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

以上就是关于产品和运营角度的用户画像的相关介绍，更多产品和运营角度的用户画像相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对产品和运营角度的用户画像有更深的了解和认识。