用户画像

 

自互联网诞生至今,已有20多年的发展时间,海量DT级别数据的出现,让任一个体和任一企业都无法独立消化吸收,互联网走向了一个全新的阶段:大数据时代。经过近几年的沉淀,这个一度被炒热的概念逐渐冷静下来,人们开始聚焦于大数据的利用,如何通过大数据挖掘更大的潜在商业价值。其中,通过用户画像实现个性化营销渐渐成为了其商业化应用中一个非常重要的落地点。

 

相比于问卷调查等传统方式,大数据为企业提供了更加快速、及时且广泛的用户反馈,同时也为进一步精准和快速地分析用户消费习惯等重要商业信息,提供了足够的数据基础。随着大数据技术进一步的深入研究与应用,“用户画像”的概念也就应运而生。同样作为互联网时代催生的新概念,“APP运营们”对“用户画像”的理解和应用似乎更能说明其在实际商业应用中的价值。

 

个推(300766.SZ)作为国内较早专注于数据智能服务领域的大数据科技公司,在用户画像的构建与应用方面沉淀了丰富的经验与案例。接下来,本文将以部分实操案例为大家讲解如何用好用户画像,创造更多商业价值。

 

个推曾对市面上资讯类、视频类、工具类等热门APP用户活跃情况进行过大数据分析。分析结果显示,除了某些采用现金奖励进行用户裂变的APP月活用户占存量比例超过50%以外,三大主要类别APP月活用户占存量比例的平均值为27.8%。也就是说,当前市场是的主流APP至少还有超过70%的用户资源有待开发。

 

为什么APP不去挖掘这70%的用户价值呢?事实上,大部分APP因用户画像的能力不足,制约了精细化用户运营的开展。比如:这些APP里约60%老用户的画像偏好不全或失效,同时对新注册不活跃用户偏好又完全未知。也就是说APP们并非不想开采这70%的用户资源,而是他们对这些非活跃用户缺乏了解,且没有好的途径和好的办法去了解。

 

数据&技术壁垒   APP用户画像体系难以发挥作用

 

目前,不少APP都开始关注用户画像的应用,一些大厂在自有用户画像体系的基础上还会借助第三方数据工具进行辅助,目的都是想通过精准的用户画像开展精细化运营。但是,APP用户画像的优化是一个渐进的过程,需要时间沉淀、数据积累和算法模型精进等多个必备条件。比如,APP无法准确了解新注册用户的偏好,其本质就在于和用户交互时间不够,依靠用户注册时填写的一些资料又不够精准。APP对于沉默用户的画像不全的问题在于APP对于非活跃用户的数据积累缺乏连续性和稳定性,无法了解用户需求的迁移变化。创业期的APP受到资金和人力上的制约,对于用户画像的开发力度不够,导致用户画像区分度不高,无法发挥作用。

 

用户画像创新玩法  ,盘活剩下70%的用户资源  

 

APP想要解决用户画像精准的问题,一方面需要时间沉淀,能够持续不断的做好用户画像的迭代与更新;另一方面可以借助第三方数据服务商维度全、连续性好、稳定性强的数据优势,补全自有用户画像的短板,提高用户画像的精准度;最后,还需要结合App运营的使用场景,对自身用户画像的应用做出创新。

 

个推通过深入研究,结合使用场景上的痛点,总结了以下几种创新的用户画像应用方法:

 

用法一:新用户预测模型

 

APP运营为了做好新用户冷启动时常会用到第三方数据服务,但在使用时会发现第三方数据服务提供的标签与自己的用户标签匹配度很低,无法全量覆盖。以消费水平标签为例,不同的APP对于用户消费水平标签的定义也不同。团购类APP消费300以上就算高消费人群,而汽车类APP里10万的车型属于低端车型。因此,APP对于第三方数据不能拿来直接使用,最好能够通过双方数据建模,生成与自己标签体系相匹配的定制化标签。

 

个推用户画像曾与某资讯类APP合作,双方通过数据联合建模,输出了完整且定制的新画像标签,经过测试标签预测准确度达70%。在执行冷启动的过程中,该APP通过定制标签为新用户推荐感兴趣的内容,新用户次日留存率提升了18%。

 

用法二:沉默用户的画像补全

 

在流量红利枯竭的今天,APP激活一个沉默用户要比拉一个新用户更有价值。这么做不仅能节约增长成本,更有利于APP数据积累的连续性、稳定性,也为APP数据开发与应用提供有价值的数据。

 

APP要唤醒一个沉默用户,不能简单粗暴把用户找回来,而是需要区分用户流失的内因和外因,对应不同的用户和不同情况,做出不同的运营方法和解决方案。内因可以从APP内部数据中寻找,但是对于用户沉默的外因则需要借助三方数据的能力,了解用户在沉默期内他们线上行为偏好的变化,圈选需要唤醒的用户。而对于这些需要唤醒的用户,仅仅用他们数日前在APP上留下的数据还不够,还需要结合外部数据,洞察用户需求和兴趣点的迁移变化,通过优选渠道和定制内容,让用户重新活回来。

 

用法三:自定义用户画像特征

 

在用户兴趣偏好不断挑战人类想象力的今天,APP对于用户画像精细度与构建成本之间很难找到平衡点。标签太粗,区分度就不够,无法精准定向用户。标签细化,需要更多的数据和更长的时间积累,成本无法控制。在这样两难的情况下,APP运营可以通过第三方数据服务商的数据建模能力,结合自己对于某领域的深入研究,实时创建和更新区分度高的特征,帮助用户画像的优化。

 

比如,对于篮球爱好者的标签,传统的区分特征是根据用户篮球类应用偏好程度来分。APP如果想要标签更加精准,可以结合用户观看比赛的特定行为,特定的线下场景来自定义特征,产生更精准的用户标签。

 

好的用户画像系统,既是数据生态体系,也是业务和运营的生态体系,它是一门复杂的交叉领域。尤其是在移动互联网即将迈入向内增长的时代,APP对精细化运营的要求会越来越高,而用户画像在精细化运营中的助攻作用将会越来越凸显。归根到底,标签只是术语,技术只是形式,用户画像到最终还是为了服务于企业关于客户的营销决策。就如同互联网市场上最常见的APP产品,只有做精做好用户画像,才能真正了解、把握住用户的需求,做好产品与服务,实现在转化好30%超级用户的同时,盘活剩余70%的用户资源。

 

在市场的迷幻大雾之中,用户画像像是一座桥梁,连接起了企业与用户之间的信息和认知鸿沟,通过大数据技术,把用户错综复杂的消费行为和难以捉摸的心理状态,用更加理性的方式,即用户画像,为企业(需求方)呈现出来,让企业在营销决策中真正做到有理有据,决胜千里,才是大数据时代,像个推这样的数据智能企业应该实现基本商业价值之一。