「Profile」:聊聊运营所用的用户画像

精细化运营。本质上说,广告推荐、内容分发、活动营销都需要这一套东西,作为基础。

上周有读者问了个问题,大意是说对用户画像觉得很懵逼,那么今天就聊一聊。

「用户画像」这个词,其实在国内的互联网大概率是错用的。

这里有两个英文词,第一个叫「PERSONA」,这是Allen Cooper提出来的一种通过调研和问卷获得的典型用户模型,用于产品需求挖掘与交互设计的方法。

其中:

P代表基本性(Primary):指该用户角色是否基于对真实用户的情景访谈;

E代表同理性(Empathy):指用户角色中包含姓名、照片和产品相关的描述,该用户角色是否引同理心;

R代表真实性(Realistic):指对那些每天与顾客打交道的人来说,用户角色是否看起来像真实人物;

S代表独特性(Singular):每个用户是否是独特的,彼此很少有相似性;

O代表目标性(Objectives):该用户角色是否包含与产品相关的高层次目标,是否包含关键词来描述该目标;

N代表数量性(Number):用户角色的数量是否足够少,以便设计团队能记住每个用户角色的姓名,以及其中的一个主要用户角色;

A代表应用性(Applicable):设计团队是否能使用用户角色作为一种实用工具进行设计决策。

而另一个单词,叫「Profile」,是利用已经获得的数据,用来勾勒用户需求、用户偏好的数据分析方法。

这两个词,都可以翻译为「用户画像」,但第一种,用于产品用研与交互设计,第二种,用于运营与数据分析。

所以,必须要先明确用的是哪一种,考虑到亮哥的用户结构,我就说第二种了。

如何获得用户画像

获得用户画像的基础,是数据。

这是一句废话,但对于一些创业公司来说,这是真理。

如果今天我们要分析一个人,我们会从哪些角度去分析呢?让我们回忆一下,我们多年来填写过的表格里都让我们填什么:

  1. 姓名

  2. 性别

  3. 民族

  4. 户口所在地

  5. 目前居住地

  6. 联系方式

以上这些好像是标准要填写的内容,但还会碰到:

  • 血型

  • 星座

  • 兴趣爱好

  • 工作经历

  • 家庭成员

  • 收入情况

甚至更多,让我们先在这里打住。

我们通常情况下想要了解一个人,会需要知道这个人的基本信息,也就是上面1-6的部分,当然,根据需求,可以或多可以或少,但一般不会超过上面列举的部分。

而除了了解这些基本信息之外,我们还会通过和他长时间的接触,了解到基本信息之外的部分,譬如说:

  • 性格是外向还是内向?

  • 有没有口头禅,是什么?

  • 空闲的时候喜欢做什么,是宅着,还是出去玩儿?

  • 对食物有哪些偏好,爱吃甜还是爱吃辣?

  • 好朋友多不多,是否受人欢迎?

……

诸如此类。

这些需要一段时间接触获得的信息,就不是基本信息,而是更接近于一些私隐和偏好信息。

今天,当用户越来越多的使用产品,我们就会逐渐提高对用户的认知。

在这个过程中,我们通过一些手段,可以对用户的习惯、行为、属性贴上一系列标签,最终,用户可能会变成这样:

当我们拿到了一堆这样的标签之后,有啥用呢?

精细化运营。

本质上说,广告推荐、内容分发、活动营销都需要这一套东西,作为基础。

善用标签

在整个画像过程中,标签其实是个必备的玩意儿。

说到标签,可能很多人会有点头痛,因为标签到底怎么打,很多人会觉得是问题,但其实,没那么复杂。

首先是分类。

假设,我们的运营工作是面向C端客户的,那么我们可以先简单的分这么几类:

1、人属性标签

即,利用用户留在系统的信息,我们可以为他的人属性打上各种标签,譬如:

男、女,这是性别分类里的标签;90后、80后,这是年龄分类里的标签;狮子座、射手座,这是生日分类里的标签……

2、行为属性标签

即,用户在系统中真实发生的行为,我们可以为行为属性打上标签,譬如说:

如果有消费行为,那么我们可以根据时间维度和单次消费金额或累计消费金额进行标签分类,如:土豪是在360天内,累积消费金额超过10万元或单次消费金额超过1万元的用户。

3、社交属性标签

即,用户在社会化网络和系统中留下的有关其社交属性的各类标签,譬如说:

大V是在该社区内被超过50000人关注的用户;万人迷可以是因为其关注者构成中,80%为异性所以被分到这个类型。

……

还可以继续打其他类型的标签。

如果简单点儿说的话,就是标签本身只是用来分类的一个条件,即便没有标签,只要你能说得清楚行为之间的关联和所需条件的叠加,我认为问题也不大,但经验告诉我,真是这种情况的话,会比较制约需求的复杂度。

重在使用

亮哥一直认为,增长黑客其实就是系统化的运营。

而增长黑客与大多数公司的运营之间的差距,其实就是对数据的利用,以及建立假设之后的数据验证拿到结果的速度和持续验证的能力。

因为,我们通过Profile去描绘出的用户需求也好、用户角色也好,实际上几乎可以100%认为是滞后的。

利用这些滞后的数据,我们实际想要实现的是预测,否则无法获得商机。

咱们这样来看,一个用户A今天在平台上买了5斤苹果,请问下一次该用户什么时候会产生买苹果的需求,以及如何保证他下次还在我们平台上买苹果?

如果仅从理论上来思考。

我们基本会有以下的思考模型:

  1. 聚合所有在平台上买过水果的用户

  2. 取其中连续购买超过N次的用户(假设N=3)

  3. 取这些用户每次购买的时间,并计算间隔

  4. 与用户A对比,找到近似值,然后在这个时间间隔上来对A做推荐,验证效果。

或者换个思路:

  1. 通过数据分析,算算看,A家有几口人

  2. 计算5斤苹果大概是多少个。

  3. 假设一天每个人吃一个苹果,最多几天吃完

  4. 更换假设条件,获得不同的吃完天数

  5. 在不同的天数上对用户A做推荐,验证效果。

你会发现,其实预测需求比判断需求要难的多。

而在实际操作中,我相信,如果你仅仅是推荐苹果,恐怕是不够的,要考虑人们的决策过程,就需要更加深入去了解人性。

而这,就是另一个话题了。


文章申明:本文章转载自互联网公开渠道,如有侵权请联系我们删除
文章评价
登录后可以评论
立即登录
分享到