文档介绍：用户运营知识结构归纳之用户画像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,所以想着自己能够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)VSProfile(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。用户用户画像能够参考用户角色设计,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,那就能够将二者合并,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、身高体型模型:根据用户购买服装鞋帽等用品判断4、文艺青年模型:根据用户发言、评论等行为判断用户是否为文艺青年5、用户价值模型:判断用户对于网站的价值,对于提高用户留存率非常有用(电商网站