时间: 2021-07-30 10:48:34 人气: 7 评论: 0
编辑导语：用户画像最初是在电商领域得到应用的，在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务；本文作者分享了关于用户画像的相关分析，我们一起来了解一下。
用户画像能不能提升付费率？肯定能，问题是：怎么干？
前几天就有同学A，在面试的时候遇到这个问题。同学A举手：这题我**！构建RFM模型，把用户分成27类，然后重要价值客户（111）给予**资格，重要保持客户（011）要主动保持联系……熟练地背诵出27类的做法。
结果，被面试官直接挂掉！
首先，每种分析方法，是有特定业务场景限制的。从本质上看，网上盛传的RFM做法，只适合高频互动的零售电商业务的场景，比如耐用品、母婴、医疗、保健、游戏、影视娱乐等，都不适合RFM。而这位同学正撞枪口上了：他面的是小说阅读APP。
小说业务，其付费的动力是高度内容驱动的。想让用户掏钱，至少得有内容让用户看得爽。想让用户看得爽，得知道用户喜欢什么样的内容题材。这是用户画像要解决的一个问题。
同样是内容，小说又不同于短视频或者直播。用户的爽快感，不是直接被屏幕上扭来扭去的小姐姐或者喋声喋气的“乌鸡哥”激发的，而是在持续阅读过程中，在沉浸式的体验中获得的。
这样就形成了一个逐步沉浸的转化过程：寻找内容→点击阅读→持续阅读→付费页面→付费→持续付费；因此，定位用户当前所处的阶段，引导用户向下一阶段发展，是用户画像要解决的第二问题。
此时，可以进一步去想：从小说阅读APP里，能获取何种用户标签，构建用户画像了。
一提到用户画像，很多同学又**说贯口一样说出：性别、年龄、职业、收入、爱好……只要做一个信息收集表，就能搞掂啦！
实际上确实有场景可以用表单收集。比如：
但是，这些表单是建立在业务本身的刚需之上。没有这些信息，服务根本开展不了。所以这种表单信息能受到用户的理解和配合，采集难度也相对较低，复核起来也容易。
在小说这个场景里，就不适合用表单收集。
因为对小说的“爱好”根本没啥刚需可言：
更不要提其他涉及个人隐私信息，难道看小说还需要被查户口？不受用户理解，即使强行采集，数据也是假的。
因此设计表单的时候，要保持克制，尽量找关键字段。对阅读而言，男女差异很大，且容易受到用户理解，因此可以在表单采集。并且男女，是个符合MECE的简单选项，不容易引起歧义。
换个角度，如果收集的是：阅读兴趣。
选项是：玄幻、历史、穿越、言情、霸道总裁、其他
用户很容易引起歧义，比如玄幻+穿越的，算哪类？比如大女主算哪类？用户在有歧义的时候，就**乱填一通，收集回来的数据就有问题；这些细节看似琐碎，实则决定了基础属性标签的准确度。
要定位用户当前所处的阶段，需要找能区分用户类型的最关键标签。
既然目标是提升付费率，因此付费相关标签，就是第一重要的；根据用户付费记录，可以区分三个状态：从未付费/付费一本小说/付费2本及以上。
引导方向也很清晰（如下图）：
注意，上边分类里，有一个策略是导向：保持本篇续订。这就意味着，需要观察用户在阅读小说时候的进度。
如果付费的小说已经完结了/断更了，就得即使推荐新内容；如果用户根本连看都看不下去，或者已经愤然弃坑，那也得另寻好内容推荐，因此得再考虑用户阅读行为标签。
用户阅读行为对付费意义很重大。**上，只有入坑的用户才**付费，还很有可能对更多其他感兴趣内容付费。对还没入坑的要尽快拖进坑里，已经脱坑的要防止流失；因此，区分出未入坑、入坑、脱坑状态，很重要。
“入坑”是对读者沉迷在某本小说情节的俗称。做标签定义可不能这么随便，要有具体的指标+计算公式+业务含义，才能算一个标签。
用户如果入坑了，最起码的要求是在小说APP的登录时长、登录频次有一定保证，因此可以现用比如最近一周内登录次数/登录总时长，来区分用户平台活跃的轻、中、重（如下图）：
再次，如果用户入坑了一个内容，那么他肯定不**东瞄西逛，而**聚焦在一个内容里。那么这个内容占他在平台活跃时间的比例，一定相当长。
这样可以将用户是否聚焦一个内容的标签区分出来：
具体多长算长，也得用分层分析法哦
第三，入坑、脱坑是一个动态过程。之前没有聚焦内容，之后有了，叫入坑；之前有聚焦的，之后没有，叫脱坑；因此构造标签的时候，不能只考虑当前状态，而是得关联上一个周期的状态，比如关联上一个周期，发现用户聚焦下降了，那么可以归纳为入坑。
如果聚焦上升，可以归纳为脱坑（如下图）：
有了行为标签，再结合付费，就更能精准区分问题了。当然，在制定策略的时候，也要考虑用户规模，优先满足大群体的需求（如下图）。
当然，实际工作中，数据情况可能没有这么复杂。
这些都有可能发生，而且**让数据分析变简单。但是在构造标签逻辑的时候，也要符合MECE方法，才能避免意外发生；这是专业数据分析人员与业务人员思考问题的本质区别——业务人员能直接抓最显眼的，数据则关注情况全面性与严谨性。
上文有提到，直接收集兴趣**有各种问题。那还能怎么办呢？当然可以从用户行为中提炼兴趣。如果一个用户入坑了某个内容，那他肯定是对这个内容感兴趣的。
这里的难点，在于区分：他到底对哪个点感兴趣。因为一个内容相关的静态标签太多了：作者、主题、风格、评论、是否热门、写法……还有很多无法标准化的部分。
因此从一开始，就不能太指望兴趣标签做得特别精准，而是要结合小说的品类特点，把同款、交叉款单品选出来，找到贴近的单品即可。毕竟小说不是短视频，不需要15秒一切换。
当兴趣偏好与付费行为交叉，还**产生一种可能：有一类用户就是坚持白嫖，有很多关联阅读行为，但是就是不付钱；此时可用优惠**测试，把其中价格敏感型与真正白嫖到底的区分开，从而形成价格偏好标签。
有了以上基础的标签准备，最终输出策略时就可以像搭积木一般，针对用户需求，组合出各种策略，只要基础打得牢，出结果是手到擒来的事（如下图）。
很多同学习惯了做网上的现成数据集。所谓的用户画像，大部分是现成的字段，尤其以直接收集的表单字段居多。
这种现成的数据集练手很爽，可与实际情况差距非常大；实际工作中，即使能用表单采集，也得考虑采集过程中错误、造假、复核问题。
更不用说，相当多数据标签需要通过分析计算+测试获得，需要一层层的构造，由简单到复杂；这些处理过程中技巧与手段，才是真正值钱的技能与能力，与大家共勉。
接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议。
