做用户画像项目最怕的是用户画像与业务场景脱节,那如何从业务场景出发,让用户画像有效呢?本文分享了SIKT模型,来帮助你解决此问题。推荐给从事数据分析行业的小伙伴们阅读。 做用户画像项目最怕啥?三个字:没!屁!用!经常是做数据的同学哼哧哼哧整了白天,输出所谓的“360度用户画像”然后被业务方喷:
以上种种问题,都是没有基于SIKT模型推进项目所致。用户画像与业务场景脱节,没有考虑业务拿到画像能干啥。 想要破局,当然得回到业务场景中,认真思考:到底用户画像能帮上啥?而SIKT模型正是解决此问题的一套概念模型(非算法模型哦)。 01 SIKT模型原理SIKT模型是一套梳理标签的方法。标签是用户画像的基础,是构建画像体系的砖石。想让用户画像系统有用,标签本身得是有价值的。这就要求,在做标签的时候,不能凭着数据人员的直觉,像说贯口一样把“性别、年龄”胡乱怼进系统,而是从业务场景出发,层层递进。
按照这个步骤梳理出来的标签,很好观察:
要注意的是:标签并非万能的,有可能有些业务场景是不需要标签的。因此使用该方法的第一步,就是先梳理业务场景,把那些和标签高度相关的场景找出来。 02 业务场景梳理从本质上看。标签是一系列业务信息的浓缩。比起未浓缩的信息,标签有三大优势:
小结下,几乎所有的业务工作,都要涉及:认知现状,制定策略,选择方法三个步骤。因此,只有还处于大干快上,跑马圈地,野蛮生长的行业是不需要标签的。 真还在野蛮生长的话,那还查询个啥、分类个啥、挑选个啥,可劲砸钱,干就完了奥力给!但凡行业增速减慢,需要控成本,增效益的时候,标签都有用。 03 1个应用小案例场景一:某互联网企业投放部门,计划选择大V进行私域投放。 投放场景的指标很明确:投放转化率。要注意的是:由于是私域投放,买了大V的广告位以后,就只能全覆盖该大V的粉丝,无法在决策阶段做用户分群。所以在场景拆分的时候,决策阶段没法用标签优化。 但是在认知现状、方法选择阶段,标签能帮上忙。 认知阶段:大V有很多,一个大V覆盖各个平台。此时如果有标签对大V进行分类,就能轻松查看该大V的基本情况,挑选出合适的大V。 选择阶段:同一个广告,可能有5、6种不同素材可以使用。此时如果有标签对素材进行分类,就能减少筛选难度,提升效率。 注意,这里用的标签并非100%的用户标签。比如大V分类标签,可能需要负责推广的同事自行标记。比如素材标签,需要负责素材设计的同事自行标记分类。 注意,这里用的标签,也并非一次性产生的。比如大V标签中“作弊”标签,是在之前合作中,发现大V有作弊行为,之后标记上,避免后人上当。比如素材标签中“使用效果”标签。是观察N次素材投放效果以后标记出来的。 这引申出一个很深层的问题:用户画像建设,并非某一天,一个神力无敌的数据分析师刷刷把数据库一弄就出来的。这些对业务的分类,对效果的追踪,需要长时间积累,需要业务方同事一起参与才能完成。 04 再看个小案例场景二:某互联网企业用户运营,计划针对沉睡用户进行唤醒,以激活消费一笔(不计金额大小)为目标。 这个场景下,关键指标很清晰,就是沉睡用户的激活率。 在细分场景的时候会发现,在认知阶段难度较小,因为已经锁定了沉睡用户群体。但在策略阶段,较为复杂。 一来,在沉睡以前,用户的消费习惯、消费经历都不同,可能需要区分用户特点,找适合用户的激活方案。 二来,当前沉睡不代表未来沉睡,本身用户就有一定自然回流概率,如果不能区分这些自然回流用户,很有可能投放的唤醒资源都被薅羊毛薅走了。 所以在关键行动层面,需要2个重要辅助:
这两点都对应着标签的需求。但实现方法是不同的:过往的需求分析是有数据可依的,因此可以通过历史数据进行用户分层/分群。但未来唤醒情况则需要预测,这是需要算法模型支持的。 有趣的是:真预测出来谁会消费以后,在做唤醒资源投放的时候,是会绕开这些预测消费用户的,这样事后测算ROI才好看。 这又引申出来一个深层次话题:预测模型怎么来,怎么用,也是紧密结合业务场景的。很多人建设用户画像的时候,不考虑业务场景,单纯指望一个:“预测模型/推荐模型”包打天下。是非常不切实际的。 05 小结总结整个SIKT运作过程可以看出:想让用户画像有效,标签先得有效。 想让标签有效,得:
总之,全民一起努力,才能真正实现效果。单靠一个数据分析师,单靠现有数据库里那点字段,脱离业务场景做模型,脱离业务动作谈数据采集,最后只能获得如开头一样,平砍一刀不见血的无用画像。 |