0~3岁产品经理必懂的数据分析方法(5)-用户画像分析法

嗨,前面我们用4篇文章聊了5种数据分析方法,这篇呢我们来聊聊第6种数据分析方法: 用户画像分析法。

作为一枚产品汪,用户画像这个词你一定不陌生,那用户画像到底是什么呢? 我们又该如何结合业务场景创建可用的用户画像呢? 用户画像有什么作用呢?

大家可以先思考一下上面三个问题~

首先,我们来聊聊什么是用户画像

01 什么是用户画像?

用户画像是通过对用户 各类特征 进行标识,通过标识给用户贴上 各类标签 ,再通过标签把用户分为 不同的群体 ,以便对不同的群体 分别进行 产品/运营运作。

02 标签都有哪些?

这里呢我们把标签分为四大类:

第一类: 基础属性

像年龄、性别、生日、星座、教育、身高、收入、职业等。

第二类: 社会关系

婚姻、有无女孩、有无男孩、家里是否有老人、性取向等。

第三类: 行为特征

行为特征又分为两块儿:

基本行为: 注册时间、来源渠道、最近一次活跃的时间、最近一次支付的时间。

业务行为:是否 买过特惠商品、是否曾获优秀学员,这些标识都会对产品的后期运营有所帮助。

第四类: 业务相关

这一类跟其他类不太一样,就像第三类中的业务行为,它是通过业务行为产生出来的特征,而业务相关呢,它是积累了其他的业务不会去记录的一些数据,比如运动健身类的产品。

它会涉及到:胖瘦高矮、体脂率、BMI、在练胸或者练臀、日均10000步、收藏了多少份健身计划等等。

03 标签从哪儿来?

第一,直接填写

通过产品的一些特殊的步骤,让用户直接填写,比如注册页面,下图是某陌生人社交产品,通过用户注册让用户去填写年龄和性别。

还有一些偏内容性的产品,可以通过让用户选择他感兴趣的话题,如下图:

还有一些是运用借地打地的手段,比如一些电商、外卖类的产品和地图类的产品,首先是让用户填写地址,其次是让用户选择标签,表面上是提供一个工具,事实上让用户帮助产品获取结构化的工具,让系统知道,用户作为一个个体,他的家、公司、学校在什么地方。

还有一些像装修类的产品,看上去是一个便捷的功能,平台方通过这个功能可以收集到大量跟业务相关的详情信息。

随着用户的自我保护意识越来越强,而且呢用户又非常的懒,莫名其妙填一些信息用户也比较反感。那就有了第二种获取标签的途径。

第二,通过用户自己的已有特征推导

当然,这种方式的成本比较高,没有让用户直接填写来的简单方便,一般的产品不会经常去这样做,它适用的场景有以下几种:

1.做活动时 :相信大家都有做活动的经验,我们在做活动时会筛选一批用户出来做定向推广,比如说年龄、地区、新老用户。

举个栗子:你是某电商平台的产品经理,现在要做一个推广活动,面向的用户群体为在消费能力强的上海女性。

现在需要向这个群体的用户去宣传这个活动,那怎么做?

首先,区分出来性别,即男、女,

用户如果没有填写性别,我们可以从他买过的东西去推,比如说买过女士衣服+化妆品。

其次,推算出在上海的用户,

假设大部分人买东西是给自己买,收货地址是上海市的,我们可以推算出此用户是上海市的。

最后,验证消费能力是否强,

消费能力如果从她历史消费的总金额推算,感觉有点不合理,但它也能验证一部分,我们可以再加一些条件,比如购买过进口的小商品,比如牙膏,一般消费能力不强的用户,很少会花将近百元去买一支进口的牙膏。

上面是通过用户的业务特征做的推断,但是,不是所有的用户都发生过以上的行为,通过以上业务行为筛选之后,可以给部分用户打上标签,还有一部分用户她没有标签,所以,我们再做进一步的推导。

性别:除了通过从购买的商品推导以后,还可以通过她使用的是手机是否为美图手机,

地区:可以用常用IP进行推导,

消费能力:可以用使用的手机为最新款且价格在5000元以上的用户,

当然,这里面肯定会有误判,但是,就算是有误判我们也认了,因为很难做到百分百精准。

2.简单的个性化运营 比如说首页的某个推广模块,面对不同的用户群体推广不同的内容。

3.业务分析 在做业务分析时,需要把用户拆分成不同的群体,看在业务中的表现情况,比如是否领取七天/15天的会员卡。

4.用户研究 如果有用户标签的基础,做用户研究的童鞋的研究效果会更加的精准。

如果通过前面两种方式已经把80%的用户打标签了,还剩下的20%怎么办?这里我们就会运用到第三种推导方式:

第三,通过用户身边的人推断

首先,通过距离:基于某些属性,周围的人都具备,用户大概率也具备。

其次,是通过行为:通过协同过滤,找到行为相似的目标用户。

比如说,刚才我们通过买过女士衣服和化妆品的用户打上了女性的标签,但是这种方式有局限性,可能有些用户本身就不在你的平台上买衣服和化妆品,这里我们可以通过这种用户的其他行为,比如说买了卫生巾或者其他的女性用品,然后通过她购买的商品,再找到跟她购买过相似商品的用户打上女性用户的标签。

说在最后:

第三种的精确度是最低的,但是在一些场景中,不需要精确度那么高,当然,我们也可以通过此类用户的后期行为,迭代这些标签。至少我们通过这三种方式把所有的用户都分了群。

好啦,用户画像分析法到这里就完结啦。

那最后通过一张架构图来总结一下:

我来评几句
登录后评论

已发表评论数()

相关站点

+订阅
热门文章