文档介绍：用户运营知识结构归纳之用户画像
智能手机新增流量消失、红利过去、超级用户思维、智能手机市场国内饱和……
这是我们从2016年起至今,在各类互联网大咖以及媒介平台看到最多的关键词了。
因此,用户运营开始有了地位,如何盘活现有的用户群体是每一个(移动)互联网公司老板们考虑的问题。
2018年始,在给自己做工作规划的时候,定下了运营知识深度学习的两个方向:用户运营、数据分析。
做运营这些年,也看了不少用户运营的文章和书籍,每个大咖写的都特别好,但是都不够系统,所以想着自己可以梳理下用户相关的知识结构。
终于拖延了四分之一2018年之后的近1个月时间,把沉淀在Evernote的大咖文章做了梳理和归纳,分享给大家,仅供参考。
文章主要从三个方向来梳理用户运营的知识结构:用户画像、用户生命周期、用户成长激励。
内容穿插会给到每个环节需要的准备工作、监测数据等,篇幅较长,分三次发布,看官要有耐心~
一、用户画像
误区:Persona(用户角色) VS Profile(用户画像)
Persona用户角色
描绘抽象一个自然人的属性
通过调研问卷、电话访谈等手段获得用户的定性特征——用户间有差异,因为存在差异,所以需要描述
是用户属性的集合,不是具体谁,放一张某某的照片也是为了达到共情。它应该能准确描述出产品用户,一般会设置三到四个用户角色,也是通常意义上的目标用户群体
用户角色有缺点,评估用户属性时难以量化,也很难证伪。你不知道它确定的是不是真的目标群体,用户群体也随时间推移变化,所以用户角色需要不断修改。
Profile用户画像
和数据挖掘、大数据息息相关的应用,被更多运营和数据分析师使用,是各类描述用户数据的变量集合
通过数据建立描绘用户的标签
基于用户画像的应用:个性化推荐、广告系统、活动营销、内容推荐、兴趣偏好
当我们想要选择某部分用户群体做精细化运营时,会用用户画像筛选出特定的群体
用户画像是一个复杂的系统,随着产品逐渐成熟,会根据不同的业务场景设计不同的标签,用户角色是精炼和概括,而用户画像需要齐全。
用户
用户画像可以参考用户角色设计,用户角色也能使用用户画像的属性,可实际差别很大
什么是用户画像?
用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型
构建用户画像的核心工作即是给用户贴“标签”,而标签是通过对用户信息分析而来的高度精炼的特征标识
除去“标签化”,用户画像还具有的特点是“低交叉率”,当两组画像除了权重较小的标签外其余标签几乎一致,那就可以将二者合并,弱化低权重标签的差异
用户画像的作用是什么?
1、精准营销:分析产品潜在用户,针对特定群体利用短信邮件等方式进行营销
2、用户统计:比如中国大学购买书籍人数 TOP10,全国分城市奶爸指数
3、数据挖掘:构建智能推荐系统(例如:利用关联规则计算,喜欢红酒的人通常喜欢什么运动品牌;利用聚类算法分析,喜欢红酒的人年龄段分布情况)
4、进行效果评估,完善产品运营,提升服务质量:其实这也就相当于市场调研、用户调研,迅速下定位服务群体,提供高水平的服务
5、对服务或产品进行私人订制:即个性化的服务某类群体甚至每一个用户(例如:某公司想推出一款面向5-10岁儿童的玩具,通过用户画像进行分析,发现形象=“喜羊羊”、价格区间=“中等”的偏好比重最大,那么就给新产品提供类非常客观有效的决策依据。)
6、业务经营分析以及竞争分析:影响企业发展战略
用户画像的构建流程
数据收集:
网络行为数据:活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等
服务内行为数据:浏览路径、页面停留时间、访问深度、唯一页面浏览次数等
用户内容偏好数据:浏览/收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等
用户交易数据:贡献率、客单价、连带率、回头率、流失率等
收集到的数据不会是100%准确的,都具有不确定性,这就需要在后面的阶段中建模来再判断,比如某用户在性别一栏填的男,但通过其行为偏好可判断其性别为“女”的概率为80%。
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。
行为建模:
该阶段是对上阶段收集到数据的处理,进行行为建模,以抽象出用户的标签,这个阶段注重的应是大概率事件,通过数学算法模型尽可能地排除用户的偶然行为
这时也要用到机器学习,对用户的行为、偏好进行猜测,好比一个 y=kx+b 的算法,X 代表已知信息,Y 是用户偏好,通过不断的精确k和b来精确Y。
贴标签:
1、用户汽车模型:根据用户对“汽车”话题的关注或购买相关产品的情况来判断用户是否有车、是否准备买车
2、用户忠诚度模型:通过判断+聚类算法判断用户的忠诚度
3、身高体