关于用户画像,我用4000字给你讲明白
swimming ? 知乎专栏

1、什么是用户画像?

用户画像又叫用户标签,是基于用户在互联网上留下的种种行为数据,将这些数据主动或被动的收集后,通过数据加工分析,产生的一个个标签。比如男性,90后,白领,喜欢购买电子产品,月工资15000等等。

用户画像的内容可以很宽泛,只要是对用户的认知,都可以叫做用户画像。但你所去认知的这批人必须是你的典型用户,他们会用相似的方式使用你的产品,服务或消费你的品牌。

2、用户画像的作用

关于用户画像的作用,我认为主要有以下三点:

1.精准营销:我相信这是很多运营同学为什么来看这篇文章的原因,从简单粗暴式操作到精细化的运营,将用户人群进行分层,再用短信、push、推文等手段,刺激用户对产品的使用、下单,或对用户进行召回等。

2.广告投放:品牌处于业务高速发展期时,需要大量对外曝光。由于推广预算有限,在渠道的选择上,就要求能有更多自己典型的用户进行推广,这时就需要用户画像的配合了。

3.数据分析:这个可以理解为建立数据仓库,利用各个标签将各个数据系统打通,比如之前的文章《微信公众号高阶运营策略,建议你和产品经理一起来看看》,讲的是利用公众号进行定向推送,那么把用户在公众号上的行为和电商APP上的行为均建立行为标签并打通,继而建立数据仓库,然后制作出用户画像,那么精细化的推送策略才是完美的。

3、如何建立正确的用户画像?

接下来来到了很多人最关心的部分,如何建立正确的用户画像。

首先需要明确一点,所有的用户画像都是基于业务模型的,很多同学连自己的业务模型都没有搞清楚,连业务场景和形态都没弄明白就开始做用户画像,基本上就是在做无用功。

下面我用一个小故事,来帮助大家理解,如何更好地建立正确的用户画像。

小明开始创业了,开发了一个APP售卖各类零食,经营半年后,效益非常不错。但是现在发现业绩增长乏力,加大推广投入后仍不见起色。于是找到我,希望我为他们建立一套精细化运营的策略来提升业绩。

当我跟小明进行深度沟通后发现,小明的团队一直都是粗暴式的运营,根本没有运用数据来驱动业务增长。于是我准备先帮小明梳理清楚他的用户画像,再来做下面的运营动作。

首先,我将他的最基本业务流程给画了出来。

image.png

按照这个图,首先我根据是否有购买过沙拉,将小明的用户划分成了5类:

  • 潜在用户(注册了APP但未下单)

  • 新用户(购买过一次)

  • 老用户(购买过2次及以上的用户)

  • VIP用户(90天内消费超过200元)

  • 流失用户(90天内未来消费)

这里分享一个神奇的数据,用户只要产生了一次复购,即一定时间内购买过2次,则此人的留存率将提升30%。

★针对潜在用户,给予新人礼包,促使产生第一次购买;

★针对新用户,则需刺激他尽快产生一次复购,比如给他定向推送上一次购买品类的其他产品,并用红包刺激下单;

★老用户则希望利用vip用户的权益来刺激他们成为老用户,比如VIP用户可享受优先发货,赠送赠品,参与试吃等活动。

这样用户画像就出来几个了


image.png

之后,再通过用户的自身属性来增加用户标签。

我让小明把所有用户的订单全部导出来,以订单地址为依据来做判断。比如一个用户多次使用同一个地址收货,那么就判定此地址为常用地址,然后根据常用地址是公司写字楼还是学校,来判定此用户是白领还是学生。

对于学生和白领用户的运营策略,将会是完全不同的。

对于学生来说,性价比可能是优先考虑的因素,可以重点推荐他们一些相对便宜的零食。或者做一些裂变活动的时候,可以优先PUSH到他们。还得考虑到学生7-8月和过年期间的假期和开学时间段,通常来说,开学期间的消费需求会比较高一些

对于白领来说,可能性价比就不一定是优先考虑的因素,消费体验可能更重要,那就推荐一些口感比较好的进口零食,或者不易胖的低脂零食。消费场景在公司的话,还要考虑到拆包裹,吃零食的场景,考虑到客户拆包时若被其他同事看到,有可能产生分享心理,那么就可以设置团购的优惠,或者推荐包装比较大的分享装。

到这里,用户标签又丰富了几个。


image.png

最后,我们通过用户在APP端的行为来预测流失用户。

我们从数据中发现,增长减缓的主要原因,是用户流失率开始上升。流失的原因会有很多,最重要的是找到用户不消费时间节点之前的关键因素。

比如:

  • 用户一段时间打开APP的次数少了,那么就可能会流失(此时流失的关键因素是APP打开次数的减少)

  • 用户给过差评,那么就可能流失(此时流失的关键因素是差评客户未及时维护);

  • 用户下单至收货之间的物流时间超过7天,可能流失;

  • 用户十几天都没再登入APP,可能流失;

  • 用户第一次下单的金额特别少,就可能流失。。。

原因特别多,把尽可能想到的原因都列出来,然后利用机器学习建模进行预判。(技术的问题这里就不分享了)

需要注意的是,所有这些都是动态的,所以我将用户的回购或再浏览周期定为7天(拍脑袋想的,买了一次零食后,7天内一定会吃完)。根据不同的业务情况,尽可能的将时间周期切分的更细一点,更容易分析。接着就按照数据情况,通过用户行为的细节进行预判。

有了这些判断,就可以在不同阶段有针对性的进行召回。

根据用户购买零食的偏好来分

零食分为肉类、膨化食品、休闲零食、代餐类、减脂类等等,小明根据用户购买的品类偏好来分,可分为:喜好吃肉、喜好膨化食品等等。


image.png

根据消费模型综合因素来分

此外,还可以用RFM模型(衡量客户价值和客户创造力能力的公交)来分(不了解RFM模型可以自行百度),这个就相对比较复杂一点,后面单独出一篇文章来讲。

看完这个案例,我相信你一定有点感觉了。

然后再来看这一套底层的生产思路:

第一步,确定业务目标;
第二步,跑出数据,生产标签;
第三步,分析数据,洞察用户。洞察并不是最终目的,因为洞察只是得到一个结论或者方向;
第四步,开始应用。应用后又带来新的数据,从而形成数据的闭环。

第一步,确定业务目标

以应用来驱动需求。很多同学都会犯都一个错误,他在做用户画像多时候,一次性能搞出几千个标签。其实这并没有什么用,因为你根本用不了这么多标签,你还会被这么多标签搞得不知道怎么办。

第二步,跑出数据,生产标签

数据是一切的核心,没有数据说要建很多标签是没有用的,如果你手里没有数据,或者数据不多,你第一个工作不是建后面的标签体系,而是要赶紧找数据。

数据主要来源是用户在注册时填写的,还有在平台上的行为,无论是互动行为、浏览点击行为还是消费行为。然后通过这些行为来建立标签体系,当然有些标签是客观存在的,有些标签是根据逻辑预测出来的。

比如填了性别的,或者通过微信的unionid获取的,这就是客观存在的;但是如果这些信息都没有,那就根据用户的名字进行预测,像王小红基本就是女性,王小虎基本就是男性了。当然,预测一定是会有误差的。

一般我们会通过用户属性和行为数据,建立基础的用户标签体系

通常有这4大类:

第一类:人口属性。比如说性别、年龄、常驻地、籍贯,甚至是身高、血型,这些东西叫做人口属性。
第二类:社会属性。因为我们每个人在社会里都不是一个单独的个体,一定有关联关系的,如婚恋状态、受教育程度、资产情况、收入情况、职业等。
第三类,兴趣偏好。摄影、运动、吃货、爱美、服饰、旅游、教育等,这部分是最常见的,也是最庞大的,难以一一列举完。
第四类,用户行为。3、7、15、30日内登录时长、登录次数、登录时间段、浏览深度、价格偏好、购买偏好等等。

第三步,分析数据,洞察用户

利用原始数据进行加工,建立模型标签。比如上文说到的我针对流失率提升,建立的预测模型,当你能洞察到某一类用户的某一些行为,就可以预判到这一类用户可能即将流失时,你就能用各种策略进行挽回了。

所以基于营销和消费相关的标签,新客、老客、用户的流失和忠诚、用户的消费水平和频率等,都是构成CRM(客户关系管理)的基础,可能大家更习惯叫它用户/会员管理运营平台。

第四步,应用标签

光有用户管理平台不行,还得转换成产品运营策略。不同的标签对应不同的用户群体,也对应不同的营销手段。CRM的结构中会包含各类触达用户的常用渠道比如短信、邮件、推送等。也包含CMS(内容管理系统),执行人员通过其快速配置活动页、活动通道、优惠券等,靠营销活动拉动数据。让数据跑起来产生闭环后,就可以让用户画像原来越清晰,标签越来越精准。

注意:不要拘泥于技术细节。用简单的方法快速走通整个流程,然后再去看哪些环节需要优化去深入,比如上面流失预测,可以把时间维度切分为一天甚至一小时,但是根本没必要。快速跑完整个环节才是核心。


CIO之家 www.ciozj.com 公众号:imciow
关联的文档
也许您喜欢