互聯網流量紅利已經消失 —— 各大媒體
移動互聯網紅利過去了 —— 李開復
“超級用戶”模式的真正著眼點是“關系”,“普通用戶”和“超級用戶”之間的關系,就像一般女生和女朋友,向別的女生釋放善意沒問題,但你更關注應該是女朋友。 ?—— 邏輯思維
智能手機新增流量消失、紅利過去、超級用戶思維、智能手機市場國內飽和……
這是我們從2016年起至今,在各類互聯網大咖以及媒介平臺看到最多的關鍵詞了。
因此,用戶運營開始有了地位,如何盤活現有的用戶群體是每一個(移動)互聯網公司老板們考慮的問題。
2018年始,在給自己做工作規劃的時候,定下了運營知識深度學習的兩個方向:用戶運營、數據分析。
做運營這些年,也看了不少用戶運營的文章和書籍,每個大咖寫的都特別好,但是都不夠系統,所以想著自己可以梳理下用戶相關的知識結構。
終于拖延了四分之一2018年之后的近1個月時間,把沉淀在Evernote的大咖文章做了梳理和歸納,分享給大家,僅供參考。
文章主要從三個方向來梳理用戶運營的知識結構:用戶畫像、用戶生命周期、用戶成長激勵。
內容穿插會給到每個環節需要的準備工作、監測數據等,篇幅較長,分三次發布,看官要有耐心~
感謝瀏覽。
另,轉載請標明出處~
文章內容來源聲明:(由于部分文章年代久遠,來源列表會有遺漏,如有侵權,還望告知)
https://www.zhihu.com/question/19853605作者:我勒個矗、秦路
http://www.woshipm.com/operate/695091.html作者:豆丁
http://www.woshipm.com/operate/598103.html作者:秦路
作者:活動盒子(微信公眾號)
http://www.woshipm.com/pmd/965109.html作者:阿潤
http://www.woshipm.com/pd/424836.html作者:Jinkey
http://www.woshipm.com/operate/887464.html作者:流年
一、用戶畫像
誤區:Persona(用戶角色) VS Profile(用戶畫像)
Persona用戶角色
描繪抽象一個自然人的屬性
通過調研問卷、電話訪談等手段獲得用戶的定性特征——用戶間有差異,因為存在差異,所以需要描述
是用戶屬性的集合,不是具體誰,放一張某某的照片也是為了達到共情。它應該能準確描述出產品用戶,一般會設置三到四個用戶角色,也是通常意義上的目標用戶群體
用戶角色有缺點,評估用戶屬性時難以量化,也很難證偽。你不知道它確定的是不是真的目標群體,用戶群體也隨時間推移變化,所以用戶角色需要不斷修改。
Profile用戶畫像
和數據挖掘、大數據息息相關的應用,被更多運營和數據分析師使用,是各類描述用戶數據的變量集合
通過數據建立描繪用戶的標簽
基于用戶畫像的應用:個性化推薦、廣告系統、活動營銷、內容推薦、興趣偏好
當我們想要選擇某部分用戶群體做精細化運營時,會用用戶畫像篩選出特定的群體
用戶畫像是一個復雜的系統,隨著產品逐漸成熟,會根據不同的業務場景設計不同的標簽,用戶角色是精煉和概括,而用戶畫像需要齊全。
用戶畫像可以參考用戶角色設計,用戶角色也能使用用戶畫像的屬性,可實際差別很大
什么是用戶畫像?
用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標簽化的用戶模型
構建用戶畫像的核心工作即是給用戶貼“標簽”,而標簽是通過對用戶信息分析而來的高度精煉的特征標識
除去“標簽化”,用戶畫像還具有的特點是“低交叉率”,當兩組畫像除了權重較小的標簽外其余標簽幾乎一致,那就可以將二者合并,弱化低權重標簽的差異
用戶畫像的作用是什么?
1、精準營銷:分析產品潛在用戶,針對特定群體利用短信郵件等方式進行營銷
2、用戶統計:比如中國大學購買書籍人數 TOP10,全國分城市奶爸指數
3、數據挖掘:構建智能推薦系統(例如:利用關聯規則計算,喜歡紅酒的人通常喜歡什么運動品牌;利用聚類算法分析,喜歡紅酒的人年齡段分布情況)
4、進行效果評估,完善產品運營,提升服務質量:其實這也就相當于市場調研、用戶調研,迅速下定位服務群體,提供高水平的服務
5、對服務或產品進行私人訂制:即個性化的服務某類群體甚至每一個用戶(例如:某公司想推出一款面向5-10歲兒童的玩具,通過用戶畫像進行分析,發現形象=“喜羊羊”、價格區間=“中等”的偏好比重最大,那么就給新產品提供類非常客觀有效的決策依據。)
6、業務經營分析以及競爭分析:影響企業發展戰略
用戶畫像的構建流程
數據收集:
網絡行為數據:活躍人數、頁面瀏覽量、訪問時長、激活率、外部觸點、社交數據等
服務內行為數據:瀏覽路徑、頁面停留時間、訪問深度、唯一頁面瀏覽次數等
用戶內容偏好數據:瀏覽/收藏內容、評論內容、互動內容、生活形態偏好、品牌偏好等
用戶交易數據:貢獻率、客單價、連帶率、回頭率、流失率等
收集到的數據不會是100%準確的,都具有不確定性,這就需要在后面的階段中建模來再判斷,比如某用戶在性別一欄填的男,但通過其行為偏好可判斷其性別為“女”的概率為80%。
儲存用戶行為數據時最好同時儲存下發生該行為的場景,以便更好地進行數據分析。
行為建模:
該階段是對上階段收集到數據的處理,進行行為建模,以抽象出用戶的標簽,這個階段注重的應是大概率事件,通過數學算法模型盡可能地排除用戶的偶然行為
這時也要用到機器學習,對用戶的行為、偏好進行猜測,好比一個 y=kx+b 的算法,X 代表已知信息,Y 是用戶偏好,通過不斷的精確k和b來精確Y。
貼標簽:
1、用戶汽車模型:根據用戶對“汽車”話題的關注或購買相關產品的情況來判斷用戶是否有車、是否準備買車
2、用戶忠誠度模型:通過判斷+聚類算法判斷用戶的忠誠度
3、身高體型模型:根據用戶購買服裝鞋帽等用品判斷
4、文藝青年模型:根據用戶發言、評論等行為判斷用戶是否為文藝青年
5、用戶價值模型:判斷用戶對于網站的價值,對于提高用戶留存率非常有用(電商網站一般使用RFM 實現)還有消費能力、違約概率、流失概率等等諸多模型。
關于標簽化:
1、多級標簽:第一級標簽是基本信息(姓名、性別);第二級是消費習慣、用戶行為
2、多級分類:人口屬性,地理位置(工作地址、家庭地址)
構建畫像:
該階段可以說是二階段的一個深入,要把用戶的基本屬性(年齡、性別、地域)、購買能力、行為特征、興趣愛好、心理特征、社交網絡大致地標簽化
數據可視化分析:
這是把用戶畫像真正利用起來的一步,在此步驟中一般是針對群體的分析,比如可以根據用戶價值來細分出核心用戶、評估某一群體的潛在價值空間,以作出針對性的運營
用戶建模:
基礎屬性:性別、職業、年齡段、收入水平、婚育情況、活躍城市、教育程度、……
用戶分級:生命周期、價值分級、優惠敏感度、基于馬斯洛用戶需求
興趣偏好:團購偏好(品類)、外賣偏好(品類、品牌)、電影偏好(導演、演員、電影類型……)
行為屬性:團購(下單次數、消費頻度、評價質量、評價傾向)、外賣、酒店、電影
人群屬性:旅游達人、有車一族、……
基于馬斯洛用戶需求的用戶分級:
1、首先了解自己產品的精準受眾群體,分析并確認這類群體的性格特性與使用習慣,不要局限在自己產品中去想這類人群的特性,而是具有XXX特性的人群,來到我的產品中,會有哪些使用習慣與心理特性。
2、搭建用戶成長體系時,一定會出現不同階層之間的邊界模糊現象,我們需要觀察達成每個成就的用戶群體比例,來重新界定每個階層。
3、用戶是波動的,不一定會完全按照我們界定好的體系變動,我們不必穩抓每一個用戶,只要保證大體用戶是按節奏進行的即可,如果出現大批量用戶躍層上浮或下降,此時我們應該看是否有現象級事件產生,或者用戶生態體系是否搭建的有偏差。
基礎用戶:
描述:僅僅是內容的消費者,即閱讀內容,但不會產生點贊、評論、分享等與其他用戶產生互動的行為,瀏覽內容的方向不明確,具有隨機性。
穩定性:極不穩定,隨時會因產品內容、功能、社區氛圍等原因流失。
特性:此類用戶人數最多,對于產品的需求也最為基本。
對應需求:生理需求
標準用戶:
描述:不再是內容的消費者,開始逐漸進行點贊、評論等實現成本低的操作,瀏覽內容方向更加明確
穩定性:較穩定,會因為產品內容推薦不夠貼切、功能不夠完善離開,對于產品具有一定的耐心,不會突然離開
特性:從松散且游離的基礎用戶演變而來,實現從觀看者到參與者的身份轉變中。
對應需求:安全需求
主體用戶:
描述:作為承上啟下的社區參與者,及有一定的社區知名度,又能適度產出一些普通內容,帶動社區氛圍
穩定性:穩定,對于產品的功能與氛圍熟悉且接受,但可能會因為長時間付出(發帖、評論),卻無法得到別人足夠的回應而離開。
特性:注重產品功能之外的認為情感,不再滿足于產品本身帶來的體驗,開始關注在產品內獲得的滿足感與成就感等。
對應需求:社交需求
核心用戶:
描述:產品中具有一定影響力的小V用戶,可產出較優質內容,同時在產品中具有較大影響力,具有較強的帶動性。
穩定性:非常穩定,在產品中的影響力很強,具有較多粉絲,可能會在產品中進行個人變現,因此足夠穩定。
特性:追求大量的用戶追捧,以及看中自己在產品中的群體口碑,希望得到大量用戶的正面評價,部分用戶會因此進行變現,實現物質收入。
對應需求:尊重需求
明星用戶:
描述:具有極強的影響力與知名度,屬于為產品進行背書的明星式人物,對于產品用戶的行為方式與輿論走向具有較大的影響。
穩定性:極其穩定,屬于平臺為數不多的大V,根據二八法則來看,這類明星用戶吸引大部分用戶的關注,物質變現不滿足于心理的滿足,而是可以成為職業化的一種收入。
特性:具有大量的支持者用戶,對于產品的走向與輿論有著主導性作用,同時可為產品創造源源不斷的活動,屬于帶動產品的風向標人物
對應需求:自我實現
轉載請標明出處,各位手下留情~
未完待續……
接下篇 :?用戶運營知識結構歸納之用戶生命周期(2)