大数据用户行为画像分析实操指南

1星价 ¥43.5 (5.5折)

2星价￥43.5 定价￥79.0

作者：杜晓梦

出版社：电子工业出版社

本类榜单：计算机/网络

分类：计算机/网络 > 数据库 > 数据库理论

暂无评论

图文详情

ISBN：9787121106088
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：其他
页数：224
出版时间：2021-08-01
条形码：9787121106088 ; 978-7-121-10608-8

本书特色

融合不同行业的大数据用户行为分析案例，深入解析，帮助不同行业读者理解。在数字化转型中，越来越多的企业认识到对用户的实时深入洞察，以及数据资产的沉淀已成为业务增长的重要引擎。客户行为分析的技术演进、新变化和趋势，以及与场景结合带来的用户洞察和业务增长的新可能，是每个做管理、营销、用户运营的人都应该深入了解和探究的。百分点优秀的数据科学家团队，将用户分析的前沿技术与*新的行业场景融合提升到了一个新的高度，并且从具体的实战案例中提炼方法论，让读者更容易与自身的业务实践相结合。非常欣喜地看到本书面世，相信它可以帮助大家在数字化浪潮中，更好地贴近用户，把握业务增长的真谛！微软大中华区首席营销官郭洁基于*新的大数据技术，对用户做出精准的画像，是数据产生价值的一个极其重要的基础工作。该工作非常重要，因为由此产生的标签是后续模型分析特征工程的重要前提。但是，该工作却非常具有挑战性。它要求的不仅仅是：前沿的模型分析方法，还包括*新的数据采集手段，以及重要的应用场景。试问谁能同时兼顾这三个方面？答：只有百分点的数据科学家团队。这么一群优秀的、高学历的小伙伴，对前沿的模型方法了如指掌，熟悉各种*新的数据采集手段，并将其应用于各种重要的商业场景，并形成规范的方法论。通过对本书的学习，可以快速地学习作者团队在这三个方面的宝贵经验，践行数据商业价值！北京大学光华管理学院商务统计与经济计量系系主任王汉生教授从2012年开始由“移动加社交”组成的商业3.0时代，让全社会的生活与工作逐步进入到线上化、社交化、数据化；大量的用户购买、浏览、社交(包含工作当中的交互)等行为数据被全程沉淀与利用成为常态，越来越多的品牌开始重视基于行为数据构建用户模型，像分群、留存、画像等方法。掌握了这些方法，就能实现数据驱动的决策与数据驱动的用户精细化运营，做到科学地降本增效；在这个新时代，品牌迫切需要学习构建这些框架的方法与实施步骤；本书包含了完整的结构，清晰的方法与步骤，是企业在数据驱动时代的**工具。数字化新商业转型专家新加坡国立大学商学院兼任教授周宏骐

内容简介

本书系统地介绍了用户行为分析的理论基础和实施步骤，书中列举了大量翔实的应用案例。～2章概要介绍了用户行为分析的基础知识和应用场景。第3～4章详细介绍了基于大数据的用户行为数据的采集、存储和处理方法的技术原理和实施步骤，以及常用的采集与分析工具。第5～6章重点介绍了用户行为分析的常用指标和用户模型构建，以及用户行为分析在企业日常运营中的具体应用。书中详细阐述了用户行为全程追踪方法，介绍了转化分析、用户分群、用户生命周期、用户流失预警、用户价值管理等经典的精细化运营模型。第7～9章详细介绍了用户画像和标签体系的构建方法、步骤，阐述了用户画像在推荐系统和智能营销中的具体应用。0章详细阐述了用户行为分析在若干个不同行业的经典应用案例，包括金融、电商、房地产、快销品、互联网媒体等行业。本书既可以作为学习用户行为分析理论的入门书，也可以给相关领域的实践操作人员提供具体的实施步骤和应用方面的启迪。可供企事业管理人员、大数据从业人员和大专院校相关专业的师生阅读参考。

目录

第1章走近用户行为分析 1
1．1 用户行为分析与画像的概念 3
1．2 用户行为分析的意义 4
1．3 大数据与用户行为分析 7
1．4 用户行为分析的几个重要阶段 8
1．4．1 获取用户行为数据 8
1．4．2 明确分析指标与维度 8
1．4．3 分析结果可视化呈现 10
第2章行为数据分析的使用场景 14
2．1 了解用户使用习惯 14
2．2 提升用户操作体验 15
2．3 监控业务转化过程 17
2．4 持续性辅助用户运营效果 19
第3章基于大数据的行为分析――传统埋码 23
3．1 行为数据采集方法与技术原理 23
3．2 行为数据的统计原理 26
3．3 行为统计的分类方法 31
3．3．1 使用层面的分类 31
3．3．2 技术处理层面的分类 32
3．4 基于大数据的行为数据存储与计算 34
3．4．1 行为数据采集系统示例 34
3．4．2 存储与分析系统示例 40
第4章基于大数据的行为分析――无埋码 67
4．1 无埋码技术的实现原理 67
4．2 无埋码技术的使用实例 69
4．3 无埋码采集系统示例 70
4．3．1 连接应用 70
4．3．2 配置无埋码事件 71
4．4 其他无埋码渠道的行为数据分析 74
第5章行为分析的指标与模型 77
5．1 用户行为分析的3个层次 77
5．2 行为分析指标 78
5．2．1 渠道类指标 78
5．2．2 访问类指标 78
5．2．3 转化类指标 79
5．2．4 留存类指标 80
5．2．5 社交类指标 81
5．3 用户模型构建 81
5．3．1 传统的用户模型构建方法 82
5．3．2 大数据时代下基于行为数据的用户模型构建方法 83
5．4 用户行为全程追踪 85
5．4．1 用户获取 86
5．4．2 用户转化 86
5．4．3 用户留存 87
5．4．4 产生收入 87
5．4．5 用户传播 88
5．5 转化分析模型 89
5．5．1 科学地构建漏斗 89
5．5．2 漏斗对比分析法 90
5．5．3 漏斗与客户流向结合分析法 90
5．5．4 微转化行为分析法 91
5．5．5 用户注意力分析法 92
5．6 精细化运营模型 93
5．6．1 用户常规分群体系构建 93
5．6．2 用户生命周期模型构建 95
5．6．3 用户流失预警模型构建 96
5．6．4 用户价值管理（RFM）模型构建 98
5．6．5 大小数据融合的用户画像模型构建 99
第6章行为分析与日常运营 101
6．1 用户行为分析与渠道运营 101
6．1．1 渠道归因模型 101
6．1．2 渠道引流趋势分析 102
6．1．3 不同渠道用户画像 103
6．1．4 不同渠道用户站内行为 103
6．2 用户行为分析与产品运营 104
6．2．1 用户健康度分析 104
6．2．2 用户路径分析模型 105
6．2．3 漏斗分析模型 107
6．2．4 用户点击模型 108
6．3 用户行为分析与营销运营 109
6．3．1 用户行为分析与活动方案设计 109
6．3．2 用户行为分析与活动方案执行 110
6．3．3 用户行为分析与活动效果评估 111
6．4 用户行为分析与用户运营 112
6．4．1 用户行为分析与拉新 112
6．4．2 用户行为分析与转化 114
6．4．3 用户行为分析与留存 116
第7章用户画像 118
7．1 用户画像概述 119
7．1．1 用户画像的定义 119
7．1．2 用户画像的构建原则 120
7．1．3 用户画像的应用领域 121
7．2 两种常见的用户画像 122
7．2．1 用户角色（User Persona） 122
7．2．2 用户档案（User Profile） 125
7．3 用户画像的调研 131
7．3．1 背景描述 131
7．3．2 需求调研 132
7．3．3 业务理解 134
第8章标签体系――用户画像的刻画 135
8．1 标签体系的构建 135
8．1．1 ID拉通 136
8．1．2 结构化标签体系和非结构化标签体系 145
8．1．3 标签体系的构建 147
8．2 标签体系的分析方法及应用 151
8．2．1 群组构建 151
8．2．2 用户群组分析 153
8．2．3 微观画像 154
8．2．4 用户相似度 155
第9章用户画像的大数据应用 159
9．1 用户画像与推荐系统 159
9．1．1 推荐系统简介 159
9．1．2 矩阵计算 160
9．1．3 基于用户的协同过滤示例 161
9．2 用户画像与智能营销（一） 166
9．2．1 营销场景构建 167
9．2．2 业务规则 167
9．2．3 实时化的自动营销 167
9．3 用户画像与智能营销（二） 168
9．3．1 用户画像与电话营销 168
9．3．2 用户画像与电话回访 169
9．3．3 用户画像与二次销售 169
9．3．4 用户画像与投诉 169
第10章案例与详解 171
10．1 金融行业用户全渠道行为分析 171
10．1．1 分析背景 171
10．1．2 用户行为分析过程 173
10．2 电商行业用户行为分析 177
10．2．1 分析背景 177
10．2．2 用户行为分析过程 179
10．3 房地产行业用户行为分析 183
10．3．1 分析背景 183
10．3．2 用户行为分析过程 185
10．4 快消行业用户行为分析 188
10．4．1 分析背景 188
10．4．2 用户行为分析过程 189
10．5 媒体行业用户行为分析――以电影网为例 196
10．5．1 分析背景 196
10．5．2 用户行为分析过程 197

展开全部

作者简介

杜晓梦北京大学营销模型专业博士，曾入选 2018 年北京市“科技新星”；专长于跨学科数据科学建模、消费者行为预测、互联网广告、社会媒体营销、归因模型、流失预警模型、社会网络分析。唐晓密东北财经大学统计学专业硕士，擅长用户在线行为分析、用户智能营销运营、数据分析与挖掘等方向。拥有十多年的业务咨询和数据分析工作经历，服务超过100多家客户，涉及零售、金融、地产、烟草等行业。张银虎中国地质大学计算机科学与技术专业，长期从事大数据工作并拥有相关专利，从基层起步有着扎实的实战经验和问题解决方法论，擅长于架构设计、数据处理和解决方案等，服务过众多大型集团客户。

本类五星书