13161216443

您所在位置: 首頁> IT培訓> 老司機說數據分析中用戶畫像該這樣分析

老司機說數據分析中用戶畫像該這樣分析

發布百知教育 來源:IT培訓 2019-09-11

有同學問:陳老師,我領導讓我做用戶畫像分析,可是我做了一大堆數據,卻被批:也沒分析什么東西???該咋辦?今天系統解答一下。

 

用戶畫像分析的錯誤姿勢

 

1.限于數據,動不敢動。一提用戶畫像,很多人腦海里立刻蹦出了性別,年齡,地域,愛好等基礎信息字段,然后大呼:我們好像沒這個數據,于是放棄分析了??蓪嶋H想想,知道男性占比真的有那么大意義?知道男性占比65%還是60%真的對業務有幫助?不一定的,貼用戶標簽有很多方式,不要限于一些難采集的基礎信息。

  

2.羅列數據,沒有思路。很多人一聽到用戶畫像分析,本能的就開始把數據庫里的用戶標簽往外搬,在報告里碼上:

男女比例3:2

20-25歲占比40%

30%的人在最近一周內登錄

70%的人沒有二次購買

……

至于擺完這些數據干什么,完全沒有考慮過。這種分析結果,當然讓人看完一頭霧水。迷茫的發問:“所以呢?又怎樣呢?”

 

3.無限拆分,沒有邏輯。很多人一聽到類似“流失用戶畫像分析”一類相對具體的分析題目,就開始無限拆解數據。分性別,年齡,地域,設備,注冊時間,來源渠道,購買金額……拆了幾十個維度看流失率。最后,只看到有的維度差5%,有的差10%,當然沒有最后結論啦,越看越糊涂。

 

以上問題,都是太過糾結于用戶畫像四個字,忽視了分析兩個字導致的。用戶畫像作為一個基礎數據體系,本身并沒有分析功能。單純的羅列用戶標簽或者拆解用戶指標,也起不到分析作用。像利用好用戶畫像,還得按分析套路一步步來。

  

第一步:轉化商業問題

 

用戶畫像分析,本質上是從用戶的角度思考問題。舉個簡單的例子,比如新上市產品銷售未達預期,我們既可以從產品管理的角度來思考問題,也能從用戶角度來思考問題。同樣一個問題,會有兩種思考方式(如下圖所示):



1.png


因此,簡單的列出一堆用戶指標(性別,年齡,地域,購買產品,登錄次數……)是沒啥用處的。用戶畫像只是分析的一個工具,和其他分析一樣,也要先考慮:我要解決的實際問題到底是什么。想清楚了,再把問題轉化成用戶相關的問題,就能繼續使用用戶畫像分析方法了。

 

需要注意的是,商業問題是很復雜的。往往一個問題,可能與若干用戶群體、若干用戶行為有關。比如上邊的例子,就至少和三個用戶群體(潛在用戶、流失用戶、存量用戶)涉及到用戶態度、信息接收、購買流程、使用體驗等多方面。因此更得分門別類,把分析線索和分析邏輯理清楚,找到對應的數據。不然一鍋燉,光列性別,年齡,地域,也解釋不了任何問題。這就涉及下兩部工作。

 

第二步:宏觀假設驗證


轉化完問題后,先宏觀上對假設進行檢驗非常重要,能有效避免無限拆解的錯誤。如果大方向都不成立,細節更不用看了。還是新產品賣不動的問題,如果要從大方向驗證,可以簡單如下進行:


8.png


如果懷疑大環境不好,那應該全品類受影響。

如果懷疑競品競爭力強,那應該競品直接影響到我們產品

如果懷疑運作太差,那本次商品轉化漏斗上勢必有一環掉鏈子

如果以上有假設驗證,可以進一步深入分析

如果以上假設都不成立,可能還需要新假設

 

總之,先進行大方向檢驗,可以有效縮小懷疑范圍。懷疑范圍越小,后續對用戶分析可以越精確。同時,當數據不足的時候,懷疑范圍越小,越能夠集中力量收集數據,改善數據質量,做出有精度的分析。用戶的分類維度可以有幾百個之多,如果不加篩選的做拆解對比,很有可能在數十個維度上都有差異,最后完全讀不懂數據。在拆解以前聚焦假設,非常重要。

 

第三步:構建分析邏輯

 

宏觀驗證以后,可以基于已驗證的結論,構建更細致的分析邏輯。在這個階段,實際上已經把原本宏大的問題,聚焦為一個個小問題,比如:

 


9.png


舉一個具體場景:

已驗證:我們卻受競品影響

子問題1:目標用戶的需求是什么?

子問題2:目標用戶對競品體驗如何?哪些需求點最被觸動?

子問題3:目標用戶對本品體驗如何?哪些差距是致命傷?

子問題4:競品/本品在硬功能,軟宣傳上差距如何?

 

這四個子問題,都可以通過對用戶需求與行為的深入挖掘得到答案,下一步可以繼續深入了。須注意的是,這一部分的分析需要大量用戶態度、潛在用戶、競品用戶的研究,單靠內部數據不能完成,必須通過外部調研。

 

再看另一個場景:

已驗證:本次新品上市操盤卻有問題

子問題1:問題出在預熱、發布、上市、推廣哪個階段

子問題2:上市階段大量用戶未能響應,廣告投放出了什么問題

子問題3:推廣階段銷量未能引爆,為啥沒有激發核心用戶需求

……(可進一步問太多,簡單舉例如上)

 

這些問題,可以分兩方面解決

一方面,通過對不同類型用戶對比,如

核心/普通

購買/未購

觸達/未觸達

用戶進行對比,找到投放、獎勵活動、購買品類、金額等細節上差異,從而調整投放、營銷、產品補貨等業務。

 

另一方面,通過對核心用戶畫像,讓業務更看清楚,真正愛買的人

來自哪個渠道

通過什么主題

需要什么樣優惠

在什么時機下單

讓業務更多的去抓這些核心用戶,而且改善后續表現。

 

需要注意的是,這一部分用戶來源、信息投放響應,購買行為,主題閱讀,完全可以通過內部系統記錄。即使不知道他是男是女,我們也能通過投廣告,發內容,做優惠吸引到他們。

  

第四步:獲取用戶數據

 

在上一步我們已經看到,用戶畫像分析如果真的想深入用戶,就得依賴多種數據來源。很有可能是內外部數據雙管齊下的??紤]到內部數據可能采集不全,外部數據存在抽樣誤差問題,在使用數據上就得有取舍,有重點。這也是為啥前邊一直強調逐步驗證,縮小假設的原因。聚焦了才好采集數據。


10.png


一般來說,

越是偏態度、體驗、情感類問題,越傾向于用調研的方法

越是偏行為、消費、互動類問題,越傾向于內部的數據分析

如果想了解競品,就拉競品用戶調研,或針對競品網店爬蟲

 

在傳統意義上,做市場調研和做數據分析的,都有各自用戶畫像的定義、做法、輸出產物。站在實際對企業有用的角度,當然是越多越好。不過,隨著爬蟲,NLP,埋點越做越深入,在有技術支持的情況下,這些年對系統采集數據的利用度是越來越高的。所以在有條件的情況下,還是盡量推動內部數據豐富。不然事事依賴調研,數據沒有積累,以后也難做。

 

第五步:歸納分析結論

 

如果以上幾步做好了,在最后推分析結論就是水到渠成的事,完全不費力氣。實際上,用戶畫像分析最大的問題都是出在前五步的。缺少假設方向,缺少數據準備,缺少分析邏輯,單純羅列數據,無限制拆解,到最后自然面對一堆零碎的數據糾結:“男女比例3:2又怎樣呢???”

 

當然用戶畫像有其他很多用處,比如支持新品開發,支持推薦系統,支持自動營銷系統,支持投放系統等等,作分析只是它一小塊作用。所以想做好分析,還是要多學習分析方法,操練分析邏輯哦。不考慮具體問題場景,單純的問:一般的用戶畫像怎么做。得到的也是來自算法、調研、數倉、分析各個崗位千奇百怪的回答,自然沒有分析思路了 


上一篇:28歲:程序員職業生涯分界線

下一篇:應屆生去公司找個Java程序員的職位需要什么技能?

相關推薦

www.akpsimsu.com

有位老師想和您聊一聊

關閉

立即申請