好文推荐
圈子
网址导航
登录/注册
{{info.is_collect==1?info.collect_num:'收藏'}}
{{info.is_zan==1?info.zan_num:'点赞'}}
{{info.is_pinglun==1?info.collect_num:'评论'}}
复制下面链接分享给好友吧~
{{shorturl}}
复制链接
分享
什么是用户画像,一般用户画像的作用是什么?
爱运营
公众号:爱运营
{{info.update_time}}
阅读 {{info.hit_num}}
用户画像=给用户打标签。

本文来自微信公众号 “爱运营”,作者:爱运营,纷传经授权发布。



01

什么是用户画像?



简单来说,用户画像=给用户打标签。标签是高度精炼的特征标识,比如说年龄、性别、地域、兴趣等。


由这些标签集合能抽象出一个用户的信息全貌,每个标签分别描述了该用户的一个维度,各个维度相互联系,共同构成对用户的整体描述。


举例来说,如果你经常在李佳琦直播间购买彩妆,那么根据你的消费记录,电商后台就会给你打上“女性”“价格敏感”“忠实用户”等标签。


同时能根据你所购买物品的价格,判断你的消费能力,甚至能根据你所买物品的适用人群,判断你的年龄区间段。


依靠这些信息,你就会被后台拆分为无数个标签,从而让后台预判你是个什么样的人。


那么目的也就很明显,依靠这些标签信息,对你进行精准营销,给你推荐的商品信息流都是性价比高的女性用品,从而提高你的下单成功率。


640.jpg



02

做这些用户画像有什么用?



在看完上面举的电商例子后,你应该也懂了个五六分,但展开来说,就是因为用户的行为数据无法直接用于数据分析和用户模型构建,我们也无法从用户的行为日志中直接获取有用的信息。


但如果将用户的行为数据标签化,形成用户画像以后,我们对用户就有了一个直观的认识。


同时计算机也能够理解用户,将用户的行为信息用于个性化推荐搜索、广告精准投放和智能营销。


640.jpg


虽然用户画像的作用远不止这些,但大体不离以下几个方面


1.精准营销:通过用户画像,将用户群体分割成更细的粒度,利用短信、邮件做精准营销


2.数据分析:根据用户的属性、行为特征对用户进行分类后,通过数据分析不同用户画像群体的分布特征


3.产品应用:用户标签是很多数据产品的基础,诸如个性化推荐系统,CRM基础搭建等


4.数据挖掘:以用户画像为基础构建推荐系统、搜索引擎、广告投放系统,提升服务精准度


怎样才能做出一套可落地的用户画像?


不少企业做了用户画像,可能只是实现了一些静态标签,以用户基本属性为主,入门级别就是做些用户问卷调研、电话访谈。


进阶的就是通过一些后台埋点,得出男女比例7:3,华南华北比例4:6这些会被业务方痛骂的痒点数据。


没有真正用在实际业务中,对业务产生价值,最终沦为形式主义。


所以要让用户画像真的能发挥出作用,一套可实际落地的用户画像是必要条件。



03

明确业务方做用户画像的目的



这里先指出大多数人的错误思考顺序:不是因为有了用户画像,从而用画像去提升业务,而是业务有需求,才需要去建立用户画像。


举个例子,内容型社区希望通过上线知识付费模块,将该模式进行商业变现,基于此,我们需要把业务目标和要解决的问题进行梳理,根据要解决的问题去做用户画像。


只有明白了业务方做用户画像的目的,才能在之后选取出更为符合需求的数据标签。


640.jpg



04

对用户数据进行收集



常见的用户数据可分为静态数据和动态数据。由静态数据标签搭建出就是2D用户画像,例如小明,男,25岁,北京。


而动态数据标签+静态数据标签,搭建出来的就是3D用户画像。


例如小明于3.11登入30min,访问了某页面4次后,将商品加入购物车,这些就是属于动态的信息,是随着时间不断变化。


静态数据:


用户最基础的信息要素,例如姓名、城市、学历、注册时间、注册方式等。


640.png


动态数据:


动态数据:用户不断变化的行为信息,打开网页,加入购物车、购买物品等一样都是用户动态的行为数据。


640.jpg



05

构建用户画像模型



收集到基础用户数据之后,我们从用户的基本概况入手,对用户的年龄、地域、行业等维度进行分析,将用户画像进行建模。


①Who(用户)—— 哪些用户


对用户的表示,方便区分用户,定位用户信息


②when(时间)—— 什么时间发生


用户发生行为的时间跨度和时间点,比如浏览页面20s,其中点击按钮是在5s,返回是在17s,也就是时间跨度20s,发生行为的时间点分别是5s和17s。


③where(地点)—— 用户行为触点


用户接触产品的触点,比如网址访问了哪些分页,在APP上点了哪些按钮,刷新了几次,或者其他交互行为。


④what(事件)—— 触发的信息点


也就是用户访问的内容信息,比如主要浏览了类别,品牌,描述,生产日期等,这些内容也生成了对应标签。


⑤action(行动)—— 用户具体行为


比如电商用户的添加购物车、搜索、评论、购买、点击赞、收藏等。


用户画像的数据模型可以概括为下面的公式:用户+时间+行为+接触点,某用户因为在什么时间、地点、做了什么事,然后打上标签。


不同产品需求不同的标签组合,不同的标签组合也就形成了用户画像的模型。



06

数据可视化



构建完模型后,用BI工具对前面产生的用户画像进行数据可视化分析,一般是分析特定群体。


比如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间,以作出针对性的运营等。


640.jpg


客户整体分析


640.jpg


而这里常用到的数据分析模型就是RFM客户分析模型,利用BI工具计算出每个客户的RFM指标。


这里我用的是FineBI,通过客户名称、消费时间、消费金额来处理出上次交易间隔R、交易频率F、交易金额M三个原始字段,如下图所示。


640.jpg


但是要注意的是这三个指标不是死板不变的,要针对自己的行业特点灵活变通。


比如在金融行业,最近一次购买时间可能并不适用,此时可以考虑采用金融产品持有时间来代替R,这样更能体现用户与金融企业建立联系时间的长短。


把用户按照三个维度指标进行划分,也就相当于将用户放到下面这个正方体中:


640.jpg


因此我们要对指标进行切分,设定阈值,也就是为指标设定正负值,确保三个指标将用户分为八个象限。


通常比较常用的方法就是等频和等宽进行切分,比如将用户购买花费进行平均值计算。


但是平均值只适合于均类数据,对于一些不规则数据,平均值会造成很大的误差:


比如一家公司有三家客户,订单额分别为1万、5千和1百,显然重要客户应该是前两个。


而三个客户的订单平均值为5033,如果按照平均值划分数据,那么只有第一个客户符合重要客户的标准,这显然是不对的。


这时候我们就要用到聚合的功能,简单说,聚合功能就是一堆数据按照内在特征的不同进行划分。


不同类的数据之间的差别一般是很大的,这样就能找到大数据量中的“中心点”,而非平均点。


在FineBI中我们可以直接使用聚合功能,聚合指标选择“订单金额“、”时间“、”次数“,聚合数选择”3“,聚合方式选择”欧氏距离“。


这样就可以得到最终的聚合结果了,最终可以计算出每个客户的聚合R值、聚合F值和聚合M值,这就是我们要用到的参考值。


640.png


用户分类


我们将三个指标分别进行划分后,按照下图的方式进行组合,就可以得到八个象限,代表8类客户:


640.jpg

#技巧
#干货
评论 /{{info.pinglun_num}}
点击登陆后评论
发布
{{ reply.content }}
回复 删除
回复 {{ reply2.content }}
{{ reply2.create_time }} 回复 删除
更多推荐
{{item.title}}
{{item.update_time+'\u00A0'+item.hit_num+'阅读'}}
友情链接
人人都是产品经理 iconfont 135编辑器 考古加 新鲜码
公众号
作者群
关于
免责声明
Copyright 2016-2021 All Rights Reserved 杭州领帜科技有限公司 浙ICP备2020035253号-3