用户运营知识结构归纳之用户画像.doc

资料 用户运营知识结构归纳之用户画像 智能手机新增流量消失、红利过去、超级用户思维、智能手机市场国内饱和…… 这是我们从2016年起至今，在各类互联网大咖以及媒介平台看到最多的关键词了。 因此，用户 HYPERLINK / \o 运营 \t _blank 运营开始有了地位，如何盘活现有的用户群体是每一个（移动）互联网公司老板们考虑的问题。 2018年始，在给自己做工作规划的时候，定下了运营知识深度学习的两个方向：用户运营、 HYPERLINK /seo/dataanalysis \o 数据分析 \t _blank 数据分析。 做运营这些年，也看了不少用户运营的文章和书籍，每个大咖写的都特别好，但是都不够系统，所以想着自己可以梳理下用户相关的知识结构。 终于拖延了四分之一2018年之后的近1个月时间，把沉淀在Evernote的大咖文章做了梳理和归纳，分享给大家，仅供参考。 文章主要从三个方向来梳理用户运营的知识结构：用户画像、用户生命周期、用户成长激励。 内容穿插会给到每个环节需要的准备工作、监测数据等，篇幅较长，分三次发布，看官要有耐心~ 一、用户画像 误区：Persona（用户角色） VS Profile（用户画像） Persona用户角色 描绘抽象一个自然人的属性 通过调研问卷、电话访谈等手段获得用户的定性特征——用户间有差异，因为存在差异，所以需要描述 是用户属性的集合，不是具体谁，放一张某某的照片也是为了达到共情。它应该能准确描述出产品用户，一般会设置三到四个用户角色，也是通常意义上的目标用户群体 用户角色有缺点，评估用户属性时难以量化，也很难证伪。你不知道它确定的是不是真的目标群体，用户群体也随时间推移变化，所以用户角色需要不断修改。 Profile用户画像 和数据挖掘、大数据息息相关的应用，被更多运营和数据分析师使用，是各类描述用户数据的变量集合 通过数据建立描绘用户的标签 基于用户画像的应用：个性化推荐、广告系统、活动 HYPERLINK /yxzs \o 营销 \t _blank 营销、内容推荐、兴趣偏好 当我们想要选择某部分用户群体做精细化运营时，会用用户画像筛选出特定的群体 用户画像是一个复杂的系统，随着产品逐渐成熟，会根据不同的业务场景设计不同的标签，用户角色是精炼和概括，而用户画像需要齐全。 用户 用户画像可以参考用户角色设计，用户角色也能使用用户画像的属性，可实际差别很大 什么是用户画像？ 用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型 构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识 除去“标签化”，用户画像还具有的特点是“低交叉率”，当两组画像除了权重较小的标签外其余标签几乎一致，那就可以将二者合并，弱化低权重标签的差异 用户画像的作用是什么？ 1、精准营销：分析产品潜在用户，针对特定群体利用短信邮件等方式进行营销 2、用户统计：比如中国大学购买书籍人数 TOP10，全国分城市奶爸指数 3、数据挖掘：构建智能推荐系统（例如：利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌；利用聚类算法分析，喜欢红酒的人年龄段分布情况） 4、进行效果评估，完善产品运营，提升服务质量：其实这也就相当于市场调研、用户调研，迅速下定位服务群体，提供高水平的服务 5、对服务或产品进行私人订制：即个性化的服务某类群体甚至每一个用户（例如：某公司想推出一款面向5－10岁儿童的玩具，通过用户画像进行分析，发现形象＝“喜羊羊”、价格区间＝“中等”的偏好比重最大，那么就给新产品提供类非常客观有效的决策依据。） 6、业务经营分析以及竞争分析：影响企业发展战略 用户画像的构建流程 数据收集： 网络行为数据：活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等 服务内行为数据：浏览路径、页面停留时间、访问深度、唯一页面浏览次数等 用户内容偏好数据：浏览／收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等 用户交易数据：贡献率、客单价、连带率、回头率、流失率等 收集到的数据不会是100%准确的，都具有不确定性，这就需要在后面的阶段中建模来再判断，比如某用户在性别一栏填的男，但通过其行为偏好可判断其性别为“女”的概率为80%。 储存用户行为数据时最好同时储存下发生该行为的场景，以便更好地进行数据分析。 行为建模： 该阶段是对上阶段收集到数据的处理，进行行为建模，以抽象出用户的标签，这个阶段注重的应是大概率事件，通过数学算法模型尽可能地排除用户的偶然行为 这时也要用到机器学习，对用户的行为、偏好进行猜测，好比一个 y＝kx＋b 的算法，X 代表已知信息，Y 是用户偏好，通过不断的精确k和b来精确Y。 贴标签： 1、用户汽车模型：根据用户对“汽车”话