用户画像、用户分群、用户分层,到底有啥区别?
共 2661字,需浏览 6分钟
·
2022-05-20 07:03
用户标签、用户画像、用户分群、用户分层、用户细分……很多做用户分析的同学,会被这几个概念绕晕。今天系统讲解一下。一图以敝之,这几个东西关系如下:
用户标签是基础
用数据描述一个用户,有标签和指标两种方式
指标:连续型数据,比如过往3个月消费
标签:分类型数据,比如用户性别、居住地
有了丰富的指标和标签,才能对用户进行描述。
之所以单独强调用户标签,是因为大量未经分类整理的指标很难用,对业务直接意义不大。标签可以做得很复杂,可以附加业务含义。这些带了业务含义的标签,甚至可以直接组合出业务落地方案,因此非常好用。
用户画像是底座
大量的用户指标与标签,形成了用户画像。用户画像是一个统称,通常一讲用户画像,大家都知道是在说用户的指标与标签问题。用户画像是数据服务业务的底座,有了用户画像才可以进一步地工作。
用户分群是方法
用户分群是用户画像运用的方法,即不把用户视为一个整体,而是从用户特征、行为等方面找差异,划分为不同群体。比如按性别、年龄、城市、消费多少、活跃程度进行划分,分为不同群体。
分群以后,能便于业务更好地识别不同类型的用户,做精细化运营动作。简单的用户分群,可以直接拿用户标签(特别是物理特征)做分类,复杂的分群,则可以用更多数据。用户分层就是一种典型的复杂分群。
用户分层是一种特殊的分群
如果把分群的标准,定为用户价值的高低,这种分群就是用户分层。用户分层不只是简单的分群,而是要区分出价值的高中低,从而更进一步地进行服务。
注意:“价值”本身,可以有很多种定义
1、活跃价值:用户在平台登录次数多,活跃时间长
2、转介绍价值:用户会转介绍很多次,带来很多新用户
3、历史消费价值:用户历史上累计消费很多钱
4、未来消费价值:用户未来会消费很多钱
因此讨论分层前,首先要搞清楚分层的标准,该用何指标定义。
定义指标以后,就可以着手进行层次划分了。很多同学会纠结到底分界线定在哪里合适。定分界线的原则是:
1、分层后,各层级有明显区分度(10%或更多)
2、分界限本身简单清晰,容易辨识
3、分层后,每个群体的规模足够大,有价值做
只要符合这三个标准的,都是好分层。
另一个分层的注意事项是:要区分历史行为和未来行为。很多同学做分层,就只知道拿历史消费,历史活跃数据。这样是有风险的,因为历史消费高不见得意味着未来消费高,特别是这种历史消费高峰是在促销期,或者买耐用品买出来的。这时候用户是很少有未来消费需求的。拿历史消费记录排个序,就说:这是我的高价值用户 or 这是我的优质用户,很可能在未来被打脸。
所以历史消费与未来消费之间的关系需要验证一下,如果不直接挂钩,可以试着从用户特征等方面进行区分。
明着分/暗着分
注意,用户分层有明分和暗分两种,明分,即向用户公开分群规则,比如1年内消费满1万成为金卡,金卡用户可以享受3888入会大礼包和9折购物优惠。
暗分,即内部设定好标准,比如A类用户促销敏感度低,B类用户促销敏感度高,之后在抽奖的时候,不给A类用户中奖,只给B类用户中奖。明分和暗分,在业务上、数据上,会产生明显的效果差异,所以在实操的时候一定要分清楚。
明着分,能直接拉动用户消费,促使用户升级。只要给的奖励够吸引,你可以看到一个普通用户一夜之间变成VVVIP。因此如果要公布分群规则,最好直接把这种分群当成促销活动。考核额外给到的资源、新拉动的消费数量,评估分群效果。
注意,这么做也是有限制的。
1、分群规则不能复杂,否则用户看不懂,一切白搭。
2、分群奖励门槛要高,否则躺着进来的人太多,成本会爆炸
3、分群奖励要够给力,否则没人为三瓜俩枣掏腰包
4、身份认证要做好,否则几个用户凑一张金卡薅羊毛也是常事
5、奖励重叠要控制,避免金卡优惠和其他优惠重叠太多,成本失控
暗着分,其实就是大数据杀熟,暗搓搓地搞价格歧视。暗着分在控制成本、拉动运营指标上比明着分更有效果。
比如运营部门发现最近转化率降了,如果直接搞大促销,有相当大一部分成本是被原本就会消费的用户薅走的,那么可以通过复杂的内部规则(或者干脆训练购买预测模型),找到更大概率不会自然消费的用户,只针对他们投。这样暗箱操作,可以让成本更少,指标提升效果更明显。
不过这样做也有前提条件:
1、有封闭信息,直接推送给用户个人的APP/小程序
2、用户的活跃度得高,得有能力接收到信息
3、下单时间有限制,避免用户多平台比价/更换账号比价
而且,一般暗搓搓地给优惠,没法直接丢3888大礼包,也不方便直接收用户1万元。意味着这种暗搓搓做法不太适合做消费量,更适合打转化率,让用户小花几笔钱,先下两单。
但是这样也有问题,就是转化低用户活,跃率很有可能也不高,如果用户不活跃,是收不到推送信息的,后边的分层推送也就没机会了。所以还是需要有一些大规模的宣传/促销做支持,先解决活跃问题再说。
那用户分层和推荐系统又是啥关系?
看到这里,肯定有同学会联想:那推荐系统和用户分层又有啥区别?不都是推个东西给用户吗?
虽然都是推个东西,但是解决的业务问题不一样:
推荐系统解决的是降低用户搜索难度,不用搜海量商品的问题。
用户分层解决的是拉动用户消费,提升用户活跃的问题。
很多公司的SKU就一二百款,产品线就5、6个,即使搞推荐系统,搞来搞去也就那几款。而电商/短视频平台的SKU动辄以亿为单位,所以必须得搞推荐,不然咋展示呀。而即使只有1个SKU,用户也有高中低消费的区别,也能结合用户画像,找到谁是我的高端消费者。所以用户分群和分层应用范围比推荐系统大很多,只要是个公司都可以用。
以上就是今天的分享,如果有同学还没看过瘾,可以加入陈老师的知识星球。已经为大家整理好了打标签、做分层的方法,都在《九大数据分析方法》系列视频课程中。
星友可以免费学习课程,还可以和我一对一讨论具体的业务场景问题,具体问题具体分析,进步才快。
《九大数据分析方法》提纲
原创精选: