用户画像精细化运营(用户画像)

用户画像精细化运营(用户画像) 精细化 用户画像精细化运营(用户画像) 　　如今，新冠疫情除了夺走了无数生命之外，还对全球经济造成了巨大的影响，各行各业都被迫陷入了停滞状态，由此带来的业务缩减直接导致了一些公司濒临破产边缘。 　　与此同时，我们所处的经济环境也从之前三四十年的不断增长的增量经济转化到存量经济。因此，许多企业为了求生存不得不放弃之前大肆扩张的路径，转而开始向内削减各项开支与成本，修炼内功。 　　这其中就包括企业如何利用大数据来实现精细化运营和精准化营销。而要做精细化运营，首先就需要建立企业的用户画像。 　　今天就来说说为什么企业要重视用户画像？以及什么是用户画像？企业该如何搭建一套有效的用户画像？ 　　一、为什么企业要重视用户画像？ 　　1.降低营销获客成本 　　有时候我们经常不自觉的认为用户的期望跟自己是一致的，并且还总打着 “为用户服务”的旗号。这样的后果往往是：精心设计了营销活动，用户并不买账，甚至觉得很糟糕…… 　　而用户画像能够为企业提供基础画像表，展示用户的喜好、爽点、文化、消费观、价值观以及生活方式等，帮助营销人员快速找到精准用户人群，从而实现企业与用户之间点对点的营销。 　　2.提高运营效率 　　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，共同辅助业务决策。 　　比如，用户画像与用户行为分析相结合可以帮助企业找到更高质量的用户人群，计算出诸如“喜欢某类东西的人有多少”、“处在25到30岁年龄段的女性用户占多少”等等。最终企业可以专门为这批用户提供服务，实现运营效率的提升。 　　3.改善产品，优化用户体验 　　相比过去较为传统的企业生产什么就卖什么，如今“用户需要什么企业就生产什么”成为主流，于是许多企业把用户真实的需求摆在了最重要的位置。 　　在用户需求为导向的产品研发中，企业通过获取到的大量目标用户数据，进行分析、处理、组合。初步搭建用户画像，做出用户喜好、功能需求统计，从而设计制造更加符合核心需要的新产品，为用户提供更加良好的体验和服务。 　　二、什么是有效的用户画像？ 　　用户画像的概念最早由交互设计之父Alan Cooper提出，是指真实用户的虚拟代表，是建立在一系列属性数据之上的目标用户模型。 　　Personas are a concrete representation of target users.——Alan Cooper

　　随着互联网的发展，现在用户画像又包含了新的内涵——是根据用户人口学特征、网络浏览内容、网络社交活动和消费行为等信息而抽象出的一个标签化的用户模型。 　　它的核心工作主要是利用存储在服务器上的海量日志和数据库里的大量数据进行分析和挖掘，给用户贴“标签”，而“标签”是能表示用户某一维度特征的标识，主要用于业务的运营和数据分析。 　　但用户画像包含的内容并不完全固定，根据行业和产品的不同所关注的特征也有不同。对于大部分公司，可以从用户特征、业务场景和用户行为三个方面构建一个标签化的用户模型。 　　三、企业该如何搭建一套有效的用户画像？ 　　1.明确用户画像的目的 　　确认用户画像目的是非常基础也是关键第一步，要了解构建用户画像期望达到什么样的运营或营销效果，从而在标签体系构建时对数据深度、广度及时效性方面做出规划，确保底层设计科学合理。 　　2.数据的收集与处理 　　在采集数据时，需要考虑多种维度，比如行业数据、全用户总体数据、用户属性数据、用户行为数据、用户成长数据等等，并通过行业调研、用户访谈、用户信息填写及问卷、平台前台后台数据收集等方式获得。 　　对于一般公司而言，更多是根据系统自身的需求和用户的需要收集相关的数据。数据收集主要包括用户行为数据、用户偏好数据、用户交易数据。以某跨境电商平台为例，如图所示，收集这些指标性的数据，方便对用户进行有针对性、目的性的运营。 　　除此以外，就自身平台采集到的数据，还可能存在非目标用户、无效数据及虚假数据，因此企业还需要对数据进行清洗，之后我们可对收集的数据做分析，让用户信息形成标签化。比如搭建用户账户体系，可自建立数据仓库，实现平台数据共享，或打通用户数据。 　　3.数据标签化 　　在这一步企业将得到的数据映射到构建的标签中，并将用户的多种特征组合到一起。标签的选择直接影响最终画像的丰富度与准确度，因而数据标签化时需要与产品自身的功能与特点相结合。 　　如电商类APP需要对价格敏感度相关标签细化，而资讯类则需要尽可能多视角地用标签去描述内容的特征。 　　常见的标签分成两大类别：相对静止的用户标签以及变化中的用户标签。相对应的，由静态标签搭建形成的画像就是2D用户画像；由静态标签+动态标签构建出来的即是3D用户画像。 　　还得一提的是，储存用户行为数据时最好同时储存下发生该行为的场景，以便更好地进行数据分析。 　　（1）静态的用户信息标签以及2D用户画像 　　人口属性标签是用户最基础的信息要素，通常自成标签，不需要企业过多建模，它构成用户画像的基本框架。人口属性包括人的自然属性和社会属性特征：姓名、性别、年龄、身高、体重、职业、地域、受教育程度、婚姻、星座、血型……自然属性具有先天性，一经形成将一直保持着稳定不变的状态，比如性别、地域、血型；社会属性则是后天形成的，处于相对稳定的状态，比如职业、婚姻。 　　心理现象包括心理和个性两大类别，同样具有先天性和后天性。对于企业来说，研究用户的心理现象，特别是需求、动机、价值观三大方面，可以窥探用户注册、使用、购买产品的深层动机；了解用户对产品的功能、服务需求是什么；认清目标用户带有怎样的价值观标签，是一类什么样的群体。因为人口属性和心理现象都带有先天的性质，整体处于稳定状态，共同组成用户画像最表面以及最内里的信息素，由此形成稳定的2D用户画像。 　　（2）动态的用户信息标签以及3D用户画像 　　比如这里我们主要讨论的是用户在网站内外进行的一系列操作行为。常见的行为包括：搜索、浏览、注册、评论、点赞、收藏、打分、加入购物车、购买、使用优惠券......在不同的时间，不同的场景，这些行为不断发生着变化，它们都属于动态的信息。 　　企业通过捕捉用户的行为数据（浏览次数、是否进行深度评论），可以对用户进行深浅度归类，区分活跃/不活跃用户。社交网络行为，是指发生在虚拟的社交软件平台（微博、微信、论坛、社群、贴吧、twitter、Instagram）上面一系列用户行为，包括基本的访问行为（搜索、注册、登陆等）、社交行为（邀请/添加/取关好友、加入群、新建群等）、信息发布行为（添加、发布、删除、留言、分享、收藏等）。 　　给用户打上不同的行为标签，可以获取到大量的网络行为数据、网站行为数据、用户内容偏好数据、用户交易数据。这些数据进一步填充了用户信息，与静态的标签一起构成完整的立体用户画像，就是所说的3D用户画像。 　　4.绘制用户画像 　　（1）定性与定量相结合的研究方法 　　一般来说，定性的方法，在用户画像中，表现为对产品、行为、用户个体的性质和特征作出概括，形成对应的产品标签、行为标签、用户标签。定量的方法，则是在定性的基础上，给每一个标签打上特定的权重，最后通过数学公式计算得出总的标签权重，从而形成完整的用户模型。 　　（2）数据建模——给标签加上权重 　　给用户的行为标签赋予权重。用户的行为，我们可以用4W表示：WHO（谁）；WHEN（什么时候）；WHERe（在哪里）；WHAT（做了什么），具体分析如下： 　　①WHO(谁)：定义用户，明确我们的研究对象。主要是用于做用户分类，划分用户群体。网络上的用户识别，包括但不仅限于用户注册的ID、昵称、手机号、邮箱、身份证、微信微博号等等； 　　②WHEN(时间)：这里的时间包含了时间跨度和时间长度两个方面。“时间跨度”是以天为单位计算的时长，指某行为发生到现在间隔了多长时间；“时间长度”则为了标识用户在某一页面的停留时间长短。越早发生的行为标签权重越小，越近期权重越大，这就是所谓的“时间衰减因子”； 　　③WHERe(在哪里)：就是指用户发生行为的接触点，里面包含有内容+网址。内容是指用户作用于的对象标签，比如小米手机；网址则指用户行为发生的具体地点，比如小米官方网站。权重是加在网址标签上的，比如买小米手机，在小米官网买权重计为1，在京东买计为0.8，在淘宝买计为0.7； 　　④WHAT(做了什么)：就是指的用户发生了怎样的行为，根据行为的深入程度添加权重。比如，用户购买了权重计为1，用户收藏了计为0.85，用户仅仅是浏览了计为0.7。 　　当上面的单个标签权重确定下来后，就可以利用标签权重公式计算总的用户标签权重：标签权重=时间衰减因子×行为权重×网址权重。举个栗子：A用户今天在小米官网购买了小米手机；B用户七天前在京东浏览了小米手机。由此得出单个用户的标签权重，打上“是否忠诚”的标签。 　　通过这种方式对多个用户进行数据建模，就能够更广的覆盖目标用户群，为他们都打上标签，然后按照标签分类：总权重达到0.9以上的被归为忠实用户，他们都购买了该产品......这样一来，企业和商家就能够根据相关信息进行更加精准的营销推广、个性化推荐。 　　四、小结 　　用户画像发展至今，可用性已经得到了一步步的提升。完全可以满足企业想要再后疫情时代顺利度过危机的需求。而且现在的很多传统行业并不缺数据，差的只是用户画像这一层窗户纸——现有的经销商、供应链的数据与用户层面相隔太远，无法做到精确、快速、高效的获取用户需求，了解用户意愿，甚至洞悉用户愿望的目的。