产品和运营角度的用户画像

用户肖像是一个非常新颖的词，最初是大数据行业的时尚概念。现在我们的运营谈用户画像，它也直接与精准营销、精细化运营挂钩。本文主要从产品和运营的角度讲述用户画像。希望看完之后能解决所有关于用户画像的问题。什么是用户肖像？用户肖像一点也不神秘。它是根据用户在互联网上留下的各种数据积极或被动地收集，最终加工成一系列标签。比如猜猜用户是男是女，哪里人，工资多少，恋爱了，喜欢什么，准备剁手购物吗？我们经常将用户标签等同于用户肖像。每一篇用户画像的文章，类似上面的图片都会出现，有用的趋势是烂的。标签化是最直观的解释，但它不等于用户肖像。用户肖像的正式名称是UserProfile，人们经常把它和UserPersona混淆，后者更合适的名称是用户角色。是产品设计和用户研究的一种方式。当我们讨论产品、需求、场景和用户体验时，我们往往需要关注某些群体。用户角色是目标用户的抽象方法和集合。用户角色并不代表具体的谁。「25岁的白领，211大学毕业，现在从事互联网行业的设计工作，住在北京。单身，平时喜欢摇滚乐」，这句话常用于描述产品的典型用户。本文中提到的UserProfile更多的是与运营和数据密切相关的平台级应用程序，其本质是用标签和数据描述任何用户。在企业迈大迈强的过程中，用户画像的应用起着重要的作用。以下是主要应用。精准营销：这是操作中最熟悉的游戏玩法。从广泛到精细，用户群被切割成更细的粒度，辅以短信、推送、电子邮件、活动等手段，驱动护理、恢复、激励等策略。数据应用：用户肖像是许多数据产品的基础，如熟悉的推荐系统广告系统。操作过各大广告系统的学生一定知道，广告是基于一系列与人口统计相关的标签，如性别、年龄、教育背景、兴趣偏好、手机等。用户分析：虽然与Persona不同，但用户肖像也是了解用户的必要补充。在产品早期，PM通过用户调查和访谈了解用户。产品用户数量扩大后，研究效果降低，此时将辅以用户肖像配合研究。新用户的特点是什么，核心用户的属性是否发生了变化等等。数据分析:这个就不用多提了。用户肖像可以理解为业务层面的数据仓库，各种标签都是多维分析的自然要素。与这些数据相连的数据查询平台。对于大多数产品，用户肖像不能使用推荐系统，个性化推荐也不能提高几个利润，毕竟，它需要大量的用户和数据来支持。因此，这些产品更适合基于用户肖像来驱动业务。我提到了这么多好处，但据我所知，很多公司花了很多钱招募了很多人来建立用户肖像系统，但他们不能使用它。或者做一个用户肖像报告，用户消费金额的性别用户地理位置，看起来很高，看完也看完了。归根结底，很难用好。许多用户画像的初衷是好的，但却沦为形式主义。举个例子，朋友在公司建立用户肖像，划分了100个维度。用户消费、属性、行为无处不在。本来这个不错，但是上线后操作看着这个干瞪眼。问题包括但不限于，用户有这么多维度，如何合理选择标签？我想定义用户的级别，VIP用户应该积累多少消费？窗户什么时候进来？为什么要选择这些标准？如何维护和监控后续工作？业务发生了变化。这个标签应该改吗？设置标签，如何验证用户肖像的有效性？我怎么知道这个系统成功了？效果不好怎么办？它有更多的应用场景吗？实施战略也是一个纠结的问题。从岗位执行的角度来看，操作背负着KPI。当KPI在月底无法完成时，你认为他们更喜欢选择全操作还是精细操作？我认为很多公司都有类似的情况：使用用户肖像一段时间后，他们发现这是一回事，并逐渐停止使用。这是用户画像在业务层面遇到的问题。虽然企业声称建立用户肖像，但应用程序仍然相当粗糙。如何深入了解用户画像画虎不全反类王，要想用好，首先要深入了解用户画像。目前，根据用户生命周期设置了几个标签，如新用户、活跃用户和丢失用户。当然，这些标签足以细分。但它真的是个好标签吗？不是。因为这些都是滞后的。根据用户流失的一般定义，用户往往很长一段时间没有回应和行动，但几个月没有回应，即使他们知道用户流失是没有用的。它很有价值，但太滞后了。聪明的操作会设置一个新的标签，最近的活动距离今天的数量，用户有6个月没有活动，所以天数是180天。这比简单地丢失用户标签要好，可以划分不同的距离，设置30天、90天、180天的时间节点。距今天数也不是最好的。不同的用户，同样的两个用户A和B，即使不活跃的天数是一样的，我也不能认为他们失去的可能性是一样的。这个问题在低频场景中更为突出。旅游APP半年不活跃是正常的。此时，它还没有被抓住。回顾失去的用户，我们定义它不是为了建立一个高大的系统。任何企业一开始肯定希望失去的用户越少越好，其次是如何挽回。在这种业务的前提下，减少用户流失的预防性比失去的标签更重要。因此，最好的标签是用户丢失的概率，丢失的概率>距今消费天数>流失标签。不要想当然地总结一个完整的系统，而是忽略了肖像的核心价值。用户肖像必须首先收集商业目的下的用户标签。猜猜用户是男是女，哪里人，工资多少，恋爱了，喜欢什么，准备剁手购物吗？讨论这些是没有意义的。是男人还是女人如何影响消费决策，工资影响消费能力，是否坠入爱河会带来新的营销场景，如何准确推荐购物，这些都是用户肖像背后的逻辑。我没有用户肖像来驱动和改善我的业务。用户肖像需要驱动和改进业务。这是一个容易犯的错误。用户肖像的标签通常以两种形式获得，基于现有数据或某些规则，丢失的标签和今天的数量。另一种是基于现有数据计算概率模型的机器学习和数据挖掘。概率是介于0~1之间的值。以性别为例。除非用户可以直接获取身份证信息，否则用户很少填写性别，填写的性别可能不准确。网络游戏中有很多性别是女性的扣脚男人。这里需要增加一层算法来推断用户的真实性别。中国人的性别与名字密切相关，建国建军，翠花翠兰，易于判断。贝叶斯通常用于算法，通过现有的名称性别库预测新加入的用户性别。特殊情况下，很多名字都是中性的，男女不辩。可男可女，像小晶。在更特殊的情况下，它看起来像男人的名字，也可能是女人。我的初中老师叫建军，但她是一个和蔼可亲的小妹妹。特殊情况意味着特殊概率，因此不能使用非此即彼的二分法。所谓概率，它更习惯于告诉你，通过模型推断，建军有95％可能是男人的名字，表示0.95；晓晶有55％可能是男性，表示0.55。虽然为了方便，模型将设置阈值50％以上概率默认为男性，以下默认为女性。然而，业务部门的学生应该清楚，用户标签的本质通常是0～1之间的概率。概率标签很难验证。用户被贴上学生标签，要么真的哄他上传学生身份证明，否则很难知道他是不是真正的学生。在这种情况下，对学生用户进行营销活动，效果好坏，都受标签准确性的影响。广告、推荐、精准营销都会遇到这个问题。概率一定有多有少。虽然90%的用户和30%的用户是模型建立的预测值，这是不真实的，但我们仍然会认为前者更有可能离开，从而建立操作策略。如何选择概率阈值带来了一个新的问题？选择概率在80%以上的人，还是60%以上的人，我们要挽回流失的用户？答案已经说过了。考虑到业务，挽回流失用户是一种手段，而不是目的。实际目的是通过挽回流失用户来增加利润，因此阈值的选择很容易解决。在不同的阈值下，恢复用户的收入和成本，选择最佳解决方案。无论是推广、推荐系统还是广告系统，它们都有更复杂的维度、标签和特征。本质是找出用户最近是否想买车，用户最近是否想旅行。在最合适的时间向用户推送最合适的信息，获得最大的利益。简化了我列出的案例。例如，在电子商务和消费行业，除了生理性别外，还将在消费模式上建立性别标签。虽然有些人是男性，但他们的购物行为是女性，这是需要区分的。不要害怕看到这里，想要建立用户肖像，说简单不简单，说困难不难。如何建立正确的用户肖像用户肖像首先是基于业务模型。业务部门甚至不考虑业务模式，数据部门只能聪明的女人没有米饭很难做饭。数据部门也不关门造车，这和做产品一样，连用户的需求都没有彻底了解，匆匆上线一个APP，结果无人问津。了解消费者的决策，考虑业务场景，考虑业务形式，考虑业务部门的需求……这些概念是空的，但一个好的用户肖像与它们是分不开的。这篇文章没有说数据、模型和算法，但我认为它们比技术水平更重要。让我们从一个故事开始设置用户肖像。老王是一家互联网初创公司的核心人员，产品主要从事绿色健康沙拉，老王与绿色相匹配。该公司推出了APP垄断各种沙拉，现在需要建立用户肖像来指导操作。现阶段，公司更注重营销和销售：如何更好地销售沙拉。下图是老王简单梳理的操作流程。老王将顾客分为潜在用户和新客户，根据他们是否购买过沙拉。潜在用户已经注册了APP，但还没有下订单。新客户是只买过一次沙拉的用户。此外，还有消费两次或两次以上的老客户。为了方便大家理解，我用JSON格式来表示一个简单的用户肖像。为什么要独立制作新的客户标签？因为老王的沙拉会有新的红包来引导未消费用户的消费，一开始一切都很困难。这也带来了新客户一次后不再消费的问题，因此需要对潜在、新客户和老客户进行划分。作为一个有追求的运营商，划分老客户是不够的。在这里，用户将继续分层。传统的分层用RFM三个维度来衡量，沙拉的客户单价比较固定，F和M拿一个就够了。老王现在计算不同消费水平的用户保留率差异，比如XX元的用户在一定时间内消费，以后还会消费吗？沙拉等餐饮是高频消费，XX应选择较窄的时间窗口，统计365天内的消费意义不大。还有一点需要注意的是，不同季节的沙拉销量是不一样的，冬季沙拉肯定不如夏季，要综合考虑消费分布。让我们来定义一下，VIP用户在30天内消费超过200元。如果老王的生意特别好，他也可以继续划分超级VIP。这个标签经常与业务合作，比如VIP有赠送饮料和优先配送的权利。还需要激励非VIP人群向VIP发展。肖像的人口统计属性由用户填写订单上的收货人姓名完成。籍贯年龄对沙拉生意帮助不大。是不是给四川用户提高了麻辣沙拉？用户地址可以通过在收货地设置规则来判断。例如，如果某个地址出现X次，则可以将其视为常用地址。根据办公楼或学校的送货地点，计算用户是白领还是学生。老王对不同属性的人群采取了特殊的经营策略。和学生一样，由于7月和8月是暑假，老王提前预测校园销售额会下降。在9月开学季，返校学生可以再次召回。与白领相关的群体更注重消费体验，对价格敏感是次要的。如果平台上女性用户的消费比例较高，老王会专注于沙拉的*功能，并以每月套餐的形式增加销量。从沙拉店来看，老王的用户画像已经不错了，但由于用户流失率开始上升，他还是焦头烂额。用户流失的原因有很多:竞争对手老李沙拉的竞争，沙拉的味道，用户觉得性价比不高，老王不够帅。流失是一个很难预测的问题。老王对失去用户的定义是30天不消费。如果你想准确预测，你必须在这里尝试用机器学习建模，首先在这里省略技术。所谓建模，最好在用户开始不消费的时间点之前找到关键因素，但行为可以是属性。用户历史窗口消费量少，可能丢失；用户历史窗口消费频率低，可能丢失；用户历史窗口打开应用程序少，可能丢失；用户评论差，可能丢失；用户等待时间长，可能丢失；用户性别差异，可能丢失；餐饮季度因素，可能丢失。老王根据业务选择了可能影响业务的特点，并提交给数据组，试图预测损失。需要注意的是，这些用户的行为无法反映真实情况。让我们考虑一下，失去用户的行为是否是一个动态的变化过程？我花了很多次，但我突然厌倦了，所以我减少了消费次数，然后我不怎么消费，最终失去了。为了更好地描述变化过程，将时间窗口细分为多个等距段，单位时间段的消费忠诚度是梯度下降的。前30~20天，前20~10天，前10天，这种切分可以比前30天更好地表达下降趋势，更好地预测损失。从老王的想法来看，所谓的损失可以通过用户行为的细节来预测。虽然机器学习的建模依赖于统计手段，但也离不开业务洞察力。这里再次证明，用户肖像是基于商业模式的。通过提前发现，流失概率解决了老王心中的问题，减少了流失用户。挽回流失一段时间后，老王发现，虽然用户流失减少，但成本增加了，因为挽回用户也要花钱。亏本不行，老王心里又有了一个计划，他只挽回了