在做任何產品之前,都會先想好受眾群體。但產品上線后發現,預設好的用戶群體好像并不買單,比如很多新產品都變成了現象級產品,曇花一現。或是伴隨著產品的發展,最初的受眾群體可能會發生了變化,比如最早使用 QQ 的那幫用戶群體早已成家立業,在寢室里團體狙擊 CS 的那幫人早已放下屠刀。用戶發生了變化,產品就要趕緊跟進調整并適應新用戶群體的風口,這時候重新定位找到用戶畫像就變的迫在眉睫。

用戶畫像是真實用戶的虛擬代表,它不是一個具體的人,是根據目標行為觀點的差異區分為不同類型,迅速組織在一起,然后把新得出的類型提煉出來,形成一個類型的用戶畫像。使用最多的用戶畫像有八要素:基本性、同理性、真實性、獨特性、目標性、數量性、應用性、長久性,來尋找用戶畫像,可能又會嚇退一批人,今天咱們就把這幾個要素綜合起來搬到線上,從產品的真實運營數據中來提煉,一步步分析出用戶畫像的標簽。

用戶畫像的3個維度

我們將用戶畫像的 8 要素,在線上進行整合,從而勾勒出目標用戶的群體特性。這在產品中被稱為「受眾定向 」。在線上研究用戶畫像主要圍繞產品的運營數據,獲取用戶的基本信息和用戶在產品中的網絡行為,進行差異化組合分群。根據先后順序依次可分為三個維度:信息畫像、行為畫像、分群畫像。

  • 信息畫像即用戶的基本信息,屬于靜態數據,包括地域、性別,收入,婚否、家庭、職業、收入、資產、消費水平等。
  • 行為畫像即用戶在產品中的網絡行為,又叫動態數據,包括用戶的瀏覽習慣、訪問時長、使用頻次、消費記錄、喜歡偏好、行為軌跡等。
  • 分群畫像就是細分用戶群體,根據產品業務的需求,將具有共同業務特性的用戶貼上標簽,聚合標簽劃分群體畫像。

建立信息畫像

現有數據一般都是通過第三方統計平臺獲取到的,比如友盟等。對于大公司或者一些保密單位,可能會開發一套自己的監測系統。其實友盟做得還算比較成功,自己開發耗費巨大的人力成本和時間成本,結果還不一定會比友盟好用,在友盟上可以清晰地查到新增、日活、啟動、留存、渠道、終端等。很多互聯網產品在初期都會選擇友盟統計。先獲取用戶的基本信息即靜態數據,建立起信息畫像的雛形。

用我們做過的一個分期購車產品來查找信息畫像,先從統計平臺和數據庫中提取用戶基本信息,然后整理這些基本信息在用戶群中的占比,最終整理到以下幾個關鍵指標,如下圖所示:

繪制行為畫像

產品根據市場發展和用戶需求的變化不斷地更新迭代,在產品迭代中獲取關鍵變量,從而繪制出行為畫像。用戶在產品中的可統計到的網絡行為,主要包括使用場景、獲取內容、訪問路徑這三塊。使用場景主要是設備終端、網絡狀況、訪問時段等;獲取內容是用戶在產品中瀏覽的內容、完成任務、使用工具等;訪問路徑是用戶進入產品到離開的整個行為軌跡。

還是用分期購車產品來續,分析第二個維度行為畫像。獲取跟業務相關網絡行為,再統計數據占比,分析需要獲取有價值的關鍵幾個點:

勾勒分群畫像

信息畫像和行為畫像整理好以后,怎么聚合這些信息,為用戶貼上精準的標簽,勾勒出分群畫像,是需要我們接下來想辦法去解決的。這里精減到 3 步,首先找出極端信息值的概念,找到合理的聚合信息畫像,最后繪制出合理的分群畫像。

第一步:極端值

盡量合理覆蓋每組信息的「極端信息值(每組數據中占比最高或最低的信息) 」。

第二步:合理值

這里極端值的用戶中,分析合理的群體。比如下圖中聚合信息畫像呈現出最高值關聯信息中,穩定理財但買車買房經濟壓力很大,看似不合乎邏輯,但買房本來就是一種非常穩定的投資,而且這樣的用戶買車的概率很高,還能接受貸款。不合理最低值的用戶年齡都相對比較大,而且不大接受網絡交易,怎么還會去買股票呢?

聚合行為畫像呈現出最高值關聯信息中,流量來源中呈現出了一個 PC 端數據占據近半的現象,這其實反映出兩個問題,一是移動端做的不好,二是用戶群體多為上班族等。

第三步:勾勒集合分群畫像

盡量合理連接用戶行為的「集合信息值(將每組數據占比較大的同其他組進行合理組合,分析出最符合真實用戶的信息值) 」,即相對來說基數較大的用戶群。

勾勒出用戶畫像,產品需求迭代更具針對性。但這是我們根據數據分析出來的結果,還不能說明這樣的結果就是對的,接下來還需要我們做進一步用戶畫像的驗證。

驗證用戶畫像

這是我們理論分析得出的用戶畫像,但是到底對不對呢?我們還是用同樣的方法來驗證,整理新版本上線后的真實數據尋找其中的變量,然后分析其帶來的提升或實際轉化。我們總結出以下三種方式來驗證。

1. 驗證真實數據

產品上線后統計各組實時數據,尋找其中產品變化的數據,是否符合我們最初迭代改版的預期,分析是否符合我們勾勒的用戶畫像,變化的需求分析,沒能達到預期的就要結合一些數據變化有針對性的分析原因。

2. A/B Test

A/B Test 算是互聯網最常用的驗證方法了,基于用戶畫像上線后的產品同當前產品進行比對分析,驗證用戶畫像反饋需求的準確性。對于訪問量很大的產品我們通常會設置 99% 的用戶正常訪問到原有版本,只保留 1% 的用戶會被隨機切到新版本,集中新舊數據對比變化的幅度。比如上面案例做過的分期購車的產品使用 A/B Test的數據變化,如下圖:

關于A/B Test,這里有篇基礎指南:《想驗證你的設計?最簡單最實用的A/B測試幫你搞定》

3. 業務數據轉化驗證

產品可以為企業帶來的利潤,是衡量產品好壞的關鍵指標。雖然這屬于商業層面的考量,但也要回歸到產品層面來落實。主要還是看產品可以為業務帶來的轉化率,這是企業考核的關鍵 KPI ,如果轉化率跌了,可能就是白忙活一場,如果轉化率提高了,就可以作為具有說服力驗證結果。上面案例的分期購車產品中的數據來展示一下,如下圖:

通過不斷地迭代驗證用戶畫像,帶來用戶增長。但產品帶來大量新增的同時,也會帶來產品需求的變化,因為用戶本身就是一個變量,產品依然需要不斷的迭代更新,才能不斷地更新驗證用戶畫像。

用戶畫像使我們更好地解決了用戶的需求,驗證我們用戶畫像方向的可行性,從而得到產品的用戶畫像。

歡迎關注作者的微信公眾號:「VV體驗」

點贊 7
收藏 76
繼續閱讀相關文章

發表評論 已發布 2

還可以輸入 800 個字
 
 
載入中....
2 收藏