基于NES模型的优惠券场景下用户画像构建研究

刘雨晴 苟娟琼 崔倩倩

摘 要：用户画像是对用户现实信息的抽象与概括，以优惠券为场景的用户画像的构建为场景化的精准营销奠定了基础。本文通过AARRR模型对优惠券营销场景进行识别与分析，并结合NES模型对用户活跃状态维度进行细分，最后采用聚类和相似度计算的算法构建用户画像并可视化结果。结果发现基于NES模型的优惠券场景，用户画像的构建能够全面描述用户的静态和动态信息，从而推动精准营销以及智能营销的发展。

关键词：用户画像;标签体系;精准营销;场景识别

中图分类号：F274 文献标识码：A 文章编号：2096-0298（2021）03（a）--03

用户画像是对用户现实信息的抽象与概括，用户画像的构建是基于用户属性和用户行为提取用户兴趣，了解用户的过程。而构建的过程是用一些计算机技术来挖掘数据以及数据之间的关系，然后用可视化的技术呈现出来。

用户画像的构建在构建方法上多是从用户的人口统计学属性和动态数据的属性出发，先利用建模的方法，然后用聚类分析、关联规则等算法[1]挖掘用户的信息以及潜在的关联关系;在应用场景上多半是图书馆[2]，还有一部分学者研究了旅游场景[3]、虚拟社区场景、电网场景等;在时间跨度方面，多数研究所关注的时间点也只是某固定的时间，忽略了用户整个的购买周期这个影响因素。

所以，本文引入AARRR用户生命周期模型对营销场景进行细分，选取优惠券的具体营销场景作为研究对象，然后依据NES模型对优惠券场景中用户的活跃状态维度进行划分，结合其他属性维度，再用计算机技术构建出用户画像，最终可视化结果。

1 场景化NES模型的应用

1.1 基于AARRR模型的优惠券场景识别与分析

AARRR分别代表获取用户、提高活跃度、提高留存率、获取收入和自传播[4]，分别对应用户生命周期中的五个重要环节。优惠券营销的场景可分为两大类：维护客群和提升交易，具体分类如表1所示。

本文优惠券营销场景的识别依据用户生命周期相关理论和实践经验，对用户的全生命周期每个阶段所具备的行为特征和需求进行分析和重构，助力营销和运营人员识别营销场景。

1.2 优惠券营销场景下NES模型的应用

NES理论的提出是为了帮助企业更准确地掌握顾客的变动性，期望基于对消费者实际交易数据的计算，并通过不断对这些数据的动态更新和修正，将消费者分为首次购买的新顾客、支撑主要营收来源的既有顾客和回购率低于10%的沉睡顾客。

本文的活跃状态标签基于NES模型划分，根据用户的购买周期与最近一次的购买时间对比[5]，将用户划分为新顾客、主力顾客、睡眠顾客（包括瞌睡顾客、半睡顾客和沉睡顾客）。

2 用户画像概念的建立

基于前面对营销场景的解析，相应的用户画像标签体系包括静态信息标签和动态信息标签两大类。其中，静态信息标签是由依据用户注册信息或资料完善后系统自动标注，包括性别、年龄和地区三个维度;动态信息标签是基于用户的行为数据和用户行为分析模型抽取得到，包括活跃状态、用户价值、价格敏感度和商品喜好四个维度。

在建立用户画像模型体系时，应注意：第一，营销场景和用户需求会不断更新，所以标签体系的建立是一个逐步完善的过程，不可能一步到位;第二，应从本质上去透彻分析和把握不同营销场景下营销目标用户的行为特征，根据实际业务需求去分析; 第三，根据具体的营销场景和业务需求合理规划用户画像标签的结构，便于对标签的管理和对标签的组合使用。

3 用户画像的实例构建

本文从L公司数据库中随机抽取了288条用户数据用于场景化营销模拟，经过筛选异常数据和缺失数据，并通过数据脱敏处理，最终保留260条有效用户基本信息数据，共1240条用户订单数据。同时，以用户ID为检索条件，检索出这260名用户在最近三个月的所有浏览、收藏、加购记录进行预处理。

3.1 静态标签

性别标签包含男和女两种，根据用户注册时提供的性别字段值给用户贴上对应的性别标签。年龄段标签包括四个：未成年、青年、中年和老年，根据用户注册时填写的出生年月日可计算出用户的实际年龄，给用户贴上相应的年龄段标签。

3.2 动态标签

3.2.1 活跃状态标签

本文的活跃状态标签主要依据NES购买周期模型来划分。根据简单的计算可知：不活躍用户中26%为瞌睡顾客， 29%为半睡顾客，45%为沉睡顾客。

3.2.2 用户价值标签

用户价值标签依据RFM模型[6]的计算获得，通过获取用户最近一次购买时间、购买频次和购买金额源数据并进行初步分析和处理，得到 R、F 和 M 三个指标各自的平均值，以及每个用户与均值比较的结果，从而综合判断用户的价值并贴上价值标签。用户价值标签的数据结构和分析结果如表 2所示。

3.2.3 用户喜好标签

用户喜好标签的提取主要根据用户的属性特征和购物行为寻找其相似近邻用户，采用基于用户的协同过滤推荐算法来预测用户的商品喜好。用户综合相似度矩阵如表3所示。

通过计算用户综合相似度，得到用户的Top5近邻用户，将近邻用户的历史购买商品集中的商品放入该用户的喜好商品集，通过对喜好商品集的商品标签提取，为用户贴上商品喜好标签。

3.2.4 价格敏感度标签

价格敏感度标签的提取，通过查询用户订单总数和参与优惠的订单数、计算每单优惠金额和每单优惠前金额、汇总用户所有订单未优惠前总价格和所有订单。参与优惠的总金额，计算可得优惠订单占比、平均每单优惠金额占比和总优惠金额占比三个指标之和，作为K-means聚类算法输入的数据。聚类中心点的三个指标之和越小，代表价格敏感度越低。由此将所有用户划分为三个群体并贴上对应的价格敏感度标签，如表4所示。

3.3 综合的用户画像

以用户为维度的用户画像可视化，相对于营销场景用户画像较为简单，首先为用户打上各类特征标签，然后将用户的标签综合显示，本文采用人物与标签搭配的形式呈现用户画像，以 ID为11001的用户画像为例，如图1所示。

4 结语

本文通过对营销场景进行识别与分析，采用 NES 模型对用户活跃状态进行细分，结合计算机技术构建了场景化的用户画像模型，为精准的场景化营销奠定了基础;现在已经有一些将用户画像应用到不同的领域和场景中的研究，不过本文结合新的画像维度并应用到优惠券营销场景中也是一个尝试。本文主要关注于优惠券场景中一次数据的收集与使用，以此为基础构建了用户画像，对于反馈数据关注的较少，希望在后续研究中能够完善。

参考文献

梅阳阳.基于网络行为的用户画像算法研究[D].广州：广东技术师范大学，2019.

刘速.浅议数字图书馆知识发现系统中的用户画像——以天津图书馆为例[J].图书馆理论与实践，2017（06）：103-106.

刘海鸥，孙晶晶，苏妍嫄，等.基于用户画像的旅游情境化推荐服务研究[J].情报理论与实践，2018，41（10）：87-92.

徐倩茹.基于AARRR模型的货运APP用户留存策略研究[J].电子商务，2019（07）：66-67.

刘进.重复购买周期和营销战略选择[J].企业管理，2010（02）：81-83.

乐承毅，王曦.基于改进RFM聚类的高校图书馆用户画像研究[J].图书馆理论与实践，2020（02）：75-79.