电商用户画像详解(数据分析及应用案例详解)

seoxin 09-08 11:23 11次浏览

|0x00 用户画像是什么

用户画像(Personas),最早由交互设计之父Alan Cooper提出,原意是建立在一系列真实数据之上的目标用户模型,也可以理解为真实用户的虚拟代表,用于描述自然人的属性。在互联网中,也可以理解为用户标签(Profile)的概念,与大数据概念强相关,通过数据来刻画用户。

在笔者的心目中,用户画像可以理解为“基于用户行为数据而获取的用户形式化表达”,通过用户的行为特征、社会属性等各个维度的数据,展示目标用户群体的全貌信息,并根据这些信息挖掘其潜在价值,是数据分析与应用的基础,也是企业应用大数据的数据智能的根基。

互联网企业在定义产品、服务的功能边界时,首先要考虑的就是我们的目标用户群体是谁,我们应该如何找到这类用户。在业务发展的早期阶段,会比较多的借助于用户画像,帮助产研人员理解用户的需求,降低产品使用的复杂性。而随着业务不断发展,用户画像也成为了维持用户增长、进行AB实验的基础性数据,深度与广度都会不断的进行丰富。

可以说,用户画像本质是企业的数据资产的一种表现形式,是个性化推荐、广告系统、活动营销、内容推荐、兴趣偏好等具体应用的核心支撑。

|0x01 用户画像包括什么

用户画像通常有几百种描述方法,数据的来源与计算方式也是多种多样,不仅有偏静态的属性数据,也有基于行为数据的统计,同样也有丰富的算法标签,因此需要体系化的整理思路,以降低画像数据的理解成本,同时也可以做针对性的数据质量监控。

在通常情况下,我们会将用户画像数据分成三类:用户的属性描述、用户的行为数据,以及用户的意图数据。

先说用户的属性数据,这一类数据通常是静态的,即不会随着产品变化而变化。用户的属性通常分为两类:

  • 基础属性:如年龄、性别、所在地、通讯方式等;
  • 社会属性:教育、职业、房产、车辆等。

再说行为数据,也可以称之为“事实数据”,通常代表需要进行统计的指标,也是用户在产品上的行为产生的。比如最近N天做了什么事情、最近N天消费多少、最近N天浏览过的内容,等等。这一类的数据通常是分散在各个业务线的,随着产品变化和时间而不断变化,变动通常较大。

最后说意图数据,这一类通常是算法提供的预测信息,比如用户的兴趣偏好标签:美食、摄影、运动、服饰、旅游、教育等。有一些具有行业特色的,如电商、金融等场景,也会做细分的价值标签,根据某一个具体的行业、或者是某一个具体的细分场景而定。

通过以上三类数据,我们可以比较清楚的刻画出用户的现状。但还有一个技术细节需要注意,在有了用户标签的数据后,我们还需要将这些数据精准的映射到同一个用户ID上,即统一用户ID的建设。因为用户的数据是分散在各个业务线,是在不同的端上进行的行为,甚至是同一台设备、多个不同的用户使用。

在阿里的OneData方法论中,特别提到了OneID的建设,是将用户、设备等业务实体对应的业务数据,映射为唯一的UID,在用户画像领域是基础性的支撑技术,本质是一套解决数据孤岛问题的思想和方法。

|0x02 用户画像只能给常见的分析模型

使用画像做数据分析,重点是解决产品的发展、定位与潜力问题,而不仅仅是处于好奇心,为了向上汇报而搞分析。因为搞不清楚定位,就无法搞清楚种种复杂细分事项的优先级,也就不知道哪些问题对产品真正的有影响。

对用户画像使用比较好的场景,一个是用户增长;一个是电商营销分析。我们介绍一些常见的电商营销分析模型。

首先是AIPL模型,一个可以量化的人群资产运营模型,最早来源于美国,在电商行业被发扬光大。AIPL每个阶段的概念如下:

  • A:Awareness,认知;
  • I:Interest,兴趣;
  • P:Purchase,购买;
  • L:Loyalty:忠诚。

AIPL的分析过程,就是看用户从看到、点击、下单、购买的全部过程。在很多时候,用于如果比较犹豫的话,适时的发一个红包,那么对于促进转化的作用可就太大了。比如针对链路中“I人群”到“P人群”流转率太低的问题,说明店铺目前缺少销售转化机制,可以根据标签将用户分成不同的群组,通过推荐不同的优惠来促销。

其次是Fast模型,一个衡量用户健康度的运营模型,帮助商家分析用户群体的总量,以及总量所对应的质量如何。FAST对应的说明如下:

  • F:Fertility,消费总用户数;
  • A:Advancing,人群转化;
  • S:Superiority,高价值用户总数;
  • T:Thriving,用户活跃率。

FAST从GMV的视角分析品牌自身的用户消费情况,可以根据用户的潜力情况,进行差异化的运营。比如某品牌通过对双11的GMV目标拆解,反推出各层级人群体量需求,然后过优化营销预算投入,追加一定的营销费用,最终在双11期间的新老客成交额均超额完成。

最后一个是GROW模型,大快消行业的增长模型。在电商用户总数见顶的情况下,增长变的乏力,那么对细分人群寻找增长机会,就变得更加重要。GROW的概念是:

  • G:Gain,渗透能力;
  • R:Retain:复购能力;
  • O:Boost,价格能力;
  • W:Widen:延展能力。

对于具体的细分品类,可以在GROW的基础上,寻找增长发力的方向。比如食品类目中最适合提升渗透力的前10大二级类目有哪些、最适合做价格力提升的有哪些;美妆行业中最适合提升渗透力的有哪些,等等。

|0xFF 用户画像还能做什么

当然,在使用画像数据做分析前,请确保计算标签的整个开发流程是顺畅的,否则无穷无尽的创意,很容易拖垮整个研发团队的节奏。除了做分析之外,用户画像对于公司的业务,还有很多其他的帮助。

例如,用户画像可以帮助公司对产品进行定位,确定我们在细分市场中的位置,因为只有明确了目标用户群体,通过画像来理解这群人,洞察他们需要什么,才能够做出准确的产品功能定位,设计出符合用户需求的功能。

除此之外,在公司大大小小的各种决策上,用户画像也可以起到“达成共识”的目的。我们都熟悉AB测试对于功能效果的评估作用,但在没有AB测试之前,我们如何来对海量的创意进行归类和挑选重点呢?

很多设计性的思路,本就是发散的,如果就着功能说功能,恐怕谁都无法说服谁。实际上,通过功能所面向的用户画像,通过一个“抽象化”人的形象,来讨论问题,那么对于目标问题就很容易达成一致,因为这提供了一种中间态的、有标准的评判方法。

当然,AB测试的时候,我们通常也是需要区分用户群体来进行测试,而不是仅仅是满足统计学的规律。随机抽样的人群,可能对于产品的认知都不同,做出来的实验结果也往往就有偏差。

因此,用户画像是一个企业数据建设的重要基础工作,其价值不在需求本身,而在于能为公司提供怎样的分析思路。