分析用户的行为研究

如何研究用户行为，之前这可是一本厚厚的书才可说的清楚的。比如先设计问卷，然后搞个样本，进行调查，之后进行统计分析等等，费时费力。时至今日，如果你会利用互联网的话，发现很多东西都可以轻而易举的获得。比如我之前在百家号上发的文章请收藏这六个网站，把你的竞争对手网站看得清清楚楚，就提供了很多干货告诉如何对竞争对手的研究。今天，我们通过百度指数这个工具，对用户行为进行研究。百度指数是一个对百度用户搜索关键词研究的工具。搜索什么关键词，表示用户对什么进行关心。我们可以理解为搜索行为关联用户行为的。本文以趣头条这个关键词为例，来讲解百度指数的使用。通过趋势研究，来了解用户对研究对象的关心程度百度指数界面进入百度指数，在探索框里输入趣头条，然点探索，下面就会出来一些数据。默认是近七天，整体日均值和移动日均值。这个日均值越大，说明用户越关心。还会看到同比和环比数据。同比指的是和去年相同时期比较，环比就是和上个周期对比。趋势线你可以直观的查看，所探索的关键词的发展趋势。比如24小时，7日，30天，还可以自定义等等。我们从上图看到，在9月15日，趣头条的搜索量最大。为什么这么大？原来这天是趣头条上市。你点击顶峰B点，会有相关资讯显示。通过需求图谱，可了解相关搜索行为需求图谱这个如同靶环。最中间就是探索词。红色表示增长的，绿色表示下降的。我们通过查看需求图谱发现，和趣头条相关的是赚钱，头条，今日，百家号，企鹅号，大鱼等，从这些相关关键词，我们可以分析到搜索趣头条的用户主要关系的是自媒体赚钱的问题。相关词分类相关词分类包括来源相关词和去向相关词。来源相关词是指搜索我们探索关键词之前，用户还搜索了什么。排在前三位的是：趣头条赚钱是真的吗，头条号，赚钱。这说明，用户搜索趣头条之前很关系自媒体赚钱的问题。我们再看去向相关词，除去同类的前三位为：今日头条，百家号和企鹅号。这说明用户最后选择的自媒体可能就是这三家。然后我们看右边的搜索指数和上升最快。搜索指数反映中心词所有相关词中搜索指数热门的关键词。上升最快反映中心词所有相关词中搜索指数变化率上升速度的排名。我们发现这些都是热点。说明搜索趣头条的用户开始做自媒体，然后搜索热点问题写作。通过资讯关注，了解媒体报道你所研究的关键词情况趣头条媒体指数我们发现媒体关心趣头条也就是几天的事，我们通过前面的分析，趣头条是9月15日上市，显然媒体会报道上市信息。再看下面具体的报道标题，我们发现媒体把趣头条和拼多多放在一起说事。拼多多也是最近最近在美国上市。难怪两者放在一起比较。如果做自媒体，这也为我们提供了写作素材。通过人群画像，了解你研究的关键词，受众分布情况趣头条受众区域我们看到，广东省搜索趣头条的最多，然后是河南，然后是山东。为什么广东最多，联系到广东有深圳和广州两大发达城市，就不难理解。再看城市，发现深圳和广州排在第三和第四。从地区分析，一般经济发达的地方，对新经济的欢迎程度和关心程度也越大。趣头条受众年龄显然，我们发现30岁-50岁这个年龄段关系趣头条的人比较多。为什么会这样？趣头条属于创业型的公司，这类人群对创业项目是比较关系的，对赚钱最感兴趣的。因为这个年龄段的人生活压力很大，对赚钱的兴趣是最大的。后面还有男性和女性比例分布，我们发现男女比例相差不大。这可能释放的另一个信息，做自媒体的女性人群比较多。毕竟自媒体不受上班时间控制，比较自由，还是比较适合女性。

编辑导读：每个在互联网工作的人，对“用户画像”这个词熟悉得不能再熟悉。用好用户画像，能够快速找到目标用户，利于产品设计。本文将从六个方面，围绕用户画像展开分析，希望对你有帮助。企业在定义产品和服务的功能时，首先要明确其使用者是谁。任何一类产品不可能是针对所有人，也不可能是针对某一个人，一定是针对某一个或某几个特定人群。这些人群就是我们的目标群体，找到这类用户，第一件事就是要对用户进行画像。一、认识用户用户画像和目标人群分类帮助我们在脑海中建立并累积用户的形象，这个形象越具体、越生动，就越有作用。如何把用户形象建立起来？怎样才能使用户形象更有利于产品设计？爱整洁，注重养生的北京阿姨——冰箱可用性测试调研。这类人群对于冰箱在实际中的使用要求很高，对冰箱的整洁度、食物的保鲜程度都有明确的高要求，属于冰箱产品的重度使用人群。紧跟时代，喜欢分享的上海老克勒——通讯三网融合用户研究。紧跟时代的上海老克勒，年纪虽大，但却喜欢在线上线下和他人分享新见闻。网购经验丰富，个性化诉求鲜明的深圳青年——电商平台用户研究。在实际的用户访谈中，发现这类人群生活节奏快、重度依赖网购。即便有些收入不高，但却愿意在某些事情上花钱不菲。比如深圳某餐厅的服务人员，他们会养宠物，并且愿意为宠物买智能化的宠物卫士机，或者摄像头来监看它们。以上三类人群是在实地调研中，真正地和用户进行交互，才能看到的鲜活个体。他们身上所具有的典型特征和个性化诉求，经过固化和提炼，可以从中挖掘出用户需求，对产品设计很有启发。所以在日常的工作和调研之中，积累各种各样的用户形象是非常重要的。二、为什么要认识“用户”以用户为中心的产品设计路线图以用户为中心的产品设计路线图从用户入手，第一步确定产品的目标人群，随后进入到用户画像，在形成用户画像之后，进行用户需求挖掘和分析。下一步，根据挖掘出的用户的形象和需求，导出产品概念。但需要注意的是，这个概念是站在用户角度导出的，而实际研究中不能只看一个角度的建议，还要参考竞品和相关新技术的应用。同时还要考虑环境因素，整个宏观环境下，人们需求变迁的趋势会影响未来或者现阶段的用户需求。最后一步形成概念，进行概念验证和概念输出。三、认识用户画像persona指针对产品目标群体真实特征的勾勒，是真实用户的综合原型。对真实用户的性格、喜好、行为、需求等特征进行挖掘提取，要素抽象综合成为一组对典型产品使用者的描述。对用户的群体特征、心理认知、行为和需求进行细分，去定义用户画像。但需要注意的是：1. 用户画像不是用户细分用户细分是根据市场销售的数据，依据用户的年龄、性别、职业和家庭结构去细分，更多是为了解释现在的销售情况。用户画像关注的是用户是一个什么样的人，从而为他设计产品。所以用户画像不是用户细分，用户画像更关注抽象出来的一个形象。2. 用户画像不是平均用户用户画像并不是为了得到一组能精确代表多少比例用户的定性数据，而是通过关注、研究用户的目标与行为模式，帮助我们识别、聚焦于目标用户群。3. 用户画像不是真实用户我们需要重点关注的，其实是用户需要什么、想做什么，通过描述他们的目标和行为特点，帮助我们分析需求、设计产品。如果把Persona（用户画像）拆开来看，Persona有几个基本要素：P-基本性Primary:用户角色是否基于对真实用户的情景访谈。E-同理性Empathy：用户角色中包含姓名、照片和产品相关的描述，该用户角色是否能引起同理心。R-真实性Realistic:对那些每天与顾客打交道的人来说，用户角色是否看起来像真实人物。S-独特性Singular：每个用户是否是独特的，彼此很少有相似性。O-目标性Objectives：该用户角色是否包含与产品相关的高层次目标，是否包含关键词来描述该目标。N-数量性Number:用户角色的数量是否足够少，以便设计团队能记住每个用户角色的姓名，以及其中的一个主要用户角色。A-应用性Applicable:设计团队是否能使用用户角色作为一种实用工具进行设计决策。四、用户画像的分类维度1. 基本属性对真实用户的性格、喜好、行为、需求等特征挖掘提取。比如，性别、年龄、收入、学历、职业、居住地、住房类型、家庭结构等。2. 心理属性经过验证，创建出具有相似特征用户群体心智模型。比如，兴趣爱好、心理需求、生活价值观、消费态度、媒体态度、品牌认知等。3. 行为属性对用户的群体特征、心理认知、行为和需求进行细分，去定义用户画像。比如，休闲娱乐、生活方式、信息获取、消费方式、使用行为等。我们来看一个插座创新研究项目的用户画像分类。插座是家庭电器化的产物，因为墙面插孔不够多，电器位置不合适，电线不够长，所以出现了插座这个产品。项目组人员以具体使用情景为切入点，让用户在场景中演绎真实使用情况，包含他们的工作情况、兴趣爱好、消费方式等，搜集了用户的基本属性、心理属性和行为属性，了解不同人群使用插座的需求与痛点及完整的使用行为地图。最终，将目标人群的用户画像分为四类：持家安全控、前卫小资派、基础使用族和技术达人。五、用户画像发挥着什么样的作用1. 帮助产品定位做产品的用户研究，可以通过市场数据推论到产品的定位人群，但是知道了定位人群大概是什么样的人，仍然不知道他们和其他类型的人的需求差异在哪。实际上只有通过用户画像，真正了解用户是什么样的人，他需要什么，才能够确定产品的定位，包括功能定位、市场定位，这些应该从用户的角度出发。2. 团队交流沟通当团队在沟通产品的方向和设计概念的时候，如果就产品说产品，很容易会陷入一种难以达成一致的状况，对产品的定位也没有办法有效的沟通。实际上用户画像就是一个比较好的沟通机制，因为这是一个人的形象。不管是研发、设计还是运营，都是要把产品做好，卖给这样的一群人。3. 达成共识当有了用户画像这个工具之后，对于目标比较容易达成一致。当大家有争论的时候，可以把用户画像作为一个中间的、沟通的渠道来告诉大家，我们要卖的用户他是这样子的。如果大家对此有一致的了解，在对于产品具体要怎么样做抉择，方向是什么样的就比较容易去讨论，使设计意见比较快地达成共识。4. 衡量设计效率当我们有了目标用户的画像，会清晰的知道要找谁去测试产品设计，而不是盲目地在大街上随便抓一群人，或者不考虑用户特点随机抽样一群人来测。随机抽样一群人来测，可能产品功能概念能不能被接受是相对没有那么准确的，只有把产品给目标用户去测，才能够有效的验证设计是否可行。5. 产品助力用户画像可以助力市场营销和销售规划等其它工作，是一个比较有用的工具。六、用户画像何时发挥最大作用1. 目标用户离产品设计师越遥远、越陌生，用户画像越有用当设计师不了解用户的时候，Persona能发挥非常大的作用。比如给航空的空管系统做界面设计，虽然设计师从界面设计的角度，知道什么样的设计是好用的，却不知道真实的航空管控人员，他们每天是怎么工作的，什么样的界面更便于他们高效地工作。这个时候航空管控人员的persona对设计师是非常有用的，设计师会理解这个岗位，他会考虑哪些是影响用户工作的关键因素，以及用户的工作状态是什么样的，效率、安全性、准确性哪些是用户更关注的。所以当设计师离用户越远的时候，persona就越有用。2. 团队越大、跨职能部门沟通成本越高，用户画像越有用当一个项目或者一个产品需要多个职能部门或者不同的团队进行协作，persona可以极大的降低沟通成本。比如要运营一个健身房，就要考虑：哪些人比较有可能买私教课？收费课程应该如何安排？哪些人会买私教课？针对这个问题，首先要把健身房里面的人进行分类，才能找出哪一类人会买私教课。分类有两个维度：一是支付的意愿；二是健身的频率。以支付的意愿和健身的频率划分出两个轴，第一类是两者都很高，这种是非常喜欢健身的人群；第二类是支付意愿很高，健身频率很低，属于有钱没闲的一类人；第三类是健身频率很高，支付意愿很低，这类人出于身体的状况是需要健身的；第四类是健身频率很低，支付意愿也很低。根据用户画像的结果，私教课该向哪一类人群进行推销就很明了了。用户画像的研究还可以进一步延伸。比如何时推销课程效果最好、哪些地方会让会员不愿意来健身房、健身过程中有哪些可能的盈利机会点等。总之，用户画像不仅可以帮助我们了解用户的需求、体验、行为和目标，还可以帮助我们识别出到底哪些用户对我们感兴趣，使我们的设计任务更加高效，帮助我们为目标用户创建更加良好的用户体验。本文由 @伊飒尔UXD 原创发布于人人都是产品经理，未经作者许可，禁止转载。题图来自Unsplash，基于CC0协议。

关于“市场/用户调研与分析” ，都有哪几个层级呢？每一个层级的要求又是怎么样呢？我们又需要如何实现呢？本文将为大家揭晓一系列答案。案例通过研究‘腾讯产品策划能力框架’的4类19项能力，老王准备迎头赶上的第一个目标能力，是专业技能类目下的市场/用户调研与分析能力（客户导向）：主动通过各种渠道了解用户反馈，掌握一定的调研方法论，持续优化产品。通过上述定义让我们清楚的知道，之所以要具备这样的能力，究其本质是为了了解用户反馈，持续优化产品。或者可以定义成：通过市场/用户调研与分析，挖掘用户存在或潜在的需求，从而确定或完善产品的特性。用常用的话术，要做的就是需求挖掘（用户访谈、调查问卷、竞品分析等）、需求分析，然后进行产品设计，持续优化产品，这是产品经理最基本的事儿了。但是为什么不是用户调研与分析，而带了个市场呢？老王认为这是宏观与微观的角度不同。让我们举个栗子，看看什么是市场/用户调研与分析？比如说你是做SaaS的，有一次公司做了宏观市场调查，你通过观察市场调研普遍现象，发现小型餐厅在采购原材料时，交割以及付款存在扯皮等问题，而且找供应商比较困难。这个时候，你决定做一个市场调研，去看看这个问题到底是什么情况。然后你做了一个调研计划，想要发放一个调查问卷，为期2周，发放给全北京300家大中小型餐厅进行调查。结果你发现大型餐厅基本上都有相应的系统，哪怕是不自行开发，有采购的能力。而中小型餐厅百分之九十都没有系统，因为价格太昂贵，人工完全可以满足，你基于对互联网的了解，认为互联网可以解决这个现象。这就是通过市场调研发现的需求，这个时候，你确定这是一个机会，但是为了验证这个假设，你决定进行深入的用户访谈，所以你又走访了几家餐厅，跟餐厅老板和负责采购的大厨和财务进行了沟通，了解他们遇到的具体问题。以上就是一次市场/用户的调研与分析，当然这是在做一款产品之前。当你把产品做出来了，也因为之前调研，留下了一些感兴趣的餐厅老板的联系方式，获取到了一些种子用户，产品在市场上开始运行了。这个时候你就可以收集到一些用户反馈，比如说张老板认为存在卡顿啊，李老板希望导出采购报表啊，周老板希望能实时看到采购的花销等等。你决定再进行一次走访，去发现他们在使用系统时，到底存在什么样的问题，将问题拿回来之后进行了讨论与分析，你发现很多老板对于采购信息的可视化有强烈的诉求，并将它收录在下一次迭代的需求中。这又是一次市场/用户的调研与分析，在你已经有一款产品的时候，通过调研与分析收集了客户的需求。可以说做市场/用户调研与分析（客户导向），就是收集需求，我们知道需求的来源有几种，领导需求，用户需求，运营市场需求，数据驱动需求等等。但是实质上，需求只分为两种，用户需求以及数据驱动需求。无论是领导还是内部合作的运营市场商务，他们都可以作为用户，比如领导想要看数据报表，运营想要个活动设置的开关。当然如果领导认为用户需要一个IM的功能，这就是他站在用户的角度提出的，他不能是你的用户了，只能是你的领导。而数据驱动需求呢，我们通过数据分析发现用户的访问/消费的转化率太低了，为了公司活下去，需要提高转化率，找到流失的地方，分析流失的原因，尝试解决方案，根据数据反馈，再进行分析，直到数据达标。而这一部分要求的就是产品经理对于用户需求的挖掘、收集与分析。以上呢，就是老王给大家举的一个小案例，不太充分，也相对宽泛，但是这就是老王理解的“市场/用户调研与分析”。接下来我们来分析一下腾讯产品经理能力模型中关于这一能力的分级要求。图3市场/用户的调研与分析（客户导向）5级上图是市场/用户的调研与分析的5个level的关键词和行为标准，老王按照自己的理解进行了一些划分，红色部分是基础能力和知识的积累，绿色部分是所要达成的成就（我是这么理解的，如果有不对的地方或者是腾讯大佬出没，请务必指正！）。至于黄色的CE项目，老王不知道是什么，百度了一下CE项目是说CE认证，即只限于产品不危及人类、动物和货品的安全方面的基本安全要求。也不知道是不是这个意思，有知道的朋友可以告诉老王。老王把这5个层级进行了白话文的翻译：level1能在领导的指导下，被动的收集有明确目标的客户需求；level2能够主动的收集用户需求，并根据需求改进产品；level3能确定核心需求，辅助决策并切实验证其确有价值；level4充分把握用户需求，并且通过需求形成差异化特性；level5不仅满足原有需求，还能创造用户需求，通过创造需求并且满足需求留住用户。我们先看下市场/用户的调研与分析（客户导向）level1和level2都需要哪些能力和知识：基础的调研常识；收集用户需求的理论、方法和基本技巧；调研与分析的基本理论、方法和工具；识别客户需求、主动收集客户反馈、发现改进机会；系统设计产品服务方案。我们把他们进行一下归类：第一类，基础常识：基础的调研常识；调研与分析的基本理论、方法和工具。第二类，获取用户需求：收集用户需求的理论、方法和基本技巧；识别客户需求、主动收集客户反馈、发现改进机会。第三类，解决用户需求：系统设计产品服务方案。我们就按照这三个归类，一一的去回顾和学习一下吧，凡有所出入，都是老王的锅，希望大家积极指正。第一类，基础常识：基础的调研常识；调研与分析的基本理论、方法和工具有人认为，市场调研和用户调研是两项不同是活动，其目的、方法都有所不同。但是也有人认为二者是相同的，其本质都是研究人的。对于提升市场/用户的调研与分析(客户导向)而言，我更倾向于将其统一而谈，因为其本质是为了获取需求，分析需求。而另一个能力，也就是专业技能类目下的市场分析能力/前瞻性（市场能力）：了解基本理论知识，指导下完成工作，对行业有初步认知。这个才是纯粹从市场和行业角度去分析。所以这部分我们暂时撇开不谈。那么市场/用户调研与分析的基本常识是啥？需要了解哪些内容呢？老王也不引经据典了（好吧，我也没记住），就从历史来历，形式方法等方面总结到哪算哪吧。最初做市场/用户调研的其实是市场营销的人，通过邮件的形式去了解用户的一些情况，比如是否知道我们的品牌呀，是从什么渠道知道的呀，对我们的产品有什么不满意的呀，在使用什么产品啊，你还使用过什么产品呀，等等。这就是早期的调查问卷，回收一定的结果后，可以模糊的评估上一个阶段的营销效果。然后，市场营销人员根据结果去调整营销方案，以期让更多的人知道这个品牌。但是知道归知道，发现用户对很多产品并不买账啊，这总是做出来用户不买账的东西。慢慢的，在新品研发之前，大家就开始去关注用户是否需要这个产品。也就是从这开始，在投入做一个产品之前，不管他是汽车也好，香皂也罢，大家都会想去了解一下有多少人需要这个产品，这就是市场/用户调研的历史来历。调研，拆开了说就是调查研究，你会发现上面的描述中，调研的方向和目的出现了些许偏差，从最初是希望获得营销效果，到后面是希望获得用户需求。而到了互联网时代，调研除了获取用户需求，还有提升用户体验的目的。所以，调研一定是有目的的，无论是新品开发前的调研，还是产品发布后的调研，都有其目的的。而目的不同，调研的人群、市场、内容也不同，得到的结论也不同。不过有意思的是，尽管市场/用户调研的目的不同，结论不同，但是调研方法大抵是相同的，不过也逐渐演变出一些不同的。接下来我们说一下市场/用户调研的基本理论、方法和工具。市场营销方面专业描述是这样的：图4 什么是市场调研其实跟我们获取用户需求的这个本质目标是基本一致的，之所以做市场/用户调研，不仅仅是收集用户需求，也是验证其真实性，从而获取用户真实的需求。市场调研的分类，主流分类方式包括但不限于：调研目的分类；调研对象分类；调研地域分类；资料来源分类；分析方法分类。图5 市场调研的分类这里需要了解一下根据目的分类和分析方法分类，不理解的可以查一下，都是教科书般的解释，不多赘述了。接下来要说的是如何做市场/用户调研，凡事必有因果逻辑，所以做市场调研也是有一个基本流程可以参考的。市场/用户调研的基本流程是：确定调研目的；制定调研计划；实施调研计划；收集调研结果；分析调研结果；生产调研报告。其实这个流程是比较宽泛的标准化流程，其不同点在于，采用不同的方法进行调研，相应的计划的制定、实施、收集结果的方法、分析方法以及最后的报告内容都会有所不同。确定调研目的无需多说，可以是一次对市场份额的普查，也可以是针对某一需求的验证。制定调研计划，这一步细节是比较多的，包括：确定调研对象、选择调研方法、方案设计、确定信息类型和来源、确定抽样方案及样本数量、预估经费预算、规划实施进度。确定调研对象，一般来说就是目标用户或者目标市场，也可以是潜在用户或潜在市场，这里老王不推荐做普世调研，也就是说你需要明确，比如说年龄层，所在城市，经济收入等等，你所选择的调研对象越明确，收集到的结果也才能约精准。那么如何确定使用何种调研方法？老王也是没有找到一个准则，只能说根据调研目的和所能负担的时间成本与金钱成本进行选择。当然这个前提是需要了解每一种方法的利弊，以及如何使用。方案设计就是在选定调研方法后进行方案设计，比如调查问卷的问卷设计、用户访谈的问题设计等等，然后预估一下所需要的经费预算，并且制定实施进度，什么时候开始，什么时候结束，或者说收集到多少数据结束。收集的数据要进行抽样或清洗，什么样的数据是有效数据，什么样的数据是垃圾数据。一般情况下，调查问卷是会存在随意填写的数据，但是当样本越大的时候，这个数据的占比相对会越低。而用户访谈因为数量较少，这部分数据更多是需要访谈人根据被访谈人的表现，语气，行为进行甄别，相对而言，更需要访谈人主观的去确定一些东西。实施计划于回收结果基本上就是按部就班的操作，到了数据分析则需要一些工具，比较常用的就是excel了，比方说求取平均值、占比数、用户分层占比等等，尽可能多的进行交叉处理和关系对比，你会有意想不到的收获。一般要将数据做到可视化的程度，让阅读者更为直观的看到你发现的问题或验证的结论，比如通过调研发现一些需求，哪些需求提及的人多，可以用饼状图或者柱状图去展示等等。市场调研报告分四种，综合报告；专题报告；研究性报告；说明性报告。根据调研目的不同，得出的结论，报告的呈现内容也有所不同。简单来说就是摆事实（数据），说结论。下面是一个简单的报告框架，老王没有整理具体的结构目录，只是把需要呈现的内容简述给大家：图7 市场调研报告框架那么市场/用户调研，都有哪些方法呢？最常见的调研方法就是问卷调查，这个问卷是泛指，可以是一张纸，一封email，一个h5。当然还有其他的方式方法，可以根据定性和定量来分，定性分析法包括：用户访谈、焦点小组访谈、深度访谈、专家意见等，定量分析法包括：电话询问法、在线反馈、入户询问、拦截询问、问卷调查等。图8 腾讯ued调研方法分类也有一种分类将调研方法分为观察法、问询法、实验法。观察法，是指调研人员通过观察用户的实际行为进行分析，只关注实际产生的结果，不关注用户行为的心理，但是可以通过与问询法相结合，去了解用户行为产生的原因。问询法，比方用户访谈、电话询问、问卷调查等都属于问询法，通过直接或间接询问的方式收集信息，重点是需要设计好问题。实验法，更多的是使用在因果性调研，有些类似于A/B测试，通过调控变量观察相互影响与实际结果。时过境迁，互联网与移动互联网时代，还诞生出了眼动测试、在线反馈等新的调研方法，这种方法也可以算作观察法或实验法的一种。我们通过这些调研方法，挖掘用户和市场的真实需求、喜好，以期提升用户体验，使产品对用户产生真正的价值。第二类，获取用户需求：收集用户需求的理论、方法和基本技巧；识别客户需求、主动收集客户反馈、发现改进机会这一部分，我们需要理解的是收集用户需求的理论、方法和基本技巧；识别客户需求、主动收集客户反馈、发现改进机会。这里先对这个命题进行拆解，我们可以获知的是一些理论，方法和技巧，但是产品经理的主动意识更多是源于内心，当然也是可以培养的，比如腾讯的‘1000/100/10法则’，这就是在培养你主动收集客户反馈的意识和习惯。上文中老王说过，需求的来源有很多种，不过，用户需求的来源只能是源于用户，无论他是主观的表达，还是下意识的操作，都代表了用户的需求。这里面就囊括了一些来源，比如主观表达多是在线评论，客服接听的用户反馈，访谈时的用户回答，调查问卷的结果，社区论坛的用户吐槽等等。下意识的操作更多的是用户行为监测获得的数据，包括数据埋点以及访谈时的行为，比较经典的例子就是‘索尼的黑白游戏机’，多数用户说喜欢白色的，而当拿走赠品的时候，却是拿走黑色的用户多。图9 索尼游戏机可以说，听用户怎么说的，不如看用户怎么做的。老王总结的收集用户需求的理论就是多听，多看，从用户的角度出发去发现问题的本质，这其实是知易行难了，大家都这么说，真正做的有多少，老王真不知道。而收集用户需求的方法，基本就是通过市场/用户调研，用户反馈，数据分析，体验产品等方法。（算了，把‘等’去了，基本也就这四种大的方法去获取用户需求了，有大佬有其他方法请务必留言指正呀！）至于技巧，说实话，我觉得做多了，也就有技巧了，老王在这方面做的还不够多呀。给大家抛砖引玉的说几个老王的技巧，在与用户沟通的过程中，通过反复询问去理解用户需求，这个我记得好像叫‘五个为什么？’通过这种方法可以获悉用户需求的本质，但是不特指问五个，也可能十几个，毕竟大家都是套娃，谁知道会套几层呢。进行数据分析的时候，要尽可能多的从不同的角度对数据进行处理分析，这部分请搜索统计学谬论，你就会发现，单一维度的比较所得到的分析结果往往不一定是正确的。数据分析的核心其实还是分析的人，数据可能是正确的，但是分析的结果往往可能被数据所欺骗。体验产品，这里分两个层面说，第一部分要求产品经理要经常把玩自己的产品，时常把自己代入到用户的角色中去体验自己所设计的产品，在你用起来比较困惑的地方，这就是可以改进的地方。另一个部分则是说体验其他的产品，我们通常会做一些竞品分析，无论是新项目的时候去看竞品，还是在迭代的过程中，去跟踪竞品的动向。甚至是非竞品情况下，体验一些新奇有趣的产品。在这个过程中，初期你会发现一些产品设计的细节，某款产品操作顺畅，UI新颖，功能没玩过等等，这些细节在你设计产品的时候就会触类旁通的进行设计。等到中后期，这些细节的关注就会成为你的本能，这个时候，关注的就是产品的设计思路和节奏把握，某款产品为什么在上线后12个月才上线社区模块，是出于什么考虑。结合社会现象，数据表现，去分析（猜测）这款产品的产品经理的一个思路。当然，这不一定是人家真的这么想，但是这回锻炼你的分析能力以及对产品的把控力。当然，如果你认识他的话，偶尔也会听到‘这是老板非得要的，觉得给投资人演示的时候需要有’这种理由。那么如何识别用户需求，这其实是要产品经理判断需求的真伪，什么样的需求是真需求，什么样的需求是伪需求。其实这个真伪老王觉得挺唯心的，但是不得不承认也有唯物的一面。如何判断需求的真伪，用户需要的就是真需求，哈哈，但是一亿个用户只有十个人需要，这是真需求吗？原则上说这也是真需求，但是在工作中，这其实是一个伪需求。或者说真伪不能偏面的看用户是否需要，而是要看大多数用户是否需要，当然这用户是指你的产品的用户，而不是泛指所有人。专业相机的所有功能都是真需求，因为他是发烧友和专业人士中大多数用户的需求，而傻瓜相机则是非专业人士中大多数的需求。发现改进机会这个怎么说呢，其实很多时候，我们看不顺眼或者觉得有问题的地方，你一定要慎之又慎，不要把别人当傻子，当然有时候确实有傻子。因为有一部分是因为在当时的情况下，选择出来的最优解，而时过境迁在当下看起来可能不合适了。还有一部分，明知有点瑕疵，但是没必要，还有比之更为紧急或者重要的需求。最后一部分，就是他觉得怎么做都行，先上后改，先看看效果。而且无论是哪一种，其实都是说，发现可以改进的需求之后，需要权衡改进的机会，无论是时间还是资源，甚至说是老板的喜好，可能都要考虑进去。第三类，解决用户需求：系统设计产品服务方案所谓‘系统设计产品服务方案’，在老王看来就是要充分考虑产品整体，思考产生问题的根本原因，思考需求的本质，而不是针对某个问题简单的提出一个解决方案。举个栗子，老王之前做的一款本地医疗服务类产品，通过研究与分析后发现，用户是有需求的，但是就是不下单，有反馈服务价格贵的，有怕出现医疗风险的。这就需要进行一定的研究分析，去看市场环境到底是怎样的，需求人群的收入等等，确实有市场环境、人文习惯等原因，但如何通过产品得到改善。这一需求的本质是对服务安全缺乏信任感，用户打开App到浏览服务产品，到下单开始使用服务。在这个环节当中，我们能进行优化的地方有很多，比如产品介绍、UI等等，单一提出来都是可以进行改善的，但是不够系统。需要你从产品整体上考虑，服务定价、产品包装、用户教育、安全保障、运营活动等方面，综合的给出一个解决方案，而不是想当然的觉得就是价格太贵用户接受不了，或者是话术冗长这些表面问题。当然表面问题也是问题。如此，其实系统设计产品服务方案，说的通俗点，这不仅仅是有一说一的问题，一般情况下我们只是解决了那个‘一’，但是并没有看到背后的问题，流于表面。而系统地设计，可以理解为在理解这个‘一’背后的问题后，通盘考量整个产品。当然，这是老王的理解，其实老王也在思考，如果是大公司的一颗螺丝钉，只专注于某一个模块的话，该怎么理解这段话。思来想去，老王觉得应该也是这样，当你找到问题的本质，而这个解决方案需要系统性解决，那么就需要与其他产品经理通力合作，说服他们，也算是系统层面设计了产品的解决方案。好啦，基础的理解与解读也就这样了，但是除了这些浮于表面的理论与方法之外，还希望大家对于具体的方法，比如用户访谈、问卷调查具体怎么用，区别在哪里，有一定的了解。这部分有很多内容，后面老王觉得有必要的话，再去写一写，也算是给自己的一个积累。剩下的就是实践出真知了，在工作中，时刻提醒自己要去做市场/用户调研，去验证自己的想法与需求，习惯成自然之后，想必一定能融会贯通。至于level3-level5，这是需要你做到那个程度才会达到的，纸上谈兵永远只能停步在level2啦。图片来源：图8来自腾讯ued；其余图片为作者制作。作者：老王，一个不愿意透露体重的90后产品经理，公众号“老王修炼指南”唯一作者。本文由 @老王指南 原创发布于人人都是产品经理。未经许可，禁止转载题图来自 Unsplash，基于CC0协议

摘 要：在综合分析用户侧用能数据特征和数据来源基础上，建立了基于Spark平台和平衡迭代规约聚类分析（BIRCH）的用户用能行为聚类分析算法，并提出了算法并行化策略和聚类结果评价指标。针对用户用能行为聚类结果，结合Spark平台和深度信念神经网络（DBN）构建了用户用能需求多线程预测模型。通过算例对并行化聚类算法和多线程需求预测模型进行了仿真分析，结果表明，构建的基于Spark-BIRCH的用户用能行为聚类算法具有较高的准确度和有效度，基于Spark-DBN的预测模型比单一预测模型的预测精度更高。仿真结果验证了2种模型的有效性和可行性。引言我国能源供给侧结构性改革的不断推进，有效促进了可再生能源的消纳利用，并为构建多元融合、供需互动和高效配置的能源生产和消费模式提供了强劲动力。能源传输模式的革新促使能源系统间进一步耦合，能源的转换和分配也更加协调，新型能源市场和交易机制的革新以及市场各方主体共同利益诉求，使得未来能源的利用体系将走向以用户为中 心 的 综 合 能 源 系 统（Integrated Energy System， IES），同时也将产生更多的新型综合能源服务商，以便更好地服务于市场用户的个性化需求。以“互联网+”为中心的智慧能源住宅区将是综合能源服务商进行用户侧服务管理的重点方向之一，因而对用户用能行为的分析和理解是综合能源服务商适应用户用能需求增长和用能方式多元化趋势的重要途径，同时也为用户制定个性化用能方案提供必要手段。因此，深入分析用户侧用能行为就显得十分迫切。目前，国内外学者针对用户用能行为分析的研究大多聚焦于用户用电行为的研究，如文献以多元配用电大数据平台为基础，提出了适用于多维大数据用电行为分析的随机矩阵相关性算法，并讨论了面向不同对象场景的用户用电行为。则基于云计算平台和并行化 K-means 聚类算法对智能小区的居民用电行为展开研究，并通过实验证明了所提居民用电行为分析模型的有效性。则基于用户用电行为特征提取基础，提出了一种基于准确度和有效度的用户用电行为聚类分析方法，并通过国内外用电数据验证了方法的有效性和合理性。上述针对用户用电行为的聚类分析研究的文献有很多，在此不一一列举。尽管针对综合能源系统用户用能行为分析研究的文献很少，但依然有部分学者进行了尝试性的分析和探索，以多能协同综合能源系统为研究对象，针对需求侧用户行为分析构建了综合供应侧和需求侧优化方法，并验证了所提方法的有效性和可行性。阐述了以用户为中心的综合能源系统特征，并对用户侧综合能源现状进行了深入分析，为用户侧管理奠定了理论基础。基于用户用能行为特征选择进行了家庭用户节能行为聚类研究，虽然该研究不针对综合能源系统，但为综合能源系统中用户用能行为规律聚类分析提供了可能性。随着未来各类能源市场多元化进程的不断加深，综合能源服务商要在市场中占有一席之地，必须要满足用户的个性化需求，而用户用能行为规律分析成为了必要前提。此外，智能监测设备和信息技术的不断发展，规模庞大、结构复杂以及高度实时性的综合能源系统数据将不断涌现，以机器学习算法和大数据运算平台为主的实时数据快速分析决策将会成为综合能源服务商保持市场竞争力的重要手段。因此，基于多源异构大数据分析的用户用能行为聚类分析，可实现综合能源系统用户侧用能信息的有效挖掘利用，在满足用户个性化需求的同时，实现自身利益最大化。针对上述问题，本文基于 Spark 平台分别建立了综合能源系统用户侧用能行为聚类分析方法和用户用能需求预测模型。首先，对综合能源系统用户侧数据特征进行深入分析，并对多源异构数据的产生渠道和数据处理方法进行了详细介绍；其次，基于用户侧用能数据特点，建立了基于 Spark 平台和平衡迭代规约聚类（Balanced Iterative Recingand Clustering Using Hierarchies，BIRCH）分析的用户用能行为聚类分析算法，并提出了算法的并行化策略和聚类结果评价指标；再者，根据用户用能行为聚类结果，建立了基于 Spark 平台和深度信念神经网络（Deep Belief Neural Network，DBN）的用户用能需求多线程预测模型，并提出验证模型预测精度和计算性能指标；最后，通过算例对所提并行化聚类算法和多线程需求预测模型进行仿真分析，验证所构建模型的可行性和有效性。1 综合能源系统用户侧用能数据特征1.1 用户侧用能数据特点传感器、信号测量等技术的革新是综合能源系统多元化发展的重要技术手段。高复合膨胀增长的能源数据蕴含着巨大的信息价值，从能源大数据中提取价值信息，为用户提供可选择用能策略，是各大综合能源服务商和管理机构进行市场竞争的重要手段。用户侧用能数据的信息挖掘与提取将在能源市场化进程中发挥极其重要的作用，主要具备以下几方面特征：（1）多源异构性。综合能源系统涵盖电、热、气、冷等多种能源，用户用能数据监测涵盖各个方面，包括采集设备状态信息、用户用电负荷感知信息、需求响应信息等各个业务领域，包括结构化、半结构化以及非结构化等各类异构信息。信息来源广泛、信息结构不一，内部信息源和外部信息源共同决定了用户侧用能数据多渠道和多类型特性。（2）复杂关联性。尽管综合能源系统用户侧用能数据来源广泛，但各类数据之间并不独立存在，各类型数据间或存在强关联性，或存在弱关联性。数据间距离或大或小，且不仅存在两两复杂性，多组数据间相互影响、相互关联，因此，需要借助大数据技术对用户用能数据进行聚类、关联等，才能实现用户用能行为全过程跟踪。（3）实时交互性。综合能源系统的灵活性、开放性和平等性特征等，使得用户侧用能数据可实现供需两侧实时交互和有效能量管理沟通，用户在综合能源系统中可实现即插即用、广泛互动以及信息共享等，信息间不再是单向传递，而是多向传递交流，随时可产生数据信息用于数据挖掘和提取。能量信息的双向交互和共享开放，是实现多种能源交叉互补和优化管理的基础和重要依据。（4）价值密度低、商业价值大。综合能源系统用户侧用能数据蕴含巨大的商业价值，随着能源市场化改革进程的加快，用户数据信息的价值挖掘是市场主体增加竞争的重要砝码，是扩大市场力、树立品牌效应的必要手段。但也要清楚地认识到，数以万记的信息产量使得信息价值密度不断降低，需要通过更加有效的方法来提取用户用能行为信息，才能体现出大数据挖掘的工作价值。（5）数据量巨大、数据维度多。智能监测设备可实时采集用户用能信息，采集到分钟级的用能数据，庞大的用户群体以及多样化个性需求，使得用户用能数据体量庞大，用户数据类型的异构特性引起了数据量的成倍增长。1.2 用户侧数据获取来源综合能源系统用户侧依托先进的信息采集设备和传感器技术，可实现设备运行状态的实时监控和调度，能够全面感知用户用能情况，保证系统可靠性、准确性和时效性；通过信息节点的传递、接收、处理和融合数据，实现系统运行全过程管控。因此，与用户侧相关联的数据内容横跨多个业务领域，包括了结构化、半结构化以及非结构化数据信息。用以实现用户用能行为分析的数据来源渠道如下所述：（1）智能设备监测数据。主要是指各类能源使用情况的传感器采集数据，包括用户在某时刻的电、热、气、冷等能源使用情况；各类设备运行状态的监测，包括智能家电、智慧家具等设备运行监测数据。（2）消费者信息记录。主要是指各类能源消费的支出记录，包括用电、用气、用热以及用冷等支出费用信息，同时包括完成交易的时间、地点、交易量等。（3）系统运行数据。主要是指各类能源设备运行监测数据，包括风、光、储等设备单元的监测数据、冷热电联供分布式能源运行信息、系统调度数据、系统峰平谷 3 时段运行数据、用户需求响应数据、系统检修巡视记录、生产计划等。（4）客户服务数据。主要是指能源营销数据，包括用户合同档案、用户信用评价数据、用户满意度数据、用能费用数据、财务数据、服务受理数据以及服务处理数据等。（5）气象数据。主要是指当地天气预报信息，包括记录时间内的温度、风速、湿度、光照强度、降水量、大气压等气象信息，可用于用户舒适度、用能效用分析以及用户需求预测分析等。（6）社会数据。主要是指日期、习俗信息，包括是否工作日、是否节假日、是否双休日等，这类信息信息量较小，是用户用能行为分析的基础数据。社会数据也包括用户对用能方案评价信息、用户用能关注焦点信息等，可用于能源交易的消费者预期分析等。2 基于 Spark 平台和 BIRCH 聚类分析算法的用户用能行为分析综合能源系统中用户用能数据具有量大、维度多以及实时性等特征，具备优良性能的聚类分析方法和大数据平台决定着用户用能行为分析的精确性和有效性。因此，本文将 Spark 平台与 BIRCH 聚类算法有效结合，实现模型的并行化运行计算，从而达到用户用能行为精确分析的主要目的。本文所提基于 Spark-BIRCH 的用户用能行为聚类系统流程如图 1 所示，其中，RDD 为弹性分布式数据集合，MapRece 为分布式计算框架，Spark streaming为实时流数据处理。2.1 BIRCH聚类算法简介BIRCH 是一种典型的层次聚类方法，其特点是可以增量地、动态地对数据对象聚类，这使得它可以处理大规模数据和高维度数据。BIRCH 算法作为一种无监督学习算法，能够自动实现数据的聚类分析，这与本文用于用能行为数据挖掘的聚类算法十分契合。BIRCH 聚类算法实现的过程其实就是建立集群特征树（Cluster Feature，CF-Tree）的过程，因此采用 BIRCH 算法实现聚类分析的流程可总结为：第一步：将全部数据样本依次读入在内存中，并建立 1 棵 CF-Tree，随着遍历整个数据集，新输入数据对象将会被不断插入到 CF-Tree，整个插入过程需要遵循以下规律：1）从根向下遍历，找到核实插入子节点的位置；2）寻找到最佳插入位置后，须考虑 CF-Tree 的约束条件；3）若存在节点分裂现象，须对此节点至根的整个路径执行路径更新操作。第二步：缩小 CF-Tree 的规模，随着样本数据的不断输入，CF-Tree 的结构会不断分类增长，需要更新较大阈值来创建新的 CF-Tree。CF-Tree 的重建过程是通过删除异常值以及合并过于拥挤的集群来创建更加紧凑的 CF-Tree。第三步：利用其他聚类算法对所有 CF 元组进行聚类操作，得到较好的 CF-Tree；目的在于减少由旧的 CF-Tree 限制条件引起的聚类不合理情况。第四步：将上一步骤中生成的新 CF-Tree 的质心看成种子，将数据对象重新分布到其最接近的种子集群中，对所有样本点按距离远近进行再聚类，以便获取更加可靠的聚类结果。2.2 Spark-BIRCH 聚类算法并行化策略Spark 平台是在 Hadoop MapRece 的基础上提 出 的 新 一 代 大 数 据 分 析 框 架 ，拥 有 HadoopMapRece 所具备的的全部优点，并且 Spark 是将计算结果直接存储在内存中，使得运算效率更高。随着智能电网的发展，第一时间线上大数据的高效率挖掘和应用显得尤为重要，基于 Spark 基础特有的性质，本文将 BIRCH 模型与 Spark 数据分析框架相结合，从而实现综合能源系统用户侧用能行为分析。图 2 展示了本文设计的综合能源系统用户用能行为聚类分析并行化处理的算法流程。如图 2 所示，本文以电-气-热-冷 4 类居民常用能源为例介绍 Spark-BIRCH 聚类算法在居民用能行为分析中的并行化策略。在 Spark 框架的具体实现中，首先将搜集到的原始用能数据封装于Datapoint[]类别中，并通过 parallelize（）函数将原始数据转化为平台所需的 RDD 集合，生成训练样本集。其次，将训练样本集数据分发到每个 worker上，以便在每个 worker 中能够建立属于自己的 CFTree；每个分区在建立 CF-Tree 之前，需要对数据进行预处理，即采用改进模糊 C 均值聚类（FCM）进行坏数据分类处理、利用 Neville 算法进行缺失数据补缺以及利用标准差法进行数据规范化。当每个worker 建立好 CF-Tree 之后，将 CF-tree 子节点中的 CF 作为新的数据节点，采用 take（）函数取出 K个数据作为 K-means 聚类的初始中心点。再者，每个 worker 执行以新数据节点为输入的 K-means 算法，利用 RDD.receByKey（）函数计算并更新 K 中心点值。最后，判断是否达到程序运行终止条件，若满足条件，则输出每个 worker 的用户用能聚类结果；若不满足条件则继续更新 K 中心值，继续循环程序。3 基于Spark平台和深度信念神经网络的用户用能需求预测3.1 深度信念神经网络DBN 是基于机器学习、概率理论和神经网络相结合发展而来的一种较为常用的深度学习模型，属于无监督学习模型类型，如图 3 所示。DBN 的主要特征在于其能够实现数据的分层级表达，可以描述时间序列数据的动态变化过程，适合处理具有时间特性的大规模数据集群。多层受限玻尔兹曼机（RBM）作为 DBN 的基础组件，上层 RBM 模型的训练输出值可以作为下层RBM 模型的输入向量，每个 RBM 组成结构中包含显元和隐元 2 层神经元，每层网络可由向量表示，向量维度取决于每层神经元个数，如图 4 所示。从图 4 中可以看出，RBM 结构中层内之间神经元无连接，而层间神经元双向连接，这种结构保证了层内神经元之间的条件独立，从而保证显元与隐元之间的取值互相独立，同时保留了 2 种神经元之间的特性。本文通过 Spark 并行化机制以离线学习和在线方式建立的电、气、热、冷多元用能预测模型如图 5所示。从图 5 中可以看出，所构建的用户用能需求预测方法主要分为离线训练和在线预测 2 个部分，模型的输入数据主要基于用户用能聚类结果、社会数据、气象数据及历史用能数据等。在离线训练中，基于 Spark 平台将历史气象数据和不同类型能源负荷数据通过设置多个工作组进行 DBN 模型的学习和训练，不断提高拟合精度，将训练好的 DBN模型及相关参数提交到测试平台。在线预测中，只需以离线训练的 DBN 模型为基础进行测试计算，但要保证模型参数能够得到及时更新，体现出数据采集和分析的实施性。在每个工作组中，通过对用能数据的预处理和深度学习，使训练数据得到充分拟合和训练，保证模型的学习精度。Spark 平台下离线训练和在线预测的有效结合，不仅保证了预测系统的精度性和数据的时效性，还极大提高了预测系统的灵活性，有效降低了时间成本。4 算例仿真为验证所构建的用能聚类分析模型和用户能源需求预测模型的相关特点，本文算例数据选取东部地区某智慧小区 2016 年 3 月 10 日~2017 年 5 月20 日的用户用能相关数据进行验证，居民住宅总面积 8.3×104m2，每户面积为 120 m2，共 686 户，用户信息采集频率为 30 min，共有 1.43×107条用户信息用于用户用能行为聚类分析。算例分析主要分为 2部分：第一部分是用户用能行为聚类分析，主要针对 Spark-BIRCH 聚类方法的聚类效果和算法性能进行分析，进而得到用户用能聚类结果；第二部分是用户用能需求预测分析，主要利用本文所提方法对各类型能源进行精确回归分析，从而为用户制定个性化用能策略。采用 Spark-BIRCH 模型对上述已处理数据完成居民用户用能聚类分析，得到如图 6—图 9 居民用能行为规律曲线。从图 6 可以看出，用户用电行为规律可以分为EA，EB，EC，ED，EE5 种。EA曲线水平于横轴，该类用户整体功率偏低，无明显波动变化，用电量较小，推测该类用户属于空载状态；EB类用户曲线存在明显的波动，波峰主要发生在早、晚间用电高峰时期，白天和夜间曲线波动较小，因此推测该类用户属于青年上班族；EC 类用户全天呈现多个用电小波峰，波峰主要发生在早、中、晚 3 个时段，推测该类用户为老人家庭用户。ED 类用户用电全天也呈现多个波峰，但在白天时段为用电小波峰，晚间呈现大波峰且高于其他曲线波峰，因此推测这类用户可能是老年人和上班族混合家庭；EE类用户用电曲线在白天阶段用电量较低，但晚间出现用电高峰，且持续时间较长，推测这类用户为学生族。从图 7 可以看出，用气行为规律可以分为 GA， GB，GC，GD，GE5 种。GA曲线为横轴，全天用气量为 0，说明此类为空置房间；GB 曲线则出现多次波峰，主要出现在早、中、晚、夜间 4 个时段，且峰谷差异较大，推测此类用户属于老年人家庭；GC 曲线波峰主要出现在傍晚和夜间，早晨出现较小波峰，其他时段则无变化情况，推测此类用户属于青年上班族家庭；GD曲线波峰主要出现在早、晚和夜间，推测此类用户属于上班族家庭；GE曲线全天波峰仅出现在夜间，其余时段变化情况不大，推测此类用户为租户或学生族。从图 8 可以看出，用热行为规律可以分为 HA， HB，HC 3 种。HA 曲线出现较大的波峰和波谷，白天时段用热极少，推测这类用户为间歇性用能家庭；HB曲线全天用能均处于较高位置，用能峰谷差异不大，变化相对稳定，需要利用更多热负荷来保持室内恒温，推测这类用户属于高耗能家庭；HC 曲线全天出现多次波峰波谷，夜晚用能高于白天，且夜晚用能持续时间较长，曲线整体位置较低，推测此类用户属于节约用能家庭。从图 9 可以看出，用冷行为规律可分为 CA，CB， CD 3 种，用冷分类情况与用热相似，不再赘述。图 10 和表 1 给出了 4 种类型能源用户行为聚类结果的准确度和有效度变化趋势，其中 Pk表示准确度，Ek表示有效度。从图 10 可以看出，当用电聚类数 k=5 时，聚类结果精度 Pk=0.9844 达到最大，且有效度开始保持稳定，如果再增加聚类数，虽然能够增大有效度，但聚类准确度会下降，因此选取聚类数 k=5 为最佳。同理，用户用气行为的最佳聚类数为 k=5，用热行为最佳聚类数为 k=3，用冷行为最佳聚类数为 k=3。此外，时间开销也是验证聚类方法性能优良的方法之一，Spark-BIRCH 聚类算法的时间开销结果如表 2 所示，Spark-BIRCH 聚类所需时间要远远小于单任务模式下的聚类时间总和，有效提高了用能行为的聚类效率，节约了时间成本。用户用能行为聚类结果可用于实现不同类型家庭用户的用能需求预测，本文随机选取某户家庭2016 年 3 月 10 日—2017 年 5 月 13 日作为训练集，2017 年 5 月 14—5 月 20 日的数据作为测试集对本文所提 Spark-DBN 多线程预测模型进行验证分析。根据上述聚类分析结果可知，所选取用户的用能行为规律满足：EA+GC+CA，对该用户在 1 周内的电、气、冷消耗需求进行预测，各类能源用能需求预测结果如图 11—图 13 所示。由图 11—图 13 可知，各类型能源负荷的预测数据与实际数据之间的误差较小，预测曲线趋势与实际曲线基本一致，2 种曲线的贴近度较高，说明预测误差相对较小。此外，图 11—图 13 中节假日阶段的预测误差要稍高于工作日，误差产生的来源主要是节假日用户用能的不确定性，相对于工作日，节假日的用能规律性较弱；用户可能会在家休息，此时用户用能需求较大，各类能源的负荷峰值较高；也有可能利用节假日在户外放松身心，此时各类能源的负荷曲线相对较低，因此，用户在节假日用能的不规律性是造成预测精度较低的主要原因。图 14 显示了各类型能源的预测误差变化趋势，由图 14 可知，用户用电、气、冷各类负荷的平均预测误差分别为 3.22%，3.29%和 2.75%，其中电负荷预测误差的上下波动最大，较为突出的预测误差点主要出现在用户用电曲线的波峰、波谷位置。此外，将图 14 中节假日期间的全部负荷预测误差进行统计计算，得到用户在节假日期间电、气、冷的平均预测误差分别为 3.51%，3.31%和 2.79%，要稍高于工作日的 3.11%，3.28%和 2.73%，证明了节假日用户用能的规律性弱影响了预测精度。为验证 Spark-DBN 多线程预测模型的有效性和可行性，本文亦选取支持向量机（SVM）、BP 神经网络（BPNN）以及径向基神经网络（RBF）预测模型进行比较分析，各种模型对各类能源的预测结果评价指标计算结果如表 3 所示，其中 MaxRE为最大相对误差，MinRE为最小相对误差，MAPE为平均绝对百分比误差，RMSE为均方根误差，TIC为希尔不等系数。由表 3 可知，在各类能源负荷需求预测中，SparkDBN 模型的 5 种评价指标值均小于 SVM，BPNN 和RBF，表明 Spark-DBN 模型的预测精度更高，通过数据预处理和信息特征提取加强了模型的学习能力和泛化性能。而 SVM，BPNN 及 RBF 模型无法通过无监督方式对复杂数据进行有效学习，无法得出数据信息多个特征之间的关联性，因此与深度无监督学习的预测精度存在差距。为验证 Spark-DBN 多线程预测模型的计算效率，本文亦利用 Hadoop 平台与 DBN 模型相结合进行预测，不同训练模式下所需的预测时间如表 4 所示。由表 4 可知，单线程模式下，电、气、冷需求预测时间均小于多线程模式，但多个单线程模式的时间总和要远远大于多线程模式，说明采用多线程预测模型能够极大节省时间成本。此外，Spark-DBN多线程模式的预测时间要少于 Hadoop-DBN 模式，说明 Spark 平台将 RDD 数据集存储于内存中，实现了多线程任务之间的数据共享，使得数据提取和使用更加方便、更有效率，能够有效节约时间成本，并提高算法并行化效率。5 结论本文通过研究综合能源系统中用户侧用能数据特点，基于 Spark 平台和 BIRCH 聚类模型构建了IES 用户用能行为规律聚类并行化算法，并在聚类结果的基础上，再次结合 Spark 平台和 DBN 模型建立了用户用能需求多线程预测模型，通过算例验证得出以下结论：（1）本文构建的 Spark-BIRCH 并行化聚类算法具有较高的准确度和有效度，且 Spark-BIRCH 聚类所需时间要远远小于单任务模式下的聚类时间总和，有效提高了用能行为的聚类效率，节约了时间成本。（2）本文构建的 Spark-DBN 多线程预测模型的精度要优于单一预测模型，Spark-DBN 通过数据预处理和信息特征提取加强了模型的学习能力和泛化性能，而单一模型无法通过无监督方式对复杂数据进行有效学习，与深度无监督学习的预测精度存在差距。（3）综合能源系统用户侧用能行为规律分析是提高用户侧管理的基础和关键，针对用户需求的精确用能负荷预测是提高综合能源服务商市场竞争力的重要手段，上述聚类方法和预测模型可为用户用能行为引导、IES 系统经济调度运行以及市场机制制定等提供借鉴和支持作用。

礼物经济依托创新型的节日赠礼、鲜花电商与直播电商等多个经济模式实现了市场规模的发展与扩大。iiMedia Research (艾媒咨询) 数据预测，2020年礼物经济的市场规模将超过1万亿元。艾媒咨询分析师认为，中国礼品行业应聚焦消费者个性化、多样化的消费需求，在满足消费者需求的同时注重树立自身独特的品牌形象，开展线上、线下等宣传和销售的多渠道建设，不断挖掘新的用户群体。(《艾媒咨询|2020年中国礼物经济产业研究与用户消费行为分析报告》完整高清PDF版共73页，可点击文章底部报告下载按钮进行报告下载)以下为报告节选内容：中国礼物经济发展驱动力：经济因素近年来，中国居民人均可支配收入和消费支出均保持稳定增长，并且可支配收入余额不断增加，从2015年的6254元增长至2019年的9175元。艾媒咨询分析师认为，居民人均可支配收入和支出的增加，代表其生活水平与生活品质的提高，而居民可支配结余的不断增长给居民提供了更多的消费可能，是礼物经济的发展基础。2020年中国礼物经济主要场景调研分析iiMedia Research (艾媒咨询)数据显示，探访亲友时赠送礼物、他人生日时赠予礼物以及情侣之间互赠礼物分列中国送礼场景的前三位。并且结合调研数据看，有送礼行为的人士往往在多种场景下都有送礼习惯。艾媒咨询分析师认为，在中国社会注重人情关系与礼尚往来的情况下，亲人、朋友与情侣之间的密切关系成为消费者送礼的重要基础，是相关企业及品牌大有可为的拓展空间。2020年中国礼物经济市场规模及预测分析在中国自身的文化、社会经济等影响下，礼物经济持续发展;而电商平台不仅提高了礼物选购的便捷性，还通过造节模式增加了新的节日，有效提高了送礼的频率，不断扩张着礼物经济的市场规模。iiMedia Research (艾媒咨询) 数据预测，2020年礼物经济的市场规模将超过1万亿元。2020年中国直播电商行业市场规模分析iiMedia Research(艾媒咨询)数据显示， 2019年中国直播电商行业的总规模达到4338亿元，预计2020年中国直播电商行业或将迎来新一轮爆发，市场将接近万亿大关。艾媒咨询分析师认为，直播电商用户多为35岁以下的年轻用户，与礼物经济主要消费者的年龄分布基本吻合，且现阶段直播电商行业作为风口行业，各个主播在春节、中秋节、情人节、圣诞节等重要节日均会推出特别的节日专场带货活动，且销售量十分可观，相关礼物商品因明星主播的引导效应且缺乏比较对象，消费者往往更加可能进行消费，从而能够对礼物经济产生强有力的推动作用。2020年中国礼物经济送礼节日聚类分析艾媒咨询分析师认为，通过聚类分析中国礼物经济主要送礼节日可归为4类，即传统型节日、情侣型节日、家庭型节日与教师型节日，上述四种类型的节日是礼物经济的主要消费推动力量。2020年中国礼物经济传统型节日消费主体分析数据显示，中国80后人口占总人口的16.1%，而90后人口占总人口的17.1%，传统型节日礼物经济的消费主体逐渐发生转型。艾媒咨询分析师认为，随着80后成为家庭主要经济收入群体以及90后的成长，传统型节日礼物经济的消费主体开始发生年龄更迭，传统型节日如春节、中秋节的礼物消费特点发生了较大的变化，各个企业也进行了不同程度的创新以迎合消费主体的改变。2020年中国礼物经济情侣型节日送礼意愿分析iiMedia Research(艾媒咨询)数据显示，受访者在情人节的送礼意愿最强，达到78.0%，其次是七夕节，为62.3%。艾媒咨询分析师认为，消费者在各类情侣型节日的送礼意愿均超过50%，反映出消费者在此类节日时较高的送礼需求，同时情侣型节日礼物的价格一般处于中高端水平，因此这也成为礼物经济每年所关注的重点。2020年中国母亲节及父亲节送礼消费水平分析iiMedia Research (艾媒咨询)数据显示，中国母亲节与父亲节时受访者送礼消费水平均集中于100-1000元区间，比例分别达到82.8%与80.7%。艾媒咨询分析师认为，母亲节与父亲节的送礼消费水平呈逐年上升趋势，主要由于子女收入水平的提高和对母亲节、父亲节重视程度的提高，礼物经济相关企业应抓住热点效应，创新中高端产品设计。2020年中国礼物经济教师节送礼行为评价iiMedia Research(艾媒咨询)数据显示，42.6%的受访者支持教师节送礼行为，认为此举是尊师重道的表现，而仅有16.2%的受访者不支持教师节送礼行为。艾媒咨询分析师认为，虽然近年来在教师节向老师表达感谢的方式多为线上的发红包与送祝福，实物礼物的赠送比例有所下降，但人们对教师节送礼行为本身总体仍呈现支持态度。2020年中国礼物经济电商造节背景分析(一)数据显示，2012-2019年中国网上商品销售额一路走高，2019年突破十万亿元，达到106320亿元，同比增长18.0%。艾媒咨询分析师认为，中国网上商品销售额持续增长表明中国电商行业良好的发展态势与居民消费方式的革命性变化，受益于网上购物的便利性与快递行业的速度性，越来越多的人们选择通过淘宝、京东等平台为他人购买礼品，可以说电商行业的快速发展对礼物经济起到了重要的助推与促进作用。2020年中国电商自造节日分析：“双11”(二)数据显示，2012年阿里巴巴双十一成交额仅191.0亿元，2019年成交额已达到2684.0亿元，7年时间内实现了超过1300%的增长率。艾媒咨询分析师认为，双十一购物狂欢节的汹涌客流和极为庞大的单日成交量显示了老百姓较强的消费意愿和较高的消费能力，电商行业已成为拉动中国内需的主流形式，礼物经济在此大环境之下，依托电商平台与电商购物节，享受到了庞大的用户流量与市场红利，自身的整体市场规模与发展速度正呈现阶梯式的上升趋势。2020年中国电商自造节日分析：“618”(三)iiMedia Research(艾媒咨询)数据显示，2020年5月，京东男性用户占比超过6成，且接近7成用户年龄在30岁以下， 46.8%用户收入在5K以上，高于淘宝的37.6%。艾媒咨询分析师认为，以品质消费为代表的京东台用户呈现男性化、年轻化和购买力较高的特点，他们是消费升级的主力军，因而在“618”购物节，高端、潮流产品是用户进行礼物消费的重点。2020年中国礼物经济发展现状总结(一)节日礼品消费驱动礼物经济市场进一步扩张艾媒咨询分析师认为，中国是一个礼尚往来的国家，在消费者对中国各大节日看重程度提升的影响下，中国消费者越来越重视与亲朋好友之间的沟通联系，节日期间往往通过互赠礼品表达祝愿，进而巩固双方感情，节日送礼越来越成为一种文化时尚，驱动礼物经济市场不断发展。个体逐渐成为礼品消费的需求主体随着居民生活水平的提高和市场的发展，礼品消费由主要以企业、群体消费者为代表的主体逐渐向个体消费者转变。在探访亲友、情侣互赠和生日庆祝等主要礼品赠送场景中对于能表达个人情感涵义的礼品如年货、鲜花、情趣用品等的需求越来越大，个体逐渐成为礼品消费的需求主体。2020年中国礼物经济发展趋势分析艾媒咨询分析师认为，礼物经济与鲜花电商、直播电商等新型电商模式有机结合，礼品企业商品创意性、实用性与自身质量进一步提高，以及礼品定制设计由企业消费者向个体消费者普及是中国礼物经济未来发展的三大主要趋势。随着80、90后逐渐成为礼物经济的主要消费群体，其对礼品各方面的要求也大幅提高，礼品企业若要获得行业快速发展所带来的的红利，则需在营销模式创新、提升产品潮流性与创新性以及更高水平的定制化服务上有所建树。本文部分数据及图片内容节选自艾媒研究院发布的《2020年中国礼物经济产业研究与用户消费行为分析报告》。

在2月28日，汽车之家在北京举办的“2019汽车产业智能网联发展峰会”发布了《中国智能网联汽车用户行为与需求洞察报告》和《智能车联评价标准》。汽车之家董事长兼CEO陆敏表示：“从消费者需求来看，智能网联汽车需要从消费者视角出发，符合用户情感化、便捷化以及一体化需求。只有超前的把握未来智能网联的发展趋势，才能以更好的姿态迎接5G时代的到来。”2018车联网数据：新车渗透率同比几近翻番，让七成车主放下手机汽车之家总裁邵海峰发布的《中国智能网联汽车用户行为与需求洞察报告》由汽车之家与斑马智行联合打造，数据基于20万余汽车之家认证车主口碑评价数据、超70万斑马智行车主出行数据以及真实车主调研数据。二者希望通过深入分析车联网用户行为、挖掘用户需求和期望，总结产业发展趋势，为相关企业发展提供一定参考。数据显示，2018年车联网在新上市车型中渗透率已达到31.1%，较2017年的19.1%几乎翻了一倍，更是远高于2014年的0.7%。据汽车之家预计，车联网潜客下单渗透率将在2019年达到36.4%，并在2020年达到五成以上。而在目前的车联网消费者体验方面，用户日均车联网在线时长为20分钟，77%的用户在车内“冷落”手机，车联网已识别40%用户上下班通勤路线，46%的用户将车机App放在手机的首屏，15%的车主在购车前就会下载车机App。根据汽车之家数据显示，车联网用户的主要由39岁以下的已婚有孩子、具备较高学历与收入水平的男性群体构成。在这些车中，车联网系统以前装为主，地图导航、在线音乐及手机映射功能是车主们最常用的三大功能。智能车联评价标准：涉及50余项测试，每年发布榜单本次峰会发布的汽车之家《智能车联评价标准》（以下简称《标准》）将会运用于该公司未来的汽车测评内容中。据汽车之家编辑部运营主编范鑫介绍，《标准》为该公司联合包括同济大学在内的4所国内院校的研究团队、采纳了4家供应商和20家车企的建议所制定。在未来的智能网联汽车测试中，汽车之家将对测试车辆进行《标准》所涉及人车交互、功能实现、服务生态及沟通好感度4个维度的50余项测试项目。范鑫表示，最终评价结果将经评审团的整体讨论评价后生成，减少个人对最终结果的影响程度。“人车交互”维度包括软硬件设计、完善程度、软硬件配合水平等评价内容，占总成绩的25%权重；“功能实现”包含导航、娱乐、系统功能、远程控制以及其它创新功能，评价项目包括功能满足度、功能实现效果等，占总成绩50%权重；“服务生态”维度会围绕用车生活评价，包括线上服务的适用性、硬件扩展能力等方面，占总成绩25%权重；“沟通好感度”则是指对人车交互体验的评价，会从功能性和实际场景还原体验两方面给出评价，占总成绩5%权重。今后，汽车之家将会用《标准》测试所有新发布车型，并会每年对评价体系进行调整。范鑫表示，随着评价体系的改变，老款车型的评分也会不断刷新，以便每款车型的评价结果更宽泛的使用寿命。除了更新评价体系外，汽车之家还将在每年发布智能网联汽车排行榜。

消费升级背景下，随着网络零售和移动电商的发展，中国礼物经济产业不断发展，2018年中国礼物经济产业市场需求已达8000亿元。2019年，新年、情人节等成为礼物经济产业传播热点，年货送礼、情侣间赠送鲜花、购买情趣用品等成为礼物经济消费新趋势，驱动礼物经济产业市场规模不断扩大。iiMedia Research（艾媒咨询）数据显示，中国居民年货送礼主要以走亲访友为主，其中，送给家人的占比最高，为59.5%；超六成的用户听说过鲜花电商，且其中有36.1%的人在鲜花电商平台购买过鲜花；男性和女性用户对情趣用品持支持态度的比例分别为和51.7%和37.3%，经常购买情趣用品的男性和女性用户分别占比17.7%和12.6%，男性用户对情趣用品的接受度高于女性用户，且买得更多。以下为报告节选内容：经济、文化、人际关系交往等因素驱动礼物经济产业发展经济发展、文化和人际关系交往等因素促进中国礼物经济市场需求不断扩大，iiMedia Research（艾媒咨询）数据显示，2018年，中国礼物经济产业市场需求已达8000亿元。网络零售助推礼物经济不断发展iiMedia Research（艾媒咨询）数据显示，2018年中国网络零售市场交易额达到76900亿元，移动端市场交易额占比高达74.6%。艾媒咨询分析师认为，网络零售的快速发展促进消费方式多样化便利化发展，助推礼物经济产业不断发展。移动电商成为礼物经济产业的发展动力iiMedia Research（艾媒咨询）数据显示，2018年移动电商用户规模达到5.12亿人，2019年中国移动电商用户规模将达5.46亿人，移动电商用户稳步增长，进一步推动礼物经济产业发展。新年、情人节等成为礼物经济产业传播热点探访亲友、生日和情侣间互赠礼物为中国网民主要送礼场景iiMedia Research（艾媒咨询）数据显示，探访亲友、生日以及情侣间互赠礼物为中国网民送礼的主要场景，艾媒咨询分析师认为，节假日在驱动中国礼物经济发展中发挥重要作用，特别是春节、情人节等节日亲友、情侣等相聚的重要时刻。年货送礼以走亲访友为主年货礼品消费是礼物经济产业市场的重要构成部分，iiMedia Research（艾媒咨询）数据显示，中国网民年货送礼主要以走亲访友为主，其中，送给家人所占比例最高，占比59.5%，其次为送给亲戚，占比56.0%。休闲零食是最受欢迎品类iiMedia Research（艾媒咨询）数据显示，在传统年货品类中，超半数受访者认为休闲零食是最必不可少的，占比53.3%，其次是水果生鲜和酒水饮料，分别占比34.6%和30.4%。营养保健品为中国网民送礼最青睐洋“物”iiMedia Research（艾媒咨询）显示，最受中国网民欢迎的洋年货礼品品类主要为营养保健品，占比达43.9%，此外，休闲零食、海鲜干货、服饰鞋包、水果生鲜、酒水饮料和美妆美容也颇受中国网民喜爱。2017年起鲜花电商成为中国网民送礼重要消费平台iiMedia Research（艾媒咨询）数据显示，超六成的用户听说过鲜花电商，其中36.1%的受访用户在鲜花电商平台购买过鲜花，艾媒咨询分析师认为，在公众对生活品质的要求进一步提高以及鲜花电商品牌宣传推广的驱动下，鲜花电商用户群体会进一步扩充，鲜花电商成为中国网民送礼的重要消费平台。鲜花消费结构呈纺锤型分布iiMedia Research（艾媒咨询）数据显示，48.9%的鲜花电商用户月均鲜花消费金额为201-500元，72.0%的用户单均消费金额为100-599元，无论是鲜花月均消费还是单均消费均呈纺锤型结构。艾媒咨询分析师认为，鲜花电商企业在2017年推出的“月花”模式，价格定位在100-299元之间，比较贴近用户的消费水平；而千元以上的鲜花定位于高端用户，在普通用户群体中的价格可接受度较低，用户消费频次较低。2018年中国情趣电商市场规模达313.5亿元iiMedia Research（艾媒咨询）数据显示，2018年中国情趣电商市场规模达到313.5亿元，预计到2020年中国情趣电商市场规模将超过600亿元。艾媒咨询分析师认为，中国情趣电商市场仍处于快速发展的阶段，有巨大的发展空间。情趣电商平台中桃花坞的网络关注度最高电商平台关注节日契机加入造节京东年轻用户比例较高艾媒北极星监测数据显示，2018年京东和淘宝的用户年龄皆以24岁及以下用户为主要群体，分别占比38.48%和35.08%，其次为25岁-30岁的用户，分别占比29.01%和28.03%。整体而言，京东年轻用户比例较高。主要电商平台言值对比淘宝最低

网站的速度是客户体验考核标准，当然影响网站条件有很多，在设计网站过程当中，把内部条件做到先进，加快网站的访问速度就是这么容易！在设计网站时要对客户进行必要的分析，对于设计网站来说分析客户数据是必经之路！对于设计网站来说分析客户数据是必经之网站是从客户的角度上思考的，由于只有用户才是产品服务者。因此为了改善客户体验，设计网站之前务必进行必要的市场客户需求的分析。首先要知道网站的主要浏览群体，就是哪些客户会经常浏览网站。以机械企业的网站为例，网站的主要访问对象大多为工厂或者技术人员、采购人员的负责人。这些人具有技术和知识层次，就要求设计网站和栏目功能设置表现专业性，容易而粗狂的页面美术设计和功能栏目设置有违约用户需求。将设计网站人员引入到用户研究过程中还有一个原因，网站设计人员能够体会到他人感觉的能力。在正确的客户研究中，设计网站人员务必同用户进行直接而广泛的接触，让他们完全沉浸于客户的世界中。要先为用户思考。在网站开发的过程中，将网站设计人员和用户隔离开来是很错误的。客户在访问我们网站的时候会留下一些痕迹，他们的访问记录，可以通过对这些记录进行发掘，分析在网站上的行为，来明白用户的习惯和属性。而后就可以来改善页面，可以优化页面设计产品，有针对性的向客户推送些信息。因此说用户行为研究的重点内容就是客户行为分析。信任是电商效益转换关键的环节，网站上应该有消费者最关心的信息，由于阅读者明白越多就越会产生信任，而这些信息一定要避免浮夸。要做的就是分析客户的评估体系，依照他们的方式用朴素真实的方式把这些信息传播给他们，当然优异的设计能表现公司风范和形象，也对信任度的提升有帮助。要分析客户对产品的具体行为。算是网站运营的基础，怎么设计及构架一个网站，确定网站内容到把网站发表到网络站。做好以前的内容后，要注意用户的反馈及产品的改善，例如可以既可以归属于五金行业、又可以是电子行业的产品。随着行业电商网站数量的不断增长，因此对产品的策划是异常重要的。通常的公司设计网站都是为了展现自己的企业风范，介绍有关的产品与服务，还有表现公司发展战略的重要渠道。根据这个问题，在建设当中一定要明确的设计站点的目标以及客户的需求，从企业的实际路线出发。在设计当中一定要明确设计网站的目的，据有关的网站分析，很多网站达不到预想的效果，主要还是由于对用户的需求理解有一定的误差造成，而且对客户的明白不够深入。现在的设计网站是越来越漂亮，相比较几年前的网站客户体验也做得不错，现在很多设计网站都成立专门的项目组，作为必经之路，在网站设计之前要对客户数据进行分析和策划。

一、用户画像1、概念描述用户画像，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。用户画像最初是在电商领域得到应用的，尤其在数字化营销范畴之内，核心的依赖依据就是描述用户画像的丰富标签。在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，基于标签运用用户画像的方式了解用户，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。例如上述基于最简单的用户数据可以分析出来的用户画像信息。2、组成结构用户画像的最核心工作是基于数据采集为用户贴上标签，随着标签的不断丰富用户的画像也会越来越清晰，最终达到了解甚至理解用户的能力。在实际的用户画像体系中，对于标签的分类分级远远不止这么简单，更加的细致和精确：基础属性：性别，年龄，消费能力，职业等；行为属性：活跃度，浏览，点击查看，不感兴趣；现实场景：经常进入的商圈，电影院，景区等；兴趣描述：购物，影视，音乐，游戏，读书等定制化：通过机器分析，基于某些标签组合判定；通过用户产生的多种场景数据，去分析或者推测用户的并信息标签化，可视化的描述出来，通过用户画像，产品能自动化的深入理解用户并服务用户，例如很多信息流的应用，会根据用户的阅读内容自动判断推送用户可能喜欢的内容。3、画像的价值在用户量大业务复杂的公司，都会花很高的成本构建用户画像体系，在各个业务线上采集数据做分析，不断深入的了解用户才能提供更加精准的服务和多样化的运营策略。用户引流通过现有用户的画像分析，在相关DMP广告平台做投放，重点推荐其平台上具有相关类似标签的用户，为产品做用户引流，这里也是相似用户快速扩量的概念类似。新用户冷启动快速分析新注册用户可能偏向的属性和兴趣偏好，实现服务快速精准推荐，例如用户注册地所在区域，可以通过该区域用户的通用标签推测该新用户的特征。精准或个性化服务这里就是根据丰富的用户画像分析，理解用户并提供精准服务或个性化服务。提供好的服务自然能做到用户的深度沉淀。多场景识别这里场景相对偏复杂，通过一个案例描述，例如在某个平台用手机号A注册，之后该手机号A丢失，换用手机号B之后，通过相关行为去理解用户是否手机号A的用户，也可以根据同个手机序列识别不同用户或者多个手机序列识别相同用户。沉默用户唤醒基于精细化的标签和多个场景数据，对用户的沉默程度做快速识别，基于画像分析制定运营策略进行激活召回减少用户流失。二、人群分析每次开发用户群分析的案例，脑海都能响起一段话：独生子女，傲娇，温室花朵，冷漠自私，精致利己，想法清奇，个性张扬，缺乏团队意识，非主流，垮掉。之前几年这是很多长辈或者社会对90这代人贴的标签，也有很多是90自我嘲讽的标签，作为90后的一员我对这份画像还是挺满意的…上述就是典型的人群画像分析的非典型案例，实际上最近几年对90人群分析报告已经非常多而且准确，很多数据公司都会从：社会属性、消费能力、游戏爱好、宠物、网络应用等多个热门领域做深度分析。分析人群画像可以在商业应用中产生非常高的价值。三、深度应用1、商圈分析首先基于商圈区域圈用户群，这里很好理解用户在某个商圈内产生数据，依次获取用户相关标签做该商圈内用户画像分析。其次分析商圈本身服务，例如美食领域人流、娱乐领域人流、购物领域人流等，对比不同商圈为商业圈的运营提供策略。通过综合商圈分析获取的画像，对商圈的构成、特点和影响商圈规模变化的各种因素进行综合性的研究，即服务于企业合理选择店址，也服务商圈精准引入丰富的品牌店铺。2、行业分析行业分析画像是非常复杂的一种报告，通常会考量：用户体量、人群特征、技术、营收规模、竞争力、竞争格局、行业政策、市场饱和度等多个要素。不同的角度看行业分析也是不同的概念，例如从行业产品角度看：基于行业分析判断是否要做、如何做、如何做好、明确产品方向和运营策略等问题；从投行领域看则判断新产品是否值得投资有没有稳定高回报，风险控制等。通过多个场景下数据构建用户画像，在应用到产品的众多业务场景，进行商业化运营和管理，产生更高的价值。