用户画像,该怎么分析?

本文建议阅读时间 9 min

本文转载自 接地气学堂 禁止二次转载!

有同学问:陈老师,我领导让我做用户画像分析,可是我做了一大堆数据,却被批:也没分析什么东西啊?该咋办?今天系统解答一下。

用户画像分析的错误姿势

1.限于数据,动不敢动。一提用户画像,很多人脑海里立刻蹦出了性别,年龄,地域,爱好等基础信息字段,然后大呼:我们好像没这个数据,于是放弃分析了。可实际想想,知道男性占比真的有那么大意义?知道男性占比65%还是60%真的对业务有帮助?不一定的,贴用户标签有很多方式,不要限于一些难采集的基础信息。

2.罗列数据,没有思路。很多人一听到用户画像分析,本能的就开始把数据库里的用户标签往外搬,在报告里码上:

  • 男女比例3:2
  • 20-25岁占比40%
  • 30%的人在最近一周内登录
  • 70%的人没有二次购买

……

至于摆完这些数据干什么,完全没有考虑过。这种分析结果,当然让人看完一头雾水。迷茫的发问:“所以呢?又怎样呢?”

3.无限拆分,没有逻辑。很多人一听到类似“流失用户画像分析”一类相对具体的分析题目,就开始无限拆解数据。分性别,年龄,地域,设备,注册时间,来源渠道,购买金额……拆了几十个维度看流失率。最后,只看到有的维度差5%,有的差10%,当然没有最后结论啦,越看越糊涂。

以上问题,都是太过纠结于用户画像四个字,忽视了分析两个字导致的。用户画像作为一个基础数据体系,本身并没有分析功能。单纯的罗列用户标签或者拆解用户指标,也起不到分析作用。像利用好用户画像,还得按分析套路一步步来。

第一步:转化商业问题

用户画像分析,本质上是从用户的角度思考问题。举个简单的例子,比如新上市产品销售未达预期,我们既可以从产品管理的角度来思考问题,也能从用户角度来思考问题。同样一个问题,会有两种思考方式(如下图所示):

因此,简单的列出一堆用户指标(性别,年龄,地域,购买产品,登录次数……)是没啥用处的。用户画像只是分析的一个工具,和其他分析一样,也要先考虑:我要解决的实际问题到底是什么。想清楚了,再把问题转化成用户相关的问题,就能继续使用用户画像分析方法了。

需要注意的是,商业问题是很复杂的。往往一个问题,可能与若干用户群体、若干用户行为有关。比如上边的例子,就至少和三个用户群体(潜在用户、流失用户、存量用户)涉及到用户态度、信息接收、购买流程、使用体验等多方面。因此更得分门别类,把分析线索和分析逻辑理清楚,找到对应的数据。不然一锅炖,光列性别,年龄,地域,也解释不了任何问题。这就涉及下两部工作。

第二步:宏观假设验证

转化完问题后,先宏观上对假设进行检验非常重要,能有效避免无限拆解的错误。如果大方向都不成立,细节更不用看了。还是新产品卖不动的问题,如果要从大方向验证,可以简单如下进行:

  • 如果怀疑大环境不好,那应该全品类受影响。
  • 如果怀疑竞品竞争力强,那应该竞品直接影响到我们产品
  • 如果怀疑运作太差,那本次商品转化漏斗上势必有一环掉链子
  • 如果以上有假设验证,可以进一步深入分析
  • 如果以上假设都不成立,可能还需要新假设

总之,先进行大方向检验,可以有效缩小怀疑范围。怀疑范围越小,后续对用户分析可以越精确。同时,当数据不足的时候,怀疑范围越小,越能够集中力量收集数据,改善数据质量,做出有精度的分析。用户的分类维度可以有几百个之多,如果不加筛选的做拆解对比,很有可能在数十个维度上都有差异,最后完全读不懂数据。在拆解以前聚焦假设,非常重要。

第三步:构建分析逻辑

宏观验证以后,可以基于已验证的结论,构建更细致的分析逻辑。在这个阶段,实际上已经把原本宏大的问题,聚焦为一个个小问题,比如:

举一个具体场景:

已验证:我们却受竞品影响

  • 子问题1:目标用户的需求是什么?
  • 子问题2:目标用户对竞品体验如何?哪些需求点最被触动?
  • 子问题3:目标用户对本品体验如何?哪些差距是致命伤?
  • 子问题4:竞品/本品在硬功能,软宣传上差距如何?

这四个子问题,都可以通过对用户需求与行为的深入挖掘得到答案,下一步可以继续深入了。须注意的是,这一部分的分析需要大量用户态度、潜在用户、竞品用户的研究,单靠内部数据不能完成,必须通过外部调研。

再看另一个场景:

已验证:本次新品上市操盘却有问题

  • 子问题1:问题出在预热、发布、上市、推广哪个阶段
  • 子问题2:上市阶段大量用户未能响应,广告投放出了什么问题
  • 子问题3:推广阶段销量未能引爆,为啥没有激发核心用户需求
  • ……(可进一步问太多,简单举例如上)

这些问题,可以分两方面解决

一方面,通过对不同类型用户对比,如

  • 核心/普通
  • 购买/未购
  • 触达/未触达

用户进行对比,找到投放、奖励活动、购买品类、金额等细节上差异,从而调整投放、营销、产品补货等业务。

另一方面,通过对核心用户画像,让业务更看清楚,真正爱买的人

  • 来自哪个渠道
  • 通过什么主题
  • 需要什么样优惠
  • 在什么时机下单

让业务更多的去抓这些核心用户,而且改善后续表现。

需要注意的是,这一部分用户来源、信息投放响应,购买行为,主题阅读,完全可以通过内部系统记录。即使不知道他是男是女,我们也能通过投广告,发内容,做优惠吸引到他们。

第四步:获取用户数据

在上一步我们已经看到,用户画像分析如果真的想深入用户,就得依赖多种数据来源。很有可能是内外部数据双管齐下的。考虑到内部数据可能采集不全,外部数据存在抽样误差问题,在使用数据上就得有取舍,有重点。这也是为啥前边一直强调逐步验证,缩小假设的原因。聚焦了才好采集数据。

一般来说,

  • 越是偏态度、体验、情感类问题,越倾向于用调研的方法
  • 越是偏行为、消费、互动类问题,越倾向于内部的数据分析
  • 如果想了解竞品,就拉竞品用户调研,或针对竞品网店爬虫

在传统意义上,做市场调研和做数据分析的,都有各自用户画像的定义、做法、输出产物。站在实际对企业有用的角度,当然是越多越好。不过,随着爬虫,NLP,埋点越做越深入,在有技术支持的情况下,这些年对系统采集数据的利用度是越来越高的。所以在有条件的情况下,还是尽量推动内部数据丰富。不然事事依赖调研,数据没有积累,以后也难做。

第五步:归纳分析结论

如果以上几步做好了,在最后推分析结论就是水到渠成的事,完全不费力气。实际上,用户画像分析最大的问题都是出在前五步的。缺少假设方向,缺少数据准备,缺少分析逻辑,单纯罗列数据,无限制拆解,到最后自然面对一堆零碎的数据纠结:“男女比例3:2又怎样呢???”

当然用户画像有其他很多用处,比如支持新品开发,支持推荐系统,支持自动营销系统,支持投放系统等等,作分析只是它一小块作用。所以想做好分析,还是要多学习分析方法,操练分析逻辑哦。不考虑具体问题场景,单纯的问:一般的用户画像怎么做。得到的也是来自算法、调研、数仓、分析各个岗位千奇百怪的回答,自然没有分析思路了

个人站点:

Github: https://github.com/FLyingLSJ

CSDN : https://blog.csdn.net/LSJ944830401

BLOG: https://flyinglsj.github.io/

原文发布于微信公众号 - 机器视觉CV(Unfinished_coder)

原文发表时间:2019-10-07

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券