ユーザー操作データ分析（細かな操作データ分析手法）

改良された運用データ分析方法

ユーザーポートレートに関して、多くの人が誤った理解をしているかもしれません。つまり、ユーザーポートレートを、名前、性別、職業、収入、猫を飼っているかどうか、アメリカのドラマが好きかどうかなど、さまざまなユーザー特性として単純に理解しているのです。これらの特徴は表面的には問題ないように見えるかもしれませんが、実際には、ユーザーポートレートはビジネス/製品と組み合わせる必要があります。

たとえば、Haidilao はユーザーの肖像画を作成したいと考えており、最終的に、Xiao Ming は大学生、背が高く、お金持ちでハンサム、一人っ子、四川省出身、ゲームやアニメを見るのが好き、などのユーザータグをリストします。実際、Haidilao にとって、ユーザーがハンサムであるかどうかや、ゲームが好きかどうかは、実際には重要ではありません。

そのため、多くの企業にとって、設定したユーザー ポートレート ラベルは実際には効果的な役割を果たしません。では、ユーザーポートレートとは一体何でしょうか?企業にとってユーザーポートレートは主にどのような用途で使用されますか?では、企業は効果的なユーザーポートレートをどのように構築すればよいのでしょうか?今日はXiaoyiがそれをあなたと共有します。

1. ユーザーポートレートとは何ですか?

1. 定義

ユーザープロファイリングとは、ユーザー情報にラベルを付けることです。ユーザーの社会的属性、消費習慣、嗜好特性など、さまざまな側面に関するデータを収集し、ユーザーまたは製品の特性を特徴付けます。これらの特性を分析およびカウントすることで、潜在的に価値のある情報が抽​​出され、ユーザーの全体的な情報が抽象化されます。

ユーザーポートレートの内容は完全に固定されているわけではなく、業種や製品によって重視される特徴は異なります。ほとんどの企業では、ラベル付けされたユーザー モデルは、ユーザー特性、ビジネス シナリオ、ユーザーの行動という 3 つの側面から構築できます。

2. タイプ

（１）統計タグ

このタイプのラベルは、最も基本的で一般的なタイプのラベルです。たとえば、特定のユーザーの場合、名前、性別、年齢、都市、アクティブ時間などです。このタイプのデータは、ユーザー登録データとユーザー消費データから取得できます。このタイプのデータは、ユーザーポートレートの基礎となります。

（２）ルールベースのタグ

ユーザーの行動とルールに基づいて、実際のポートレートの開発プロセスでは、運用担当者は業務に精通しており、データ担当者はデータの構造、分布、特性に精通しているため、ルールベースのラベルのルールは、運用担当者とデータ担当者が協議して決定します。

（３）クラスラベルのマイニングの学習

機械学習マイニングによって生成され、ユーザーの行動やルールに基づいて予測や判断を行います。たとえば、ユーザーが生理用ナプキンを購入した場合、この行動に基づいてユーザーが女性であると推測し、ユーザーの消費習慣に基づいて特定の製品に対するユーザーの好みを判断することができます。このタイプのラベルは、アルゴリズム マイニングを通じて生成する必要があります。

プロジェクト エンジニアリングの実践では、一般的な統計タグとルール ベースのタグでアプリケーション要件を満たすのに十分であり、開発の大部分を占めます。機械学習マイニングラベルは、ユーザーの性別、ユーザーの購入嗜好、ユーザーの解約意図などを決定するなどの予測シナリオで主に使用されます。一般的に、機械学習ラベルの開発サイクルは長く、開発コストが高いため、その開発割合は比較的小さくなります。

2. ユーザーポートレートの主な機能は何ですか?

世界的なシナリオでは、ユーザーポートレートの適用は通常、ビッグデータ プラットフォームでのデータ収集と分析に基づいています。ユーザー タグはさまざまなモジュールに分類され、製品、運用、アナリストに提供されて使用されます。アプリケーションシナリオには、財務リスク管理、精密マーケティング、パーソナライズされた推奨などが含まれます。アプリケーションの方向性には、アクティビティクラウドスクリーニング、ユーザーインサイトレポート、マーケティング決定システム、推奨システムなどが含まれます。

1. 精密マーケティング

トラフィック配当がなくなり、企業が洗練された運営の時代に突入した今日、ユーザーポートレートはユーザーを理解し、正確なサービスやパーソナライズされたサービスを提供するのに役立ちます。たとえば、eコマースプラットフォームで、さまざまなレベルのユーザーに異なるクーポンを発行するイベントを開催する必要がある場合、ユーザーポートレートを使用してユーザーをさまざまなアクティビティレベルの有料ユーザーに分割し、さまざまなアクティビティレベルのユーザーに異なるクーポンを発行して、運用効率を向上させる必要があります。

2. ユーザーの洞察

ユーザーポートレートも、ユーザーを理解するために必要な補足資料です。製品の初期段階では、製品マネージャーはユーザー調査やインタビューを通じてユーザーについて学びます。製品ユーザー数が増えると、調査の効果は低下します。現時点では、ユーザーの肖像画を使用して研究を補足することができます。方向性としては、新規ユーザーの特性やコアユーザーの属性が変化したかどうかなどが挙げられます。

さらに、ユーザー ポートレートはビジネス レベルのデータ ウェアハウスとして理解でき、さまざまなラベルは多次元分析の自然な要素です。データ クエリ プラットフォームはこれらのデータに接続され、最終的にはビジネス上の意思決定を支援します。

3. 製品デザイン

かつての伝統的な企業は、作ったものをそのまま売っていましたが、現在は「ユーザーが必要とするものを作る」ことが主流となり、多くの企業がユーザーの真のニーズを最優先に考えています。

ユーザーの要望を原動力とした製品開発では、企業は大量の対象ユーザーのデータを分析、処理、統合します。最初にユーザーポートレートを作成し、ユーザーの好みや機能要件に関する統計を作成して、コアニーズをよりよく満たし、ユーザーに優れた体験とサービスを提供する新製品を設計および製造します。

4. データの応用

ユーザーポートレートは、よく知られている広告システムなど、多くのデータ製品の基礎となります。広告は、性別、年齢、教育、興味の好み、携帯電話などの一連の人口統計関連タグに基づいており、企業のプロモーションに役立ちます。

さらに、音楽アプリに表示される毎日のおすすめなど、パーソナライズされたおすすめもあります。 NetEase Cloud Music がこれほど正確におすすめできる理由は、クリック率予測モデル (おすすめされた曲をクリックするかどうかを予測する) を作成する際に、ユーザー プロファイルの属性を考慮しているからです。例えば、あなたが1990年代生まれであること、悲しい曲が好きであること、ジェイ・チョウが好きであることなどに基づいて、似たような曲がおすすめされます。これらはユーザーのポートレートに基づいた推奨事項です。

最後に、リスク管理テストがあります。これは主に金融業界または銀行業界で行われ、頻繁に遭遇する問題は、ローンを申請した人に銀行が融資するかどうかをどのように決定するかということです。一般的な解決策は、リスク管理予測モデルを構築して、その人がローンを返済しないかどうかを予測することです。同様に、このモデルはユーザーのポートレートに大きく依存しています。ユーザーの収入レベル、教育レベル、職業、家族の有無、家の有無、過去の誠実さの記録はすべて、モデルの予測が正確かどうかを判断するための重要なデータです。

3. 企業は効果的なユーザーポートレートをどのように構築すればよいでしょうか?

1. ユーザーポートレートの目的を明確にする

ユーザーポートレートの目的を確認することは、非常に基本的かつ重要な最初のステップです。ラベル システムを構築する際には、データの深さ、幅、適時性を計画し、基礎となる設計が科学的かつ合理的であることを保証するために、ユーザー ポートレートを構築することでどのような運用効果やマーケティング効果が期待されるかを把握する必要があります。

2. データの収集と処理

データ収集の際には、業界データ、全ユーザーの全体データ、ユーザー属性データ、ユーザー行動データ、ユーザー成長データなど、複数の側面を考慮する必要があり、業界調査、ユーザーインタビュー、ユーザー情報の記入とアンケート、プラットフォームのフロントエンドとバックエンドのデータ収集を通じて取得されます。

一般企業の場合、システム独自のニーズとユーザーのニーズに基づいて関連データを収集します。データ収集には主に、ユーザーの行動データ、ユーザーの嗜好データ、ユーザーの取引データが含まれます。

また、自社プラットフォーム上で収集されるデータには、対象ユーザー以外のデータや無効なデータ、虚偽のデータが含まれる可能性があります。したがって、企業は、その後のマイニングの精度を確保し、結果に影響を与えないようにするために、データをクリーンアップし、データギャップ、誤ったデータ、重複、エラーなどの問題を解決する必要もあります。収集したデータを分析し、ユーザー情報にラベルを付けることができます。例えば、ユーザーアカウントシステムを構築する場合、独自のデータウェアハウスを作成したり、プラットフォームのデータ共有を実現したり、ユーザーデータを接続したりすることができます。

3. データのラベル付け

このステップでは、企業は取得したデータを作成したラベルにマッピングし、ユーザーのさまざまな特性を組み合わせます。ラベルの選択は最終的なポートレートの豊かさと正確さに直接影響するため、データのラベル付けは製品自体の機能や特性と組み合わせる必要があります。

たとえば、電子商取引アプリでは価格感度に関連するラベルを改良する必要があり、情報アプリではラベルを使用して、できるだけ多くの観点からコンテンツの特性を説明する必要があります。

一般的なタグは、比較的静的なユーザー タグと変化するユーザー タグの 2 つのカテゴリに分けられます。同様に、静的タグによって形成されるポートレートは 2D ユーザー ポートレートです。静的タグ + 動的タグで構築されたものは 3D ユーザー ポートレートです。

また、ユーザーの行動データを保存する際には、データ分析をより適切に実行するために、行動が発生するシナリオも保存することが最善であることも言及する価値があります。

（１）静的ユーザー情報タグと2Dユーザーポートレート

人口統計属性ラベルは、ユーザーに関する最も基本的な情報要素です。これらは通常、自己完結型のラベルであり、企業による過度なモデリングを必要としません。これらはユーザーポートレートの基本的な枠組みを構成します。人口属性には、名前、性別、年齢、身長、体重、職業、地域、教育レベル、結婚、星座、血液型など、人々の自然属性と社会的属性が含まれます。自然属性は生来のものであり、一度形成されると安定したままになります。たとえば、性別、地域、血液型などです。職業や結婚など、社会的属性は獲得され、比較的安定した状態にあります。

心理的現象には、心理学と性格という 2 つの主要なカテゴリがあり、これらも先天的なものと後天的なものに分類されます。企業にとって、ユーザーの心理現象、特にニーズ、動機、価値の 3 つの側面を研究することで、ユーザーが製品を登録、使用、購入する際の深い動機についての洞察が得られます。ユーザーが製品にどのような機能やサービスを求めているかを理解する;対象ユーザーがどのような価値ラベルを持っているか、また、どのようなグループであるかを特定します。人口統計学的属性と心理的現象はどちらも本質的に生来のものであり、全体として安定した状態にあるため、これらが一緒になってユーザー ポートレートの最も表面的かつ内部的なフェロモンを構成し、安定した 2D ユーザー ポートレートを形成します。

（２）動的なユーザー情報タグと3Dユーザーポートレート

たとえば、ここでは主に、Web サイトの内外でユーザーが実行する一連の操作について説明します。一般的な行動には、検索、閲覧、登録、コメント、いいね、収集、評価、ショッピング カートに追加、購入、クーポンの使用などがあります。さまざまな時期やさまざまなシナリオで、これらの行動は常に変化しており、すべて動的な情報です。

ユーザーの行動データ（閲覧数、詳細なコメントの有無）を取得することで、企業はユーザーを浅いカテゴリと深いカテゴリに分類し、アクティブなユーザーと非アクティブなユーザーを区別することができます。ソーシャルネットワーク行動とは、仮想ソーシャルソフトウェアプラットフォーム（Weibo、WeChat、フォーラム、コミュニティ、Tieba、Twitter、Instagram）上で発生する一連のユーザー行動を指し、基本的なアクセス行動（検索、登録、ログインなど）、ソーシャル行動（友達の招待/追加/フォロー解除、グループへの参加、新しいグループの作成など）、情報公開行動（追加、公開、削除、メッセージを残す、共有、収集など）が含まれます。

ユーザーにさまざまな行動タグを付けることによって、大量のネットワーク行動データ、Web サイト行動データ、ユーザー コンテンツの好みデータ、ユーザー トランザクション データを取得できます。これらのデータはユーザー情報をさらに補完し、静的タグと一緒に完全な 3 次元ユーザー ポートレート、いわゆる 3D ユーザー ポートレートを形成します。

4. ユーザーのポートレートを描く

（１）定性的手法と定量的手法を組み合わせた研究方法

一般的に、ユーザー ポートレートにおける定性的な方法は、製品、行動、個々のユーザーの特性と特徴を要約して、対応する製品ラベル、行動ラベル、ユーザー ラベルを形成するものとして表現されます。定量的な方法では、定性的な分析に基づいて各ラベルに特定の重みを割り当て、最終的に数式を通じてラベルの合計重みを計算して、完全なユーザー モデルを形成します。

（２）データモデリング - ラベルに重みを加える

ユーザー行動タグに重みを割り当てます。ユーザーの行動は 4W で表現できます: WHO (誰)、いつ（いつ） WHERE（どこで）;何（なに）。具体的な分析は以下のとおりです。

①WHO（誰）：ユーザーを定義し、研究対象を明確にする。主にユーザーを分類し、ユーザーグループを分割するために使用されます。インターネット上のユーザー識別情報。これには、ユーザーの登録ID、ニックネーム、携帯電話番号、メールアドレス、IDカード、WeChatまたはWeiboアカウントなどが含まれますが、これらに限定されません。

②WHEN（時間）：ここでの時間には、時間の範囲と時間の長さという2つの側面が含まれます。 「期間」とは、特定の動作が発生してからどのくらいの時間が経過したかを日数で計算した時間の長さです。 「時間の長さ」は、ユーザーが特定のページに滞在する時間を識別するために使用されます。行動ラベルの発生時期が早ければ早いほど、その重みは小さくなり、行動ラベルの発生時期が新しいほど、その重みは大きくなります。これはいわゆる「時間減衰係数」です。

③WHERE（どこで）：ユーザーがアクションを起こす接点を指し、コンテンツ＋URLを含みます。コンテンツとは、Xiaomi の携帯電話など、ユーザーが操作するオブジェクト ラベルを指します。 URL は、Xiaomi の公式 Web サイトなど、ユーザーの行動が発生する特定の場所を指します。重みは URL タグに追加されます。たとえば、Xiaomi の公式サイトで Xiaomi の携帯電話を購入した場合、重量は 1 で、JD.com で購入した場合、重量は 0.8、Taobao で購入した場合、重量は 0.7 です。

④WHAT（何をしたか）：ユーザーがどのような行動をとったかを指し、行動の深さに応じて重み付けがされます。たとえば、ユーザーがアイテムを購入した場合、重みは 1 になります。ユーザーがアイテムを収集した場合、重みは 0.85 になります。ユーザーが単にアイテムを閲覧した場合、重みは 0.7 になります。

上記の単一タグの重みが決定されると、タグの重みの式を使用して、ユーザー タグの合計重みを計算できます: タグの重み = 時間減衰係数 × 動作の重み × URL の重み。たとえば、ユーザー A は本日、Xiaomi の公式 Web サイトで Xiaomi の携帯電話を購入しました。ユーザーBは7日前にJD.comでXiaomiの携帯電話を閲覧しました。このようにして、単一のユーザーのラベルの重みが導出され、「忠実かどうか」のラベルが付与されます。

このように複数のユーザーのデータをモデル化することで、より広いターゲットユーザーグループをカバーし、それらすべてにラベルを付け、ラベルに従って分類することが可能になります。つまり、合計重みが 0.9 以上のユーザーは忠実なユーザーとして分類され、全員が製品を購入したことになります...このようにして、企業や商人は、関連情報に基づいて、より正確なマーケティングプロモーションやパーソナライズされた推奨を実施できます。

4. ユーザーポートレートを作成する際に注意すべきポイント

1. すべてのデータは、実際の、正確で、完全で、リアルタイムのデータに基づく必要があります。

ユーザーポートレートの最終的なプレゼンテーションに影響するデータは多数あります。洞察を得るには、オンラインのリアルタイム データを選択する必要があります。オフラインでインポートされたデータと比較すると、オンライン データはより直感的でより現実的です。第二に、オンライン データはより包括的なポートをカバーし、ユーザーのさまざまな行動を完全に記録できます。

2. 次元が多く、ラベルの幅が広いほど良いです。

データ量が増え続けると、ユーザーのポートレートはより詳細かつ数が多くなり、参照できる情報も増えていきます。しかし、データは洞察を形成するために存在し、洞察の結果はビジネスを導くためのものです。したがって、ユーザー ポートレートが複数ある場合は、コア ポートレートを開発し、優先順位を付ける必要があります。コアビジネスパスの変換に最も関連しているのは、ビジネスを導くために私たちが最も重視するポートレートであるはずです。

3. ユーザーポートレートは継続的に繰り返して修正する必要がある

ユーザー ポートレートは、最終的には人物とその属性のポートレートです。人間は複雑であり、動的に変化します。そのため、実際のビジネス環境では、ユーザーのレベルが徐々に上昇し、行動がさまざまな形で変化する可能性があります。したがって、ポートレートルールもこのような変化に動的に適応する必要があります。

V. 要約

ユーザーポートレートの開発以来、ユーザビリティは段階的に向上してきました。企業が膨大なユーザー データに依存し、そのラベル付け、情報化、視覚化の属性を使用して完全なユーザー ポートレート セットを構築すると、データを通じてビジネス リスクをさらに特定および予測できるようになります。

同時に、最終的なビジネス目標に基づいてユーザーポートレートを構築する必要があります。ビジネスが異なれば、ユーザー グループも異なります。ユーザーを表現するためにビジネスにとって価値のあるラベルを選択することによってのみ、ビジネス レベルでラベルをより適切に適用し、まさに 1,000 人の人々に対して 1,000 の顔を実現できます。

最後に、ユーザーポートレートを実装するプロセスでは、ラベルを開発するデータエンジニアと需要者が協力して、ラベルをビジネスに適用する必要があります。そうしないと、ラベルが開発された後、データはデータ ウェアハウス内に残るだけになり、ビジネス上の意思決定にプラスの影響を与えなくなります。