大家好,我是小z
之前有分享过小米用户画像PPT:48页小米用户画像实战PPT
也在后台陆陆续续有人问到画像建设中需要注意什么问题。
正值招聘旺季,发现美团快手等一线大厂都在招用户画像相关的岗位。就借着这个机会和大家伙儿聊聊用户画像中的坑。
首先来说说用户画像的目的和作用
用户画像,一定是基于某个业务场景来做。
如果业务方或者某个合作方上来就叫咱们做用户画像,而没有告知用户画像的具体目标,使用场景,那就是耍流氓。
我们要勇于把这类需求打回去,叫他们想清楚再来提需求。
当然,为了“保命”[旺柴],我们也可以坐下来,和业务方一起梳理及确定用户画像的目标和业务场景。
我们可以从大方向上,基于用户的生命周期,将用户画像的使用场景大致分为三大模块:渠道拉新的营销宣传、活跃用户的消费提升 以及 流失用户的召回拉活。
1、渠道拉新营销宣传
产品一定是基于我们认为的可以满足用户的需求。相应的,我们就有对应的目标用户。
通过目标用户的了解,我们可以更精准的知道我们该投放哪些渠道,做什么样的推广,提高用户拉新的效率。
这个阶段,我们需要建设的用户画像是关于目标用户的一些人群属性。
比如我们的目标用户是20-22岁的大学生群体,那么我们需要的标签之一是年龄;如果我们的目标用户是女性,那我们的画像维度还需要性别。
2、活跃用户的消费提升
用户来了之后,我们需要通过各种手段触达引导用户。比如弹窗,浮层,push等。
但是这些节点的选择,也是基于用户的历史行为聚合。比如我们认为用户得在3天内浏览7次内容,用户留存会有较大提升,那么我们需要在3天内,针对未达到7次的用户不断触达引导用户完成这个节点。
这个阶段,我们需要的是用户行为的标签,对用户的历史行为,做一个抽象处理。整合成一些我们所需要的业务场景。当然,我们也需要用户的基础属性。
3、流失用户的召回拉活
同样,召回拉活阶段的标签,也是基于用户的历史数据。
这里,我们需要统计抽象的是流失原因。比如用户是没有满足需求而流失,还是由于不了解产品核心功能流失,或者是已经满足了用户需求而流失。
这些,我们都可以聚合成用户的流失原因标签,从而有针对性的触达用户,更有效的召回拉活。
其次来说说用户画像的建设流程
1、数据底层构建
画像的聚合通常有2种大的方法:用户信息填写 & 算法规则聚合。
用户信息填写很容易理解,通常是在用户刚刚注册登陆时,引导用户填写。比如兴趣爱好,年龄性别等基础信息。但是随着登陆流程越来越简化,一般这种方法不会在用户注册登陆时引导,而会在后期用户使用了一段时间后再让用户填写。
算法规则聚合也很好理解,就是通过一些规则的抽象,或者算法的聚合,得到相应的用户标签。
比如我们经常刷的抖音快手,就没有用户的信息填写引导,但是肯定底层会有非常多的标签,比如某一类用户偏好吃播,某一类用户偏好旅行,某一类用户偏好美女。这个就是由算法规则统计抽象而来。
具体的算法或者规则,大家可以自行网上搜索查询,已经有非常多的资料,师兄就不细说了。
2、数据服务透出
标签通过底层数据处理好,我们肯定需要将数据存储起来。
那会有两种方式调用:一种是线上直接读取离线计算的数据库,但是这种方法的调用效率就比较低,因为需要调试程序去读取相应的目标画像标签。
另一种方式是将这些不同场景下的标签,封装成一个数据服务平台,通过接口调用。这样无论任何程序任何功能,都直接使用画像的一个平台化服务,维护成本和接入成本都会小很多。
最后说说用户画像要注意的问题
1、用户群体选择
有个故事是这样的:二战的时候,美国很多飞机被击落。军方找了很多专家来商讨飞机哪个部位该加固。很多专家都说机翼,因为飞回来的飞机大多数弹孔都在机翼上。但是其中一个专家问了一个问题:我们看到的飞回来的飞机,弹孔都在机翼上,但是那些没有飞回来的呢?
说这个故事,师兄是想告诉大家,我们在建设用户画像时,最好是以全量用户为基础用户。比如我们电话回访了一批用户,或者问卷调研了一批用户,我们都不能将这批用户作为数据统计基础。就算是用,也得抽样的样本量足够大。
2、用户ID映射
这个也是为了保证用户的一致性。比如我们有一个主APP,还有一个小程序。这时候,用户A在主APP使用了,也在小程序使用了。如果没有一个ID体系,可能他就被分成了两个用户,且标签也就会不准。
所以对于这种情况,我们需要的是ID映射。即一个用户在我们的产品上,无论是哪个平台,都只有一个ID。这样不但能更全域的知道和了解用户,还能建立起ID映射体系,统计用户的全部场景信息。
●图解最常用的10大机器学习算法!●12000+字超详细 SQL 语法速成!
后台回复“入群”即可加入小z干货交流群