数据, 术→技巧

用户画像TGI指标

钱魏Way · · 15 次浏览

什么是TGI

对于TGI指数,百科是这样解释的——TGI指数,全称Target Group Index,可以反映目标群体在特定研究范围内强势或者弱势。

TGI指数计算公式 = 目标群体中具有某一特征的群体所占比例 / 总体中具有相同特征的群体所占比例 * 标准数100

举个例子,假设一家外语学校里面有家烧烤店,每天晚上男生和女生顾客都是50%,你觉得男生还是女生更倾向于光顾这个烧烤店呢?既然男女既然都一半,那显然是说男女同等倾向于光顾这家店。如果你是这么想的,那就错了。因为还有一个隐含的概率你没有问,就是这个学校里男生和女生的比例是多少呢。我们通过调查了解到男生和女生的比例分别是20%和80%。有了这个比例,我们就可以算TGI了。

  • 烧烤店男生TGI=50%/20%*100=250
  • 烧烤店女生TGI=50%/80%*100=60

你看,虽然光顾的顾客中男女比例一样。但是我们算TGI的话,会发现男生的TGI远远大于女生的TGI,从这个意义上讲,男生光顾这家门店的倾向性远大于女生。

TGI的使用

我们为什么要看TGI?TGI可以帮我们找准目标顾客。像上面烧烤店的案例,通过计算TGI,我们很明显得知道男性顾客才是最喜欢我们门店的顾客,而女性用户并不喜欢我们这家店,这是最基本的现状。那基于这个现状,你接下来要做的到底是巩固喜欢这个门店的男性顾客群,还是开拓并不太喜欢这个门店的女性顾客群?这就是价值观问题了。找准了目标顾客之后,我们就可以针对目标顾客做更多的宣传推广。如果目标顾客是不清晰的话,那我们做宣传可能会漫无目的,结果就是吃力不讨好。

TGI指数表明不同特征用户关注的差异情况:

  • TGI指数 = 100 表示平均水平,
  • TGI指数 > 100,代表该类特征对目标群体的影响要大于平均水平,或者该类群体对某类问题的关注程度高于平均水平
  • TGI指数 < 100,代表该类特征对目标群体的影响要小于平均水平,或者该类群体对某类问题的关注程度低于平均水平

如何理解目标人群和基准人群?

目标人群是我们选择用来进行下钻数据分析的人群,画像数据都是基于此人群进行分析。百分比和TGI均指的是目标人群的某标签值的百分比和TGI。基准人群是应用于TGI指数计算的对比人群,默认的大盘人群的全量人群。

典型特征中的特征人群是如何定义的?

采用有层级结构的树形图。越上层的维度越显著区分人群。示例:

TGI实战

需求:公司要推出一款客单比较高的产品,打算在一些城市打样,需要确定哪些城市适合打样。

数据集:客户购买商品的订单数据,具体包括买家ID、省份、城市、下单日期、购买数量、实付金额,一共28832条数据。

import pandas as pd

df = pd.read_excel('tgi-dataset.xlsx')
df.head()

数据初步处理:计算每个用户的客单价

df_price = df[['城市', '买家ID', '实付金额', '购买数量']].groupby(['城市', '买家ID']).agg('sum').reset_index()
df_price['客单价'] = df_price['实付金额']/df_price['购买数量']
df_price.head()

方案一:计算每个城市的平均客单价,取平均客单价最高的城市进行打样

df_price_city = df_price[['城市','客单价','买家ID']].groupby(['城市']).agg({'客单价':'mean', '买家ID':'count'}).reset_index().rename(columns={'买家ID':'买家数量'})
df_price_city.sort_values('客单价',ascending=False).head()

客单价高的买家数量较少,需要再将买家数量较少的城市过滤:

df_price_city.loc[df_price_city['买家数量'] > df_price_city['买家数量'].mean(),:].head()

方案二:统计每个城市大于一定阈值的会员量,取会员量最高的城市

先查看下客单价分布:

df_price['客单价'].hist(bins=16)

假设阈值为50,则:

threshold = 50
df_price_high = df_price[df_price['客单价']>=threshold][['城市','买家ID']].groupby(['城市']).agg('count').reset_index().reset_index().rename(columns={'买家ID':'买家数量'})
df_price_high.sort_values('买家数量',ascending=False).head()

方案三:引入tgi,根据tgi的高低选择打样城市

判断是否为高客单价买家:

df_price['高客单'] = df_price['客单价'].apply(lambda x: 1 if x >=threshold else 0 )
df_price['低客单'] = df_price['客单价'].apply(lambda x: 1 if x < threshold else 0 )
df_price.head()

对数据进行汇总处理:

df_summary = df_price[['城市','高客单','低客单']].groupby(['城市']).agg('sum').reset_index()
df_summary['总人数'] = df_summary['高客单'] + df_summary['低客单']
df_summary['高客单占比'] = df_summary['高客单'] / df_summary['总人数'] 
df_summary.head()

计算总体高客单人数占比:

total_percentage = df_summary['高客单'].sum() / df_summary['总人数'].sum()
total_percentage

计算每个城市高客单TGI指数:

df_summary['高客单TGI指数'] = df_summary['高客单占比'] / total_percentage * 100
df_summary = df_summary.sort_values('高客单TGI指数',ascending = False)
df_summary.head()

筛选出人数大于平均值的人数,再计算更合理的TGI指数:

df_summary.loc[df_summary['总人数'] > df_summary['总人数'].mean(),:].head()

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注