旅游消费者酒店用户画像分析-怎么样去进行用户画像分析
微信号
KTV115116
本文目录一览：
怎么样去进行用户画像分析
用户画像旅游消费者酒店用户画像分析，是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌，可以看作是企业应用大数据技术的基本方式。那么怎么样去进行用户画像分析旅游消费者酒店用户画像分析？
1、 静态属性
静态属性主要从用户的基本信息进行用户的划分。静态属性是用户画像建立的基础，最基本的用户信息记录。如性别、年龄、学历、角色、收入、地域、婚姻等。依据不同的产品，记性不同信息的权重划分。如果是社交产品，静态属性比较高的是性别性别、收入等。
2、 动态属性
动态属性指用户在再互联网环境下的上网行为。信息时代用户出行、工作、休假、娱乐等都离不开互联网。那么在互联网环境下用户会发生哪些上网行为呢？动态属性能更好的记录用户日常的上网偏好。
3、 消费属性
消费属性指用户的消费意向、消费意识、消费心理、消费嗜好等，对用户的消费有个全面的数据记录，对用户的消费能力、消费意向、消费等级进行很好的管理。这个动态属性是随着用户的收入等变量而变化的。在进行产品设计时对用户是倾向于功能价值还是倾向于感情价值，有更好的把握。
4、 心理属性
心理属性指用户在环境、社会或者交际、感情过程中的心理反应，或者心理活动。进行用户心理属性得划分更好的依据用户的心理行为进行产品的设计和产品运营。
关于怎么样去进行用户画像分析的相关内容就介绍到这里了。
线上酒店用户流失分析预警
本文是对某线上酒店用户流失预测分析项目的一个总结。
目录/分析思路：
01: 项目介绍
02：问题分析
03：数据探索
04：数据预处理
05：建模分析
06：用户画像分析
一、项目介绍
该项目是对某酒店预订网在一段时间内的客户预定信息数据进行分析旅游消费者酒店用户画像分析，通过算法预测客户访问的转化结果，挖掘出影响用户流失的关键因素，并深入旅游消费者酒店用户画像分析了解用户画像及行为偏好，从而更好地完善产品设计，进行个性化营销服务，以减少用户流失，提升用户体验。
二、问题分析
这个项目是问题诊断型，要解决的问题是关于用户流失的。在官方提供的字段和解释中，有一个label字段，这个是目标变量，也就是我们需要进行预测的值。label=1代表客户流失，label=0代表客户未流失，很显然这是个分类的预测问题。
我们的目标就是在预测准确率高的同时最大化召回率，从业务角度出发，也就是将更多原本可能会流失的客户最大概率地预测出来，以针对性进行挽留。因为通常来讲，获取新用户的成本比挽留老用户流失的成本要多得多。
三、数据探索
1、数据总体情况
本数据集合userlostprob_data.txt，为某酒店预订网2016年5月16至21日期间一周的访问数据。
本数据集总的数据共有689945行，51列，包含样本id，label以及49个变量特征。
考虑到保护用户隐私，该数据经过了数据脱敏处理，和实际的订单、浏览量、转化率有一些差距，但是并不影响问题的可解性。
2、数据指标梳理
观察数据集，里面的变量比较多。所以首先将数据字典中中文解释替换对应变量名，增强可读性，然后最好将指标进行梳理分类，然后逐个字段进行解析。
经过研究发现，指标大概可以分为三类：一类是订单相关的指标，如入住日期、订单数、取消率等；一类是与客户行为相关的指标，如星级偏好、用户偏好价格等；还有一类是与酒店相关的指标，如酒店评分均值、酒店评分人数、平均价格等。
3、相关特征描述性分析
3.1 访问日期和入住时间
入住人数和访问人数都在5月20日达到峰值，大概是“520”情人节的原因；5月21日之后入住人数大幅减少，后面的两个小波峰，表明周末会比平日人多一些。
3.2 访问时间段
可以观察到，凌晨3-5点是访问人数最少的时间段，因为大多数人这个时间都在睡觉；在晚上9-10点左右访问人数是最多的。
3.3 客户价值
“客户近1年价值”和“客户价值”两个特征非常相关，都可以用来表示客户的价值；可以看到，大部分客户的价值在0-100范围；有些客户价值高达600，后期需重点关注分析这类高价值客户。
3.4 消费能力指数
基本呈现正态分布，大部分人的消费能力在30附近。消费能力达到近100的人数也很多，说明在我们酒店的访问和入住客户中，存在不少高消费水平群体。
3.5 价格敏感指数
去掉极值，数据呈右偏分布，大部分客户对价格不是很敏感，不用太费心定价；针对价格敏感指数100的客户群体，可以采用打折的方式进行吸引。
3.6 入住酒店平均价格
大部分人选择酒店价格在1000以下，价格2000以上的酒店选择的人非常少；排除“土豪”，可以看到，消费者对酒店价格的选择，基本是一个正偏态的分布，大部分人会选择的平均价格在300元左右（大概是快捷酒店一类）。
3.7 用户年订单数
大部分用户的年订单数在40以下，同时，也存在部分频繁入住酒店的用户，需要重点维护；
3.8 订单取消率
用户一年内取消订单率最多的是100%和0，对于百分百取消订单的客户可以结合订单数了解一下原因。
3.9 一年内距离上次下单时长
可以观察出，预定间隔时间越长的人数是递减的，说明相当多的人订酒店还是比较频繁的；侧面反映出“熟客”会经常性地选择预定酒店，回头客较多。
3.10 会话ID
服务器分配给访问者的一个id，1为新的访客。
访问客户中老客户占大多数；老客的预定概率比新客的预定概率稍微高一点。
四、数据预处理
4.1 重复值处理
数据维度没有发生 变化，说明该数据集没有重复值。
4.2 生成衍生字段
基于对业务的理解，考虑到用户提前预定酒店时间这一特征可能会比较重要，将两个日期型特征转化生成一个新的特征，提高模型准确度和可解释性。
4.3 缺失值处理
查看缺失值情况
共51个字段，缺失字段：44个
缺失值处理思路及过程
查看特征分布情况：
查看所有数值型特征的分布情况，根据数据分布合理选用处理方法，包括异常值、缺失值处理，同时有助于深入了解用户行为。
共51个字段，缺失字段：44个，选择合适的方法进行缺失值处理：
缺失比例80%以上：1个，“近7天用户历史订单数”缺失88%，直接删除该字段。
趋于正态分布的字段，使用均值填充；右偏分布的字段，使用中位数填充。
检查缺失值填充情况
查看可知，缺失值数据已填充完毕。
4.4 异常值处理
极值处理：
（后面基于实际业务思考，盖帽法存在部分不合理，可能会过滤高价值用户，需要调整）
负值处理：
4.5 标准化处理
距离类模型需要提前进行数据标准化。
五、建模分析
首先拆分训练集和测试集
5.1 逻辑回归
[0.7366529216096935, 0.7016048745527705]
5.2 决策树
[0.8728884186420657, 0.8448881691422343]
5.3 随机森林
[0.8936581901455913, 0.9399374165108152]
5.4 朴素贝叶斯
[0.6224554131126394, 0.6610756921767458]
5.5 XGBOOST
[0.8886143098362913, 0.9383456626294802]
5.6 模型比较
画出ROC曲线
可以看到，朴素贝叶斯表现最差，逻辑回归的表现也不是很好，说明该数据不是线性可分的；随机森林和xgboost模型的表现差不多，二者的AUC得分都在0.9以上，分类效果很好，随机森林AUC值为0.94更高一点，固采用随机森林进行用户流失预测。
5.7 随机森林模型优化
交叉验证
学习曲线——取分类器为80
[0.9333570067179268, 0.97816699979759]
即根据这个随机森林模型召回率可以达到97.8%，流失客户预测准确率可以达到93.3%。
该模型可以直接上线用于用户流失预测。
5.8 影响客户流失的关键因素
用随机森林分析影响客户流失的因素：使用feature_importance方法，可以得到特征的重要性排序。
最重要的前10个特征：
年访问次数、一年内距上次访问时长、昨日访问当前城市同入住日期的app uv数、一年内距离上次下单时长、昨日提交当前城市同入住日期的app订单数、24小时内已访问酒店可订最低价均值、24小时内已访问酒店商务属性指数均值、24小时内已访问次数最多酒店可订最低价、24小时历史浏览次数最多酒店评分人数、客户价值 。
六、用户画像分析
接下来用K-Means聚类的方法将用户分为3类，观察不同类别客户的特征。
K-means聚类
可以看到，聚出来的3类用户有各自非常明显的特征，针对不对类用户的个性化营销建议：
0类为中等群体： 消费水平和客户价值都偏低，访问和预定频率较高，提前预定的时间是三类中最长的；花费非常多的时间进行浏览才能做出选择，比较谨慎，推测可能为出门旅行的用户。
建议：尽可能多地进行推送，因为此类客户通常比较喜欢浏览；多推荐价格相对实惠的酒店；推送当地旅游资讯，因为这类客户旅游出行的概率较大。
1类为低价值客户： 消费水平和客户价值极低，偏好价格较低，访问和预定频率很低； sid值很低，说明新客户居多。
建议：按照流失客户处理，不建议花费过多营销成本，不做特定渠道运营；推荐促销活动，价格折扣大的的低价酒店；新用户占比较大，潜在客户居多，可以维持服务推送。
2类为高价值客户： 消费水平高，客户价值大，追求高品质，价格敏感度高；登陆时间长，访问次数多，提前预定时间短，但退单次数较多。
建议：为客户提供更多差旅地酒店信息； 推荐口碑好、性价比高的商务连锁酒店房源吸引用户； 在非工作日的11点、17点等日间流量小高峰时段进行消息推送。
一些备注：
1、数据特征筛选时可以做相关性分析，因为可能某些特征之间存在高度相关，可以用相关性分析去掉和目标变量相关性小于0.01的变量，其旅游消费者酒店用户画像分析他变量之间相关性高于0.9的可以删除，再利用主成份分析对指标进行降维整合，可能会使模型效果达到最好。
2、如果想对用户分类更加精细，可以使用RFM模型进行用户价值分析。但本项目特征包含信息较多，用RFM可能损失信息量比较大。
二、用户画像：如何对你的目标顾客群做精准分析？
要想成功把产品卖给顾客，这其中有 2 个重要元素：一个是你的产品，另一个就是你的顾客。文案高手就像一个优秀的猎头，既要了解产品的优劣，更要了解顾客的喜恶，只有这样才能把产品卖给顾客。
首先，大家需要了解，到底什么是用户画像 ？
用户画像是根据目标顾客的社会属性、生活习惯和其他行为等信息，抽象出的一个标签化的用户模型。听起来比较抽象，我来给你讲小案例，你就明白了。
原来我给一个养生店做文案顾问，有 2 个实习生，每天给他们同样的任务，发 200 张引流传单。但一个人的传单到店率总比另一个人高 25% 左右。问他怎么做的？他说：只给 50 岁以上，穿戴整齐，最好戴着眼镜，走路也不匆忙的人发。这些人有养生需求，而且一般是退休职工，有钱、有时间。而另一个人则是逢人就发。有钱有时间的 50 岁以上退休职工，就是养生店的顾客画像。
然后，我们要明白，为什么要做用户画像 ？
写卖货文案的时候，用户画像能帮你摸透用户心理和需求，了解用户的痛点和渴望，以及影响他们购买决策的因素有哪些，这样你才能找准切入点，引发共鸣来卖货。
这里需要注意的是，用户画像应该是单个人，而不是一群人。你要揣摩购买者在想什么、在做什么，经常去哪些场合，他对什么词、什么仪式有着高度的敏感。只有是单个人，你才能够清晰地看到他、了解他。
举个例子，你的目标群体是新中产女性，你就可以描述：Lily 是一位 30 岁的白领，211 大学毕业，现在在一家新媒体公司做主编，月入 2 万，居住在北京四环。一手托娃，一手工作的职场宝妈。这说明了她的年龄、学历、职业、收入水平和生活状态。
她把“妈妈是孩子的榜样”作为座右铭。喜欢阅读，渴望有更大的提升。平时她会和闺蜜逛商场，也会参加一些成长社群，去国外旅游。这句表明了她经常出入的场所，以及兴趣和价值观。
她对新事物充满好奇，愿意尝试。但有自己的判断原则，比如，性价比，让自己体现更好生活水准的东西都会毫不犹豫。她不愿意随大流，却容易被身边优秀的人影响。这句说明了她的消费观念和购物决策因素。
通过角色设定，你能了解到这个人对哪个仪式和场景敏感，影响她购买决策的因素有哪些等，从而揣摩她对这些词、场景所产生的心理活动，这样更容易与她对话，你也会比针对一群人更有办法。如果你能把产品卖给她，也更容易卖给她代表的这个群体。
做用户画像时，大部分人容易踩中这 2 个常见误区 。
举个例子，我们卖面膜，锁定的是想要变美的女性，如果要推一个“成为会员就可以 2 折买面膜”的活动，报名的用户很有可能寥寥无几。
是用户不想占便宜吗？是女性不想变美吗？肯定不是，问题出在哪里？就是“没有清晰的用户画像”。
比如，20 岁左右的小女生，她们渴望变白、去痘，对价格接受度偏中低端；30 岁白领，经常熬夜加班，想要去黑眼圈，预防皱纹；而宝妈生育后有了妊娠斑、暗哑松弛，更想祛斑、变紧致，因为有稳定的收入，对品牌也有更高的要求。
所以，不要臆测你的目标用户是“所有女性”这个大分类，要做精准分析，具体是什么年龄段、什么工作、消费能力在哪个范围内，等等。
调研数据非常详细，各个百分比也很精确，但数据找来后就放在那里。写文案时还是没有方向，不知道用户有哪些需求，get 不到用户的痛点和爽点。
接下来，我们来讲本节课的重点：如何高效做顾客画像，并巧妙用在你的推文中？我帮你总结了 4 个步骤，下面我会结合案例，给你详细讲解。
这是一款鼻炎喷雾，当时市面上鼻炎产品非常多，至少有二三十种，为何我能做到 3 个月卖破 10 万多单，销售额 1000 多万呢？其中，最重要的一点就是，我把这个群体的用户摸透了。具体我是怎么做的呢？
第一步：搞清产品功能，按图索骥找用户
做用户画像的目的是卖货，所以，分析顾客也应该先从产品入手，考虑清楚产品满足客户什么需求，反向推导出顾客有哪些特征。
比如，鼻喷的特色功能是疏通鼻塞、缓解鼻炎。那我就可以反向推导出哪些人是鼻塞、鼻炎的高发人群，他们有什么样的特征。也许你会问了：如果对这个群体不了解怎么办？答案是：借助数据工具。
这里常用的工具有：百度指数、微信指数、生意参谋、互联网数据资讯中心等。
以百度指数为例，你在百度搜索栏输入“百度指数”，就会出来百度指数的数据查询界面。然后输入你要查询的关键词“鼻炎”“鼻塞”等，并点击菜单栏的“人物画像”，就会查到鼻炎这个群体的相关信息，包括性别比例，年龄分布、地域分布、兴趣分布等。
这样你就有了一个大概轮廓。然后，再根据数据最集中的信息，对应到身边某个鼻炎患者，比如老公、同事，这样你就看到了一个活生生的人。
第二步：提炼关键标签，描述角色设定
抽取顾客群的典型特征，提炼出关键标签，可以包括这么几大类：
产品不同，敏感标签也不同。例如，美容行业对身高并不敏感，理财行业对身高、体质都不敏感。所以，在顾客分析过程中要把握颗粒度，不能太小也不能太大。要具体问题具体分析，不需要面面俱到，只需提炼关键标签。
但这时候你会发现，面对这些冷冰冰的基础数据是没有任何感觉的，怎么办？就要通过“角色设定”的方法，赋予顾客具体的角色，为你的顾客设定角色，不再说“顾客”，而是直呼其名。让其鲜活、立体起来。
我描述的角色设定就是：林子是一位 31 岁的白领，现在在一家互联网公司做销售主管，月薪 12000 元，居住在广州四环，每天挤地铁上下班。她正处于打拼事业的关键期，对身体的小状况抱着“能忍就忍”的心态。
关于角色设定要注意的是，产品的顾客群体不同，可能会有 2-4 个角色原型，你只需把最有代表性的 2、3 个 描述出来就可以了。
第三步：借助大数据工具，锁定切入点
鼻炎是很痛苦，但用户画像了解到，这个目标群普遍是“能拖就拖”的心态，如何让他们采取行动呢？这时就要借助大数据，找到切入点，刺激他立马行动。否则，鼻炎的痛苦没有被激活，永远只是潜在需求。
通过百度指数发现，每年的 2、3 月和 9、10 月份，鼻炎都有明显增长。为什么？2、3 月份入春，柳絮满天飞。9、10 月份入秋，降温降雨，而这 2 点都是诱发鼻炎的重要因素。而我接这个案子恰好是入秋。
所以，我就锁定“入秋”这个切入点，触发顾客群对鼻炎的恐惧开关，让潜在需求成为不得不解决的刚需。
其中，“同事林子”“部门开会”“上班挤地铁”等，就是通过角色设定找到的灵感。而且它是目标群的综合原型，也更容易引发共鸣。
用户画像是为卖货服务的，但这里就有个问题：顾客有了共鸣就一定会买你的产品吗？不一定！他还有其他替代方案，比如鼻炎膏、生理盐水等。
第四步：梳理卖点排序，做好攻坚对策，让他只买你的
根据顾客画像，我了解到目标人群主要关注 3 类问题：
针对以上顾客分析，就可以制定出卖点排序的攻坚对策，通过系列收益证明，逐一解决他的担心，引导成交：
最后的卖点排序就是：功效佐证 权威背书 安全性 使用体验 产品原料 产品价格（性价比）。
