产品, 数据, 术→技巧

用户画像的理解与反思

钱魏Way · · 105 次浏览

用户画像在互联网相关的各个行业都被提及,从产品经理到市场营销再到大数据。感觉自己负责的产品不与用户画像扯上点关系就很Low。但用户画像到底是什么其实没有多少人能说的明白。

在我的理解里,用户画像可以分为3个方向:

  • 交互设计中的 User Persona
  • 市场营销中的 Customer Segmentation
  • 大数据中的 User Profile

交互设计中的 User Persona

PERSONA是Allen Cooper提出的一种通过调研和问卷获得的典型用户模型,用于产品需求挖掘与交互设计的方法。Persona是虚构出的一个用户用来代表一个用户群。一个persona可以比任何一个真实的个体都更有代表性。一个代表典型用户的persona的资料有性别、年纪、收入、地域、情感、所有浏览过的URL、以及这些URL包含的内容、关键词等等。一个产品通常会设计3~6个用户模型代表所有的用户群体。其中:

  • P代表基本性(Primary):指该用户角色是否基于对真实用户的情景访谈
  • E代表同理性(Empathy):指用户角色中包含姓名、照片和产品相关的描述,该用户角色是否引同理心
  • R代表真实性(Realistic):指对那些每天与顾客打交道的人来说,用户角色是否看起来像真实人物
  • S代表独特性(Singular):每个用户是否是独特的,彼此很少有相似性
  • O代表目标性(Objectives):该用户角色是否包含与产品相关的高层次目标,是否包含关键词来描述该目标
  • N代表数量性(Number):用户角色的数量是否足够少,以便设计团队能记住每个用户角色的姓名,以及其中的一个主要用户角色
  • A代表应用性(Applicable):设计团队是否能使用用户角色作为一种实用工具进行设计决策

什么是Persona?

persona一个或几个虚构的人物可以代表大多数具有传统用户需求的产品的潜在用户,他们是通过大量的定性和定量研究而创建的。Persona回答了“我们为谁设计”这个问题,它是基于研究成果的一个强大的工具,通过优化用户体验研究来帮助产品功能的创造,它不仅代表一个特定的用户,并且它们可以被理解为所有潜在用户的行为,态度,技能和背景的典型特征。

Persona ≠ 用户细分

persona看起来比较像用户市场细分。用户细分通常基于人口统计特征(如性别,年龄,职业,收入)和消费心理,分析消费者购买产品的行为。用户模型更加关注的是用户如何看待、使用产品,如何与产品互动,这是一个相对连续的过程,人口属性特征并不是影响用户行为的主要因素。persona是为了能够更好地解读用户需求,以及不同用户群体之间的差异。

persona ≠ 平均用户

某个persona能代表多大比例的用户?首先,在每一个产品决策问题中,“多大比例”的前置条件是不一样的。是“好友数大于20的用户”?是“从不点击广告的用户”?不一样的具体问题,需要不一样的数据支持。persona并不是“平均用户”,也不是“用户平均”,我们关注的是“典型用户”或是“用户典型”。创建persona的目的,并不是为了得到一组能精确代表多少比例用户的定性数据,而是通过关注、研究用户的目标与行为模式,帮助我们识别、聚焦于目标用户群。

persona ≠ 真实用户

persona实际上并不存在。我们不可能精确描述每一个用户是怎样的、喜欢什么,因为喜好非常容易受各种因素影响,甚至对问题不同的描述就会导致不同的答案。如果我们问用户“你喜不喜欢更快的马?”用户当然回答喜欢,虽然给他一辆车才是更好的解决办法。所以,我们需要重点关注的,其实是一群用户他们需要什么、想做什么,通过描述他们的目标和行为特点,帮助我们分析需求、设计产品。

persona能够被创建出来、被设计团队和客户接受、被投入使用,一个非常重要的前提是:我们认同以用户为中心的设计理念。persona创建出来以后,能否真正发挥作用,也要看整个业务部门/设计团队/公司是否已经形成了UCD的思路和流程,是否愿意、是否自觉不自觉地将persona引入产品设计的方方面面,否则,用户模型始终是一个摆设、是一堆尘封的文档,纸上画画,墙上挂挂。所以,在创建persona之前,我们需要明确几个问题:谁会使用这些persona?他们的态度如何?将会如何使用?做什么类型的决策?可以投入的成本有多少?明确这些问题,对用persona的创建和使用都很关键。

Persona的价值

许多关于产品设计的研究数据是很难处理的,特别是当我们需要在整个过程中注意数据的时候。因此,persona将是一个相对更为现实和具体的对象,虽然不是一个真实的人,但它是许多真实persona的最典型的形象。它可以提醒我们用户的需求,并帮助我们创造一个更好的用户体验模型,因为真实用户在使用产品时会感觉更舒适。

  • 带来专注。persona的第一信条是“不可能建立一个适合所有人的网站”。成功的商业模式通常只针对特定的群体。一个团队再怎么强势,资源终究是有限的,要保证好钢用在刀刃上。
  • 引起共鸣。感同身受,是产品设计的秘诀之一。
  • 避免冲突:设计人员在出现设计冲突时,可以根据模型进行判断。帮助团队内部确立适当地期望值和目标,一起去创造一个精确的共享版本。persona帮助大家心往一处想,力往一处使,用理解代替无意义的PK。
  • 创造效率。让每个人都优先考虑有关目标用户和功能的问题。确保从开始就是正确的,因为没有什么比无需求的产品更浪费资源和打击士气了。
  • 带来更好的决策。与传统的市场细分不同,persona关注的是用户的目标、行为和观点。
  • 对用户理解的考察。persona展示用户的目标和要求,设计团队对用户的了解越多,用户需要的产品就越多
  • 预测用户行为。利用Persona,可以预测用户的需求,行为和可能的反应。

Persona的使用场景

  • 在制定产品策略时
  • 在讨论产品需求时
  • 在项目优先级排序时
  • 在进行任务分析时
  • 在琢磨交互流程时
  • 在选择设计风格时
  • 在用研项目招募用户时
  • 在锁定推广目标时
  • 在完善运营方案时

总之,在各种讨论、脑暴、pk时,在我们想冲口而出“用户xxx”的时候,persona都可以派上用场。

如何创建Persona?

Alen Cooper的“七步法”

  1. 界定用户行为变量
  2. 将访谈主题映射至行为变量
  3. 界定重要的行为模式
  4. 综合特征和相关目标
  5. 检查完整性
  6. 展开叙述
  7. 制定任务角色模型

Lene Nielsen的“十步法”

  1. 寻找用户
    • 目标: 谁是用户?有多少?他们对品牌和系统做了什么?
    • 使用方法: 数据资料分析
    • 输出物: 报告
  2. 建立假设
    • 目标: 用户之间的差异都有什么
    • 使用方法: 查看一些材料,标记用户人群。
    • 输出物: 大致描绘出目标人群。
  3. 调研
    • 目标:关于persona调研(喜欢/不喜欢,内在需求,价值)。关于场景的调研(工作地环境、工作条件),关于剧情的调研(工作策略和目标、信息策略和目标)。
    • 使用方法:数据资料收集。
    • 输出物:报告。
  4. 发现共同模式
    • 目标:是否抓住重要的标签?是否有更多的用户群?是否同等重要?
    • 使用方法:分门别类。
    • 输出物:分类描述
  5. 构造虚构角色
    • 目标:基本信息(姓名、性别、照片)。心理(外向、内向)。背景(职业)。对待技术的情绪与态度,其他需要了解的方面。个人特质等。
    • 使用方法:分门别类。
    • 输出物:类别描述。
  6. 定义场景
    • 目标:这种persona的需求适应哪种场景?
    • 使用方法:寻找适合的场景。
    • 输出物:需求和场景的分类。
  7. 验证与认可
    • 询问:你认识这样的人吗?
    • 使用的方法:了解persona的人阅读并评论persona描述
  8. 知识传播
    • 询问:我们如何与组织共享persona?
    • 使用的方法:促进会议,电子邮件,各种活动,事件。
  9. 创建场景
    • 目标:在设定的场景中,既定的目标下,当persona使用品牌的技术的时候会发生什么?
    • 使用方法:叙述式剧情,使用persona描述和场景形成剧情。
    • 输出物:剧情、用户案例、需求规格说明
  10. 持续发展
    • 询问:新信息是否会改变Persona?
    • 使用的方法:可用性测试,新数据
    • 文档制作:从每个与用户见面的人那里获取persona信息

Persona存在的问题

Alan Cooper创建Persona的原因是他意识到,关注真正的客户动机而不是自己的需求,可以激发出更好的解决复杂问题的方法。Persona在设计课程和软件行业迅速发展起来的理由:Persona可以帮助我们更好地了解客户的需求,并预测在无法与客户直接沟通的情况下,客户可能会如何行事。但我们后来意识到了Persona的问题:它本质上是一种融合,是我们想象的普通客户拥有的平均属性。并没有所谓的普通顾客。

人为平均的结果

20世纪50年代,美国空军进行了一项著名的飞行员身材研究。他们测量了4000多名飞行员的身体尺寸,并计算了140个维度的平均尺寸,如身高和胸围。他们得出了所有140个维度的平均范围,并从理论上推断大多数飞行员都能适应这个范围。当结论的出来后,测试了4000人的飞行员,发现没有一个人能同时符合10个维度的平均尺寸。飞机的人体工程学是根据“平均”飞行员的尺寸来设计的,结果飞行员们都崩溃了。飞机是为每个人设计的,但实际上没有满足任何一个人。

假设设计的困境

我们在产品开发中每天都在犯同样的错误。我们想象一个人物让他说他的名字是“Ted”。我们给他一些属性,比如一个家庭,一份高强度的工作,一个郊区的房子,和两辆车。也许他养了只猫。然后我们讨论Ted会喜欢什么。想象一下,你真的会做出这样的决定吗?从我对Ted简介的了解来看,我不这么认为。事实上,没有人知道Ted想要什么,因为Ted不存在。我们越是试图通过增加Ted的个性特征和习惯细节来塑造他,我们就越不自觉地对他形成刻板印象。我们让自己在这一刻更难记住Ted是一个抽象的研究见解的代表。更糟糕的是,我们认为Ted身上每一个过于具体的细节都会让他不太能代表我们想要设计的“普通受众”。在这样的设计工作中不是在可以开始侵蚀和抹去真正存在的人?

Persona Spectrum

我们需要将多样性重新引入设计过程的工具。我们所做的每一个决定都会增加或降低参与社会的障碍。包容性设计强调我们有责任解决人类与其产品、环境和社会结构之间的不匹配。我们需要检查、平衡和衡量我们设计的包容性的方法。

那么,我们如何才能把真正的客户放在首位,绕过人为平均数的概念呢?一种方法是杀死你的Persona,并采用一个Persona Spectrum(人物角色光谱)模型。与定义一个Persona不同,Persona Spectrum将我们的注意力集中在一系列客户动机、环境、能力和环境上。

Persona Spectrum:动机,而不是角色

一个Persona Spectrum不是一个假的人。它是一种特定的人类动机的表达,以及它在多个群体中的共享方式。它展示了动机是如何随着环境的变化而变化的。有时候,一个特质可以是永久的,就像一个从出生就失明的人。从眼科手术中恢复过来的人可能暂时视力受限或没有视力。另一个人在某些环境中可能会遇到这种障碍,比如在阳光下处理屏幕眩光。您的产品将如何适应这些具有类似需求的人群和环境?

Persona Spectrum并不完美,但它们帮助我们创造更公平的体验。他们使用Persona的力量来巩固和人性化用户的洞察力,同时保持不同的人类属性不同。通过设计一系列的需求和动机,我们可以避免Persona中固有的偏见和假设。我们为不同的真实用户设计,而不是一个平均的,理论上的Ted。

Persona Spectrums的商业案例

假设你是为一个只有一只胳膊的人设计的。美国大约有两万人有一只胳膊。但如果你把一只胳膊的人数、手腕暂时受伤或手臂骨折的人数、以及在特定情况下(比如新父母抱着婴儿)有一只手可以自由活动的人数加起来,仅在美国就有2000万。

在微软,正致力于在一系列产品中使用Persona Spectrum。我们在问一些关于Persona的意图和局限性的问题,这样我们就可以在真实的环境中为真实的人设计。在设计过程中,我们使用这些光谱来构思和迭代一系列物理、社会、经济、时间、文化背景。

从多样性中学习并从一开始就让人们参与进来是很重要的。通过从与我们设计的动机相同的真实人物那里收集真实的见解,我们可以开始理解并融入人类的多样性,为个性而设计,以及将我们团结在一起的动机。

微软的包容性设计(Inclusive Design at Microsoft

从用户画像频谱(The Persona Spectrum)可以看到,理解永久障碍(Permanen)、暂时障碍(Temporary)和情景障碍(Situational)具有相似痛点。举一反三,我们就可以通过较少的解决方案帮助到更多的用户。

包容性设计原则

  • 识别盲区。当我们用自己的偏见去解决问题,盲区就会产生。应当找出那些盲区,把他们当做机会点,创造新的解决方案,产生包容性设计。
  • 理解多样性。人类是适应多样性的真正专家。包容性设计把人放在设计流程开始的中心,那些新鲜、多样的观点是正确洞悉的关键。
  • 解决一个,延展到多个。每个人都有一定的能力和限制。为残疾人设计,实际上会让更多的人受益。限制并不是坏事。

Persona Spectrum的创建流程

Persona Spectrum的建立步骤:

  • 前置作业:收集使用者的资料(大多透过访谈的方法)
  • 抓出关键差异的分类方式
  • 给出关键差异的横轴光谱
  • 将受访者信息填上光谱
  • 透过视觉化的信息进行讨论与聚焦
  • 后续作业:定出Persona

实际示例:以Google Map为例

前置作业,先把受访者的资料和特性整理出来

分类出关键的差异特征,以下使用颜色来进行呈现

绘制光谱

绘制出前面标注颜色分类的维度,例如:

填上对应的受访者资料

透过视觉化进行分析

例如我们会可以发现这个案例中两个女受访者的特性相似:

或是其中两位男性的特征也颇为相似:

制定Persona

Behavioural archetypes(行为模型)

在以客户为中心的项目中,通常输出的是有明确目标指引的策略,而客户体验设计则用于明确实现目标的方法。这种项目需要一种不同类型的用户角色,称之为行为模型(behavioural archetype)。行为模型的目的是帮助客户公司的利益相关者(设计团队之外的人)更了解他们的现有客户,从而使他们能站在为客户提供更好服务的角度,去调整业务目标。因为传统企业常常只关注他们的产品本身和对生意重要的东西,而忘记(甚至根本没有意识到)对他们的客户来说重要的东西是什么。

相比“用户角色(persona)”,“行为模型(behavioural archetype)”一词的表述更为准确,因为它代表了某一类人群的典型行为或动机,能彰显该人群的特质,而“用户角色”一词则与带有个体的大量主观性色彩。

行为模型是什么

行为模型是客户对一个品牌如何回应(responses )的结构化模型。顾名思义,它深入到了认知过程的行为层面。简而言之,行为模型重点关注什么人,做什么,怎么做,为什么做。

根据唐纳德·诺曼(Don Norman)的《情感设计》(Emotional Design)一书,行为进程(behavioural processing)受到本能层和反射层进程的直接影响。这意味着行为模型应该包括某一类型的客户如何感知品牌,激励他们参与其中的是什么,他们期望什么,以及他们对自己的体验有什么感受。由于行为模型特别关注动机,从长远来看,它们对于确定推动或损害忠诚的因素很有用。

行为模型代表了客户的典型动机、目的和一般态度。以及随着时间的推移,基于客户与此品牌互动体验的质量,行为模型会如何变化。

为了支撑整个客户旅程故事,模型可分为两类:

  • 心智模型/心态(mindsets)在与品牌互动之前就已经存在。这些和典型兴趣有关,典型兴趣会驱动他们购买某品牌的产品。
  • 情绪状态(states)在与品牌互动的整个经历中产生。情绪状态会根据他们体验到的交互质量而改变,而交互质量最终将决定忠诚度和/或复购率。

让我们以一个虚构的咖啡品牌为例来做说明。人们光顾咖啡店的原因各不相同,以下做了些简单的分类:

  • “我是这个品牌的粉丝,我觉得它很酷,喜欢它做的一切。我不会去其他地方喝咖啡,因为我忠于它的价值观。——充满激情的心智模型(Passionate mindset)
  • “我喜欢在上班的路上喝咖啡,但这花费了我很多时间。这家咖啡店是附近最便宜的,而我只想要实惠的外带咖啡。——价格敏感的心智模型(Price-sensitive mindset)
  • “我只在乎咖啡的品质。”我在Instagram上关注了著名的咖啡师,只想获得最好的咖啡味道。——质量驱动的心智模型(Quality-driven mindset)
  • “我喜欢在咖啡店用笔记本电脑远程工作——我喜欢那种氛围。我不太在乎咖啡本身,我买咖啡是为了在咖啡店里待着。——看重气氛的心智模型(Ambience-seeker mindset)

这四个例子分别对应不同的心智模型。但是,如果咖啡师不小心把咖啡洒在了客户身上,不管这个客户是什么心智模型,他们都可能从中性的情绪状态变成生气或失望状态。相反,如果咖啡师和客户聊得很愉快,并且在杯子上签了客户的名字——他们可能会愉快地离开,并且还会再光顾此店。

心智模型是由人们已有的性格特征来决定的,而情绪状态直接受到客户体验的影响——因此品牌应该通过理解并共情客户的心智模型、情绪状态来获得掌控。

总结

尽管上文总结和归纳了Personas的种种问题与局限,但这些并不能否认用户画像作为一种工具,对设计过程所起到的帮助。问题和局限的提出,旨在帮助我们更多地去理解这一工具,细分它适合的设计场景,探索能否结合其他工具以弥补它的短板和不足,从而达到更好的使用效果。

市场营销中的 Customer Segmentation

市场细分

市场细分( Market Segmentation) 的概念是美国市场学家温德尔·史密斯(Wendell R.Smith)于1956年提出来的。市场细分是指企业按照某种分类标准将总体市场中的用户划分成若干个用户群体的市场分类过程。被划分出的各个用户群体都构成一个细分市场,同一细分市场中的用户具备类似的需求,行为,收入水平和特征,而不同细分市场总的用户之间的需求与特征则存在着明显差异。比如以性别作为分类标准,可以将市场上的用户分为男性用户和女性用户,此时,男性用户构成一个细分市场,女性用户构成另一个细分市场。

市场细分的类型

企业为了能更加有效的向目标市场提供最匹配的产品或服务,需要将市场中的用户划分为几个具备共同特征的群体。因为市场中的用户在需求、消费水平、购买行为等方面存在巨大的差异。

有多种方法可以对市场进行细分。接下来介绍四种最常见的市场细分方式:地细分、人口统计细分,心理细分和行为细分。;

细分方式 细分维度
地理细分 地理位置、国家、城市、社区、人口密度、地貌、气候等
人口统计细分 年龄、生命周期阶段、职业、收入、工作、教育、民族等
心理细分 社会阶层、生活方式、性格、购买动机、态度、价值观等
行为细分 利益、使用频率、忠诚度、购买数量、购买时间、习惯等

以上就是市场细分的四种主要方式,其实还有很多其他细分方式,但所有不同类型的细分方式也都是由上述四种细分方式的衍生出来的。

用户细分

做用户细分简单,但做有效的用户细分就难了。所谓有效,就是能对运营、产品、营销、销售工作有帮助。比如我们区分了高中低级客户,我们知道了高级客户很有钱,可到底该怎么服务他们?什么时间、什么场景、做什么活动?依然不清楚。因此,单靠一个维度进行分层是不够的,我们需要更多分类维度,做更细致划分。

普遍的客户细分会从这三个方面分析:

  • 内部属性(准确稳定):指性别、年龄、学历等客户自身具备的属性,这类因素一般比较准确靠谱且稳定,一般不会有太大变化;
  • 外部属性(简单直观):指客户级别、客户所属机构、客户持有产品等体现客户与企业之间关系的因素,这类对企业来说是最简单直观的,能够静态地体现客户当前的价值;
  • 活动行为(动态预测):指消费金额、消费频率、最近一次访问时间、访问时长等反映客户与企业之间活动的数据,这类数据是动态的,能够更实时地反映客户的行为偏好与价值变化,进一步可挖掘预测客户需求。

定义什么是“有效”

用户细分可以有无穷无尽的分法,如果不事先定义清楚什么是“有效”细分,就会陷入茫茫多的细节大海捞针。有效的分类标准,当然是根据运营的需要来的。我们可以从运营的目标、KPI、任务里拆解出对应的数据指标,比如运营的任务是:提升收入。我们按以下步骤,把业务问题转化为分析问题。

有了分类标准,就能检查细分是否有效,比如目标是:找到累积消费高的用户群体。那最后就看,我们找到的细分群体,消费差异是不是足够高,是不是真的锁定了高消费群体。

从运营手段上找分类维度

找到了分类标准,我们可以看从什么维度切分用户,能让用户群体间差异更明显。这里看起来似乎可选维度非常非常多。实际上,分类维度筛选有一定标准:

  • 选数据来源可靠的维度:比如性别,年龄这些基础维度,很多公司没有严格采集流程,数据空缺多,真实性难保证,就不要用这些。
  • 选运营可影响的维度:比如手机网络,可能开发很关心,但运营知道了也干不了啥事,这时候就不要选
  • 选自身分层差异明显的指标:有些指标自身差异都不大,数据分布很集中,这时候就不优先选用。

尝试细分,观察结果

有了分类维度,我们可以尝试对分类标准做切分。这里又有三个很纠结的问题:

  • 到底每个分类维度且几段;
  • 到底要加多少分类维度;
  • 到底分多少类合适。

从结果来说:原则上,最终分类数量不宜太多,每个群体要在运营看来有可操作意义。如果群体规模太小,是不适合单独做活动的。

用户细分、精准营销、千人千面

很多网上的文章会把用户细分和精准营销、千人千面的个性化推荐混淆。虽然口头上,很多人会说:我们做用户细分是为了了解用户需求,实现千人千面的效果,可在在业务上这是两个含义。

  • 用户细分:针对一个细分群体,运营可以做很多引领性、创新性动作。比如我们想壮大高端用户群体,那完全可以推出全新的产品系列、全新的奖励政策、全新的服务来吸收高端用户。只要我了解了他们的喜好、行为习惯,就能做的很精准。但是,全新设计的前提是该用户有一定体量,值得我这么干。
  • 推荐系统:完全封闭了信息渠道,每个人看的都不一样,只要能提高一点用户响应率就行。所以推荐的都是现有的,存量的产品,尽量实现用户和产品的匹配。推荐系统可不能产生新创意和新效果,也设计不出新产品。所以完全不必拆分的粒度。

用户细分的真正难点

用户细分,是个原理简单,操作复杂的东西。操作复杂,完全不是建模过程,而是对目标的把握,对维度筛选,对切分大小的把握,都得考虑业务上需求。虽然数据、统计学给我们提供了很多工具(分类工具、降维工具)可真正用到实处还是得考虑具体业务场景。

大数据中的 User Profile

User Profile是Persona的好兄弟,也是常被翻译为用户画像,但实际上两者也是有很大区别的,Tim Elleston,在文章《Personas or profiles: which one to use?》中做了解说:User Profile是基于群体真实信息的,更倾向于性别、年龄、籍贯等人口数据,收入、家庭规模等生活方式与特征,以及一些行为特征如购买的物品、购物篮大小、收入情况、互动对象或非互动对象、来自何处等。User Profile是关于用户非单一特征的、详尽的特征集。它是多维的、由诸多数据组成的,可以帮助产品团队准确定位目标用户。

User Profile的主要应用:

  • 精准营销:将用户群体切割成更细的粒度,辅以短信、推送、邮件、活动等手段,驱以关怀、挽回、激励等策略。
  • 数据应用:推荐系统、广告系统等。

很多工作花了大力气搭建了用户画像系统,结果完全用不起来。或者做了一份用户画像的报告,性别用户地理位置用户消费金额,看上去挺高大上的,看完也就看完了。

User Profile的问题

很多公司都存在这样类似情况:使用过用户画像一段时间后,发现也就那么一回事,也就渐渐不再使用。主要问题:不知道如何使用?

  • 用户有那么多维度,怎么合理地选择标签?
  • 我想定义用户的层级,VIP用户应该累积消费金额超过多少?
  • 为什么选择这几个标准?后续应该怎么维护和监控?
  • 业务发生变化了这个标签要不要改?
  • 设立好标签,怎么验证用户画像的有效性?
  • 我怎么知道这套系统成功了呢?
  • 它有没有更多的应用场景?

策略的执行也是一个纠结的问题。从岗位的执行看,运营背负着KPI。当月底KPI完不成时,你觉得他们更喜欢选择全量运营,还是精细化呢?

正确的理解User Profile

User Profile核心是商业目的下的用户标签集合。不是我有了用户画像,便能驱动和提高业务。而是为了驱动和提高业务,才需要用户画像。User Profile首先是基于业务模型的。解消费者的决策,考虑业务场景,考虑业务形态,考虑业务部门的需求…这些概念说得很虚,但是一个好的用户画像离不开它们。

用户画像的焦点工作就是为用户打“标签”,而一个标签通常是人为规定的高度精炼的特征标识,如年龄、性别、地域、用户偏好等,最后将用户的所有标签综合来看,就可以勾勒出该用户的立体“画像”了。

User Profile的关键因素:

  • 维度:每个维度的名称都是可理解的
  • 量化:这里的量化应该是客观的,也就是说在实际生产环境中,用户画像每个维度的量化,应该交给机器,而且以目标为导向,以推荐效果好坏来反向优化出用户画像才有意义。
  • 效果:用户画像只是推荐系统的副产品,所以要根据推荐效果(排序好坏、召回覆盖等指标)来指导用户画像的量化。

User Profile的搭建方法

第一步:明确用户画像构建的目的

通过不同的用户画像可以实现不同的目的,如提升产品服务质量、实现精准营销等。因此首先需要明确用户画像的意义、建设目标和效果预期,进而有针对性的开展实施工作。

第二步:进行数据挖掘及搜集

根据用户画像构建目的,挖掘及搜集所需的用户数据。可先通过列举法先列举出构建用户画像所需要的数据资料,然后再有针对性的进行数据搜集。

第三步:进行数据分析与建模

对搜集到的数据资料进行统计和分析,提炼关键要素,构建可视化模型产出标签与权重。

通过定性与定量相结合的方式进行数据建模。

  • 定性的方法,表现为对产品、行为、用户个体的性质和特征的概括,从而形成对应的产品标签、行为标签以及用户标签;
  • 定量的方法,是在定性的基础上,给每个标签加上特定的权重,最后通过计算得出总标签权重,从而形成完整的用户模型。

用户画像的最终形态:通过分析用户行为,最终为每个用户打上标签,以及该标签的权重

  • 标签:表征了内容,用户对该内容有兴趣、偏好、需求等
  • 权重:表征了指数,用户的兴趣、偏好指数; 也可能表征用户的需求度

标签= 用户标识 + 时间 + 行为类型 +接触点的聚合,某用户因为在什么时间、什么地点、做了什么事,所以会打上标签。

  • who,唯一的用户标识
  • when,时间因素
  • where,地理位置
  • what,交互的内容/商品
  • which ,用户的行为(点击,浏览,购买,观看……)

计算方法:

  • 用户标签的权重是会随着时间的增加而衰减
  • 行为类型、接触点决定权重
  • 内容类型决定标签

常用方法:

  • 查户口:直接使用用户的原始数据作为用户画像的内容,如用户的基本信息、购买历史,除了清洗数据之外,数据本身并没有做任何抽象和归纳。
  • 推数据:对用户的历史数据进行描述统计分析,使用统计数据作为用户画像的内容,如用户最近一周消费金额等。
  • 黑盒子:使用机器学习方法,通过对用户的原始数据进行学习,得到人类无法直观理解的稠密向量,但实际上这种方法在推荐系统的作用最大。如使用潜语义模型构建用户阅读兴趣、使用矩阵分解得到用户和物品的隐语义因子等,这一类用户画像数据通常是不可解释,不能直接被人看懂。

第四步:进行数据维度分解和列举

根据相关性原则,进一步筛选和构建用户画像目的相关的数据维度,避免产生过多无用数据干扰分析过程。对数据维度进行分解,形成字段集,再进一步将他们标签化及进行用户分群,构建基本用户画像。

用户数据维度包括自然特征、兴趣特征、社会特征、消费特征。从数据特点上看,又可分为基本属性和衍生标签,基本属性包括年龄、性别、地域、收入等客观事实数据,衍生标签属于基本属性为依据,通过模型规则生成的附加判断数据。

当有多个用户画像时,需确定用户画像的优先级,在产品设计时,首先考虑满足首要用户画像的需求,然后在不冲突的情况下尽量满足次要用户画像的需求。

如何使用User Profile?

根据用户画像列举不同用户的使用场景及需求。使用场景的三个关键因素:对象(用户)、动作(需求)、情景(场景)。用户在某场景中的需求及痛点需与自身的产品目标关联。即我们列举出来的用户需求痛点是我们产品能够解决的。

参考链接:

发表评论

邮箱地址不会被公开。 必填项已用*标注