用户画像 — 作者:姚凯飞
互联网公司的核心:
用户体验(商品,供应链,物流,营销,活动…)
大家常有的困惑:
没有合适每个用户的产品(商品)!没有适合每个听众的课程!
其中一个手段:
以增量用户拉取,存量用户数量和价值的保有为目标,利用大数据技术精准用户画像,并结合商品画像,解构用户及商品,精细化耕作,最终在重点目标客户群体上形成突破。
目录:
什么是用户画像(what)
为什么需要用户画像/精细化运营(why)
如何构建用户画像(how)
举例(方法论)
总结
课程目标:
了解用户画像及构建方法
熟悉常见用户画像应用
尝试结合工作做一些实践
Part 1 什么是用户画像
什么是用户画像
A user profile is a visual display of personal data associated with a specific usr, or a cunstomized desktip enviroment
用户画像就是与用户相关联的数据的可视化的展现;一句话来总结就是:
用户信息标签化
用户画像可以简单理解成是海量数据的标签,根据用户的目标、行为和观点的差异,将他们区分为不同的类型,然后每种类型抽取出典型特征,赋予名字、照片、一些人口统计学要素、场景等描述,形成了一个人物原型(personas)。
Part2 为什么需要用户画像
为谁服务
1、为谁创造价值:建立对客户的尽量全面的理解
2、把握:学会识别用户的解决方案和用户在场景下的诉求
永远不要幻想你的用户能告诉你,他们真正需要的是什么。
持续验证你的假设
产品十定论
1、定人:给谁
2、定时:这个产品在什么时候、季节、节令里应用
3、定景:如何考虑产品在场景变化中的需求结构
4、定质:质是质量标准,一定要考虑产品的质量标准是什么?基于质量标准,会引发出到底你的采购,运营,技术需要什么样的安排
5、定规:我们做产品一定要强调规格,运营经营什么样的产品
6、定组:在产品中,不同的品类中需要考虑组的结合,比如我们的组有两个:a. 品牌下的小组 b.品类下面的细分
7、定形:形就是形状和物理状态
8、定名
9、定价
10、定销
人,用户通过内容形成粉丝,精准引导及匹配消费
货,商品走向柔性供应链,数据驱动产销配一体化
场,渠道匹配品牌和运营能力的节奏布局(含场景)
用户画像的目的
微观:
勾画用户与联系用户需求与产品设计,便于解构场景内用户
各类数据应用:作为推荐、搜索、风控等重要一环而存在
定性和定量化方法很好结合在一起的载体,数据化运营和用户分析
精准营销和定向投放,使产品的服务对象更加聚焦,更加的专注。
宏观:
构建具象认知以及战略、战术方向
探索用户足迹,市场细分与用户分群,并以其为导向(市场)
统一建模预测分析
人口属性细分
明确“是谁”,“购买了什么”,“为什么”
购买行为细分
提供市场机会、市场规模等关键信息
市场需求细分
提供更具差异化的竞争力的产品规格和业务价值
兴趣态度细分
提供人群类别画像:渠道策略,定价策略,产品策略,品牌策略
精细化用户分群
行为特点、回访留存、群体画像、漏斗转化
根据用户行为的特征将其按需拆分成不同属性的用户群
例如:做过A事件的人拆分成一个用户群,做过B事件的拆分成另一个群,看群体用户画像有什么区别,看他的留存和回访有什么区别。
Why-回顾
用户画像很重要!!
Part 3 如何构建用户画像
各方法的差异
目标:消费者调查 | |||||
方法 | MR | 数据挖掘 | UE | ||
洞察应用 |
产品设计策略/营销策略/品牌定位策略/定价策略 |
为营销找到合适的目标群体提供产品设计智能化、安全性 | 界面设计策略,用户满意度 | ||
洞察什么 | 整个品类/产品/细分市场整体消费者 | 自由产品消费者 | 典型消费者 | ||
产品使用/购买的动机、态度、行为:消费者价值取向 | 消费者使用/购买的真实发生行为 | 使用习惯、认知策略、期望 | |||
如何洞察 | 深度、针对性、互动性访谈 | 历史记录的所有产品所有使用/购买行为 | 观察 + 访谈 + 数据 | ||
一对一深度访谈 + 座谈会 + 随机抽样调查 | 统计指标体系分析 | 数据建模挖掘 | 针对性算法开发 |
用户现场体验 焦点小组 专家组评审 |
|
收入、市场角度 | 产品、流程、安全性角度 |
专家评审 流动体验室(跟用户回家) 眼动实验 |
用户画像 – 维度
人口属性 — 用户是谁(性别、年龄、职业等个人基本信息)
消费需求 — 消费习惯和消费偏好
购买能力 — 收入及购买力、购买频次和渠道
兴趣爱好 — 品牌偏好、个人兴趣
社交属性 — 用户活跃场景(社交媒体等)
用户画像 – 层级
01 基本用户属性 |
个人属性 性别、年龄、学历、职业 价值属性 月收入、财务状态、消费能力 |
通讯属性 入网年费、消费层次 位置属性 常在区域、出行情况 |
社会属性 所属行业、岗位层级、工作年限 |
|
时间偏好 PC端活跃时间、手机端活跃时间 |
渠道偏好 常用网页、常用APP、PC端、手机端 |
兴趣爱好 游戏、新闻、社交、阅读、购物、影音、 金融、旅游、动漫、摄影、时尚、宠物、 收藏、汽车、体育、美食、军事、… … |
02 用户行为标签 |
|
03 浅层用户画像 |
性别、年龄、关键人生阶段、所在城市、有房有车、兴趣偏好、风险偏好、营销敏感度、非金融产品需求、金融产品、需求、社交关系、上网时间、… … | |||
高价值客户、高风险理财偏好客户、近期境外游需求用户、车险需求用户、近期贷款紧急需求客户、经常使用外卖APP的电子银行客户、潜在家庭人寿保险需求客户、 母婴亲自产品需求客户、潜在欺诈客户、潜在高风险客户、… … |
04 深度用户画像 |
用户画像 – 标签层级
… … | |||||
行为属性 | 上网习惯 | 活跃情况 | 活跃情况 – 老用户 |
账号开通以来,发生以下之一的业务 1、发生a行为至少1次 2、发生b行为至少2次 3、发生c行为至少1次 |
模型标签 |
活跃情况 – 流失用户 |
属于老用户,但不符合以下条件之一: 1、过去 30 天时间里,发生a行为1次 2、过去 30 天时间里,发生b行为1次 |
模型标签 | |||
活跃情况 – 微信48小时活跃粉丝 |
符合微信活跃条件,48小时进行以下操作: 1、新关注 2、点击自定义菜单 3、发送消息 4、扫描二维码 5、支付成功 6、用户维权 |
事实标签 | |||
用户分类 | 人群属性 | 年龄阶段 | 年龄阶段 – 80后 | 出生时间:1980 – 1989 | 事实标签 |
年龄阶段 – 90后 | 出生时间:1990 – 1999 | 事实标签 | |||
地区分布 | 地区分布 – xx | 选择城市 | 事实标签 | ||
商业属性 | 电商业务 | 购买频度 – 高频用户 | 过去12个月内,累积订单数超过24 | 模型标签 | |
购买频度 – 中频用户 | 过去12个月内,累积订单数 5 – 24 | 模型标签 | |||
购买频度 – 低频用户 | 过去12个月内,累积订单数小于5 | 模型标签 | |||
购买频度 – 新用户 | 至今,累积订单数为 0 | 模型标签 | |||
金融支付 | 支付频度 – 高频用户 | 过去30日内,累积支付笔数大于 150 | 模型标签 | ||
支付频度 – 中频用户 | 过去30日内,累积支付笔数 20 – 150 | 模型标签 | |||
支付频度 – 低频用户 | 过去30日内,累积支付笔数小于 20 | 模型标签 | |||
支付频度 – 新用户 | 至今,支付笔数为 0 | 模型标签 | |||
消费订单比例 – 消费狂 | 订单消费比例高于 80% 或过去30日内,超过 30 件 | 模型标签 | |||
消费订单比例 – 消费达人 | 消费订单比例达到在 20 – 60% 减过去 30日内,在 10-30件之间 | 模型标签 | |||
消费订单比例 – 普通者 | 电商订单比例达到低于 10% 减过去30日内低于 10件 | 模型标签 | |||
充值 – 充值新用户 | 至今,未充值过 | 模型标签 | |||
… … |
常见用户画像标签
基本特征 |
性别 母婴年龄预测 顾客消费年龄 地域气候 |
社会身份 |
家庭用户 学生 公司白领 中老人 顾客职业的行业 |
注册用户生命周期 |
注册用户转新客 PC转移动 类目半新客转化 流失得分 |
类目偏好 |
果粉 吃货 高品质生活 家庭日用品 手机数码达人 礼物礼券 |
购物属性 |
跨区域购买用户 日用品周期购买 顾客价值得分 促销敏感 辣妈、丽人 |
风险控制 |
黄牛小号判别得分 注册异常用户判别得分 积分获取异常用户得分 |
其他偏好 |
购买力 关键词 品牌 单品 店铺 销量 B/C |
类目标签(主题推荐)
女装 |
甜美文艺 职业通勤 个性街头 妩媚性感 气质名媛 |
饼干/糕点 |
三高人群 瘦身减脂 独爱花香 香甜 鲜咸 |
茶叶 |
清热解暑 补血益气 清肝明目 呵护女性 健胃消食 |
流行首饰 |
恋恋深情 卡通图案 平安 乔迁 金饰 |
身体护理 |
抗敏感 滋润型 中草药 清香型 防晒隔离 |
公共 |
儿时回忆 懒人必备 便携旅游 送礼必备 宴会待客 |
如何构建用户画像
用户静态/动态画像
静态画像 – 评估价值:用户相对稳定的信息
动态画像 – 循迹:用户不断变化的行为信息,根据用户行为将物品的结构化结果传递给用户
统计/预测类画像
每天看新闻类型占比
用户的性别,生理性别与行为性别
如何构建用户画像
静态画像:实时性弱,覆盖广,力度粗
动态画像:
一般建立兴趣模型,更加实时并且动态
用户行为可以解构为5w
时效性非常敏感
在空间上,不同应用领域侧重点不同,营销领域更侧重消费习惯,推荐领域更侧重喜好
如何构建用户画像
不同行业、不同业务场景对用户画像需求大不同。
目标相关的
产品/品牌相关
商业目标相关
项目目标相关
如何构建用户画像
偏好画像数据建模方法:
标签 = 用户标识 + 时间 + 行为类型 + 接触点(网址 + 内容)的聚合
事件模型:主要通过收集用户行为,并结合上下文构建事件模型,主要为5w
整体思考建模:用户标签的权重可能随时间的增加而衰减,因此定义事件为衰减因子r,行为类型、网址决定了权重,内容决定了标签,进一步转换为公式:标签权重 = 衰减因子*行为权重
用户画像 – 偏好类标签
需求量最大
通常只反应用户一段时间内的兴趣点,并有可能随着时间的推移发生改变,比如衣服尺码
无法精确的用0和1表示
一般与业务强相关,哪种行为权重更大,时间窗口多长比较合适
无复杂逻辑,加工过程和流程非常相似:加权汇总一段时间内的几种行为后,归一化到 [0,1]
如彩妆功能偏好,美妆肤质偏好,洗发护发功效偏好,品牌偏好,类目偏好
用户画像 – 实时风格偏好预测
实时风格偏好预测
除了性别、年龄、购买力等,一些抽象的兴趣点也非常有帮助
用户行为和兴趣的多变性,长期偏好抽取的方式无法满足用户的需求,需实时的抽取用户的风格偏好
用户画像 – 基于标签聚类的人群生成(圈人)
实现方案
按维度(n天内)加权汇总某类主题和实体(买家)在某种对象(品牌名)上的相关行为(点击,收藏,加购,交易),然后归一化到 [0,1] 之间,取TopN或全部输出
可以调整的为维度、主体、对象、行为、权重等
并结合实践衰减,使越久远的历史数据影响越小
How – 回顾
维度/粒度
动态/静态
常见画像及层级
构建方法举例
闭环/实践出真知思维
Part 4 用户画像的应用
用户画像 – 应用
竞品
人群分析后,你知道了你真正的竞品是谁
品牌刚刚建立
需要快速提升知名度,可以按照不同媒体目标人群覆盖率的高低进行预算分配
渠道优选
引流渠道进行优化
使用上述分析结论,进行策略制定
对各个渠道的量进行重新分配,并实验
商品定位调整
用户画像应用
用户分析
产品早期,PM们通过用户调研和访谈的形式了解用户。在产品用户量扩大后,调研的效用降低,这时候会辅以用户画像配合研究。新增的用户有什么特征,核心用户的属性是否变化等等。
数据分析
用户画像可以理解为业务层面的数据仓库,各类标签是多维分析的天然要素。数据查询平台会和这些数据打通
用户画像 – 投放
分析历史某个时间窗口内的用户,哪些方面是有特征的,比如年龄段,性别,地域,收入,偏好等,有了这样的分析,可以选择相应的人群投放。
输出到媒体广告,做预算看效果,然后将效果数据回流,再去迭代,以提高进一步的准确率。
通过某个特征找人,再去分析这些潜在用户,找到可以触达他们的渠道。
广告投放建议
xx广告投放建议
强相关人群特征:
性别:男性
年龄:中年、壮年(25-40岁)
地域:重点投放广东、江苏、上海、浙江、北京等地
商品偏好:母婴用户、本地生活
媒体偏好:母婴育儿、影视、新闻
此类用户最有可能转化成xx核心人群,建议加大营销力度。
xx广告投放建议
潜在兴趣人群特征:
年龄:xx在青壮年用户覆盖度不够,明显低于小米和苹果,建议重点对青壮年人群进行营销,同事可以考虑与耐克、阿迪达斯一起合作吸引青年用户群
地域:重点浙江、山东、四川、福建等地,同时扩展到全国地区
商品偏好:数码、运动户外、家用电器
媒体偏好:时尚、历史、医疗健康
扩大目标用户范围,通过营销数据沉淀出xx核心用户群和强相关用户群。
用户画像应用
精准营销:
从粗放式到精细化,将用户群体切割成更细的粒度,辅以短信、推动、邮件、活动等手段,驱以关怀、挽回、激励等策略
数据应用:
推荐/搜索/广告系统。操作过各大广告投放系统的同学想必都清楚,广告投放基于一系列人口统计相关的标签,性别,年龄,学历,兴趣偏好,手机等等。
用户画像应用
休眠客户激活
高价值客户寻找
自定义客户放大
流失客户挽留
客户分群营销
优惠券活动
客户消费激活
CRM常见问题
现状1:CRM库里有千万的会员资料,但不知道怎么用 – 会员行为标签少
-没有统一的标签采集维度
-缺少分析模型
-数据杂乱,未作画像匹配现状
现状2:花了很多钱做推广营销,流量抓到了,用户留存始终很低
-缺少用户生命周期的系统规划
-用户培育运营成本较高,企业没有动力投入
-缺少用户画像,难以系统地进行用户培育现状
现状3:花了很多钱做粉丝福利,可是粉丝转化为忠诚会员的比例还是很低
-缺少用户生命周期的系统规划
-抓不到用户痛点,促销机制不能满足核心用户需求
-缺少用户画像,难以系统化地进行会员忠诚度管理
注意点
现有用户是不是等于目标用户?
猜用户是男是女,哪里人,工资多少,有没有谈恋爱,喜欢什么,准备剁手购物吗?探讨这些是没有意义的。是男是女如何影响消费决策,工资多少影响消费能力,有没有谈恋爱是否带来新的营销长金,剁手购物怎么精准推荐,这些才是用户画像背后的逻辑。
实操-回顾
实践出真知
Part 5 总结
用户画像 – 总结
结合业务场景去分析维度
不要简单看画像,一定要做对比。单纯看分布式没有太多信息含量的,不对比看不出差异
环比的对比,那些人触达了,那些人到app落地了,那些人注册了,那些人真正浏览了,那些事留存,那些是付费,漏斗的每个环节都需要分析
直觉未必靠谱,一定要通过反馈来检测,要有数据闭环
活动和用户场景可以做专属的标签
要有目标
要有数据
不要拘泥于技术细节
253 thoughts on “用户画像”