<<<前言>>>
跟数据打交道已经上十年了，在管理业务、产品运营、风险识别、数据产品等方面有过一些实践经验，爱总结的逻辑Go决定把日常的文本总结短文化，整理成体系，欢迎拍砖，更欢迎一起研讨：
系列一：风险与数据的逻辑
系列二：业务管理背后的数据故事
系列三：产品运营与数字游戏
系列四：如何打造数据产品
文 | 爱总结的逻辑Go
阅 | 完整阅读需要8分钟
都说进入中国人口红利已经在消失，我们已经进入到互联网的下半场。在上半场，流量爆发助长了互联网公司的快速发展，你甚至不需要知道网络另一端是个什么样的人；下半场，互联网公司已经不新鲜了，大部分公司已经互联网化，每个消费者都正在被数字化，标签化～～
这两年引领下半场发展的是那些在讲“大数据”“赋能”的企业，有数据有用户的企业。
通过大数据告诉政府该如何智慧地管理交通，规划地铁站，做城市发展规划。
通过消费数据分析，告诉企业该在什么时间生产什么产品，以最大化地满足用户的需求。
通过生活大数据告诉我们餐饮企业，甚至房地产企业该如何选址。
如果说互联网的上半场是粗旷运营，因为有流量红利不需要考虑细节。那么下半场，精细化运营将是长久的主题。有数据，有数据分析能力才能让用户得到更好的体验。
所以，用户是根本，也是数据分析的出发点。产品设计用户在线的交互方式，也是数据生产的方式。
<<<用户画像的准则>>>
假如你受雇一家卖羊肉串的公司，老板担心现在竞争越来越激烈了，要想做好得知道顾客喜欢什么。于是上班第一天，老板问你：“你能不能分析一下用户数据，给咱们公司的羊肉串业务赋能啊？”
image
“老板啊， 咱们卖羊肉串的，做数据挖掘没用啊。“ 估计老板听后，晚上就把你开了！
image
那应该怎么做呢？
首先就是将自己企业的用户画像做个白描，分析用户“都是谁”“从哪来”“要去哪”。
换一种回答：“老板，您需要的是用户画像，画像建模是个系统的工程，我们需要解决三个问题。第一呢，就是用户从哪里来，这里我们需要统一标识用户ID，方便我们对用户后续行为进行追踪。我们要了解这些羊肉串的用户从哪里来，他们是为了聚餐，还是自己吃宵夜，这些场景我们都要做统计分析。第二呢，这些用户是谁？我们需要对这些用户进行标签化，方便我们对用户行为进行理解。第三呢，就是用户要到哪里去？我们要将这些用户画像与我们的业务相关联，提升我们的转化率，或者降低我们的流失率。”
相信你的老板听到这里，一定会给你竖起大拇指，说：“不错，需要什么资源，随时找我就行。”
image
就像上图手绘的内容，我们再做一个梳理：
首先，为什么要设计唯一标识？
用户唯一标识是整个用户画像的核心。一个APP，把“从用户开始使用APP到下单到售后整个所有的用户行为”进行串联，这样就可以更好地去跟踪和分析一个用户的特征。
设计唯一标识可以是：用户编码、用户名、注册手机号、邮箱、设备号、CookieID等。
其次，给用户打标签。
标签并不是越多越好，不同的产品，标签的选择范围也不同，如果以电商企业为例，可以区分四个维度进行标签划分，进行“用户消费行为分析”：
1、用户标签：它包括了性别、年龄、地域、收入、学历、职业等，这些包括了用户的基础属性。
2、消费标签：消费习惯、购买意向、是否对促销敏感。这些统计分析用户的消费习惯，有利于了解用户消费偏好，针对性地推荐商品。
3、行为标签：时间段、频次、时长、访问路径。这些是通过分析用户行为，来得到他们使用APP的习惯。
4、内容分析：对用户平时浏览的内容，尤其是停留时间长、浏览次数多的内容进行分析，分析出用户对哪些内容感兴趣，比如，金融、娱乐、教育、体育、时尚、科技等。
<<<标签体系的建立>>>
用户画像是现实世界中的用户数学建模，我们正是将海量数据进行标签化，来得到精准的用户画像，从而为用户经营更精准地解决问题。
想想，当你有了用户画像，可以为用户经营带来什么业务价值呢？
可以从用户生命周期的三个阶段来划分画像价值：获客、粘客、留客。
1、获客：如何进行拉新，通过更精准的营销获取客户。
2、粘客：个性化推荐，搜索排序，场景运营等。
3、留客：流失率预测，分析关键节点降低流失率。
image
如果按照数据流处理的阶段来划分用户画像建模的过程，可以分为数据层、算法层和业务层。你会发现在不同的层，都需要打上不同的标签。
数据层指的是用户消费行为里的标签。也是“事实标签”，作为数据客观的记录。
算法层指的是透过这些行为算出的用户建模。可以打上“模型标签”，作为用户画像的分类标识。
业务层指的是获客、粘客、留客的手段。可以打上“预测标签”，作为业务关联的结果。
标签化的流程，就是通过数据层的“事实标签”，在算法层进行计算，打上“模型标签”的分类结果，最后指导业务层，得出“预测标签”。
image
随着现在用户交互的海量增长，数据的体量也在不断扩大，“事实标签”基于数据层做记录和管理，也需要根据数据粒度和应用场景做分层：
1、明细层数据：以“日”为数据粒度，直接从各个业务数据表、日志数据表、埋点数据表抽取用户每天的每一次行为，按固定表结构插入相关表中，在此过程中不对数据做任何汇总、统计类的处理。可视为数据仓库中ODS层数据。
2、统计中间层数据：以“用户”为数据粒度，对明细层的全量历史数据进行统计加工、汇总计算，可视为数据仓库中DW层数据。
3、应用层数据：以“用户”为数据粒度，对统计中间层数据做进一步挖掘处理，处理过程中要考虑业务应用场景，关联行为权重、标签权重等。应用层数据输出后可支持产品应用。应用层数据可视为数据仓库中DM层数据。
image
开发出的用户画像相关宽表及明细标签表，按应用场景一般分为用户人口属性画像、用户个性化标签、各业务线用户画像、用户偏好画像和用户群体属性画像等。现在各数据公司高度重视的关系网络图谱，也是基于此基础上建立风险库关系网络、欺诈度关系网络以及高价值关系网络、高成长性群体网络等。
<<<用户标签化的应用>>>
当有了“用户消费行为分析”的标签之后，就可以更好地理解业务了。
比如一个经常购买沙拉的人，一般很少吃夜宵；同样，一个经常吃夜宵的人，吃小龙虾的概率可能远高于其他人。这些结果都是通过数据挖掘中的关联分析得出的。
image
有了这些数据，就可以预测用户的行为。
比如，一个用户购买了“月子餐”后，购买婴儿用品的概率也会增大。
具体在业务层上，可以基于标签产生哪些业务价值呢？
1、在获客上，可以找到优势的宣传渠道，如何通过个性化的宣传手段，吸引有潜力需求的用户，并刺激其转化。
2、在粘客上，如何提升用户的单价和消费频次，方法可以包括购买后的个性化推荐、针对优质用户进行优质高价商品的推荐、以及重复购买，比如通过红包、优惠等方式激励对优惠敏感的人群，提升购买频次。
3、在留客上，预测用户是否可能会从平台上流失。在营销领域，关于用户留存有一个观点——如果将客户流失率降低5%，公司利润将提升25%-85%。可以看出留存率是多么的重要。用户流失可能会包括多种情况，比如用户体验、竞争对手、需求变化等，通过预测用户的流失率可以大幅降低用户留存的运营成本。
image
image
<<<抽象思维的重要性>>>
锻炼自己的抽象能力，将繁杂的事务简单化
上面讲了很多一般情况考虑的，也不能忽略特殊情况，用户行为也会随着营销的节奏产生异常值。比如双十一，激增的大量订单，要考虑异常值的处理。
总之，数据量是庞大的，会存在各种各样的使用情况，光是分析EB级别的大数据，就要花很长的时间。
但最终目的不是处理这些数据，而是理解、使用这些数据挖掘的结果。对数据的标签化能让我们快速理解一个用户，一个商品，乃至一个爆款文案内容的特征，从而方便理解和使用数据。
用户画像最终的目的是了解产品用户是谁？是怎样的？有什么共性的特征？他们需要什么？ 产品的潜在用户在哪里？
带着问题，进行抽象化的提炼，通过标签组合算法的运用和挖掘，在互联网下半场后流量时代是至关重要的。
image
今天就用户画像标签化的话题先讲到这里吧，这几天在忙着整理课件，把数据运营的方法体系进行梳理，归纳总结应用到产品价值提升上，是件很有意思的事情。 从十年前的Deck Data讲起，到今天全生命周期数据化的演变升级，会有很多可以分享的故事点～～
网友评论