画像是什么意思(用户画像分析怎么做)

聊起用户画像,想必大家都不陌生。

PM日常喜欢用的persona就是它,因为它,聊需求的时候能更具体和有说服力。

那么用户画像是怎么来的呢?除了在产品经理聊需求的时候有点用,还能干吗呢?请听笔者一一道来。

 

一、用户画像是什么?

用户画像的前提是打标签,由各类标签组成用户画像,所以用户画像的底层就是打标签。只要标签打得好,用户画像永不倒。

大部分公司的做法是由数据团队通过数据统计,找出具有区分度的标签,一般包含用户属性、用户价值、交易属性、交互属性、商品偏好、行为偏好等标签。

然后根据标签形成用户画像。但是这类画像,很难用具体的运营策略去承接。比如25-30岁,男性,一线城市的标签,运营策略怎么去承接呢?

因为这类标签由数据同事而非运营同事建立完成,往往脱离业务实际,很难落地。

这么多年,即使是阿里这种级别,也就只有商品偏好的标签应用的比较好。一款产品真正有用可落地的标签很少,十几个其实就够用了。

如果真的想落地,实际上不应该盯着标签去想如何应用,而是先思考业务流程,然后想着如何找标签去圈出用户。

以行为标签做主逻辑(用户分层),做第一步的精细化,之后在主逻辑上配合属性标签再细分不同群体(用户分群)。

比如一款交易类产品,用户分层就可以划分为,待激活用户,已激活未交易用户,已激活已交易用户,已交易老用户。

然后在每一个分层下做细化的用户分群,如将已激活未交易的用户分为有点兴趣、找目标,想购买几个阶段。

然后通过一些行为标签和其他标签组合起来圈出特定的人群。不同阶段的用户需求不同,有兴趣的主推产品介绍,找目标的主推热门产品,想购买的及时提醒关注商品动态。

在主逻辑之外再配合属性标签,做文案优化。比如年轻人+有兴趣,那么文案可以好玩一点。年纪大+有兴趣,文案就要正式一点。

以上就是可落地版本的用户画像,会运用到用户分层和用户分群,接下来就好好梳理下ta们和标签之间的关系。

 

二、用户分层、用户分群又是什么?

用户标签最佳场景是推荐系统,通过不同标签完成精准推送,达成千人千面,提升业务转化率。

在精细化运营层面,用户标签为用户分层、用户分群服务,没有用户画像/用户标签,无法有效形成用户分层和用户分群。

为什么要做用户分层?

用户分层是用户量非常大难以管理的时候会采用的办法,强业务属性的产品做分层更有效,因为要提高转化做增长,用户分层用不同的运营策略来提高转化,达到千人十面。

用户分层常见逻辑是根据用户与产品核心业务的关联度来分层从低到高,从业务量低到业务高依次分层。分完层后,再进行用户分群。

先看一个简化版的用户分层+用户分群的MVP版本。如果你是一个微商,你对你的微信好友会怎么做用户分层和用户分群呢。

从难转化到易转化做分层,在每个分层下做不同的分群。以这个为模型,可以做所有交易类产品的用户分层+用户分群雏形。

相信聪明的你已经彻底懂什么是用户分层和用户分群了。

 

三、用户分群如何落地?

用户分层就是金字塔模型,每一层都是完全独立的,分层有具体的业务区分,用户做的事情是不一样的。

由人为划分了一些阶段+各阶段性的标准,这就是用户分层。

分层的目的是希望用户向更上层转化,如果不能向上转化,那么你的用户分层做错了。

决策流程短的产品分层价值意义不大,决策周期长的产品分层更有价值。

对于用户决策就一天的产品来说,用户分层只需做成:新用户+老用户即可。针对新用户的运营就是希望他能交易。针对老用户的运营就是希望他能持续交易。

用户分群一般会有重叠,一个用户可能既属于A分群,也属于B分群。在分层的基础上做分群,比如电商里,性别分群,和年龄分群。

分群常用的有rfm模型,市面上用的很多,但其实这个模型可能效果并不好,rfm理论如下图:

再来看下美团真实使用中的rfm模型:

美团rfm核心逻辑拆解下就是:

为什么说rfm模型可能效果并不好呢?它最早来自于零售行业,不一定适用于互联网当下的c端产品。

  • 活跃下降的用户,给他push一些感兴趣的东西
  • 一直逛但迟迟不肯下单的用户,就给他派点优惠券
  • 优质用户流失了,送点回归礼
  • 担心核心优质用户,就做积分或者会员给他们价值和尊重

……

这些是好的运营手段吗?不好意思,这些都只是学术上的纸上谈兵,不够落地,找个实习生也能把这活儿干好。

做好用户分层和用户分群,核心不在于事先建立一个好的模型,而应该带着问题寻找答案。

优秀的运营动作应该是满足用户需求的用户触达,前提是发现用户在产品里的矛盾点,如下图。

这个世界可能没有必杀技,任何策略和动作都不是一蹴而就的,一开始做不好很正常,但是要经常测试和迭代。

最可怕的不是我们没做好,而是我们的用户变了,数据变了,产品生命周期变了,运营动作还是老套不变。

(0)
打赏 微信扫一扫 微信扫一扫

相关推荐

本文内容由互联网用户自发贡献,该文观点仅代表作者本人,不代表万网时代立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 qulianxi@foxmail.com 举报,一经查实,本站将立刻删除。