倩

摘 要：用戶畫像是對用戶現實信息的抽象與概括，以優惠券為場景的用戶畫像的構建為場景化的精準營銷奠定了基礎。本文通過AARRR模型對優惠券營銷場景進行識別與分析，并結合NES模型對用戶活躍狀態維度進行細分，最后采用聚類和相似度計算的算法構建用戶畫像并可視化結果。結果發現基于NES模型的優惠券場景，用戶畫像的構建能夠全面描述用戶的靜態和動態信息，從而推動精準營銷以及智能營銷的發展。

關鍵詞：用戶畫像;標簽體系;精準營銷;場景識別

中圖分類號：F274 文獻標識碼：A 文章編號：2096-0298（2021）03（a）--03

用戶畫像是對用戶現實信息的抽象與概括，用戶畫像的構建是基于用戶屬性和用戶行為提取用戶興趣，了解用戶的過程。而構建的過程是用一些計算機技術來挖掘數據以及數據之間的關系，然后用可視化的技術呈現出來。

用戶畫像的構建在構建方法上多是從用戶的人口統計學屬性和動態數據的屬性出發，先利用建模的方法，然后用聚類分析、關聯規則等算法[1]挖掘用戶的信息以及潛在的關聯關系;在應用場景上多半是圖書館[2]，還有一部分學者研究了旅游場景[3]、虛擬社區場景、電網場景等;在時間跨度方面，多數研究所關注的時間點也只是某固定的時間，忽略了用戶整個的購買周期這個影響因素。

所以，本文引入AARRR用戶生命周期模型對營銷場景進行細分，選取優惠券的具體營銷場景作為研究對象，然后依據NES模型對優惠券場景中用戶的活躍狀態維度進行劃分，結合其他屬性維度，再用計算機技術構建出用戶畫像，最終可視化結果。

1 場景化NES模型的應用

1.1 基于AARRR模型的優惠券場景識別與分析

AARRR分別代表獲取用戶、提高活躍度、提高留存率、獲取收入和自傳播[4]，分別對應用戶生命周期中的五個重要環節。優惠券營銷的場景可分為兩大類：維護客群和提升交易，具體分類如表1所示。

本文優惠券營銷場景的識別依據用戶生命周期相關理論和實踐經驗，對用戶的全生命周期每個階段所具備的行為特征和需求進行分析和重構，助力營銷和運營人員識別營銷場景。

1.2 優惠券營銷場景下NES模型的應用

NES理論的提出是為了幫助企業更準確地掌握顧客的變動性，期望基于對消費者實際交易數據的計算，并通過不斷對這些數據的動態更新和修正，將消費者分為首次購買的新顧客、支撐主要營收來源的既有顧客和回購率低于10%的沉睡顧客。

本文的活躍狀態標簽基于NES模型劃分，根據用戶的購買周期與最近一次的購買時間對比[5]，將用戶劃分為新顧客、主力顧客、睡眠顧客（包括瞌睡顧客、半睡顧客和沉睡顧客）。

2 用戶畫像概念的建立

基于前面對營銷場景的解析，相應的用戶畫像標簽體系包括靜態信息標簽和動態信息標簽兩大類。其中，靜態信息標簽是由依據用戶注冊信息或資料完善后系統自動標注，包括性別、年齡和地區三個維度;動態信息標簽是基于用戶的行為數據和用戶行為分析模型抽取得到，包括活躍狀態、用戶價值、價格敏感度和商品喜好四個維度。

在建立用戶畫像模型體系時，應注意：第一，營銷場景和用戶需求會不斷更新，所以標簽體系的建立是一個逐步完善的過程，不可能一步到位;第二，應從本質上去透徹分析和把握不同營銷場景下營銷目標用戶的行為特征，根據實際業務需求去分析; 第三，根據具體的營銷場景和業務需求合理規劃用戶畫像標簽的結構，便于對標簽的管理和對標簽的組合使用。

3 用戶畫像的實例構建

本文從L公司數據庫中隨機抽取了288條用戶數據用于場景化營銷模擬，經過篩選異常數據和缺失數據，并通過數據脫敏處理，最終保留260條有效用戶基本信息數據，共1240條用戶訂單數據。同時，以用戶ID為檢索條件，檢索出這260名用戶在最近三個月的所有瀏覽、收藏、加購記錄進行預處理。

3.1 靜態標簽

性別標簽包含男和女兩種，根據用戶注冊時提供的性別字段值給用戶貼上對應的性別標簽。年齡段標簽包括四個：未成年、青年、中年和老年，根據用戶注冊時填寫的出生年月日可計算出用戶的實際年齡，給用戶貼上相應的年齡段標簽。

3.2 動態標簽

3.2.1 活躍狀態標簽

本文的活躍狀態標簽主要依據NES購買周期模型來劃分。根據簡單的計算可知：不活躍用戶中26%為瞌睡顧客， 29%為半睡顧客，45%為沉睡顧客。

3.2.2 用戶價值標簽

用戶價值標簽依據RFM模型[6]的計算獲得，通過獲取用戶最近一次購買時間、購買頻次和購買金額源數據并進行初步分析和處理，得到 R、F 和 M 三個指標各自的平均值，以及每個用戶與均值比較的結果，從而綜合判斷用戶的價值并貼上價值標簽。用戶價值標簽的數據結構和分析結果如表 2所示。

3.2.3 用戶喜好標簽

用戶喜好標簽的提取主要根據用戶的屬性特征和購物行為尋找其相似近鄰用戶，采用基于用戶的協同過濾推薦算法來預測用戶的商品喜好。用戶綜合相似度矩陣如表3所示。

通過計算用戶綜合相似度，得到用戶的Top5近鄰用戶，將近鄰用戶的歷史購買商品集中的商品放入該用戶的喜好商品集，通過對喜好商品集的商品標簽提取，為用戶貼上商品喜好標簽。

3.2.4 價格敏感度標簽

價格敏感度標簽的提取，通過查詢用戶訂單總數和參與優惠的訂單數、計算每單優惠金額和每單優惠前金額、匯總用戶所有訂單未優惠前總價格和所有訂單。參與優惠的總金額，計算可得優惠訂單占比、平均每單優惠金額占比和總優惠金額占比三個指標之和，作為K-means聚類算法輸入的數據。聚類中心點的三個指標之和越小，代表價格敏感度越低。由此將所有用戶劃分為三個群體并貼上對應的價格敏感度標簽，如表4所示。

3.3 綜合的用戶畫像

以用戶為維度的用戶畫像可視化，相對于營銷場景用戶畫像較為簡單，首先為用戶打上各類特征標簽，然后將用戶的標簽綜合顯示，本文采用人物與標簽搭配的形式呈現用戶畫像，以 ID為11001的用戶畫像為例，如圖1所示。

4 結語

本文通過對營銷場景進行識別與分析，采用 NES 模型對用戶活躍狀態進行細分，結合計算機技術構建了場景化的用戶畫像模型，為精準的場景化營銷奠定了基礎;現在已經有一些將用戶畫像應用到不同的領域和場景中的研究，不過本文結合新的畫像維度并應用到優惠券營銷場景中也是一個嘗試。本文主要關注于優惠券場景中一次數據的收集與使用，以此為基礎構建了用戶畫像，對于反饋數據關注的較少，希望在后續研究中能夠完善。

參考文獻

梅陽陽.基于網絡行為的用戶畫像算法研究[D].廣州：廣東技術師范大學，2019.

劉速.淺議數字圖書館知識發現系統中的用戶畫像——以天津圖書館為例[J].圖書館理論與實踐，2017（06）：103-106.

劉海鷗，孫晶晶，蘇妍嫄，等.基于用戶畫像的旅游情境化推薦服務研究[J].情報理論與實踐，2018，41（10）：87-92.

徐倩茹.基于AARRR模型的貨運APP用戶留存策略研究[J].電子商務，2019（07）：66-67.

劉進.重復購買周期和營銷戰略選擇[J].企業管理，2010（02）：81-83.

樂承毅，王曦.基于改進RFM聚類的高校圖書館用戶畫像研究[J].圖書館理論與實踐，2020（02）：75-79.