用户画像
用户画像的准则
首先就是将自己企业的用户画像做个白描,告诉他这些用户“都是谁”“从哪来”“要去哪”
- 第一步,就是用户从哪里来,这里我们需要统一标识用户ID,方便我们对用户后续行为进行跟踪
- 第二步,这些用户是谁?我们需要对这些用户进行标签化,方便我们对用户行为进行理解
- 第三步,就是用户要到哪里去?我们要将这些用户画像与我们的业务相关联,提升我们的转化率,或者降低我们的流失率
为什么要设计唯一标识
用户唯一标识是整个用户画像的核心。以一个App为例,它把“从用户开始使用APP到下单到售后整个所有的用户行为”进行串联,这样就可以更好地去跟踪和分析一个用户的特征
设计唯一标识可以从这些项中选择:用户名、注册手机号、联系人手机号、邮箱、设备号、CookieID等
给用户打标签
标签有很多,且不同的产品,标签的选择范围也不同,这么多的标签,怎样划分才能既方便记忆,又能保证用户画像的全面性呢
可以简单总结为八个字,叫“用户消费行为分析”。我们可以从这4个维度来进行标签划分
- 用户标签:它包括了性别、年龄、地域、收入、学历、职业等。这些包括了用户的基础属性
- 消费标签:消费习惯、购买意向、是否对促销敏感。这些统计分析用户的消费习惯
- 行为标签:时间段、频次、时长、访问路径。这些是通过分析用户行为,来得到他们使用App的习惯
- 内容分析:对用户平时浏览的内容,尤其是停留时间长、浏览次数多的内容进行分析,分析出用户对哪些内容感兴趣,比如,金融、娱乐、教育、体育、时尚、科技等
获客、粘客和留客
- 获客:如何进行拉新,通过更精准的营销获取客户
- 粘客:个性化推荐,搜索排序,场景运营等
- 留客:流失率预测,分析关键节点降低流失率
数据层、算法层和业务层标签
标签化的流程,就是通过数据层的“事实标签”,在算法层进行计算,打上“模型标签”的分类结果,最后指导业务层,得出“预测标签”
- 数据层指的是用户消费行为里的标签。我们可以打上“事实标签”,作为数据客观的记录
- 算法层指的是透过这些行为算出的用户建模。我们可以打上“模型标签”,作为用户画像的分类标识
业务层指的是获客、粘客、留客的手段。我们可以打上“预测标签”,作为业务关联的结果
数据层标签
- 用户属性、投诉次数、产品购买次数、渠道使用频率、优惠券使用、访问时长、支付渠道使用、浏览内容频次
- 算法层标签
- 用户兴趣、用户活跃度、产品购买偏好、用户关联关系、用户满意度、渠道使用偏好、支付使用偏好、优惠券偏好
- 业务层标签
- 获客预测、个性化推荐、GMV趋势预测、用户流失概率