用户画像分析怎么做(90%的人都做错的用户画像)

教育 2022年3月23日21:14:19评论49字数 2496阅读8分19秒阅读模式

前几天,有个搞运营的小伙伴向我吐槽,熬了几个夜做出来的用户画像被老板说垃圾。不管是市场人员、运营人员还是产品经理,都躲不开“用户画像”,但经常听到伙伴们抱怨,这个词太大了,根本不知道从哪里下手。

老李给大家归纳了一套用户画像学习方法,从理论到实践,教大家怎么做好用户画像。

什么是用户画像?

简单来说,用户画像=给用户打标签。举个例子,如果你关注老李的头条,每天看的都是数据分析类的内容,那你就会被打上“数据分析”、“职场”等标签,下次打开头条,给你推荐的就是“如何转行数据分析”、“数据分析必备工具”等文章。用户画像涉及的范围很广,下图给大家归纳了一下7个可以参考的方面。

用户画像分析怎么做(90%的人都做错的用户画像)

做这些用户画像有什么用?

做用户画像的过程,就是将无法具像化的用户行为数据转化成能够直观认识的用户标签。

用户画像分析怎么做(90%的人都做错的用户画像)

虽然用户画像的作用远不止这些,但大体不离以下几个方面

1.精准营销:通过用户画像,将用户群体分割成更细的粒度,利用短信、邮件做精准营销

2.数据分析:根据用户的属性、行为特征对用户进行分类后,通过数据分析不同用户画像群体的分布特征

3.产品应用:用户标签是很多数据产品的基础,诸如个性化推荐系统,CRM基础搭建等

4.数据挖掘:以用户画像为基础构建推荐系统、搜索引擎、广告投放系统,提升服务精准度

怎样才能做出一套可落地的用户画像?

不少企业做了用户画像,可能只是实现了一些静态标签,以用户基本属性为主。入门级别就是做些用户问卷调研、电话访谈,进阶的就是通过一些后台埋点,得出男女比例7:3,华南华北比例4:6这些会被业务方痛骂的痒点数据。没有真正用在实际业务中,对业务产生价值,最终沦为形式主义。

所以要让用户画像真的能发挥出作用,一套可实际落地的用户画像是必要条件。

1、明确业务方做用户画像的目的

这里先指出大多数人的错误思考顺序:不是因为有了用户画像,从而用画像去提升业务,而是业务有需求,才需要去建立用户画像。举个例子,内容型社区希望通过上线知识付费模块,将该模式进行商业变现,基于此,我们需要把业务目标和要解决的问题进行梳理,根据要解决的问题去做用户画像。只有明白了业务方做用户画像的目的,才能在之后选取出更为符合需求的数据标签。

用户画像分析怎么做(90%的人都做错的用户画像)

2、对用户数据进行收集

常见的用户数据可分为静态数据和动态数据。由静态数据标签搭建出就是2D用户画像,例如小明,男,25岁,北京;而动态数据标签+静态数据标签,搭建出来的就是3D用户画像,例如小明于3.11登入30min,访问了某页面4次后,将商品加入购物车,这些就是属于动态的信息,是随着时间不断变化。

静态数据:

用户最基础的信息要素,例如姓名、城市、学历、注册时间、注册方式等。

用户画像分析怎么做(90%的人都做错的用户画像)

动态数据:

动态数据:用户不断变化的行为信息,打开网页,加入购物车、购买物品等一样都是用户动态的行为数据。

用户画像分析怎么做(90%的人都做错的用户画像)

3、构建用户画像模型

收集到基础用户数据之后,我们从用户的基本概况入手,对用户的年龄、地域、行业等维度进行分析,将用户画像进行建模。

①Who(用户)—— 哪些用户

对用户的表示,方便区分用户,定位用户信息

②when(时间)—— 什么时间发生

用户发生行为的时间跨度和时间点,比如浏览页面20s,其中点击按钮是在5s,返回是在17s,也就是时间跨度20s,发生行为的时间点分别是5s和17s。

③where(地点)—— 用户行为触点

用户接触产品的触点,比如网址访问了哪些分页,在APP上点了哪些按钮,刷新了几次,或者其他交互行为。

④what(事件)—— 触发的信息点

也就是用户访问的内容信息,比如主要浏览了类别,品牌,描述,生产日期等,这些内容也生成了对应标签。

⑤action(行动)—— 用户具体行为

比如电商用户的添加购物车、搜索、评论、购买、点击赞、收藏等。 用户画像的数据模型可以概括为下面的公式:用户+时间+行为+接触点,某用户因为在什么时间、地点、做了什么事,然后打上标签。

不同产品需求不同的标签组合,不同的标签组合也就形成了用户画像的模型。

4、数据可视化

构建完模型后,用BI工具对前面产生的用户画像进行数据可视化分析,一般是分析特定群体,比如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间,以作出针对性的运营等。

用户画像分析怎么做(90%的人都做错的用户画像)

客户整体分析

用户画像分析怎么做(90%的人都做错的用户画像)

而这里常用到的数据分析模型就是RFM客户分析模型,利用BI工具计算出每个客户的RFM指标,这里我用的是FineBI(可在文末获取),通过客户名称、消费时间、消费金额来处理出上次交易间隔R、交易频率F、交易金额M三个原始字段,如下图所示。

用户画像分析怎么做(90%的人都做错的用户画像)

但是要注意的是这三个指标不是死板不变的,要针对自己的行业特点灵活变通,比如在金融行业,最近一次购买时间可能并不适用,此时可以考虑采用金融产品持有时间来代替R,这样更能体现用户与金融企业建立联系时间的长短。

把用户按照三个维度指标进行划分,也就相当于将用户放到下面这个正方体中:

因此我们要对指标进行切分,设定阈值,也就是为指标设定正负值,确保三个指标将用户分为八个象限。通常比较常用的方法就是等频和等宽进行切分,比如将用户购买花费进行平均值计算。

但是平均值只适合于均类数据,对于一些不规则数据,平均值会造成很大的误差。

这时候我们就要用到聚合的功能,简单说,聚合功能就是一堆数据按照内在特征的不同进行划分,不同类的数据之间的差别一般是很大的,这样就能找到大数据量中的“中心点”,而非平均点。

在FineBI中我们可以直接使用聚合功能,聚合指标选择“订单金额“、”时间“、”次数“,聚合数选择”3“,聚合方式选择”欧氏距离“,这样就可以得到最终的聚合结果了,最终可以计算出每个客户的聚合R值、聚合F值和聚合M值,这就是我们要用到的参考值。

用户分类

我们将三个指标分别进行划分后,按照下图的方式进行组合,就可以得到八个象限,代表8类客户:

最后利用FineBI将其制作成可视化数据分析模板,以便我们按照需求进行客户分析。

  • 例如图中的面积图,可以显示出公司各类客户的占比,显而易见一般挽留客户与一般发展客户占据多数,说明该公司的用户结构不是很合理,需要尽快采取措施进行优化;
  • 而右侧的环形图则代表着各种类型客户的购买数量,可以看出复购率越高、愿意花大价钱的客户买的数量越多;


相关文章
继续阅读
  • 免责声明:以上内容源自网络,用户自发贡献,如有违规内容请告知,一经查实,本站将立刻删除。
匿名

发表评论

匿名网友 填写信息

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen:

确定