用户画像高大上,但90%的人都做失败了
编辑导读:做好数据分析 , 有助于清晰现有用户的画像 , 找到各个行业用户的核心关注点 , 来进行精细化的运营以提升用户的复购 。 但实际的情况中 , 很多人却并不知道如何做好用户画像 。 本文作者从项目实践出发 , 结合案例对用户画像失败的原因进行了分析讨论 , 与大家分享 。
本文插图
上一篇分享算法模型失败的案例 , 参见《不懂数据分析的算法工程师 , 会有多惨》 , 激起了很多同学的共鸣 , 有同学问:“有没有用户画像项目失败的例子 , 也分享下 。 ”
答:失败的用户画像项目 , 简直罄竹难书!一抓一大把 。 今天我们系统讲解一下 。
一、用户画像失败的标志
大家自己是不是也经常疑惑:“用户画像有啥用?”
如果有 , 恭喜 , 你的项目做扑街了 , 就这么直观!
当然 , 更一般的扑街方式 , 是刚开始做用户画像的时候 , 业务部门摇头晃脑的说:“我们要基于用户画像 , 详细深入的了解用户 , 比如用户性别 , 年龄 , 地域 , 喜好 , 消费习惯 , ……这样我们就能精细化决策了” 。 然后数据部门夯吃夯吃搞了几个月 , 打了30000个用户标签 , 还得意洋洋的跟领导汇报:“我们的用户画像大数据建设取得长足进步” 。
然后项目第一期汇报会上 , 数据部门得意洋洋的讲到:
- 我们的用户男女比例6:4
- 华南地区占比30% , 华东25%
- 购买A产品占比50%
当然还有更惨的 , 就是你贴个“忠诚用户”的标签 , 业务方说:哦 , 既然那么忠诚 , 就不做啥动作了 , 结果丫下个月不消费也不登录了!你贴了“A产品爱用者”的标签 , 业务方推了A产品 , 丫没有买!业务方怒气冲冲找来算账:“这用户画像一点都不精准嘛!”于是项目彻底凉凉 。
吐槽归吐槽 , 问题到底出在哪里呢?
二、用户画像项目失败的表面原因
原因一:混淆了过去和未来
问1:一个用户昨天买了苹果 , 前天买了苹果 , 大前天也买了苹果 , 他今天买不买苹果?
问2:一个用户买了酱油 , 鸡翅 , 可乐 , 请问他是否还需要买竹签去烧烤?
思考一秒钟 , 不用思考一秒钟 , 大家都知道 , 答案是:不一定 , 不一定 , 不一定 。 连续买苹果 , 有可能代表他喜爱吃苹果 , 也有可能已经买了很多了所以不买了 。 买酱油+鸡翅+可乐 , 可能是去烧烤 , 也可能是做可乐鸡翅 。
过去的行为不等于未来的行为 , 未来的行为需要进行预测 。 无论预测的方法是基于业务逻辑的推理 , 还是基于算法模型的计算 , 都需要经过数据分析和试验验证 。 只有表现稳定的预测方法 , 才能被采纳 。
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 。
本文插图
原因二:混淆了行为和动机 。
问一个简单的问题:一个用户在过去30天内 , 有1天来我们家购买产品 , 请问该用户是不是我们的产品爱用者?如果有2天呢、3天呢、4天呢……如果有30天呢?30天里天天都来买 , 肯定是爱用者了吧!
答:不一定 。 30天里天天都来买 , 你可以管他叫“高频购买者” , 因为购买频率确实是很高 。 但是是不是人家很爱用我们的产品 , 不一定 , 因为你并不知道他到底爱不爱用 , 甚至不知道他用了没用 。
推荐阅读
- 家电消费网| 副总裁:500万用户选择了OPPO的IoT,OPPO发布智能电视
- “6.83亿用户,由淘到拼的时代到了吗?”
- 第一财经|微博日活跃用户2.29亿
- 锋芒FM|犹如汽车喷漆!F22涂抹隐身涂层画面曝光没想象的那么高大上F22的隐身性能依然占据优势F22隐身涂层维护车间曝光F22的隐身涂层可靠性不足,机身缠
- 蚂蚁花呗|花呗不想被封停,这3大“逆鳞”千万别触碰,已有大量用户中招!
- 大学|“徒有其表”的3个大学专业,听上去很高大上,实际就业难度高
- 科技报道中国移动“良心了”?10年不换号的5星级用户,3大特权随便用
- 微软|win10重大更新!微软阻止用户屏蔽遥测服务,hosts失效
- 维修十年前的超保橱柜,海尔全屋以卓越服务力赢得用户点赞
- 「驾驶」Google Assistant 驾驶模式向部分 Android 用户开放
