大数据环境下基于用户画像的精准营销策略研究

王 斐

一、引言

近些年来，随着互联网技术的迅速发展，用户由以往的信息匮乏时代进入了信息、数据高速生产的“信息超载”时代，包括电子商务数据、社交网络数据、短视频领域数据等在内的各种各样的数据大量涌入用户的视线，使得用户在面临种类繁多的产品选择时无所适从。 另一方面，随着经济高速发展，用户的经济水平、消费能力也随之有了很大的提升，用户越来越注重自身的实际需求与个性化需求。 在这种情况下，怎样更好地利用数据的价值，实现针对用户的精准营销，将满足用户需求的产品推荐给用户，从而进一步提升产品和服务转化率，显得尤为重要。 因此，本研究提出将大数据时代的产物、融合大数据技术的用户画像方法应用于现有的营销活动中，希望能够进一步实现精准营销，提升用户的满意度与忠诚度。

二、研究背景及相关理论基础

随着《促进大数据发展行动纲要》《关于积极推进“互联网+”行动的指导意见》等重大发展战略方针的制定和实施，我国的互联网行业得到了快速发展。 第44 次《中国互联网络发展状况统计报告》指出，截至2019年6月，我国网民规模达8.54 亿，互联网普及率达61.2%；手机网民规模达8.47亿，网民使用手机上网的比例达99.1%。 同时，我国网络购物用户规模达6.39 亿，占网民整体的74.8%；网络视频用户规模达7.59 亿，占网民整体的88.8%。 这份报告表明，我国网络技术发展迅速，互联网普及率越来越高，这就为海量数据的产生提供了良好的条件。

传统的企业营销无非线下广告投放与电话销售，企业大都是以产品为中心，将产品顺利销售出去从而获取利润是他们的最终目标。 然而，忽视用户需求与其偏好特征，只是盲目地将广告投放出去或是将电话打出去，这种销售方式性价比是比较低下的。 而在大数据时代，我们可以充分利用海量的用户数据，利用数据分析与数据挖掘技术，探索用户偏好特征以及各种数据与产品销售之间的关系，从而实现以用户为中心，进行有针对性的市场营销活动，既降低销售成本，又提升产品转化率。

(一)大数据

大数据，是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。 麦肯锡全球研究所认为大数据是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。 大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。 换而言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。

大数据技术的体系庞大且复杂，通用化的大数据处理框架主要分为数据采集与预处理、数据存储、数据清洗、数据查询分析和数据可视化。 其中的数据分析技术，可以帮助我们准确挖掘用户兴趣偏好，从而实现精准营销。

(二)精准营销

Philip Kotler 指出，精准营销是通过制订营销计划，获取高投资回报的营销沟通过程。 杰夫·萨宾给出的解答是：将信息在正确的时间借由适当的渠道发送至目标客户达到营销目标。 精准的含义是精确、精密、可衡量的。 精准营销有以下五个特征：一是精准的目标用户群体。 只有找到真正具备相应产品需求的用户群，对其进行营销活动，才能提升转化率。 二是精准的市场定位。 精准营销就是通过可量化的精确的市场定位技术突破传统营销定位只能定性的局限。三是精准的沟通。 精准营销的系统手段保持了企业和客户的密切互动沟通，从而不断满足客户个性需求，建立稳定的企业忠实顾客群，实现客户链式反应增值，从而达到企业长期稳定高速发展的需求。 四是精准的成本计算。 传统的营销方式只一味地投入，希望以成本换取产品知名度从而带来收益，精准营销可以将成本投入到目标用户群体所在的位置，从而实现既降低成本又提高收益的可能性。 五是精准地把握用户需求。 随着人们生活水平的提高，用户越来越注重自己的个性化需求，需求种类多样，需求变动频繁，精准营销利用技术手段可以充分获取用户特征，理解用户需求，从而获得较高的用户满意度。

精准营销由四个主要理论构成：4C 理论、让客价值、沟通理论和反应原理。 而一切最核心的点在于以用户为中心，充分理解用户需求，为其推荐真正感兴趣的产品，从而提高转化率，降低成本，提高用户满意度。 实施精准营销可以帮助企业更好地满足消费者个性化需求，赢得更多的消费者和其对品牌的忠诚，可以有效地降低营销成本，提升营销效果。

(三)用户画像

用户画像(Users’Profile)由Alan Cooper 最早提出，是建立在一系列真实数据上的目标用户模型，对同一类用户进行不同维度的刻画，旨在通过海量用户行为数据挖掘有用信息，全面展现用户的信息全貌。 用户画像的核心是给用户贴标签，即以短小的词语描述用户的某方面特征，反映用户偏好特征的所有标签聚集到一起，便刻画出一个完整的用户形象，充分展现用户的各方面特征。 用户画像是分领域的，也就是不能所有领域都用一个统一的画像，比如在支付宝里的用户画像和微信里的用户画像肯定是不一样的，所以企业在利用用户画像技术分析用户时，要根据具体领域收集相关领域的用户信息数据，建立起相关领域的用户画像模型，只有这样，才能使分析结果更加精准。

用户画像技术的应用是为了更好地理解用户需求、提高用户满意度，而随着互联网技术的发展，大数据环境下的用户画像不仅可以充分理解用户需求，还可以预测用户需求。相对于传统的市场营销活动，大数据环境下的用户画像具备多维度数据、细粒度数据，并保持动态性特征。 这些特征使得企业的营销活动更加精准，不仅如此，还可以利用回归分析、聚类分析、神经网络等算法对营销结果进行预测并分析其结果，发现用户新需求与潜在用户市场，更好地提高企业的投资回报率。

三、基于用户画像的精准营销策略

传统市场营销中，企业想要抓住用户需求，以及准确了解用户的偏好、个性、兴趣等影响消费者购买行为的决策因素是非常困难的，特别是对于现在的大数据时代而言，海量的数据使得用户行为偏好更难把握和理解，而用户兴趣偏好随着时间、环境等因素发生改变，呈现动态性特征，更使得企业难以解决这一问题。 在众多的大数据工具中，用户画像技术是帮助企业准确识别和分析目标用户的最有效工具之一。因此，本研究将用户画像技术引入企业营销活动中，希望能够利用用户画像准确理解和把握用户需求，在此基础上对需求进行预测及分析，提高企业的决策效率，实现精准营销。

(一)用户画像的构建

1.用户画像数据采集与处理

构建用户画像模型需要大量的数据，覆盖用户的各个维度，例如人口统计学数据、用户行为数据、用户偏好数据等。数据越多，画像越丰满，人物特征表现越丰富，这样的画像，能够更好地帮助企业理解用户需求，准确把握用户偏好特征，从而在对其进行营销活动时，可以有针对性地进行相应的产品推荐。

大数据环境下，用户画像数据主要分为静态数据和动态数据两大类。 静态数据主要指的是人口统计学数据，例如性别、职业、年龄、位置等数据，这些可以通过用户的注册信息收集到；动态数据是指用户不断变化的一些行为数据，例如浏览数据、点击数据、观看数据、搜索数据等，动态数据不具有显式特征，需要通过数据分析与数据挖掘技术从用户日志系统、App 后台等进行提取。

随着互联网的发展，海量数据充斥着人们的世界，现有的数据类型已不仅仅是结构化数据，还有大量的半结构化数据、非结构化数据，用户画像模型的构建需要各种类型的数据。 要想准确提取各种类型数据所携带的价值，企业需要对收集的数据进行清洗，然后利用计算机技术，将各种各样的数据加工成用户画像建模所需要的数据集。

2.用户信息标签化

用户画像通俗而言就是为用户贴标签，因此，用户信息标签化是构建用户画像的核心工作。 准确的标签体系，可以将用户特征呈现在企业面前，为企业决策提供辅助借鉴。 用户画像数据标签是通过对用户信息分析而来的高度精练的特征标识，如性别、年龄、地域、用户习惯、用户偏好等，最后将所有标签综合起来，就可以勾勒出该用户的画像。 标签具有语义化特征，可以帮助企业理解每个标签的含义，准确判断用户的偏好特征，从而实现精准营销。

3.建立用户画像模型

用户画像建模就是将收集并处理好的用户信息与数据进行标签化处理之后，实现的用户“可视化”构建。 用户画像构建可大致分为三个层次：用户数据收集层、用户数据处理层、用户数据分析及标签层。 其中，用户数据收集层主要是负责静态数据与动态数据的收集；用户数据处理层则是把收集到的数据进行清洗、过滤、去重等操作，移交给数据分析及标签层；用户数据分析及标签层则是利用数据挖掘技术对处理后的数据进行分析，并在此基础上对数据进行标签化工作，最终构建起用户画像模型。 值得注意的是，由于用户每时每刻都在产生新的数据，用户画像模型也需要具备动态性特征，只有这样，才能及时发现用户需求偏好的改变，进而调整企业的营销策略，提高用户的满意度与忠诚度。

(二)精准化广告推送

传统企业的市场营销活动大多是线下大范围投放广告，诸如广告牌之类，而现在，企业具备了用户画像模型，了解了产品目标用户的具体特征，包括兴趣偏好等信息，可以有针对性地投放广告。 比如通过Google Adwords，根据用户画像模型，筛选出企业目标用户的年龄范围、地理位置、收入范围等进行广告的投放，这样既精准地到达了企业的目标用户，同时又极大地降低了广告成本。 如果每个企业都是根据用户画像模型进行广告的精准投放，那就极大地降低了用户的信息超载现象，对于接收到的广告，用户也不会视若无睹，循环促进，既减小用户收到不符合自身需求的“垃圾信息”的可能性，提高用户满意度，又降低了企业的营销成本。

(三)精准化产品推荐

现下的市场环境里，不仅产品种类繁多，而且同质化产品的数量也是越来越多，在激烈的市场竞争中，企业要想站稳脚跟，就必须具备核心竞争力。 拥有良好的服务、及时为用户推荐用户需要或是感兴趣的产品，就是企业的竞争力所在。 用户画像模型为企业进行精准的产品推荐提供了帮助。现有的推荐算法中，协同过滤推荐算法应用最为广泛，其基本思想是利用用户的相似度寻找最近邻，再基于预测评分为用户推荐产品。 然而，协同过滤算法忽视了用户自身的特征偏好，因此，基于用户画像模型的推荐具有更高的精准性，使推荐结果更加符合用户需求偏好，能提高用户满意度。

四、总结与展望

大数据时代给传统市场营销活动带来了挑战：各种各样的数据泛滥，严重影响了用户的选择能力，用户在众多的产品种类面前感到无所适从，这就需要企业运用精准营销更好地服务用户，使其在激烈的市场竞争中具备自己的核心竞争力。 用户画像作为大数据时代的技术工具之一，为企业准确判断用户兴趣偏好从而实现精准营销提供了帮助。 事实证明，将用户画像融入企业营销活动中是正确的选择。 但是，在用户画像建模过程中，企业收集用户信息进行分析挖掘，用户数据面临外泄的风险，很多用户为了保护自己的信息安全，不愿意泄露或是输出自己的真实信息，使得企业无法准确判断用户需求，从而降低用户画像方法的现实意义。 怎样实现用户的隐私保护，以及怎样建立用户与企业之间的信任感，是需要进一步研究的方向所在。