实例解析:生活中的用户画像

15天0基础极速入门数据分析,掌握一套数据分析流程和方法,学完就能写一份数据报告!了解一下>>

本文利用生活中的小例子,给大家讲一个利用用户画像提升交易额的例子,一起来看看~

有同学问:到处都看到吹用户画像的,可就是没见过真正例子。今天我们来一个:利用用户画像提升交易额的实战例子,而且这个例子就发生在我们身边。陈老师上周带娃的时候刚刚碰到的,还新鲜热乎着呢。

一个活生生的用户画像实例

秋高气爽,爸比带着coco出去玩,在某个湖边看到好多人在放风筝。突发奇想:我们也去放吧!coco表示:嗯!于是俩人一起去走鬼(广东话,指无证流窜小摊贩)大叔那买风筝。

用户画像,原来是这么用的!看一个生活中的案例

看到coco喜欢,爸比就准备掏钱了,然而峰回路转,没想到又有下边一段

用户画像,原来是这么用的!看一个生活中的案例

然后爸比就和coco愉快的放风筝去了。可事后一想:我勒个大槽,这不就是基于用户画像的,用推荐系统提升交易的完整流程吗!数据采集-打标签-产品推荐-向上销售一气呵成,还做了二次推荐,把成交率和客单价分开提升,真是巧妙。

用户画像,原来是这么用的!看一个生活中的案例

虽然大叔没有啥大数据系统,也不懂写代码,可这办事的思路,却远远胜过还在到处问“推荐风筝的算法有哪些”“BAT是怎么卖风筝的?”“我是互联网风筝行业的,有没有懂互联网风筝问题的大佬”的新人了,毕竟实践出真知抄袭降智商

然而仔细一想,事情并没有这么简单:卖玩具的多了去了,为什么偏偏是风筝呢?

用户画像的真正用途

常溜娃的家长都很熟悉,在公园、池塘、草地附近,都有小摊贩卖泡泡棒、玩具枪、魔法棒、挖沙工具、风筝一类玩具。看似都是卖玩具,可细细品来,不同玩具的差异非常明显。

玩具枪、魔法棒

这一类玩具款式非常重要!是不是巴啦啦小魔仙的魔法棒,是不是吃鸡的98K,直接决定了小朋友买不买。

这是典型的:爆款驱动

爆款是可以人为创造的。这里考的就是业务设计、推广能力。选款不行,一切白费。再好的推荐系统也帮不上忙。

泡泡棒

这一类玩具卖点很突出:漫天泡泡飞啊飞。所以丫根本不需要推荐。你只需要埋伏在路边,等着一群小朋友走过来,然后往天上一呼,哗啦啦好多泡泡向小朋友方向飞去。然后就十有八九有小朋友想买。

这是典型的:体验驱动

这里考的是销售能力,让用户体验到效果。不然不让体验,光叨逼叨推荐,还是会丢掉。

挖沙桶

这玩意同质化程度非常高(一个方头铲、一个尖头铲、一个耙子、一个小铲、一个贝壳模型、一个海星模型、一个小桶,全国同款)。而且功能非常明确、单一:挖沙!对家长而言,没啥好说的,便宜就买,贵了就不买,典型的价格驱动。这里考的是定价,价格贵了,再推荐,家长也不当冤大头。

相比之下,风筝非常独特:

  • 风筝撑开的话体积太大,不容易陈列,不容易供客户挑选。
  • 风筝的花色、尺寸、图形,确实很多人会在意,你还不能不让人家挑。
  • 风筝单价相对较高,卖贵了,大人分分钟掉头走人,卖便宜了不挣钱。

特别是对于走鬼大叔,真要是把风筝都摊在地上,估计城管来了跑都跑不掉!而且摊几十个风筝在地上,卖相也很差,家长挑选也很辛苦。要知道,没有家长是心甘情愿带着孩子去小摊上买东买西的,大部分都是怕/被孩子又哭又闹的苟且之计,所以多增加一点选择负担,就多一点损失客户的几率,因此推荐系统在这里就很好用。

对比这四个品类,我们发现:推荐系统只是商品管理的一个辅助工具而已,适用于非爆款、品类间有一定差异的产品。但是,商品管理的每一种战术,都和用户画像有关,理解用户,才能精准的满足需求。所以不要一提用户画像就想到推荐上去了,还有更多工作可以做呢。

如下图所示:

用户画像,原来是这么用的!看一个生活中的案例

有用的用户画像为什么难做!

既然用户画像这么好用,那为什么我们总觉得,用户画像是搞了一堆数据堆在那,最后屁用没有呢?因为想做出有用的用户画像,需要规避太多的坑了。

坑点一:没有明确干什么

如果走鬼大叔见了家长,不问人家买什么,在那谈天说地瞎聊天。他还能卖出风筝吗?当然不行,可能扯淡是扯个爽的,这就是有目标和无目标的区别。对应到工作中,很多人做用户画像是基于:“领导要求做”“我看人家都在做”。

至于:

  • 做了干啥?
  • 哪个部门用?
  • 用在什么场景?
  • 提升什么指标?
  • 这个指标当前是多少?
  • 预计提升多少?
  • 提升指标需要什么配套?

完全没想过,这要是做出来有用,就见鬼了。╮(╯▽╰)╭

坑点二:数据质量没保障

注意,大叔明明看到了一个爸比+一个小朋友走过来,可他还是问了:“大人放还是小孩放?”没有想当然,这是专业性的表现。因为玩具是一个典型的使用者和购买者分离的场景,特别是风筝,大人小孩都可以玩,这时候确认真实性是很重要的。

对应到工作中,就是我们常说的数据质量,数据质量是一切分析的前提,而很多公司是低估了数据采集的严谨性的。在所谓“标签扩散法”出来以后,更有一帮做数据的新人,自己都以为不要采集,只要有算法就能算出真实数据了,这就真的是自断生路了。数据质量,永远都是越高越好。

坑点三:不打标签只捞数

注意,大叔问的是一个标签,不是一个原始数据。比如:大人也可能有身高150,小孩也可能身高150。那为什么要问标签,而不是一个具体数值呢?

一来问标签数据采集难度小,二来孩子这个标签不但代表了身高,也代表了审美,作用远比原始数据丰富。

这就是标签作用的直观体现:含义丰富,使用方便。这也是为啥采集了数据,还得继续打标签的原因。标签是经过提炼,有含义的数据分类,比原始数据要有用的多。

坑点四:效果缺少验证,更没有迭代

说到标签有用,于是就有人患上了标签狂热症,疯狂打标,不管丫有用没用,有多大用,总之标签越多越好。可没有验证过效果的标签,跟没有一样。更不要提基于初级标签,再制作更复杂的二级,三级标签了。

有意思的是,走鬼大叔就用了二级标签的策略。注意,如果一开始就说:普通风筝20,儿童风筝30,那很有可能家长就直接选20的了。如果一开始说:风筝30,有可能把家长吓跑。但是先确认家长愿意买,再推荐一个“不伤手”卖点的贵绕线轮,成功率就大大提升。

因为已经确认了这个家长肯迁就孩子,那肯迁就孩子的家长,肯定大概率会买个贵的。实际上,不完全统计,现场有一半都是“不伤手”的绕线轮,嘿嘿,其中滋味,你品,你细品。

小结

当然,以上只是陈老师的借题发挥。大叔可能仅仅是够机灵,根本没有思考这么多。但是这种直观的例子,是非常适合大家记忆的。当你下次迷茫在“到底用户画像有啥用????”的时候,可以再回味一下哈。

这里还有一个小问题,看起来这个过程很简单呀,为啥还需要专业的数据分析师来做呢?业务人员自己也能总结呀。

答:两个原因,一来实际商业场景中数据量大,维度多,处理起来非常耗费时间,需要专业人员来做。如果你看到你的运营不是在设计方案、选礼品、调查用户,而是一天8小时在搞数据,那这公司离倒闭也不远了。

二来,业务人员的经验很容易被短期效应打脸,进而做出错误判断(如下图所示)。业务人员KPI挂帅,容易选择短期见效的,忽视长期效应。这时候就需要数据分析师,沉住气,长期观察,沉淀经验。才能更好指导业务。

用户画像,原来是这么用的!看一个生活中的案例

所以,做数据分析的同学要对自己有信心。数据的价值绝不止于一个复杂的模型,基础工作,方法沉淀,经验总结,反哺业务,都是我们能做的。方法并不是越难越好,而是越有用越好,切记切记。

#专栏作家#

接地气的陈老师,微信公众号:接地气学堂,人人都是产品经理专栏作家。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

给作者打赏,鼓励TA抓紧创作!
评论
欢迎留言讨论~!
圈子
关注微信公众号
大家都在问