首席增长官知识结构归纳之用户画像

  • 互联网流量红利已经消失 —— 各大媒体
  • 移动互联网红利过去了 —— 李开复
  • “超级用户”模式的真正着眼点是“关系”,“普通用户”和“超级用户”之间的关系,就像一般女生和女朋友,向别的女生释放善意没问题,但你更关注应该是女朋友。 —— 逻辑思维

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,首席增长官开始有了地位,尤其是用户运营层面,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,所以想着自己可以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~

感谢浏览。

另,转载请标明出处~

一、用户画像

误区:Persona(用户角色) VS Profile(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。

首席增长官知识结构归纳之用户画像

用户画像可以参考用户角色设计,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,那就可以将二者合并,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(电商网站一般使用RFM 实现)还有消费能力、违约概率、流失概率等等诸多模型。

关于标签化:

  • 1、多级标签:第一级标签是基本信息(姓名、性别);第二级是消费习惯、用户行为
  • 2、多级分类:人口属性,地理位置(工作地址、家庭地址)

构建画像:

该阶段可以说是二阶段的一个深入,要把用户的基本属性(年龄、性别、地域)、购买能力、行为特征、兴趣爱好、心理特征、社交网络大致地标签化

首席增长官知识结构归纳之用户画像

数据可视化分析:

这是把用户画像真正利用起来的一步,在此步骤中一般是针对群体的分析,比如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间,以作出针对性的运营

用户建模:

基础属性:性别、职业、年龄段、收入水平、婚育情况、活跃城市、教育程度、……

用户分级:生命周期、价值分级、优惠敏感度、基于马斯洛用户需求

兴趣偏好:团购偏好(品类)、外卖偏好(品类、品牌)、电影偏好(导演、演员、电影类型……)

行为属性:团购(下单次数、消费频度、评价质量、评价倾向)、外卖、酒店、电影

人群属性:旅游达人、有车一族、……

基于马斯洛用户需求的用户分级:

首席增长官知识结构归纳之用户画像

1、首先了解自己产品的精准受众群体,分析并确认这类群体的性格特性与使用习惯,不要局限在自己产品中去想这类人群的特性,而是具有XXX特性的人群,来到我的产品中,会有哪些使用习惯与心理特性。

2、搭建用户成长体系时,一定会出现不同阶层之间的边界模糊现象,我们需要观察达成每个成就的用户群体比例,来重新界定每个阶层。

3、用户是波动的,不一定会完全按照我们界定好的体系变动,我们不必稳抓每一个用户,只要保证大体用户是按节奏进行的即可,如果出现大批量用户跃层上浮或下降,此时我们应该看是否有现象级事件产生,或者用户生态体系是否搭建的有偏差。

基础用户:

描述:仅仅是内容的消费者,即阅读内容,但不会产生点赞、评论、分享等与其他用户产生互动的行为,浏览内容的方向不明确,具有随机性。

稳定性:极不稳定,随时会因产品内容、功能、社区氛围等原因流失。

特性:此类用户人数最多,对于产品的需求也最为基本。

对应需求:生理需求

标准用户:

描述:不再是内容的消费者,开始逐渐进行点赞、评论等实现成本低的操作,浏览内容方向更加明确

稳定性:较稳定,会因为产品内容推荐不够贴切、功能不够完善离开,对于产品具有一定的耐心,不会突然离开

特性:从松散且游离的基础用户演变而来,实现从观看者到参与者的身份转变中。

对应需求:安全需求

主体用户:

描述:作为承上启下的社区参与者,及有一定的社区知名度,又能适度产出一些普通内容,带动社区氛围

稳定性:稳定,对于产品的功能与氛围熟悉且接受,但可能会因为长时间付出(发帖、评论),却无法得到别人足够的回应而离开。

特性:注重产品功能之外的认为情感,不再满足于产品本身带来的体验,开始关注在产品内获得的满足感与成就感等。

对应需求:社交需求

核心用户:

描述:产品中具有一定影响力的小V用户,可产出较优质内容,同时在产品中具有较大影响力,具有较强的带动性。

稳定性:非常稳定,在产品中的影响力很强,具有较多粉丝,可能会在产品中进行个人变现,因此足够稳定。

特性:追求大量的用户追捧,以及看中自己在产品中的群体口碑,希望得到大量用户的正面评价,部分用户会因此进行变现,实现物质收入。

对应需求:尊重需求

明星用户:

描述:具有极强的影响力与知名度,属于为产品进行背书的明星式人物,对于产品用户的行为方式与舆论走向具有较大的影响。

稳定性:极其稳定,属于平台为数不多的大V,根据二八法则来看,这类明星用户吸引大部分用户的关注,物质变现不满足于心理的满足,而是可以成为职业化的一种收入。

特性:具有大量的支持者用户,对于产品的走向与舆论有着主导性作用,同时可为产品创造源源不断的活动,属于带动产品的风向标人物

对应需求:自我实现

转载请标明出处,各位手下留情~

文:marco@ 空间库

首席增长官推荐文章:

50个经典增长黑客案例:首席增长官的商业增长策略和技术
滴滴专车「分享特权」如何显著提升用户增长质量? | 增长官研究院
站在一个产品运营从业者的角度看支付宝:噪声之后的亿级用户产品冷思考

更多精彩,关注:增长黑客(GrowthHK.cn)

增长黑客(Growth Hacker)是依靠技术和数据来达成各种营销目标的新型团队角色。从单线思维者时常忽略的角度和高度,梳理整合产品发展的因素,实现低成本甚至零成本带来的有效增长…

本文经授权发布,不代表增长黑客立场,如若转载,请注明出处:https://www.growthhk.cn/cgo/10325.html

(1)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2018-05-13 15:32
下一篇 2018-05-13 16:42

增长黑客Growthhk.cn荐读更多>>

发表回复

登录后才能评论
特别提示:登陆使用搜索/分类/最新内容推送等功能 >>