用戶畫像就是這樣簡單

有一句話是,千萬人撩你,不如一人懂你,這句話在互聯網圈可以說成是,真正的了解用戶,才能得到用戶,所以,用戶畫像的重要性不言而喻。

什麼是用戶畫像?

  用戶畫像可以簡單理解成是海量數據的標籤,根據用戶的目標、行為和觀點的差異,將他們區分為不同的類型,然後每種類型中抽取出典型特徵,賦予名字、照片、一些人口統計學要素、場景等描述,形成了一個人物原型 (personas)

企業在進行營銷時會遇到的問題

  如何進行產品的定位、如何去優化用戶的體驗、如何進行廣告的精準投放,以及衡量我們的用戶價值的大小等等,這類問題的解決需要結合受眾群體的需求特性以及行為組合,去優化自身產品的調整策略。

然而用戶畫像才是解決問題的基礎,用戶畫像能幫助廣告主找到對的人

  了解廣告營銷的人都知道,確定目標受眾是營銷的第一步,如果說傳統線下廣告還可以根據不同場合大概確定一個人的社會背景,然而,在互聯網這個虛擬世界中,隱藏在幕後的用戶擁有太多可能性,因此在互聯網營銷逐漸佔據主流的時代,互聯網產品或服務的人群畫像愈加重要。

Step1:準確識別用戶

微博/微信/QQ等第三方登錄成企業識別用戶的折中選擇

  用戶識別的目的是為了區分用戶、單點定位。用戶識別的方式有很多種,如cookie、註冊ID、郵箱、微信/微博/QQ等第三方登錄、手機號等,這些都是互聯網用戶相對於傳統線下渠道所特有的身份標識,其中手機號是目前移動端最為準確的用戶標識,但隨著用戶的註冊意願越來越低,微博/微信/QQ等第三方登錄成為越來越多企業的折中選擇。

Step2:動態跟蹤用戶行為軌跡

三大維度:場景+媒體+路徑

  動態行為數據可以確認用戶不同場景下的不同訪問軌跡,助力廣告主跨端控頻營銷。

  用戶網路行為動態跟蹤主要包括三個維度:場景+媒體+路徑,應用到互聯網中,場景主要包括訪問設備、訪問時段,媒體指某一時段下用戶具體訪問的媒體,如資訊類、視頻類、遊戲類、社交類等,路徑指用戶進入和離開某媒體的路徑,可以簡單理解為用戶的站內與站外行為,如是通過搜索導航進入還是直接打開該APP,離開時是站內跳轉到其他網頁還是直接關閉,一方面有助於媒體自身優化流量運營,另一方面幫助廣告主有效控制不同頁面的投放頻次,避免產生用戶倦怠。

Step3:結合靜態數據評估用戶價值

五大維度:人口屬性+商業屬性+消費特徵+生活形態+CRM

  靜態數據獲取後,需要對人群進行因子和聚類分析,不同的目的分類依據不同:如對於產品設計來說,按照使用動機或使用行為劃分是最為常見的方式,而對於營銷類媒體來說,依據消費形態來區分人群是最為直接的分類方式。

  靜態數據主要包括用戶的人口屬性、商業屬性、消費特徵、生活形態、CRM五大維度,其獲取方式存在多種,數據挖掘是最為常見也是較為精準的一種方式,如果數據有限,則需要定性與定量結合補充,定性方法如小組座談會、用戶深訪、日誌法、Laddering 階梯法、透射法等,主要是通過開放性的問題潛入用戶真實的心理需求,具象用戶特徵,定量更多是通過定量問卷調研的方式進行,關鍵在於後期定量數據的建模與分析,目的是通過封閉性問題一方面對定性假設進行驗證,另一方面獲取市場的用戶分布規律。

Step4:用戶標籤定義與權重

從繁雜的數據中抽取共同的特徵值

  根據特徵值對群體進行定義,有助於廣告主一目了然掌握該群體的特性,如「時尚小咖」,可以快速的聯想到針對這類人,時尚感至關重要,即產品的設計感、外觀等,並且小咖兩字表明該類人並不盲目追求潮流,他們有自己的審美觀,並且能夠影響身邊的人。

  同時,一個群體會有多個標籤,不同的群體之間也會有標籤的重合,此時標籤的權重反映了不同群體的核心特徵。如「時尚小咖」和「科技先鋒」兩類人群中都有女性標籤,此時需要比較女性在不同人群中的標籤權重,以決定將該標籤解讀給哪類群體。通常,一個好的用戶畫像,不同人群之間的標籤重合度較小,只有在那些權重較小的標籤上會有些許重合。

Step5:不同人群優先順序排列

根據企業自身情況排列不同組合

  目前,大部分畫像只完成上述4步就結束了,然而最後一步決定了最終效果的落地,對於廣告主來說可以理解為媒介的組合策略。組合策略可以按照頻率的高低、市場的大小、收益的潛力、競爭優勢等,根據企業自身情況排列不同組合。

  如:品牌剛剛建立,需要快速提升知名度,可以按照不同媒體目標人群覆蓋率的高低進行預算分配;當品牌具備一定知名度,企業核心領域營收處於快速增長期時,可以按照不同媒體目標人群貢獻的市場大小進行分配;當企業想開拓新市場時,可以按照不同媒體目標人群的收益潛力進行分配,另外如企業品牌需增強差異化的競爭優勢時,可按照不同媒體目標人群的競爭優勢進行投放。

  A:某圖片分享類媒體整體用戶畫像

  B:某圖片分享類媒體細分用戶特徵

  C:某圖片分享類媒體細分用戶優先順序排列


推薦閱讀:

大白話之小白也能懂SQL(一)
大數據精準營銷三部曲
NBA選秀十年記【2】—尋找相似的新秀
2017,第一視角看數據
IMDB票房信息數據分析

TAG:大數據 | 數據分析 |