用戶畫像是打造超級產(chǎn)品的關(guān)鍵，最初來自于大數(shù)據(jù)行業(yè)的概念。如今也成為精準創(chuàng)新、精細化洞察用戶總結(jié)掛鉤。這次將從艾永亮超級產(chǎn)品公眾H所寫的文章中分析出關(guān)于打造超級產(chǎn)品的用戶畫像。希望大家看完后能夠有所啟發(fā)。
01
用戶畫像是什么？
用戶畫像是根據(jù)用戶在互聯(lián)網(wǎng)留下的數(shù)據(jù)，企業(yè)主動或被動收集用戶信息，最后進行挖掘用戶的方法論。例如，用戶的性別、地區(qū)、工資甚至是喜好。
很多企業(yè)會把用戶標簽和用戶畫像對等，但其實用戶標簽并不等于用戶畫像，只是標簽是企業(yè)對用戶最直觀的解釋。
用戶畫像的關(guān)于產(chǎn)品創(chuàng)新和用戶調(diào)研的方法論。當企業(yè)在討論產(chǎn)品、用戶需求、場景、用戶體驗時，通常會將焦點聚焦到某類用戶群體上，那么用戶畫像就是目標用戶標簽的集合。
這并不是具體指的是誰，而是使用產(chǎn)品的典型用戶群體。
用戶畫像是許多數(shù)據(jù)產(chǎn)品的基礎，成為企業(yè)了解用戶的必要環(huán)節(jié)。、在產(chǎn)品創(chuàng)新初期，企業(yè)會通過用戶調(diào)研和交流的方式來了解用戶，當用戶群體擴大后，調(diào)研的效率有所降低，那么這時用戶畫像成為企業(yè)了解新增用戶特征以及核心用戶屬性是否發(fā)生變化的工具。
據(jù)艾永亮超級產(chǎn)品公眾H文章中提及的用戶畫像方法論，我們可以將用戶畫像理解為產(chǎn)品層面的數(shù)據(jù)庫，各類標簽是多維分析的要素，數(shù)據(jù)則是起到支撐作用。
因此，許多企業(yè)都會花費一大筆錢建設用戶畫像，但最終結(jié)果僅僅只是做了一份用戶畫像報告，例如，性別、地址、用戶消費金額等，看上去好像挺像一回事的，但實際上看完也就看完了，難以運用到產(chǎn)品當中。
很多用戶畫像報告做得確實挺好，但最終都淪為*。
舉個例子，在艾永亮超級產(chǎn)品公眾H所寫的文章中，曾有讀者吐槽，企業(yè)建立了用戶畫像，大概劃分了百來個維度，例如，用戶的消費情況、屬性以及行為等....這樣的用戶畫像足夠了解用戶了吧，結(jié)果產(chǎn)品上線后只能干瞪眼。
這個問題就在于，用戶有那么多維度，怎么樣合理地選擇標簽？難道不應該對用戶層級進行分類？應該累計消費多少金額才能成為VIP用戶，后期該如何維護和持續(xù)洞察用戶？為什么要選擇這幾個標準？產(chǎn)品發(fā)生變化后要修改這個標簽嗎？
搭建好標簽后，該如何驗證用戶畫像的有效性？怎么樣才能知道我的產(chǎn)品成功了？有沒有更多的應用場景？
我想這就是很多企業(yè)面臨的類型情況，使用用戶畫像一段時間后，發(fā)現(xiàn)沒什么作用，到了后期基本上也就不再使用了。
建立起用戶畫像，卻難以應用。
02
如何理解用戶畫像
現(xiàn)在企業(yè)按照產(chǎn)品周期設立了幾個標簽，例如，活躍用戶、新用戶。流失用戶，這些標簽都能夠進行細分？但你能確定這真的值得企業(yè)花費時間細分嗎？
要知道這些都存在滯后性的，按照流失用戶來說，往往這類用戶是在很長時間未曾使用過產(chǎn)品，有時候是好幾個月才被成為流失用戶，因此，哪怕知道這是流失用戶也無濟于事，這是有價值的，但太滯后了。
在艾永亮超級產(chǎn)品公眾H文章中關(guān)于這點提到了一個新方法，將最近一次活躍到今天的數(shù)據(jù)，用戶六個月沒有活躍，那么就為180天。這比簡單記錄流失用來要來得好，能夠劃分為不同的距今天數(shù)進行分類，設定時間為30天、90天。180天為節(jié)點。
當然，距今天數(shù)并不是最好的，用戶之間還是有差異的，哪怕他們不活躍的天數(shù)相同，但流失率不一定對等。該問題在低頻場景中尤為明顯。
讓我們回頭再次分析關(guān)于流失用戶的定義，首先，并不是為了設立一個高大上的系統(tǒng)。其次，是為了如何挽留。我相信任何一家企業(yè)都希望流失用戶越少越好，那么在產(chǎn)品沒問題的前提下，預防性的減少流失用戶比記錄流失用戶更重要。
因此，最好的流失用戶標簽為：流失率>距今天數(shù)>流失標簽。
當然，在這個過程中我們不能忽略用戶畫像的核心價值，那就是在確定產(chǎn)品創(chuàng)新的目標下的用戶標簽集合，通過數(shù)據(jù)進行驗證后進行精準推薦，這才是用戶畫像背后的邏輯。
不是因為我有了用戶畫像才能驅(qū)動產(chǎn)品進行創(chuàng)新，而是為了創(chuàng)新而建立用戶畫像。
用戶畫像可以通過兩種形式獲得，一種是基于已有數(shù)據(jù)、流失標簽和距今天數(shù)，另一種是已有數(shù)據(jù)計算概率模型，需要運用到機器學習和數(shù)據(jù)挖掘。
概率處于0~1之間的數(shù)據(jù)。就拿性別來說，除非能夠獲得用戶的信息，否則很少用戶會填寫性別，而且填寫的性別也不一定精準，多少游戲中性別為女的摳腳大漢一抓一大把。
在這里我們可以增加判斷用戶性別的算法，例如，名字、通過已有的姓名性別庫預測新用戶的性別。
特殊情況下，不少中性的姓名，更有看似男性名字，也有可能是女性。這種特殊情況意味著特殊概率，那么我們可以通過模型進行推斷，當然為了方便，在模型中會設立閾值，百分之多少以上的概率會被認為該用戶是男性，以下則默認為女性。
除了生理上的性別，還需要建立消費模具上的性別標簽，雖然有些人是男性，但他們在購物行為上為女性，對于這點要進行區(qū)分。
03
總結(jié)
看到這里大家可能覺得用戶畫像太過于復雜，其實用戶畫像是基于產(chǎn)品模型，用于理解用戶決策，結(jié)合場景以及產(chǎn)品形態(tài)還有用戶需求.....這些都離不開用戶畫像。
對于企業(yè)而言，沒有一個用戶畫像標簽能夠脫離產(chǎn)品之外，基于產(chǎn)品，我們可以想象很多關(guān)于用戶畫像的玩法，例如，你開了一家沙拉門店，那么沙拉有不同的口味，那就可以分為用戶口味偏好，喜好程度，相似度，價格偏好，在深入場景，某個辦公室地點每天都會有五六筆訂單，那么可以分為不同的用戶不同的時間段，根據(jù)后臺數(shù)據(jù)，以團購或拼單的模式促進訂單合成，降低人力成本。
用戶畫像可以按照產(chǎn)品劃分為多個模塊，例如，用戶消費畫像、用戶行為畫像、用戶興趣畫像、具體的畫像如何還是要看產(chǎn)品的最終形態(tài)。
企業(yè)越大，用戶畫像就越復雜，它的作用在于將數(shù)據(jù)進行標簽化，促進產(chǎn)品進行創(chuàng)新，不同標簽對應著不同的用戶群體，也對應著不同的用戶需求。
好的用戶畫像就像數(shù)據(jù)生態(tài)體系，結(jié)合著產(chǎn)品和企業(yè)的生態(tài)體系，這是一門復雜的交叉領(lǐng)域，因此，不僅僅局限于一種方法論，希望大家能將其核心思想吃透。
申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！
