AdMaster ： 2019上半年中国手机品牌用户社交洞察(22页).pdf

《AdMaster ： 2019上半年中国手机品牌用户社交洞察(22页).pdf》由会员分享，可在线阅读，更多相关《AdMaster ： 2019上半年中国手机品牌用户社交洞察(22页).pdf（22页珍藏版）》请在三个皮匠报告上搜索。

1、 2006-2019 明略科技 版权所有 2019上半年中国手机品牌用户社交洞察 谁买了你的手机？ MININGLAMP Technology 2019. 2006-2019 明略科技 版权所有 序：19年上半年，国内手机市场人口红利消退，出货量同比下降明显， 市场红海加剧，品牌比以往更需要读懂用户。 3,405 1,451 2,837 3,653 3,829 3,431 3,420 -12.8% -19.9% -6.0% 6.7% 1.2% -6.3%-7.5% 1月2月3月4月5月6月7月 出货量（万部）同比 数据来源：工信部，2019年1-7月国内手机市场运行分析报告 2019年1-7月

2、国内市场手机出货量 MININGLAMP Technology 2019. 2006-2019 明略科技 版权所有 序：2019年1-7月中国手机出货量累计达到2.2亿部，但是， 你是否知道，你的手机卖给了谁？ 也许你知道的是但是你不知道的是 基于主观设计的、结构化的问卷 调研所得到的人群属性与认知： 性别、年龄、收入 地域 品牌认知 爱好 然而，基于主观设计的问卷依赖于 设计者的经验和认知，很可能会出 现偏差 基于用户社交声量数据、原生的 用户群体划分与兴趣点： 兴趣爱好 关注话题 讨论内容 互动行为 基于原生数据，我们得到的是无偏 见、无预设立场的客观数据，带来 新的洞察发现 2006-2

3、019 明略科技 版权所有 你不知道的 AdMaster知道 MININGLAMP Technology 2019. 2006-2019 明略科技 版权所有 基于社交大数据分析，AdMaster可得到无偏见、更加全面的用户分类 d 小数据 有偏见*(-) 无法得到没问的 (-) 有想什么(+) 有深度(+) 代表性(?) 大数据 缺深度(-) 自然场景, 可发现前所未知(+) 无偏见(+) 有行为(+) 为什么说小数据容易发生偏见？ 任何调查问卷，都是基于设计者经验判 断设计的，设计者本人没有意识到的、 不知道的点永远不会被问到； 基于用户原生数据的大数据分析则避免 了这一点所有的数据都是通过

4、用户 行为和讨论自发产生的，没有人为干 预。 MININGLAMP Technology 2019. 2006-2019 明略科技 版权所有 AdMaster是如何做到的？ *LDA，Latent Dirichlet Allocation，适用于对文本数据来进行聚类 从原生数据到用户洞察 1. 数据准备2. 文本聚类3. 人群划分4. 洞察分析 数据来源：微博 数据条件：找到使用指定机 型发布微博的用户（排除水 军、营销号等），抓取其微 博发帖 数据处理：通过AI监督学习 和HI人工校准的方式对抓取 到的贴子内容进行标签规范 化处理 思路：对处理后的规范化的 文本数据进行内容聚类，生 成主要的

5、讨论点 模型：隐含狄利克雷分布 （ LDA* ） 思路：将对应到原始数据中 单个用户的发帖内容对应到 上一步LDA模型生成的内容 讨论点，通过对不同内容的 讨论度来划分人群 模型：K-Means聚类算法 基于K-Means划分出的人群 来从内容讨论的角度定义人 群特性 根据特性产出人群画像： 基础信息 兴趣爱好 触媒习惯 对手机的关注点 2006-2019 明略科技 版权所有 基于原生的、无偏见的用户需求和偏好数据的人群聚类，可以很好的 避免调研中由于人为设计带来的结果偏差； 接下来，我们以价格为区隔，通过原生大数据分析的方法，去发现 不同价位手机用户（4K+ VS.1K-2K）都是有着什么样

6、需求和偏好的人； MININGLAMP Technology 2019. 2006-2019 明略科技 版权所有 需求和兴趣点: 1000-2000元价位机型用户 vs. 4000元以上价位机型用户 Data Source: AdMaster社交数据库，新浪微博 Data Period: 2019.1.1-2019.6.31 1000-2000元价位机型用户 不同类型用户对不同内容讨论度 0% 20% 40% 60% 80% 舆论驱动 娱乐拍摄 多面均衡 游戏体验硬件配置 生活场景 抽奖+活动 Group1Group2Group3Group4Group5 4000元以上价位机型用户 不同类型用