基于数据分析的资讯类App用户画像设计与应用
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 国内研究现状 | 第11-14页 |
| 1.2.2 国外研究现状 | 第14-16页 |
| 1.3 本文主要研究内容 | 第16-19页 |
| 第二章 业务战略解读及留存提升点拆解 | 第19-25页 |
| 2.1 基于实际应用场景的业务战略解读 | 第19-20页 |
| 2.2 基于用户使用行为的留存提升点拆解 | 第20-24页 |
| 2.2.1 用户留存的因素拆解：留存率 | 第20-23页 |
| 2.2.2 用户留存的因素拆解：日均使用时长 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 用户标签指标设计及数据提取逻辑 | 第25-43页 |
| 3.1 基本标签设计 | 第25-30页 |
| 3.1.1 用户生理信息设计 | 第25-27页 |
| 3.1.2 用户地理信息设计 | 第27页 |
| 3.1.3 用户设备信息设计 | 第27-29页 |
| 3.1.4 用户人群信息设计 | 第29-30页 |
| 3.2 行为标签设计 | 第30-37页 |
| 3.2.1 用户浏览信息设计 | 第30-34页 |
| 3.2.2 用户互动信息设计 | 第34-37页 |
| 3.3 内容标签设计 | 第37-40页 |
| 3.3.1 用户阅读类型偏好 | 第37-38页 |
| 3.3.2 用户功能使用偏好 | 第38-39页 |
| 3.3.3 用户社交活跃偏好 | 第39-40页 |
| 3.4 商业标签设计 | 第40-42页 |
| 3.4.1 广告类商业属性 | 第41页 |
| 3.4.2 交易类商业属性 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于留存提升目的的数据分析及画像设计 | 第43-57页 |
| 4.1 基于用户标签的数据分析 | 第43-50页 |
| 4.1.1 K-means算法性能分析 | 第43-44页 |
| 4.1.2 K-means算法的优化 | 第44页 |
| 4.1.3 聚类变量选择 | 第44页 |
| 4.1.4 聚类过程 | 第44-46页 |
| 4.1.5 聚类结果与分析 | 第46-50页 |
| 4.2 基于深度用户特征的用户画像搭建 | 第50-55页 |
| 4.2.1 用户自然属性 | 第50-51页 |
| 4.2.2 用户活跃属性 | 第51-54页 |
| 4.2.3 用户偏好属性 | 第54-55页 |
| 4.3 本章小结 | 第55-57页 |
| 第5章 基于留存提升的关联规则分析 | 第57-65页 |
| 5.1 Apriori算法性能分析 | 第57页 |
| 5.2 Apriori算法的优化 | 第57-59页 |
| 5.3 数据预处理 | 第59-60页 |
| 5.4 关联规则过程 | 第60-62页 |
| 5.5 关联规则结果及分析 | 第62-63页 |
| 5.6 本章小结 | 第63-65页 |
| 第6章 基于A/B测试的用户画像线上策略应用实践 | 第65-81页 |
| 6.1 A/B测试 | 第65-70页 |
| 6.1.1 A/B测试介绍 | 第65-66页 |
| 6.1.2 A/B测试设计方案 | 第66页 |
| 6.1.3 A/B实验不足 | 第66-67页 |
| 6.1.4 A/B实验流程 | 第67-70页 |
| 6.2 基于用户画像的策略调整效果评估 | 第70-78页 |
| 6.2.1 优化案例一：首页推荐类型优化 | 第70-74页 |
| 6.2.2 优化案例二：添加其他应用授权提醒 | 第74-78页 |
| 6.3 本章小结 | 第78-81页 |
| 第7章 结论与展望 | 第81-83页 |
| 7.1 研究总结 | 第81-82页 |
| 7.2 不足与展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-89页 |
| 个人简历、在学期间发表的论文与研究成果 | 第89页 |
