有同学问:到处都看到吹用户画像的,可就是没见过真正例子。今天我们来一个:利用用户画像提升交易额的实战例子。而且这个例子就发生在我们身边。陈老师上周带娃的时候刚刚碰到的,还新鲜热乎着呢。
1
一个活生生的用户画像实例
秋高气爽,爸比带着coco出去玩,在某个湖边看到好多人在放风筝。突发奇想:我们也去放吧!coco表示:嗯!于是俩人一起去走鬼(广东话,指无证流窜小摊贩)大叔那买风筝。
看到coco喜欢,爸比就准备掏钱了,然而峰回路转,没想到又有下边一段
然后爸比就和coco愉快的放风筝去了。可事后一想:我勒个大槽,这不就是基于用户画像的,用推荐系统提升交易的完整流程吗!数据采集-打标签-产品推荐-向上销售一气呵成,还做了二次推荐,把成交率和客单价分开提升,真是巧妙。
虽然大叔没有啥大数据系统,也不懂写代码,可这办事的思路,却远远胜过还在到处问“推荐风筝的算法有哪些”“BAT是怎么卖风筝的?”“我是互联网风筝行业的,有没有懂互联网风筝问题的大佬”的新人了,毕竟实践出真知,抄袭降智商。
然而仔细一想,事情并没有这么简单:卖玩具的多了去了,为什么偏偏是风筝呢?
2
用户画像的真正用途
常溜娃的家长都很熟悉,在公园、池塘、草地附近,都有小摊贩卖泡泡棒、玩具枪、魔法棒、挖沙工具、风筝一类玩具。看似都是卖玩具,可细细品来,不同玩具的差异非常明显。
01
玩具枪、魔法棒:
这一类玩具款式非常重要!是不是巴啦啦小魔仙的魔法棒,是不是吃鸡的98K,直接决定了小朋友买不买。这是典型的:爆款驱动。爆款是可以人为创造的。这里考的就是业务设计、推广能力。选款不行,一切白费。再好的推荐系统也帮不上忙。
02
泡泡棒:
这一类玩具卖点很突出:漫天泡泡飞啊飞。所以丫根本不需要推荐。你只需要埋伏在路边,等着一群小朋友走过来,然后往天上一呼,哗啦啦好多泡泡向小朋友方向飞去。然后就十有八九有小朋友想买。这是典型的:体验驱动。这里考的是销售能力,让用户体验到效果。不然不让体验,光叨逼叨推荐,还是会丢掉。
03
挖沙桶:
这玩意同质化程度非常高(一个方头铲、一个尖头铲、一个耙子,一个小铲,一个贝壳模型,一个海星模型,一个小桶,全国同款)。而且功能非常明确、单一:挖沙!对家长而言,没啥好说的,便宜就买,贵了就不买,典型的价格驱动。这里考的是定价,价格贵了,再推荐,家长也不当冤大头。
相比之下,风筝非常独特:
风筝撑开的话体积太大,不容易陈列,不容易供客户挑选。
风筝的花色、尺寸、图形,确实很多人会在意。你还不能不让人家挑。
风筝单价相对较高,卖贵了,大人分分钟掉头走人,卖便宜了不挣钱。
特别是对于走鬼大叔,真要是把风筝都摊在地上,估计城管来了跑都跑不掉!而且摊几十个风筝在地上,卖相也很差,家长挑选也很辛苦。要知道,没有家长是心甘情愿带着孩子去小摊上买东买西的。大部分都是怕/被孩子又哭又闹的苟且之计。所以多增加一点选择负担,就多一点损失客户的几率。因此推荐系统在这里就很好用。
对比这四个品类,我们发现:推荐系统只是商品管理的一个辅助工具而已,适用于非爆款、品类间有一定差异的产品。但是,商品管理的每一种战术,都和用户画像有关,理解用户,才能精准的满足需求。所以不要一提用户画像就想到推荐上去了,还有更多工作可以做呢(如下图所示)
3
有用的用户画像为什么难做!
既然用户画像这么好用。那为什么我们总觉得,用户画像是搞了一堆数据堆在那,最后屁用没有呢?因为想做出有用的用户画像,需要规避太多的坑了。
坑点一
没有明确干什么
如果走鬼大叔见了家长,不问人家买什么,在那谈天说地瞎聊天。他还能卖出风筝吗?当然不行,可能扯淡是扯个爽的。这就是有目标和无目标的区别。对应到工作中,很多人做用户画像是基于:“领导要求做”“我看人家都在做”
至于:
做了干啥?
哪个部门用?
用在什么场景?
提升什么指标?
这个指标当前是多少?
预计提升多少?
提升指标需要什么配套?
完全没想过
这要是做出来有用,就见鬼了。╮(╯▽╰)╭
坑点二
数据质量没保障
注意,大叔明明看到了一个爸比+一个小朋友走过来,可他还是问了:“大人放还是小孩放?”没有想当然,这是专业性的表现。因为玩具是一个典型的使用者和购买者分离的场景,特别是风筝,大人小孩都可以玩。这时候确认真实性是很重要的。
对应到工作中,就是我们常说的数据质量。数据质量是一切分析的前提,而很多公司是低估了数据采集的严谨性的。在所谓“标签扩散法”出来以后,更有一帮做数据的新人,自己都以为不要采集,只要有算法就能算出真实数据了,这就真的是自断生路了。数据质量,永远都是越高越好。
坑点三
不打标签只捞数
注意,大叔问的是一个标签,不是一个原始数据。比如大人也可能有身高150,小孩也可能身高150。那为什么要问标签,而不是一个具体数值呢?一来问标签数据采集难度小,二来孩子这个标签不但代表了身高,也代表了审美,作用远比原始数据丰富。
这就是标签作用的直观体现:含义丰富,使用方便。这也是为啥采集了数据,还得继续打标签的原因。标签是经过提炼,有含义的数据分类,比原始数据要有用的多。
坑点四
效果缺少验证,更没有迭代
说到标签有用,于是就有人患上了标签狂热症,疯狂打标,不管丫有用没用,有多大用,总之标签越多越好。可没有验证过效果的标签,跟没有一样。更不要提基于初级标签,再制作更复杂的二级,三级标签了。
有意思的是,走鬼大叔就用了二级标签的策略。注意,如果一开始就说:普通风筝20,儿童风筝30,那很有可能家长就直接选20的了。如果一开始说:风筝30,有可能把家长吓跑。但是先确认家长愿意买,再推荐一个“不伤手”卖点的贵绕线轮,成功率就大大提升。因为已经确认了:这个家长肯迁就孩子,那肯迁就孩子的家长,肯定大概率会买个贵的。实际上,不完全统计,现场有一半都是“不伤手”的绕线轮,嘿嘿,其中滋味,你品,你细品。
4
小结
当然,以上只是陈老师的借题发挥。大叔可能仅仅是够机灵,根本没有思考这么多。但是这种直观的例子,是非常适合大家记忆的。当你下次迷茫在“到底用户画像有啥用????”的时候,可以再回味一下哈。
这里还有一个小问题,看起来这个过程很简单呀,为啥还需要专业的数据分析师来做呢?业务人员自己也能总结呀。答:两个原因,一来实际商业场景中数据量大,维度多,处理起来非常耗费时间,需要专业人员来做。如果你看到你的运营不是在设计方案、选礼品、调查用户,而是一天8小时在搞数据,那这公司离倒闭也不远了。
二来,业务人员的经验很容易被短期效应打脸,进而做出错误判断(如下图所示)。业务人员KPI挂帅,容易选择短期见效的,忽视长期效应。这时候就需要数据分析师,沉住气,长期观察,沉淀经验。才能更好指导业务。
所以,做数据分析的同学要对自己有信心。数据的价值绝不止于一个复杂的模型,基础工作,方法沉淀,经验总结,反哺业务,都是我们能做的。方法并不是越难越好,而是越有用越好。切记切记。
本文只是简单点了一下用户标签,有兴趣的同学,本篇集齐60个在看,我们专门分享用户标签的做法哦。
-END-
邀你看看用户系列:
邀你看看年底必备系列:
扫描关注,更多超棒分析思路及职场经验分享
百看不如一听,百听不如一练,购买《商业分析全攻略》视频课程,加入陈老师学员群,可全面系统学习商业分析的方法、思路和工具,并在遇到实际难题时获得陈老师一对一指导,点击下方“阅读原文”了解课程。
????