共计 4919 个字符，预计需要花费 13 分钟才能阅读完成。
导读：做用户，绕不开画像！画像不仅能够晋升对用户的认知，还能够通过落地赋能业务。明天咱们聊聊用户画像在用户生命周期中的利用，次要介绍用户画像在电商场景下如何驱动产品链路优化。将依照用户生命周期，对用户进行划分并采取相应的措施；通过逆向的程序介绍用户画像在用户的不同阶段，如何在认知定位、渠道优选、个性化服务、再触达以及营收中发挥作用。
一、了解用户的两条门路
1.1 AARRR 与 RARRA
宏观上，AARRR 模型，也称海盗模型，是业内罕用的模型，可能无效推动业务倒退与迭代，能够对用户各个生命周期内的行为进行干涉。
宏观上，依据 RARRA 模型，落地到用户侧，则能够从认知定位、渠道优选、个性化服务、再触达和营收这五个维度内对用户的各个阶段进行认知、剖析、开掘和干涉。上面将围绕上述几点进行案例开展。
1.2 触达伎俩
在用户来之前能够进行渠道优选与新客引流，用户来了之后能够对用户进行精准举荐、展现，用户来过走了之后能够对用户进行复购引流，在每个阶段，画像都能够施展重要作用。
1.3 买通技术与业务
为了促使用户画像在业务中有更大的效力，必须同时具备技术思维和业务思维。目前，在画像的业务利用中面临的问题是：技术人员对业务不够理解，只是单方面的理解画像的技术实现，因而对于画像利用方面会有思维局限；而业务人员有强烈的业务晋升需要然而不分明画像在业务中能施展何种作用，因而同样思维受限。所以，要充分发挥画像的业务效力就必须买通业务和技术。上面咱们别离按阶段开展，进行利用的介绍。
二、来过走了
2.1 走了当前：找破绽，花钱测试买数据
逆向察看 RARRA 模型，从用户 ” 走了当前 ” 登程，对全链路业务进行复盘，剖析目前的产品是否存在问题，并对问题进行定位和优化。依据问题在细粒度的划分之后，再针对不同用户发展不同工作，如高价值客户寻找、自定义客户放大 (用户 look-like 相干的工作)、针对不同客户群体采取不同营销和生产激活策略、依据客户群体散发优惠券、激活休眠客户和挽留散失客户。
对于曾经走了的用户，一部分还会回来，还有一部分不会回来，对于这一部分不会回来的用户，能够充沛应用他们所留下的数据，帮忙咱们将来的业务倒退给予指导作用；比方后续的召回操作无法挽回的用户，对其在站内的行为与被召回或未散失用户进行比对，可能能够洞察他们生产的内容是否合乎其需要 (能够与搜寻行为联合一起来看) 等。
2.2 维度与拆分
刚刚说到，要对用户群进行拆分，能够从多种不同维度登程，例如对现状的统计，有 PV、UV、GMV、回访、留存等，对趋势的统计如环比、同比、流动趋势等。具体的如何对用户进行拆分，要从业务登程，做到逻辑自洽，业务可解释，比方依据性别、年龄段、设施平台对用户进行拆分，这就波及了粒度问题，比方年龄段是将 15~25 岁还是将 15~30 岁划分为一个区间，安卓或 iOS 版本号如何划分区间。
以一个例子阐明如何实现逻辑自洽：对于举荐零碎中用户冷启动问题，咱们会剖析不同用户群在冷启动过程中，如男性与女性用户或者 iOS 与安卓用户，偏好的商品类目或者购买的商品类目是否有大的不同。比方咱们在业务中发现男性和女性存在不同，喜爱用订单或者转化率来定义，则统计之后发现男性和女性最喜爱的 1000 个商品中有 60% 是不同的。换言之，性别粒度的划分对于以后的统计维度有显著的区分度，因而应用性别标签是在理论业务中是具备可解释性的。粒度的划分同样能够采取此类的思路来进行决策。除了性别、平台，还能够应用机型、地区、新老用户标签、活跃度 (用户沉闷的天数) 等维度进行拆分。对用户进行划分后能够持续就具体问题进行剖析。
2.3 画像在投放业务中的利用
以一个投放业务中的例子阐明。有两个系列，一个是前一个月，一个是近 30 天的，统计投放的数据能够发现扩量之后留存变差，用户散失变得显著。依据上文提出的思路，咱们抉择依照平台和年龄对用户进行划分，划分之后，在系列 1、系列 2 比拟中能够发现 Android 的用户占比降落，iOS 用户占比回升，且 20~30 岁之间的用户占比变高，咱们猜想 20~30 岁的用户 /iOS 用户自身天然的留存状况会更好，这部分用户占比的降落会带来整体留存的降落。用户散失的次要起因是用户体验不够好，用户的需要没有失去满足。针对这一猜测，进一步剖析用户的用意。咱们在搜寻场景下对用户用意进行剖析，比方剖析不同用户群体 Query 匹配后果量的环比数据，统计搜寻无后果呈现的次数，剖析不同整体对搜索词的偏好，群体间的差别，以及搜索词下行为的次数。
剖析之后发现两个景象：
- 一是在用户留存率低的这部分用户中搜寻无后果的量减少了；
- 二是呈现了一些奇怪的 Query 如 BTS，这类词匹配不到搜寻后果。
进一步在举荐场景线下排查用户行为状况，统计之后咱们发现用户在举荐后果的类目展示维度上与大盘靠近，阐明用户的偏好扭转，然而在被动用意场景和非被动用意场景下的用户需要都没有失去满足。根据察看到的景象，咱们进行了一个试验，针对低流存用户的用意或者偏好进行了专门的补货，比方针对 BTS (防弹少年团组合) 进行了周边产品的补货以及聚合触达，之后用户的转化率有显著晋升，阐明当用户找到须要的商品时，所能达到的转化率比大盘要高。
2.4 Query 被动用意
剖析 Query 场景是剖析用户用意的无效办法。
在业务方面，通过统计 Query 场景下的流量和业务趋势，能够发现用户对于明星、品牌、品类的偏好，流量的集中水平能够无效的反映出用户的偏好水平。同时用户流量的集中水平能够驱动咱们去发现供应端是否有问题，例如热搜内容无后果就属于供应端呈现问题。
在用户需要上，能够进行环比的比拟，如每周搜寻量环比比拟，例如连衣裙在搜寻量环比增长显著，那么能够进一步进行某些梳理，判断后劲品类在举荐等场景下进行后劲产品推送。对于平台商家、商品，联合用户画像标签，能够依据用户搜索词剖析平台内商家、商品的影响力，对商家进行划分，找出比方特色商家、优质商家、黑产商家等，进一步去剖析平台是否将优质的流量调配给了优质的商家。
2.5 画像在渠道优选中的利用
在渠道优选中画像能够用于解决引流问题和商品定位问题。进入站内的用户都能够称为大盘用户，其中有购买行为的用户称之为成交用户，成交量达到一定量级、留存高的用户称之为高价值用户。
以性别来对 3 类用户进行划分，能够发现从下到上三类用户中女性占比越来越高，对于平台收益而言最重要的是高价值用户，那么在用户引流过程中咱们冀望联合用户划分剖析后果能引流到更多的高价值用户，如果以后的高价值用户中女性占比更高，那么在引流时，优先思考女性用户更多的渠道进行投放。同时能够进一步剖析商品定位是否有问题，如男性用户比例升高是否是因为男性用户被男性商品吸引进入平台，但在平台内男性商品占比很少或者是价格段不现实，联合画像标签能够对站内商品定位问题进行进一步的剖析。
三、没来之前
依据已有用户的数据，去领导对于新用户的策略制订。
联合已有的画像标签数据后果，和经营、投放或市场专家一起能够进行渠道或者标签的优选，例如比照 Google 和 Facebook 两个不同渠道的投放成果，或比照 Google 和 Facebook 的各自男性标签的投放成果，依据比照后果抉择更优渠道。通常状况下，一个渠道的用户群体不可能全副优于另一渠道，不同渠道往往在不同的用户群上各有劣势。
数据分析的后果能够给投放师肯定的领导，目前的 AI 在利用中会面临各种对接，如 API 对接等问题，理论的体验不够好，然而 AI 在规模化上具备显著劣势，作者认为 AI+ 经营 + 市场专家可能达到更好的成果。一方面能够依据站内高互动率内容标签、竞品、热卖商品、以及站内热搜等去洞察用户的需要，进而驱动平台对于品类布局的优化。另一方面能够在投放前优化用户群体以及对应商品的圈选，依据渠道内用户需要针对性的进行投放，而非海量投放。
四、来了之后
4.1 做好服务与用户洞察
用户来了之后，须要疾速反馈，不能只对已有用户群体做文章，当扩大到某一个新的用户群体，必然会有第一个用户，第二个用户，算法无奈依据大量用户给出论断，然而当用户达到 1 万，100 万时须要疾速的反馈出用户体验不好或用户散失的起因。
新用户来了之后，须要做好服务和用户洞察。新用户面临着举荐中的冷启动问题，首先要帮忙新用户做好定位，抉择有区分度的标签对新用户进行划分，区分度能够用不同群体偏好的交加来掂量，如男性女性最喜爱的 1000 个商品的交加，而后依据划分的用户群给新用户举荐该用户群体最喜爱的商品，再依据用户实时行为获知用户的用意，对举荐后果进行调整。
用户进入平台后，有过搜寻行为的用户能够分为两类，一类是强用意用户 (用户搜索词是某一个品牌具体的型号，具备明确的属性信息，如 iPhone 11 256G 彩色)；一类是弱用意用户 (搜索词比较简单，如裙子)，强用意用户进入站内后同类目商品的点击比例衰减显著慢于弱用意用户，弱用意用户则靠近大盘用户。依据这一标签能够去干涉用户举荐后果，更好的做好用户服务，使用户体验更好。
4.2 做好内容区隔
做好新用户服务的同时，要保障老用户的体验不会变差。在内容平台的举荐场景下中，这类问题变得尤为显著。在产品笼罩用户十分大的状况下，平台必然会呈现趣味偏好差别十分大的群体，针对不同群体，要考量其不同需要，在内容上做好区隔。
五、复盘
刚刚介绍了用户画像在用户没来之前、来了之后、来过走了各个阶段的作用，进一步来对整个流程进行复盘。
5.1 花钱买数据高效测试，圈层外扩
引流的用户中总是存在低留存的用户，起因可能有多种：供应侧没有满足用户需要的商品，举荐没有展示给用户他所须要的商品，没有做好内容区隔等。应用这部分用户在站内的行为数据，如搜寻数据，比方对二次元商品感兴趣的用户中同时具备搜寻行为的用户比不具备搜寻行为的用户的留存率是否更高，依据具体的点来对举荐进行迭代。依据剖析失去的后果，能够对这些低留存用户进行二次冷启动。
5.2 全局优化 / 多指标问题 /1+1>2
从全局优化来讲，构建人群画像体系能够获知群体的需要，进而优化供需之间的匹配；进一步能够在个性化层面进行优化，实现流量散发以及利润最大化，更优的个性化也会带来用户体验的最大化；用户画像能够自动化 / 智能化的实现物料投放和供需匹配后果；联合用户画像能够优先去拓展与大盘群体类似的群体，能更好的实现规模化，这里补充一点：电商场景下用户具备长尾效应，然而平台更心愿流量具备肯定的集中度，以便更好的优化老本。
5.3 闭环 & 飞轮
应用闭环和飞轮的思维更好的迭代用户画像和整个零碎。首先是以技术赋能解决冷启动，剖析其余平台上热销的商品，联合市场经营的领导来做初步的投放，依据初步的投放成果剖析用户的偏好用于领导站内的需求预测，使得预测更精准，有了初步的流量之后就能够一直的进行迭代。
六、总结
依据以上内容能够总结出几个点：
- 拆着看：依据不同标签对用户进行拆分，拆分后果能够进一步联合行为数据进行剖析；
不要只看均值：拆分之后还要进一步剖析同一群体内的方差，剖析该群体内是否仍存在较大差别，如果存在显著差别，还须要持续拆分； - 用户和商品联动：剖析后果要将用户和商品联动，关注供应侧是否满足了用户的需要，举荐展现是否满足了用户的需要，依据用户画像驱动供应侧、前端的优化；
- 联合业务场景去剖析：不同场景对于剖析维度、用户画像标签的需要不同，要保障逻辑自洽与业务可解释；
- 不要简略看画像，肯定要做比照：单纯看散布是没有太多信息含量的，要联合具体问题进行比照，找出差别；
- 环比的比照：漏斗的每个环节都须要进行环比剖析；
- 数据闭环：肯定要造成数据闭环，驱动整个链路的优化。
分享嘉宾：姚凯飞 句逗科技联结创始人
编辑整理：刘璐
出品平台：DataFunTalk
4 月每周四晚 8 点，【冬哥有话说】DevOps 之庖丁解牛，拆解 DevOps 的工具及具体实战。公众号留言“解牛”可获取地址
- 0401《数据库继续交付流水线分享与演示（Azure DevOps+Flyway）》
- 0408《继续交付中的版本治理与基于 Azure DevOps 扩大框架的插件开发》
- 待定《微服务，多团队合作中的 API 测试怎么做 – Pact 契约测试》
- 0422《BoatHouse 端到端流水线展现》
