如何經過用戶畫像驅動產品鏈路優化？| IDCF

導讀：作用戶，繞不開畫像！畫像不只能夠提高對用戶的認知，還能夠經過落地賦能業務。今天咱們聊聊用戶畫像在用戶生命週期中的應用，主要介紹用戶畫像在電商場景下如何驅動產品鏈路優化。將按照用戶生命週期，對用戶進行劃分並採起相應的措施；經過逆向的順序介紹用戶畫像在用戶的不一樣階段，如何在認知定位、渠道優選、個性化服務、再觸達以及營收中發揮做用。

1、理解用戶的兩條路徑

1.1 AARRR與RARRA

宏觀上，AARRR模型，也稱海盜模型，是業內經常使用的模型，可以有效推進業務發展與迭代，能夠對用戶各個生命週期內的行爲進行干預。

微觀上，根據RARRA模型，落地到用戶側，則能夠從認知定位、渠道優選、個性化服務、再觸達和營收這五個維度內對用戶的各個階段進行認知、分析、挖掘和干預。下面將圍繞上述幾點進行案例展開。

1.2 觸達手段

在用戶來以前能夠進行渠道優選與新客引流，用戶來了以後能夠對用戶進行精準推薦、展現，用戶來過走了以後能夠對用戶進行復購引流，在每一個階段，畫像均可以發揮重要做用。

1.3 打通技術與業務

爲了促使用戶畫像在業務中有更大的效能，必須同時具有技術思惟和業務思惟。目前，在畫像的業務應用中面臨的問題是：技術人員對業務不夠了解，只是單方面的瞭解畫像的技術實現，所以對於畫像應用方面會有思惟侷限；而業務人員有強烈的業務提高需求可是不清楚畫像在業務中能發揮何種做用，所以一樣思惟受限。因此，要充分發揮畫像的業務效能就必須打通業務和技術。下面咱們分別按階段展開，進行應用的介紹。

2、來過走了

2.1 走了之後：找漏洞，花錢測試買數據

逆向觀察RARRA模型，從用戶"走了之後"出發，對全鏈路業務進行復盤，分析目前的產品是否存在問題，並對問題進行定位和優化。根據問題在細粒度的劃分以後，再針對不一樣用戶開展不一樣工做，如高價值客戶尋找、自定義客戶放大 ( 用戶look-like相關的工做 )、針對不一樣客戶羣體採起不一樣營銷和消費激活策略、根據客戶羣體分發優惠券、激活休眠客戶和挽留流失客戶。
對於已經走了的用戶，一部分還會回來，還有一部分不會回來，對於這一部分不會回來的用戶，能夠充分使用他們所留下的數據，幫助咱們將來的業務發展給予指導做用；好比後續的召回操做沒法挽回的用戶，對其在站內的行爲與被召回或未流失用戶進行比對，可能能夠洞察他們消費的內容是否符合其需求 ( 能夠與搜索行爲結合一塊兒來看 ) 等。

2.2 維度與拆分

剛剛說到，要對用戶羣進行拆分，能夠從多種不一樣維度出發，例如對現狀的統計，有PV、UV、GMV、回訪、留存等，對趨勢的統計如環比、同比、流動趨勢等。具體的如何對用戶進行拆分，要從業務出發，作到邏輯自洽，業務可解釋，好比根據性別、年齡段、設備平臺對用戶進行拆分，這就涉及了粒度問題，好比年齡段是將15~25歲仍是將15~30歲劃分爲一個區間，安卓或iOS版本號如何劃分區間。

以一個例子說明如何實現邏輯自洽：對於推薦系統中用戶冷啓動問題，咱們會分析不一樣用戶羣在冷啓動過程當中，如男性與女性用戶或者iOS與安卓用戶，偏好的商品類目或者購買的商品類目是否有大的不一樣。好比咱們在業務中發現男性和女性存在不一樣，喜歡用訂單或者轉化率來定義，則統計以後發現男性和女性最喜歡的1000個商品中有60%是不一樣的。換言之，性別粒度的劃分對於當前的統計維度有明顯的區分度，所以使用性別標籤是在實際業務中是具備可解釋性的。粒度的劃分一樣能夠採起此類的思路來進行決策。除了性別、平臺，還可使用機型、地域、新老用戶標籤、活躍度 ( 用戶活躍的天數 ) 等維度進行拆分。對用戶進行劃分後能夠繼續就具體問題進行分析。

2.3 畫像在投放業務中的應用

以一個投放業務中的例子說明。有兩個系列，一個是前一個月，一個是近30天的，統計投放的數據能夠發現擴量以後留存變差，用戶流失變得明顯。根據上文提出的思路，咱們選擇按照平臺和年齡對用戶進行劃分，劃分以後，在系列一、系列2比較中能夠發現Android的用戶佔比降低，iOS用戶佔比上升，且20~30歲之間的用戶佔比變高，咱們猜想20~30歲的用戶/iOS用戶自己天然的留存狀況會更好，這部分用戶佔比的降低會帶來總體留存的降低。用戶流失的主要緣由是用戶體驗不夠好，用戶的需求沒有獲得知足。針對這一猜測，進一步分析用戶的意圖。咱們在搜索場景下對用戶意圖進行分析，好比分析不一樣用戶羣體Query匹配結果量的環比數據，統計搜索無結果出現的次數，分析不一樣全體對搜索詞的偏好，羣體間的差別，以及搜索詞下行爲的次數。

分析以後發現兩個現象：

• 一是在用戶留存率低的這部分用戶中搜索無結果的量增長了；
• 二是出現了一些奇怪的Query如BTS，這類詞匹配不到搜索結果。

進一步在推薦場景線下排查用戶行爲狀況，統計以後咱們發現用戶在推薦結果的類目展示維度上與大盤接近，說明用戶的偏好改變，可是在主動意圖場景和非主動意圖場景下的用戶需求都沒有獲得知足。依據觀察到的現象，咱們進行了一個實驗，針對低流存用戶的意圖或者偏好進行了專門的補貨，好比針對BTS ( 防彈少年團組合 ) 進行了周邊產品的補貨以及聚合觸達，以後用戶的轉化率有明顯提高，說明當用戶找到須要的商品時，所能達到的轉化率比大盤要高。

2.4 Query主動意圖

分析Query場景是分析用戶意圖的有效方法。

在業務方面，經過統計Query場景下的流量和業務趨勢，能夠發現用戶對於明星、品牌、品類的偏好，流量的集中程度能夠有效的反映出用戶的偏好程度。同時用戶流量的集中程度能夠驅動咱們去發現供給端是否有問題，例如熱搜內容無結果就屬於供給端出現問題。

在用戶需求上，能夠進行環比的比較，如每週搜索量環比比較，例如連衣裙在搜索量環比增加明顯，那麼能夠進一步進行某些梳理，判斷潛力品類在推薦等場景下進行潛力產品推送。對於平臺商家、商品，結合用戶畫像標籤，能夠根據用戶搜索詞分析平臺內商家、商品的影響力，對商家進行劃分，找出好比特點商家、優質商家、黑產商家等，進一步去分析平臺是否將優質的流量分配給了優質的商家。

2.5 畫像在渠道優選中的應用

在渠道優選中畫像能夠用於解決引流問題和商品定位問題。進入站內的用戶均可以稱爲大盤用戶，其中有購買行爲的用戶稱之爲成交用戶，成交量達到必定量級、留存高的用戶稱之爲高價值用戶。

以性別來對3類用戶進行劃分，能夠發現從下到上三類用戶中女性佔比愈來愈高，對於平臺收益而言最重要的是高價值用戶，那麼在用戶引流過程當中咱們指望結合用戶劃分分析結果能引流到更多的高價值用戶，若是當前的高價值用戶中女性佔比更高，那麼在引流時，優先考慮女性用戶更多的渠道進行投放。同時能夠進一步分析商品定位是否有問題，如男性用戶比例下降是不是因爲男性用戶被男性商品吸引進入平臺，但在平臺內男性商品佔比不多或者是價格段不理想，結合畫像標籤能夠對站內商品定位問題進行進一步的分析。

3、沒來以前

根據已有用戶的數據，去指導對於新用戶的策略制定。

結合已有的畫像標籤數據結果，和運營、投放或市場專家一塊兒能夠進行渠道或者標籤的優選，例如對比Google和Facebook兩個不一樣渠道的投放效果，或對比Google和Facebook的各自男性標籤的投放效果，根據對比結果選擇更優渠道。一般狀況下，一個渠道的用戶羣體不可能所有優於另外一渠道，不一樣渠道每每在不一樣的用戶羣上各有優點。

數據分析的結果能夠給投放師必定的指導，目前的AI在應用中會面臨各類對接，如API對接等問題，實際的體驗不夠好，可是AI在規模化上具備明顯優點，做者認爲AI+運營+市場專家可以達到更好的效果。一方面能夠根據站內高互動率內容標籤、競品、熱賣商品、以及站內熱搜等去洞察用戶的需求，進而驅動平臺對於品類規劃的優化。另外一方面能夠在投放前優化用戶羣體以及對應商品的圈選，根據渠道內用戶需求針對性的進行投放，而非海量投放。

4、來了以後

4.1 作好服務與用戶洞察

用戶來了以後，須要快速反饋，不能只對已有用戶羣體作文章，當擴展到某一個新的用戶羣體，必然會有第一個用戶，第二個用戶，算法沒法根據少許用戶給出結論，可是當用戶達到1萬，100萬時須要快速的反饋出用戶體驗很差或用戶流失的緣由。

新用戶來了以後，須要作好服務和用戶洞察。新用戶面臨着推薦中的冷啓動問題，首先要幫助新用戶作好定位，選擇有區分度的標籤對新用戶進行劃分，區分度能夠用不一樣羣體偏好的交集來衡量，如男性女性最喜歡的1000個商品的交集，而後根據劃分的用戶羣給新用戶推薦該用戶羣體最喜歡的商品，再根據用戶實時行爲獲知用戶的意圖，對推薦結果進行調整。

用戶進入平臺後，有過搜索行爲的用戶能夠分爲兩類，一類是強意圖用戶 ( 用戶搜索詞是某一個品牌具體的型號，具備明確的屬性信息，如iPhone 11 256G黑色 )；一類是弱意圖用戶 ( 搜索詞比較簡單，如裙子 )，強意圖用戶進入站內後同類目商品的點擊比例衰減明顯慢於弱意圖用戶，弱意圖用戶則接近大盤用戶。根據這一標籤能夠去幹預用戶推薦結果，更好的作好用戶服務，使用戶體驗更好。

4.2 作好內容區隔

作好新用戶服務的同時，要保證老用戶的體驗不會變差。在內容平臺的推薦場景下中，這類問題變得尤其明顯。在產品覆蓋用戶很是大的狀況下，平臺必然會出現興趣偏好差別很是大的羣體，針對不一樣羣體，要考量其不一樣需求，在內容上作好區隔。

5、覆盤

剛剛介紹了用戶畫像在用戶沒來以前、來了以後、來過走了各個階段的做用，進一步來對整個流程進行復盤。

5.1 花錢買數據高效測試，圈層外擴

引流的用戶中老是存在低留存的用戶，緣由可能有多種：供給側沒有知足用戶需求的商品，推薦沒有展示給用戶他所須要的商品，沒有作好內容區隔等。使用這部分用戶在站內的行爲數據，如搜索數據，好比對二次元商品感興趣的用戶中同時具備搜索行爲的用戶比不具備搜索行爲的用戶的留存率是否更高，根據具體的點來對推薦進行迭代。根據分析獲得的結果，能夠對這些低留存用戶進行二次冷啓動。

5.2 全局優化/多目標問題/1+1＞2

從全局優化來說，構建人羣畫像體系能夠獲知羣體的需求，進而優化供需之間的匹配；進一步能夠在個性化層面進行優化，實現流量分發以及利潤最大化，更優的個性化也會帶來用戶體驗的最大化；用戶畫像能夠自動化/智能化的實現物料投放和供需匹配結果；結合用戶畫像能夠優先去拓展與大盤羣體類似的羣體，能更好的實現規模化，這裏補充一點：電商場景下用戶具備長尾效應，可是平臺更但願流量具備必定的集中度，以便更好的優化成本。

5.3 閉環&飛輪

使用閉環和飛輪的思想更好的迭代用戶畫像和整個系統。首先是以技術賦能解決冷啓動，分析其餘平臺上熱銷的商品，結合市場運營的指導來作初步的投放，根據初步的投放效果分析用戶的偏好用於指導站內的需求預測，使得預測更精準，有了初步的流量以後就能夠不斷的進行迭代。

6、總結

根據以上內容能夠總結出幾個點：

• 拆着看：根據不一樣標籤對用戶進行拆分，拆分結果能夠進一步結合行爲數據進行分析；
  不要只看均值：拆分以後還要進一步分析同一羣體內的方差，分析該羣體內是否仍存在較大差別，若是存在明顯差別，還須要繼續拆分；
• 用戶和商品聯動：分析結果要將用戶和商品聯動，關注供給側是否知足了用戶的需求，推薦展現是否知足了用戶的需求，根據用戶畫像驅動供給側、前端的優化；
• 結合業務場景去分析：不一樣場景對於分析維度、用戶畫像標籤的需求不一樣，要保證邏輯自洽與業務可解釋；
• 不要簡單看畫像，必定要作對比：單純看分佈是沒有太多信息含量的，要結合具體問題進行對比，找出差別；
• 環比的對比：漏斗的每一個環節都須要進行環比分析；
• 數據閉環：必定要造成數據閉環，驅動整個鏈路的優化。

分享嘉賓：姚凱飛 句逗科技聯合創始人
編輯整理：劉璐
出品平臺：DataFunTalk

4月每週四晚8點，【冬哥有話說】DevOps之庖丁解牛，拆解DevOps的工具及具體實戰。公衆號留言「解牛」可獲取地址

• 0401《數據庫持續交付流水線分享與演示（Azure DevOps+Flyway）》
• 0408《持續交付中的版本管理與基於Azure DevOps擴展框架的插件開發》
• 待定《微服務，多團隊協做中的API測試怎麼作 - Pact契約測試》
• 0422《BoatHouse端到端流水線展現》