用户画像高大上，但90%的人都做失败了( 二 )

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。

本文插图
原因三：混淆了原因和结果。
问：累计消费10000元以上的用户，都购买了5次以上，所以让用户购买5次，用户就会累计消费10000 ，对不对……当然不对呀。然而业务方经常这么干！拿着过往消费高的用户行为，往消费低的身上套，认为只要消费低的模拟了某个数字，就能成为消费高的。还美其名曰：“魔法数字” 。
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。

本文插图
你问他为啥基于这几个标签推产品/活动，他答的都是：

我觉得他都买了那么多次，他这次肯定买
我觉得他买过相关产品，他这次肯定买
我觉得他买了A ，怎么也得买B

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。
然而，同样是业务期望值太高+数据准备不足的场景，为啥用户画像类项目，比数据模型类项目还要容易扑街呢？
三、用户画像失败的深层原因
深层地看，因为数据建模的难度高，所以业务方对中间过程无法参与，只能对着结果品头论足。做建模的小哥们，只要自己不作死，不闭门造车，主动降低业务期望，是能够很大程度上避免问题的。所以建模项目失败，基本上是盲人骑瞎马的结果。
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。
当然，这种基于过往数据的标签，对有些部门是有用的——对客服、供应链、物流这种支撑部门有用。比如客户接到一个客户投诉“为啥售后师傅还没上门啊！！！”如果没有打标签，客户得辗转好几个表，确认：客户买的是啥产品、是啥时候，产品机身号、啥时候约的师傅之类细节。光确认过程就把客户气个半死。有了标签，刷刷几下就能定位到问题，能极大提升客户体验。
但悲剧的是，这种有用性，只是让运营、营销、策划、设计等需要动脑子、做创意、想策略的部门更加自负而已。更加强了他们“我真的好厉害，就差一个数了！”的感觉。