當前位置:首頁 > 科技 > 正文

用什麼業務模型,讓用戶畫像效果倍增?

做用戶畫像項目最怕啥?三個字:沒!屁!用!經常是做數據的同學哼哧哼哧整了白天,輸出所謂的“360度用戶畫像”然後被業務方噴:

知道性别、年齡又怎樣!

過去消費高,未來呢?又怎樣?

你标記個高潛力,它就真的高潛力了??

以上種種問題,都是沒有基于SIKT模型推進項目所緻。用戶畫像與業務場景脫節,沒有考慮業務拿到畫像能幹啥。想要破局,當然得回到業務場景中,認真思考:到底用戶畫像能幫上啥?而SIKT模型正是解決此問題的一套概念模型(非算法模型哦)。

01

SIKT模型原理

SIKT模型是一套梳理标簽的方法。标簽是用戶畫像的基礎,是構建畫像體系的磚石。想讓用戶畫像系統有用,标簽本身得是有價值的。這就要求,在做标簽的時候,不能憑着數據人員的直覺,像說貫口一樣把“性别、年齡”胡亂怼進系統,而是從業務場景出發,層層遞進。

第一步:梳理業務場景。使用方先思考:我要解決什麼問題?

第二步:梳理關鍵指标。使用方再思考:用什麼指标衡量問題解決?

第三步:梳理關鍵行動。使用方再思考:我做什麼事能解決問題?

第四步:篩選有用标簽。數據協助思考:用什麼标簽能提升行動效率。

按照這個步驟梳理出來的标簽,很好觀察:

一:有明确的使用場景。避免了信息過剩,讓使用者聚焦思考問題。

二:有明确的考核指标。明确了考核方法,改善了關鍵指标就是效果。

三:有明确的落地動作。清晰了标簽效果,同一動作,使用标簽前後的差異。

要注意的是:标簽并非萬能的,有可能有些業務場景是不需要标簽的。因此使用該方法的第一步,就是先梳理業務場景,把那些和标簽高度相關的場景找出來。

02

業務場景梳理

從本質上看。标簽是一系列業務信息的濃縮。比起未濃縮的信息,标簽有三大優勢:

優勢一:便于查詢。想象一下超市裡買東西,如果沒有标簽分類,都寫商品全名,那找起來得多麻煩。因此,提升信息檢索效率,就是标簽第一大功能。使用标簽進行信息檢索,能提升認知階段的效率。

優勢二:便于分類。有了标簽,分類效率會提升非常多,特别是一些已明确不會使用到的分類,一下就能篩選出來。這樣能提升決策階段的效率。

優勢三:便于挑選。如果對于可用的手段有了标簽分類,就能快速找出适合當前的手段,避免了重重複複的分析論證,從而極大提升執行效率。

小結下,幾乎所有的業務工作,都要涉及:認知現狀,制定策略,選擇方法三個步驟。因此,隻有還處于大幹快上,跑馬圈地,野蠻生長的行業是不需要标簽的。真還在野蠻生長的話,那還查詢個啥、分類個啥、挑選個啥,可勁砸錢,幹就完了奧力給!但凡行業增速減慢,需要控成本,增效益的時候,标簽都有用。

03

1個應用小案例

場景一:某互聯網企業投放部門,計劃選擇大V進行私域投放。投放場景的指标很明确:投放轉化率。要注意的是:由于是私域投放,買了大V的廣告位以後,就隻能全覆蓋該大V的粉絲,無法在決策階段做用戶分群。所以在場景拆分的時候,決策階段沒法用标簽優化。

但是在認知現狀、方法選擇階段,标簽能幫上忙。

認知階段:大V有很多,一個大V覆蓋各個平台。此時如果有标簽對大V進行分類,就能輕松查看該大V的基本情況,挑選出合适的大V。

選擇階段:同一個廣告,可能有5、6種不同素材可以使用。此時如果有标簽對素材進行分類,就能減少篩選難度,提升效率。

注意,這裡用的标簽并非100%的用戶标簽。比如大V分類标簽,可能需要負責推廣的同事自行标記。比如素材标簽,需要負責素材設計的同事自行标記分類。

注意,這裡用的标簽,也并非一次性産生的。比如大V标簽中“作弊”标簽,是在之前合作中,發現大V有作弊行為,之後标記上,避免後人上當。比如素材标簽中“使用效果”标簽。是觀察N次素材投放效果以後标記出來的。

這引申出一個很深層的問題:用戶畫像建設,并非某一天,一個神力無敵的數據分析師刷刷把數據庫一弄就出來的。這些對業務的分類,對效果的追蹤,需要長時間積累,需要業務方同事一起參與才能完成。

04

再看個小案例

場景二:某互聯網企業用戶運營,計劃針對沉睡用戶進行喚醒,以激活消費一筆(不計金額大小)為目标。這個場景下,關鍵指标很清晰,就是沉睡用戶的激活率。

在細分場景的時候會發現,在認知階段難度較小,因為已經鎖定了沉睡用戶群體。但在策略階段,較為複雜。

一來,在沉睡以前,用戶的消費習慣、消費經曆都不同,可能需要區分用戶特點,找适合用戶的激活方案。

二來,當前沉睡不代表未來沉睡,本身用戶就有一定自然回流概率,如果不能區分這些自然回流用戶,很有可能投放的喚醒資源都被薅羊毛薅走了。

所以在關鍵行動層面,需要2個重要輔助:

1、區分過往消費偏好,區分過往消費層次

2、預測未來自然喚醒概率,區分自然喚醒用戶

這兩點都對應着标簽的需求。但實現方法是不同的:過往的需求分析是有數據可依的,因此可以通過曆史數據進行用戶分層/分群。但未來喚醒情況則需要預測,這是需要算法模型支持的。

有趣的是:真預測出來誰會消費以後,在做喚醒資源投放的時候,是會繞開這些預測消費用戶的,這樣事後測算ROI才好看。

這又引申出來一個深層次話題:預測模型怎麼來,怎麼用,也是緊密結合業務場景的。很多人建設用戶畫像的時候,不考慮業務場景,單純指望一個:“預測模型/推薦模型”包打天下。是非常不切實際的。

05

小結

總結整個SIKT運作過程可以看出:想讓用戶畫像有效,标簽先得有效。

想讓标簽有效,得:

1、緊密結合業務場景

2、清晰要改善的關鍵指标

3、明确落地關鍵動作

4、業務同事積極參與,貼上業務标簽

5、數據要長期跟蹤,特别是關于效果的标簽

6、算法模型在關鍵場景,關鍵環節補位

總之,全民一起努力,才能真正實現效果。單靠一個數據分析師,單靠現有數據庫裡那點字段,脫離業務場景做模型,脫離業務動作談數據采集,最後隻能獲得如開頭一樣,平砍一刀不見血的無用畫像。

不過這涉及另一個問題:到底哪些表現是可以直接數據計算,哪些需要跟蹤,哪些需要建模,哪些又需要業務補充;

你可能想看:

有話要說...

取消
掃碼支持 支付碼