编辑导语:如今这个大数据时代,每一个用户都被标签化,通过用户画像来了解用户,从而推送相关新闻;最常见的情况是,你买了一件商品后,推荐会自动推送与这件商品相关的商品,促进消费;本文作者分享了什么是真正的用户画像。让我们看一看。
用户画像,又称用户角色,是勾画目标用户、联系用户诉求和设计方向的有效工具,已经广泛应用于各个领域。
在实际操作过程中,我们往往会用最简单、最贴近生活的话语,将用户的属性和行为与预期的数据转化联系起来。用户画像形成的用户角色作为实际用户的虚拟代表,并不是建立在产品和市场之外的,形成的用户角色需要代表产品的主要受众和目标群体。(来源百度)
1.什么是用户画像?
用户画像的核心是给用户贴标签,即把用户的每一个具体信息抽象成标签,用这些标签把用户的形象具体化,从而为用户提供有针对性的服务。
我理解的用户画像是一种标签(浅层次),是数据的***(深层次),最终的导向是获取用户信息,提供战略决策。
1.什么是标签?
比如:男,28岁,未婚,收入2万,爱美食,科技控,喜欢美女,喜欢旅游,有车。
这个描述是初步的用户画像,是一组标签信息(即用户信息标注)。
所以让我们再来看看这张截图:
(来源站酷,来自作品集的一页)
这明显是反面教材。你能在这张截图中看到任何标签吗?
从,姓名,学生,年龄,即将毕业,艺校生,探索未知等标签,可以了解自己的专业水平和学习兴趣?这是怎么挖掘出来的?
标签可以分为三类(广义):
统计类标签:这类标签是最为基础也最为常见的标签类型,例如:对于某个用户来说,其姓名、性别、年龄、地市、活跃时长等,这类数据可以从用户注册数据、用户消费数据中得出,该类数据构成了用户画像的基础。规则类标签:该类标签基于用户行为确定的规则产生。例如:定义该用户为高频投诉用户,规则为“近30天投诉次数>10”;在实际开发画像的过程中,由于运营人员对业务更为熟悉,而数据人员对数据的结构、分布、特征更为熟悉,因此规则类标签的规则由运营人员和数据人员共同协商确定。学习挖掘类标签:该类标签通过系统智能化学习挖掘产生,用于对用户的某些属性或某些行为进行预测判断;例如:根据用户的消费行为习惯判断该用户的消费能力、对某类商品的偏好程度,该类标签需要通过算法挖掘产生。
标签规则(比如这个规则就是给用户贴上消费能力等标签。).
一样的货:我姐开了个宝,什么都便宜,就是我贵,你看。
2.为什么需要标签?
用户画像的核心工作是给用户贴标签。标注的一个重要目的就是让研究或者产品变得可以理解,方便数据统计。
以电子商务为例:
比如标签可以分类统计:有多少用户喜欢食物?喜欢美食的男女比例是多少?
在细分类中:有多少人喜欢甜食?有多少人喜欢辣条?那么它们的地理分布比例是多少呢?那么男女偏爱凉茶的比例是多少呢?
例如,标签可用于数据挖掘/清理。通过使用关联规则,喜欢食物的人通常喜欢什么样的卧室环境。然后我们也可以分析不同地区的人更喜欢什么样的食物和环境。
根据初步的数据分析结果,我们可以得出这样的结论:这个上海地区的人一旦登录某个电商APP,就可以根据该地区的喜好快速推送(比如大部分上海人喜欢甜零食,或者小资生活的周边和布局等。).
那么这里就会涉及到一个“模型”。通过算法和训练,一个APP可以更懂你。
比如我在某宝上买了一个汽车改装产品,我疯狂地向你推荐汽车相关的产品;因为我购买(达成)、浏览相关(计算)、浏览时间(培养),让他更确定,所以我对这个有很大的需求。
二、数据分析的本质是什么?
因为本文的重点在交互端,所以数据分析留到下次再说。
数据分析的本质是获取用于判断和决策的信息和知识。
根据分析的方法和目的,数据分析可分为:
描述性分析:将数据整合成可视化报告,进行演讲或演示,但不能说明某种结果和未来事件。
1.信息可视化
预测分析:预测分析不仅可以描述数据特征与变量(可以假设取消范围的因素)之间的关系,还可以根据过去的数据预测未来。
预测分析会先确定变量值之间的相关性,然后根据这种已知的相关性来预测另一种现象的可能性(比如短视频中会产生一个广告,通过行为事件来预测你购买/下载产品的可能性)。
2.预测分析
决策分析:通过比较、验证等手段,直接反映情况,给出明确的定性。
所以分析数据,至少要包括描述性分析的能力,这样得到的信息才会有价值。(回头看上面,可以联想一下标签的意思。)剩下的就是高级能力,预测和决策;让学生更高效、更准确地利用研究和产品解决问题,而不是纸上谈兵的“我认为”和“我感觉”。
数据分为静态数据和动态数据:
静态信息数据:静态数据在很长一段时间内不会改变,一般不会随着操作而改变。包括:人的基本属性,公司的基本属性,业务属性等等;一般来说,做调研得到的静态数据都是真实的信息,没有分析和清晰。
动态信息数据:动态数据是经常变化的、直接反映交易过程的数据,如网站访问量、在线人数、日销售额等。,也就是用户的改变行为。
获得的数据是为了完成用户画像的架构图:
第三,定量验证
如果算法或模型不行,我们需要建立一个初步的用户画像,用描述性分析和定量验证(如果是算法和模型建立的用户画像就不要验证了)。
本文不关注量化。如果有什么朋友不知道的,可以看看之前的文章《定量与定性》。
第四,建立用户画像
以韩梅梅的家庭画像为例,描述了他的年龄、性别、职位等。通过场景挖掘用户痛点,从而了解其动机;其中21~30岁为最多年龄段,以职业为范围,利用数据分析(定性)得出数据标签结果,最终满足业务需求,使用户画像的构建形成闭环。
以某健身APP为例:
肖像的重要组成部分:
揭示关键差异(目标行为和视点):给用户一个定义名,这个定义名应该围绕产品最关键的特性来突出,或者可以从目标行为和视点来定义。
基本信息:一个虚构的典型用户可能与某一类用户的大部分人相似,但不会是特定的人;有了这些个人信息,用户的画像可以看起来更像真人,更容易引起用户的共情(抹去真实信息,如姓名、职业等。,根据研究资料)。
相关设备和产品的使用情况:识别相关特性,如产品的使用情况、日常生活轨迹等。这部分主要涉及产品、研究对象和研究目标。
竞争性用法:您可以围绕差异提供想法。
介绍:比如健身产品,那么整个故事背景就应该围绕这个健身展开。
其他重要属性:其他重要属性可以帮助我们了解用户,以使用户形象更加生动;个人语录:比如我立了一面旗帜,减脂。我会坚持这个目标。
最终的画像还需要计算TGI。
TGI:目标群体指数TGI=[目标用户群体中某个特征的总用户数占目标用户群体总用户数的比例/拥有该特征的总用户数占总用户数的比例] *标准数100 TGI指数大于100,表示该特征的用户倾向较强(与平均值相比)且小于。
标注最终图像信息——建立数据分析——验证(如AB测试)——转化为实际场景的用户图像——做出最终决策(如果是算法和模型构建的用户图像,就不要验证了)。
本文来自西狸森溪寒风投稿,不代表舒华文档立场,如若转载,请注明出处:https://www.chinashuhua.cn/24/480421.html