然而做用户画像的时候，业务方经常混淆这两点。往往对着过去发生的行为贴一大堆标签，对未来预测毫无概念，在预测分析上半点投入没有。看用户画像报告，或者在CDP里设置推送规则的时候，想当然地认为：过去买了以后也买。最后预测不准，反而把锅甩给用户画像系统。结果自然悲剧。
购买频次不能直接等同于用户喜爱。用户喜爱或者不喜爱，需要更多维度的数据进行分析，并且分析结果得有一定概率的稳定性，才能这么叫。 类似的，很多企业里，业务方和数据分析师，对待这种“爱用者”等等名词使用非常随意、粗糙，基本上都是用消费金额、登录频次等等，高了就算“喜欢”、“爱用”，低了就算“边缘”“尝试”。做出来的结果，自然是毫无准确性可言。不用说，出了问题，比如推荐产品没有人买之类，又算在用户画像头上。
很有可能从源头上，消费高的和消费低的就是两类人，应该通过深入的分析搞清楚到底驱动行为的原因是什么。 从表面上看，用户画像失败的原因，在于：重数据，轻分析。过分投入精力细化已经发生的行为，贴了太多太多事实性标签。对预测投入力度不够，对因果关系分析不够，对用户需求洞察不够。最后判断全靠业务拍脑袋。
基于过去的数据搞一堆标签，很容易；沉淀有预测力、有准确度的用户标签，很难。
看了用户画像以后拍脑袋，和看报表拍脑袋都是拍脑袋，没有本质区别，谢谢。基于过去的数据搞一堆标签，很容易；沉淀有预测力、有准确度的用户标签，很难。不但需要深度的数据分析和建模，更需要反复的，多轮的，对比性测试。不是一蹴而就。所以在业务部门自以为很懂，数据部门喜气洋洋地宣布“打了三万个标签”的时候，祸根就已经埋下来了。
问题的关键是：单纯的事实标签预测能力太差，洞察力太差。不足以满足运营、策划、销售、营销们排兵布阵的需求。大量数据+深入分析，才是解决问题之道。
但用户画像项目正好相反：业务方以为自己很懂！做数据的小哥也以为自己很懂！几乎所有的业务方一提用户画像，都会说这句：“比如，我知道用户是24岁，女性，我就会推一个XX产品给她”大家都以为：我自己很懂，就差一个数了！快给我数。于是业务不停催着数据把过往数据做的再细、再细、再细，数据则在打标签路上一路狂奔。最重要的预测、分析、实验三件套没人搞。
网友评论