CN108399550B - 一种用户分群方法 - Google Patents

Abstract

本发明公开了一种用户分群方法，该方法包括：根据已购买该品类下商品的用户在第一预定浏览时间范围内的浏览行为，确定该品类的一个或者多个排他属性；将排他属性所具有的每个商品属性值与其他排他属性所具有的每个商品属性值进行遍历组合，得到每个组合所对应的用户群体；将第二预定浏览时间范围内的有购买该品类下商品意愿的用户分配到相应的用户群体中。所述排他属性是一种商品属性，具有多个商品属性值，该多个商品属性值完全覆盖该品类下的所有商品；同一用户群体在浏览该品类下商品的过程中所选择的同一商品属性的商品属性值最集中，且与该商品属性的其他商品属性值之间具有较低重合度。采用本发明能够根据用户真实购买需求区分用户群体。

Description

一种用户分群方法

技术领域

本发明涉及电子商务技术领域，特别涉及一种用户分群方法。

背景技术

近年来，随着电子商务的高速发展，各电商公司基于自身平台积累的用户行为数据，为用户精准推荐其意向商品，从而促成用户下单，已经成为各公司提升用户转化率的一种重要手段，同时也是电商公司优化用户体验，增强用户粘性的一条捷径。鉴于此，一批类似“猜你喜欢”、“相似推荐”等根据用户浏览、搜索数据产出的BI功能模块相继被各公司应用。

现有的BI功能，大多数通过用户的地域、性别、年龄等用户画像进行用户分类和商品推荐。数据基础通常来源于用户的填写的个人信息和IP、浏览器缓存等。同时也有通过用户的行为来进行用户划分和商品推荐的，比如根据用户浏览和已购的商品来确定用户喜好。通常采用对商品打标或直接根据商品品类来对用户进行划分。将用户的浏览和购买数据，分别应用到不同的推荐场景中。

虽然现有BI逻辑能实现千人千面的需求，但是由于其缺乏对用户行为和商品数据的有效分析和利用，具有以下缺点：

(1)展示资源有限

目前线上的推荐功能的展示逻辑为：当人工为用户选择露出的商品不能满足其购买需求或商品无货时，才根据用户行为数据展示其可能会购买的商品。因此，这类推荐功能也仅能在页面底端或无货商品旁边获得露出。导致了页面上大量的优质资源位置没有进行个性化投放，而这些千人一面的商品投放反而会对一些潜在购买用户形成干扰，导致用户的流失。

(2)个性化推荐不精准

目前线上的大多数的商品推荐维度停留在品类级，或是直接重复展示用户浏览过的商品。由于用户网购时浏览商品的成本很低，因此浏览过的商品的重复展示明显不具有转化率提升效力。而品类级的商品推荐，又由于未进行商品属性细分，推荐的精准度很难保证。因此，页面上仅有的个性化资源位，又面临着推荐商品不精准，转化率提升效果不理想的现状。

(3)缺乏对目标客群历史行为数据的归纳

目前对用户的个性化推荐，只是对用户短期内的浏览行为进行直接使用，而未对数据进行任何分析。从而导致电商平台并不清楚用户最想购买哪类商品，也就无从去为用户进行精准的推荐和资源位的投放。而用户的行为数据往往可以帮助我们得出结论，通常情况下根据用户浏览某个品类商品的频度，可以判定其有意愿购买这类商品，继续推荐品类下的其他商品，而没有通过目标客群的浏览行为，对其目标商品进行更细维度的分析。

发明内容

本发明的目的在于提供一种用户分群方法，能够根据用户真实购买需求区分用户群体。

为实现上述发明目的，本发明提供了一种用户分群方法，应用于有购买同一品类下商品意愿的用户，该方法包括：

根据已购买该品类下商品的用户在第一预定浏览时间范围内的浏览行为，确定该品类的一个或者多个排他属性；

将排他属性所具有的每个商品属性值与其他排他属性所具有的每个商品属性值进行遍历组合，得到每个组合所对应的用户群体；

将第二预定浏览时间范围内的有购买该品类下商品意愿的用户分配到相应的用户群体中；

所述排他属性是一种商品属性，具有多个商品属性值，该多个商品属性值完全覆盖该品类下的所有商品；同一用户群体在浏览该品类下商品的过程中所选择的同一商品属性的商品属性值最集中，且与该商品属性的其他商品属性值之间具有较低重合度。

综上所述，本发明提供的用户分群方法，根据已购买该品类下商品的用户在第一预定浏览时间范围内的浏览行为，进行数据统计，将浏览行为集中所选择的商品属性作为排他属性；根据排他属性商品属性值的遍历组合，得到每个组合所对应的用户群体；最后将第二预定浏览时间范围内的有购买该品类下商品意愿的用户分配到相应的用户群体中。从而实现了用户群体的精确细分。与现有技术相比，本发明对目标客群进行了历史行为数据的归纳，进行了商品属性的细分，从而根据用户的购买需求，有效实现了群体的细分。

附图说明

图1为本发明用户分群方法的流程示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明所述方案作进一步地详细说明。

实施例一 用户分群

图1为本发明用户分群方法的流程示意图，该方法应用于有购买同一品类下商品意愿的用户，该方法包括：

步骤11、根据已购买该品类下商品的用户在第一预定浏览时间范围内的浏览行为，确定该品类的一个或者多个排他属性；

其中，所述根据已购买该品类下商品的用户在第一预定浏览时间范围内的浏览行为，确定该品类的一个或者多个排他属性的方法包括：

S111、在第一预定浏览时间范围内，统计已购买该品类下商品的用户对同一商品属性的每个商品属性值的平均浏览库存量单位(SKU)个数和平均浏览SKU次数；

SKU是物理上不可分割的最小存货单元，一般一个SKU对应一个商品。例如，SKU1：长虹55寸，SKU2：TCL55寸，SKU3：乐视55寸，对于一个用户，假设浏览SKU1五次，浏览SKU2十五次，浏览SKU3五次，则可以确定，浏览SKU次数为20次，浏览SKU个数为3个。

S112、如果该商品属性的每一商品属性值对应的用户群体中，用户的平均浏览SKU个数和平均浏览SKU次数在该商品属性的所有商品属性值中的最大值占比都大于预设阈值，则确定该商品属性为排他属性。

步骤12、将排他属性所具有的每个商品属性值与其他排他属性所具有的每个商品属性值进行遍历组合，得到每个组合所对应的用户群体；

步骤13、将第二预定浏览时间范围内的有购买该品类下商品意愿的用户分配到相应的用户群体中；

其中，所述将第二预定浏览时间范围内的有购买该品类下商品意愿的用户分配到相应的用户群体中的方法包括：

S131、对于同一组合，在第一预定浏览时间范围内统计已购买该品类下商品的用户，每个商品属性值的平均浏览SKU个数和平均浏览SKU次数；

S132、对于该组合中的每一排他属性，根据每个商品属性值的平均浏览SKU个数和平均浏览SKU次数，得到在该排他属性的所有商品属性值中具有最大值占比的商品属性值；并根据该最大值占比设定具有最大值占比的商品属性值所对应的筛选阈值；

S133、将在第二预定浏览时间范围内用户的平均浏览SKU个数和平均浏览SKU次数超过组合中每一筛选阈值的用户分配到该组合所对应的用户群体中。

至此，完成了本发明的用户分群方法。

排他属性是本发明用来进行用户分群非常重要的一个属性，是一种商品属性，具有多个商品属性值，该多个商品属性值完全覆盖该品类下的所有商品；同一用户群体在浏览该品类下商品的过程中所选择的同一商品属性的商品属性值最集中，且与该商品属性的其他商品属性值之间具有较低重合度。总结来说，排他属性的特点是集中且排他，即，集中指的是同一用户群体的浏览行为集中在商品属性的某一商品属性值上；排他指的是同一用户群体的浏览行为集中选择某一商品属性值时，很少选择该商品属性的其他商品属性值。商品属性包括用于表示商品本身携带的自然信息的基本属性，例如品牌、价格、颜色等；用于表示商品特性信息的扩展属性，例如用途、级别等；以及用于表示商品抽象信息的画像属性，例如小资、商务等。各商品属性及商品属性值根据品类的不同而不同。所以，排他属性可以是品牌，也可以是用途，也可以是商务。一个品类可以具有多个排他属性，需要根据用户的历史浏览行为确定品类的排他属性。一个品类具有的排他属性越多，细分出来的用户群体所必须具备的排他属性也就越多，用户分群越精准，更容易分析出目标用户的购买偏好。

为清楚说明本发明，下面列举具体场景进行说明。

排他属性的应用目前已涉及电视、空调、热水器、电脑、手机等多个品类，本发明选取其中一个品类举例说明。

1、确定排他属性，并细分用户群体

以电视为例，在品类是电视时，首先将电视的商品属性简要分类如下：

基本属性：价格、品牌、颜色、尺寸；

扩展属性：显示技术、用途、厂家类型、联网功能；

画像属性：清晰优先、音效优先。

上述每一种商品属性都有可能经过分析成为排他属性。

如果商品属性是用途，则该商品属性属性所具有的商品属性值可以包括大客厅用、小客厅用、卧室用。如果商品属性是厂家类型，则该商品属性属性所具有的商品属性值可以包括国产品牌、合资品牌、互联网品牌。

大多数用户购买电视时，从浏览到下单不超过15天，因此截取了过去3天内下单购买电视的用户，对这些用户之前15天的浏览行为进行分析。

电视的排他属性可以逐渐通过机器学***均浏览库存量单位(SKU)个数和平均浏览SKU次数。本实施例为使说明更加清楚，仅以SKU浏览次数为例进行说明。

表1为用途维度下，每个已购买用户的平均SKU浏览次数。

	浏览大客厅用	浏览小客厅用	浏览卧室用	最大值占比
					已购买大客厅用	59.1	22.8	4.6	68％
已购买小客厅用	3.6	75.2	10.2	84％
					已购买卧室用	1.1	11.6	46.9	79％

表1

表2为厂家类型维度下，每个已购买用户的平均SKU浏览次数。

表2

根据表1和表2可以看出，对某一项有偏好的用户，基本不会浏览同维度的其他商品。例如，一个已购买大客厅用的用户，平均浏览大客厅用电视的次数是59.1，在用途的所有商品属性值中的最大值占比高达68％，浏览小客厅用电视以及卧室用电视的次数很少。一个已购买国产品牌的用户，平均浏览国产品牌的次数是53.8，在厂家类型的所有商品属性值中的最大值占比高达60％，浏览合资品牌以及互联网品牌的次数很少。关于电视的其他商品属性也如表1表2进行分析。最终经过分析得出，用途和厂家类型这两种商品属性作为电视的排他属性比较合适，用途的多个商品属性值完全覆盖电视的所有商品；同一用户群体在浏览电视商品的过程中所选择的同一商品属性的商品属性值最集中，且与该商品属性的其他商品属性值之间具有较低重合度。厂家类型的多个商品属性值完全覆盖电视的所有商品；同一用户群体在浏览电视商品的过程中所选择的同一商品属性的商品属性值最集中，且与该商品属性的其他商品属性值之间具有较低重合度。

为了让用户群体进行细分，本发明将上述用户在两个排他属性的共同作用下，得到每个组合所对应的用户群体。

表3为两种排他属性共同作用下，每个已购买用户的平均SKU浏览次数。

表3

从表3可以看出，通过将用途排他属性所具有的每个商品属性值(大客厅用、小客厅用、卧室用)与厂家类型排他属性所具有的每个商品属性值(国产品牌、合资品牌、互联网品牌)进行遍历组合，可以将用户细分为更精准的9个群体，分别为大客厅+国产，大客厅+合资，大客厅+互联网，小客厅+国产，小客厅+合资，小客厅+互联网，卧室+国产，卧室+合资，卧室+互联网。

通过对以上数据分析，两种排他属性互不造成干扰，且在用途和厂家类型两种排他属性的共同作用下，用户群之间购买目标区分更加明显。以已购买大客厅+国产电视的用户群为例，浏览大客厅的平均次数是14.9，浏览小客厅用的平均次数是5，浏览卧室用的平均次数是1.2，大客厅用在用途的所有商品属性值中的最大值占比高达71％。浏览国产品牌的平均次数是16.7，浏览合资品牌的平均次数是3，浏览互联网品牌的平均次数是1.4，国产品牌在厂家类型的所有商品属性值中的最大值占比高达79％。

2、筛选目标用户群

利用得到的用途和厂家类型两个排他属性，对浏览但还未购买的目标用户进行分群。

首先确定筛选范围，在分群之前，要筛选出有意愿购买电视的用户，因此，需要将同时具备以下两点的用户筛选出来。根据统计，一般用户浏览电视SKU数为15个时，浏览时间为15天时才下单，所以，根据用户购买电视的决策时间，设定：

(1)15天内浏览电视但未购买的用户

(2)浏览电视SKU数小于15个的用户

将符合以上两个条件的用户视为目前确有购买意愿的用户。假设本实施例中有购买意愿的用户为490万。

根据表3，设定每个细分用户群体的筛选阈值。例如，可按照群体目标维度下的平均值的60％筛选用户，即浏览大客厅平均次数超过14.9*60％＝9次，且浏览国产品牌超过16.7*60％＝10次的用户，划分到大客厅+国产的用户群体中。以此类推，将490万有购买意愿的用户分配到9个细分群体中。这时，从490万浏览未购买的用户中，筛选出约16万会购买相应组合商品属性值商品的高潜用户。具体分布如表4所示：

表4

后续在对表4中这些高潜用户进行商品推荐和推荐商品展示时，都可以根据每个用户所属的用户群体进行。

实施例二 商品推荐

为了将筛选出的用户利用起来，本发明对筛选出的各类型用户，分别给予不同的促销优惠，以促进转化。

方法一、在用户所属用户群体中统计用户在第二预定浏览时间范围内浏览次数最高的一个SKU，如果该SKU在促销SKU列表中，则选择该SKU。

方法二、如果该SKU不在促销SKU列表中，则根据用户所属的用户群体，对促销SKU列表进行判断；如果用户所属的用户群体对应促销SKU列表中的一个SKU，则选择该SKU；如果用户所属的用户群体对应促销SKU列表中的多个SKU，则选择该多个SKU，或者根据商品属性值对促销SKU列表进行判断。

所述根据商品属性值对促销SKU列表进行判断的方法包括：

根据该用户在第二预定浏览时间范围内在用户所属用户群体中浏览次数最高的一个商品属性值，对促销SKU列表进行判断；如果该商品属性值对应促销SKU列表中的一个SKU，则选择该SKU；如果该商品属性值对应促销SKU列表中的多个SKU，则选择该多个SKU，或者根据该用户在第二预定浏览时间范围内在用户所属用户群体中浏览次数最高的其他商品属性值，对促销SKU列表进行判断，直至匹配到促销SKU列表中的SKU，否则放弃该用户。

以电视为例，促销SKU列表如表5所示：

表5

经筛选，用户张三满足电视品类的用户筛选规则，作为高潜用户被划分至卧室+国产用户群体中，其在该用户群体中，浏览次数最高的SKU是海信40寸A款，但是促销SKU列表中没有这款电视，则根据用户所属的用户群体卧室+国产，对促销SKU列表进行判断：如果用户所属的用户群体对应促销SKU列表中的一个SKU，则选择该SKU；如果用户所属的用户群体对应促销SKU列表中的多个SKU，则选择该多个SKU，或者根据商品属性值对促销SKU列表进行判断。本实施例中卧室+国产对应促销SKU列表中的三个SKU。

本实施例中为精确匹配到促销SKU列表中的SKU，可以匹配SKU品牌，假设该用户在第二预定浏览时间范围内在用户所属用户群体中浏览次数最高的SKU品牌是海信，则对应促销SKU列表中的两个SKU。进一步匹配SKU尺寸，假设该用户在第二预定浏览时间范围内在用户所属用户群体中浏览次数最高的SKU尺寸是42寸，则对应促销SKU列表中的一个SKU。因此，将促销SKU列表中的海信B款、42寸、国产、卧室这一SKU选择出来推荐给用户张三。用户张三最终将享有海信B款的促销优惠专享价。以此类推，为筛选出的每个高潜用户都匹配上相应的促销SKU。

如果匹配SKU尺寸，匹配到促销SKU列表中的多个SKU，则还可以选取一个该用户浏览次数相对多的；如果没有匹配到尺寸一致的，还可以继续向下执行：匹配尺寸相差的绝对值，选取相差绝对值最小的，如促销SKU列表中有多个绝对值相同的SKU，则选取一个该用户浏览次数相对多的。如仍未有合适的SKU匹配成功，则放弃该用户。

也就是说，匹配规则比较灵活，可以根据具体品类进行设定。具体所匹配的商品属性值也可以根据具体品类进行灵活设定。

实施例三 推荐商品展示

为了使匹配后的用户，及时接收到促销信息，可以将所选择的SKU及其对应的优惠价格，通过短信、邮件、应用软件APP推送的方式发送给用户。主要提示用户，其被选中享有某SKU的专属优惠价格，并告知其价格有效截止日期，提醒其尽快下单。

另外，还可以将实施例一中筛选出的用户进行其他场景的应用。例如在网站首页、APP首页的活动图、焦点图上，电商平台上的各类活动页中，根据用户所属的用户群体展示所选择的SKU及其对应的优惠价格。

例如，在家电的大促活动页中，为卧室+国产的用户，首屏展示其浏览次数最高的一款电视，后面几屏展示卧室+国产品牌的一些SKU。如此展示，更接近用户的购买需求，以节省用户的浏览、搜索路径，同时也能降低非目标SKU对用户造成的干扰，影响转化率。

综上，本发明公开一种一直存在但未被良好分析、利用的基于排他属性的用户群体划分方法，利用多维度的排他属性生成细分的用户群体，使得划分的各用户群体之间互不重叠、影响，且能够完整覆盖所有商品。基于排他属性分群找到目标用户，并施与精准商品推荐的方法，且在用户页面的优质资源位置对推荐的商品进行投放，大大提升了用户转化率。

通过本发明所使用的技术方案，可以帮助电商平台更精准完成用户锁定，放大营销效果，从而提升用户转化率。同时帮助用户更直接获取心仪商品的营销信息，得到更多实惠。具体措施包括但不限于以下几点：

(1)优化列表页商品排序。根据用户行为特征，优化电商平台列表页的排序，将用户有意愿购买的商品优先显示于前，减少其他不相关商品对用户的干扰。

(2)优化列表页商品筛选标签。将各种排他属性作为商品标签陈列于列表页筛选框中，方便用户更精准地筛选出心仪商品，提高用户选品效率。

(3)分流量运营有限的营销位置。在促销活动页面中，对有限的展示位置进行流量分流。为有不同购买需求的用户在同一位置展示不同的目标商品，优化用户与商品的精确匹配，提升用户的选购效率。

(4)营销策略的个性化投放。监控用户的浏览行为，自动识别出高潜用户，并对其购买时间进行预判，同时辅以不同策略的营销方法。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用户分群方法，其特征在于，应用于有购买同一品类下商品意愿的用户，该方法包括：

根据已购买该品类下商品的用户在第一预定浏览时间范围内的浏览行为，确定该品类的一个或者多个排他属性；

将排他属性所具有的每个商品属性值与其他排他属性所具有的每个商品属性值进行遍历组合，得到每个组合所对应的用户群体；

将第二预定浏览时间范围内的有购买该品类下商品意愿的用户分配到相应的用户群体中；

所述排他属性是一种商品属性，具有多个商品属性值，该多个商品属性值完全覆盖该品类下的所有商品；同一用户群体在浏览该品类下商品的过程中所选择的同一商品属性的商品属性值最集中，且与该商品属性的其他商品属性值之间具有较低重合度；

其中，所述根据已购买该品类下商品的用户在第一预定浏览时间范围内的浏览行为，确定该品类的一个或者多个排他属性的方法包括：

在第一预定浏览时间范围内，统计已购买该品类下商品的用户对同一商品属性的每个商品属性值的平均浏览SKU个数和平均浏览SKU次数；

如果该商品属性的每一商品属性值对应的用户群体中，用户的平均浏览SKU个数和平均浏览SKU次数在该商品属性的所有商品属性值中的最大值占比都大于预设阈值，则确定该商品属性为排他属性。

2.如权利要求1所述的方法，其特征在于，所述将第二预定浏览时间范围内的有购买该品类下商品意愿的用户分配到相应的用户群体中的方法包括：

对于同一组合，在第一预定浏览时间范围内统计已购买该品类下商品的用户，每个商品属性值的平均浏览SKU个数和平均浏览SKU次数；

对于该组合中的每一排他属性，根据每个商品属性值的平均浏览SKU个数和平均浏览SKU次数，得到在该排他属性的所有商品属性值中具有最大值占比的商品属性值；并根据该最大值占比设定具有最大值占比的商品属性值所对应的筛选阈值；

将在第二预定浏览时间范围内用户的平均浏览SKU个数和平均浏览SKU次数超过组合中每一筛选阈值的用户分配到该组合所对应的用户群体中。

3.如权利要求1所述的方法，其特征在于，该方法还包括：在用户所属用户群体中统计用户在第二预定浏览时间范围内浏览次数最高的一个SKU，如果该SKU在用于促销的促销SKU列表中，则选择该SKU。

4.如权利要求3所述的方法，其特征在于，该方法还包括：如果该SKU不在促销SKU列表中，则根据用户所属的用户群体，对促销SKU列表进行判断；如果用户所属的用户群体对应促销SKU列表中的一个SKU，则选择该SKU；如果用户所属的用户群体对应促销SKU列表中的多个SKU，则选择该多个SKU，或者根据商品属性值对促销SKU列表进行判断。

5.如权利要求4所述的方法，其特征在于，所述根据商品属性值对促销SKU列表进行判断的方法包括：

根据该用户在第二预定浏览时间范围内在用户所属用户群体中浏览次数最高的一个商品属性值，对促销SKU列表进行判断；如果该商品属性值对应促销SKU列表中的一个SKU，则选择该SKU；如果该商品属性值对应促销SKU列表中的多个SKU，则选择该多个SKU，或者根据该用户在第二预定浏览时间范围内在用户所属用户群体中浏览次数最高的其他商品属性值，对促销SKU列表进行判断，直至匹配到促销SKU列表中的SKU，否则放弃该用户。

6.如权利要求3、4或5所述的方法，其特征在于，将所选择的SKU及其对应的优惠价格，通过短信、邮件、应用软件APP推送的方式发送给用户。

7.如权利要求3、4或5所述的方法，其特征在于，在活动页中根据用户所属用户群体展示所选择的SKU及其对应的优惠价格。

8.如权利要求1所述的方法，其特征在于，所述商品属性包括用于表示商品本身携带的自然信息的基本属性，用于表示商品特性信息的扩展属性以及用于表示商品抽象信息的画像属性；各商品属性及商品属性值根据品类的不同而不同。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。

Images