首页 文章详情

想做好用户画像?先学会这个基础操作

接地气学堂 | 12 5天前 0 0 0

本篇要分享的,是一个非常基础的,估计人人都听过的,却经常弄混淆的概念:用户标签。虽然名字简单,但它确是用户画像、精准营销、个性推荐、智能投放等等各种系统的砖石。今天系统分享一下。


  1   

什么是用户标签


性别:男女,就是一个标签。简单吧!


所谓标签,就是

1、由原始数据,经过整理、加工、分类所得

2、一个抽象的符号

3、代表一类人/物的特征

 

用来描述商品的,就是商品标签;用来描述业务的,就是业务标签;用来描述用户的,就是用户标签了。我们常说“小太阳家庭”“中产阶层”“爱好时尚”等都是用户标签。有意思的是,我们总是说:生活中不要轻易给人贴标签。可为什么还要大张旗鼓做用户标签呢?


  2   

用户标签的作用


因为面对一个人,出于尊重他人、不带偏见的考虑,我们说不能乱贴标签。但企业经营面对数以千万的用户,就不能一个个去理解,时间和成本都烧不起。如果不加区分,把所有顾客一视同仁,就只能这么地毯式轰炸(如下图所示)


                        

如果有用户标签,就能快速、方便地细分用户群体,锁定更有需求的人,实现更精准的营销/服务。(如下图所示)


不打标签,每次都基于原始数据分析,运营会很纠结:到底是选买过3次的还是4次的才参加活动呢?消费分段选3000,3200,还是3300呢?


理论上,每次都这么纠结也是可行的。但是这样做效率太低,并且能思考的维度太少,很有可能累秃了头也没啥进展。因此可以基于过往分析成果,预先打上标签,能极大提升效率,实现更复杂、更精准的分析。

 

并且,还能把最后效果记录进标签库,积累分析经验。如果标签打得对,那我们按标签做的事就能起到效果,标签本身质量也被确认;如果标签打错了,那按标签做的事就会没有效果,后续就能修订标签,打新标签。

 

我们做用户分层和分群,做精准营销,所有结果也可以以标签形式保存。在后续多次验证,从而沉淀管用、区分度高的标签,提升用户画像的准确度与有用性。

 

想要达成这种好的区分效果,当然只靠“男女”这种简单的标签是不够的,于是就有了制作标签的过程(俗称:打标)。具体怎么做?一起来看个简单通俗的例子。


  3   

用户标签的制作流程


比如谈恋爱,未来的丈母娘上来问的肯定是:

● 多大?

● 哪里人?

● 有房吗?

● 有车吗?

● 公务员吗?

● ……



 

你看,问的全是用户标签,人家丝毫不在乎你有多痴情,你有多努力。甭整那虚了吧唧的玩意,Show me the 房产证!十八姑娘一枝花,追的人多了去了,就是要大量过滤那些馋身子的小垃圾……

 

然而如果只知道回答是“有房”,是不是就能区分好青年了呢?——当然不可以。


因为单一维度的标签,信息量很有限。就像单纯说“有房”,那到底是上海的房子还是盐城的房子,是60平小两房还是120平大三房,是全款的还是欠了一屁股债的,统统不知道。因此,丈母娘才会问一大堆信息,逐步规整判断到底这个小伙靠不靠谱。

 

这就是制作用户标签的直观步骤:



归纳一下,共有7步:

1、从单维度开始

2、设定区分目标

3、进行维度拆解

4、观察区分效果

5、总结经验

6、多维度交叉

7、不断提升效

 

做用户标签可以很简单,但想做有效的标签,就会很复杂。它是一个从单维度到多维度,从简单到复杂,不断迭代验证的过程。在这个过程中,经常出现问题。


  4   

用户标签的五大常见问题


▌问题一:没有目标,盲目干活。

 

很多人被“比如性别:男女就是个标签”这句话误导,以为只要做了分类,就算是标签了。至于分出来的类别之间有什么差异,有多大差异,压根没检验过。甚至,你问他为啥这么打标签,他说不知道。领导让打,咱就打,管他呢。

 

实际上,即使是同一个原始数据,在不同目标下,打标方式会完全不同。拿用户年龄举例,可能有好几种分类贴标签的方式(如下图)


 

▌问题二:不区分时间状态。

 

比如打一个“高价值用户”标签,这里“高价值”指的是历史消费水平高,还是未来消费得多?很多人傻傻不分,就统计下历史消费金额,然后消费多的就是价值高。但是谁保证用户过去买得多,未来一定买得多??完全不一定。

 

注意:如果我们要打的标签是个未来情况,比如未来消费多,意味着我们要做一个预测:用户未来会消费多少。这里就得基于测试或者建模预测才能得到结论,不能简单基于历史数据统计。

 

▌问题三:行为动机乱归因。

 

比如用户买了产品A,于是就打个“A产品喜爱者”标签。然而用户真的喜欢A产品吗?我们只知道用户买了A的行为,并不能直接推导出动机。如果想推倒动机,需要基于一段时间数据分析,并且综合多个维度判断。



在推导动机的时候要特别谨慎,因为错误地、随意地归因会误导业务行动。明明用户喜欢的是打折,结果却误判为产品粉丝,最后很有可能狂推一堆产品却没有响应。

 

▌问题四:多目标混合不清。

 

比如评高价值用户,把活跃度和付费金额,付费金额和毛利几个指标混合在一起,美其名曰“综合评价”。结果搞出来一毛不花天天白嫖的用户也是高价值用户。要是都这么折腾公司就得破产了。

 

这类问题,主要是做数据的同学嫌一个维度一个维度切分不体现数据能力,非得整个模型,算个权重才显牛逼。降维可以做,但牢记整个原则:不同类目标不混合。特别是涉及钱的目标。到底公司赚没赚钱,是个很严肃的事。搞混了,是要喝西北风的。

 

▌问题五:结果缺少检验。

 

打用户标签是希望区分用户,那么最后区分效果,在目标上的差异越大越好,如果差异不大,那打标意义就不大,可以取消标签,或者再做优化(如下图所示)。



遗憾的是,很多公司都是为了打标而打标。至于打了标签干什么,用在哪里,效果如何,从来没考虑过。

 

乱象背后深层问题,是这几年大肆吹嘘的“数据中台”、“用户画像”的概念。很多企业不是从需求出发,先思考我们要解决什么问题。而是从朋友圈文章出发:哇塞,领导转发《震惊!阿里数据中台秘密,终于揭露了》,领导喜欢,我们就做,搞起搞起。

 

于是不管数据采集如何,不问业务落地场景,也不想最后实现什么效果,盲目打标签。临到年底汇报,还喜气洋洋说:我们完成了10万标签组成的海量数据库!数仓、模型、可视化啥都有了,就是没人用,最后一地鸡毛。

 

本质上,想取得好结果,还是得从结果本身出发,根据问题找工具,而不是拿着锤子看什么都像钉子。不过很多同学自己也没有见过,天天喊用户画像,也没见几个具体落地成果。啤酒与尿布听得很多,可就是横竖没见过一家超市是这么摆的(于是编故事的人们,会注上:国外某超市,嗯嗯)。

 

其实,想做出好的业务效果,远没大家想得复杂,关键在于做好“打标-验证-积累-二次打标”的过程,持续地进行迭代。有兴趣的话,点击右下角“在看”,本文超过60在看,我们分享一期如何给B2B企业客户打标签的例子,毕竟研究对象是人的时候,很多行为容易理解,遇到B2B问题,很多同学就歇菜了。


更多精彩原创:


还是不知道怎么着手做用户标签?一篇文章解决不了所有问题,学习陈老师的视频课程《业务知识一站通》可以加入学员群,和陈老师一对一讨论,让陈老师成为你的军师。
《业务知识一站通》
长按扫描二维码
了解陈老师的视频课程
还可加入学员群
享受陈老师一对一咨询服务
点击左下角“阅读原文”听陈老师讲课噢
good-icon 0
favorite-icon 0
收藏
回复数量: 0
    暂无评论~~
    Ctrl+Enter