看书中文网

手机浏览器扫描二维码访问

第二章 先区分后描述全面认知用户特征（第1页）

一秒记住【xiaoyanwenxue.com】精彩无弹窗免费！“人人都可以是产品经理（套装共13册）（.shg.tw）”！

第二章

先区分后描述，全面认知用户特征

用户群体是对用户的宏观认知

不管是沪漂白领，还是杭州务工的小伙子，他们都过于具象。在分析用户认知、用户心智的时候，具象的确能够让我们有足够深的洞察，不过具象也意味着损失了普适性。外卖配送员肯定不仅有23岁的小伙子，还有22岁、24岁的小伙子，也不仅有高中文凭，也有初中文凭或专科文凭。这些特征排列组合出来的上百万人群，才是真实的用户群体。他们是活生生的人，有不同的生活经历，也有不同的想法。可是我们的产品却只能有一种形态，这时候怎么做判断呢？

这就是用户画像的一个必要补充了——用户群体及其特征。虽然有时候很多人也把这些称为画像，但实际上用户群体特征的重点并不是“描述”，更多的是“区分”。用户群体及特征能帮我们区分哪些是我们的真实用户，哪些是潜在用户，哪些是我们的核心用户，哪些是边缘用户。不需要有太深的了解（也不可能），我们就能根据用户群体及特征判断出到底哪些人是美甲师小慧，哪些人是外卖员李东，哪些人是司机建设，这是根据特征划清界限。要对边界内的用户有深入认知，需要深入他的心坎和生活状态，理解他的心理和场景。只有这样，才能做出好的判断，这还要借助用户画像。

先“区分”后“描述”，我们对用户的认知才全面。

既然要做更具备完整性的判断，用户数据就经常是核心手段了。大部分产品的用户资料和用户行为数据都是冷冰冰的数字，无法提供特别准确的诸如哪个人究竟是什么样的这种判断。这就引出了我们在认知用户时的一个核心能力——建立数据与用户画像的关联。

基于产品特性寻找相关数据

先看以下这几个用户群体画像的简要描述：

●用户是有钱人，收入水平高；

●用户经常出差，是商务人士；

●用户喜欢二次元，是个宅男。

我们应该用什么数据建立这个画像呢？如果不考虑限制条件，当然是通过看看他的银行账户有多少钱来判断他是不是有钱人，看看他的差旅记录来判断他是不是经常出差，看看他平时娱乐的时候会不会看动漫来判断他是不是二次元爱好者。

这没有意义。每个产品都有自己获取数据的限制条件，要收集不同人群的数据，手段自然差别很大。建立客观数据与画像描述之间的关系，要基于产品的特征和我们的认知判断。

如果我们做社区类产品，那么可以参照用户参加的群组以及给自己贴的标签：参加了“高端信用卡交流”或者“私立幼儿园交流”群组的用户，很有可能是收入水平高的人群；参加了“携程里程积分兑换经验”或者“各地酒店推荐”群组的用户，很有可能是经常出差的人；参加了“新番动画推荐”或者“手办海购交流”群组的用户，很有可能是二次元爱好者。

如果我们做出行类产品，那么就可以从出发地和目的地做一些间接的判断：出发地往往是高档小区的，目的地经常是高档会所的，用户很有可能是收入水平高的人群；出发地经常不在同一个城市而且是酒店的，用户很有可能是差旅人群；目的地偶尔在漫展的，用户很有可能是二次元爱好者（不容易判断，毕竟宅男的出行数据原本就很少）。

从这里，你其实也能感知到，为什么人们总说作为电商平台和支付平台的阿里有最完整的行为数据乃至最完整的人群画像，那是因为根据生活消费的商品和服务，几乎能够推断一个人全部的特征，而越是习惯网上购物的用户，衣食住行都用同一个支付手段的用户，就越能够被电商和支付平台完整描述。

对于高收入人群，我们通过他是否加入了“高端信用卡交流”群组或者是否从高档小区出发来判断，是比较间接的，数据的准确度会由于以下原因降低：

●召回率低，并非所有高收入用户都会加入群组或住高档小区；

●频次低，高收入群体大都有私家车，用出行产品打车的频次原本就很低；

●现实场景有误差，加入群组可能是帮别人查东西，出发地为高档小区也可能是为方便打车，但实际住在别处。

假如是通过平时的各种消费习惯判断呢？甚至通过理财习惯和账户余额判断呢？准确率显然会高出好几倍。

更不用说二次元宅男这种用户群体画像了。宅男平时点外卖的消费，充值有版权动漫的会员，在淘宝上买周边等，全都记录在平台上，获取到的行为数据十分完整，且具有很高的准确度。

百度在几年前开始走下坡路，大家在讨论时经常会提到百度的产品缺乏用户体系。为什么缺乏用户体系就不能解决用户问题呢？难道不是只要提供功能和服务，满足用户需求，就可以吸引用户使用吗？这个逻辑肯定没有问题，问题是要提供更好的功能和服务就势必需要对用户有更好的认知，但百度连用户是谁都不知道，只面对茫茫的数字和行为数据，不知道数据背后的用户是什么样的人。这种认知就低了很多层次，在做更多业务拓展，创造更多用户价值的路径上根本迈不开腿（当然，百度缺乏用户体系导致的问题还有很多，这只是其中一例）。

建立数据、特征、画像的关联

具体来说，数据跟画像之间应该怎么建立关联呢？这需要我们赋予冷冰冰的数字一个所谓的特征标识，这些特征聚焦的就是用户人群，每个人群都有一个画像。

比如，我们看到有许多加入群组的行为数据，这些数据意味着什么呢？单看数据没有任何意义，我们要看有哪些群组能够赋予特征含义。对于“加入高端信用卡交流”这个行为来说，我们就可以赋予其“高收入”的特征含义。许多“高收入”特征的聚集，就能够聚焦一些用户。

所谓聚焦往往就是建模的过程。“高收入用户”可能需要一个模型公式来计算，我们分析一个最简化的情况。一个用户是不是高收入用户的可能性为P=αA+βB：A是他在“高端信用卡交流”群组的行为特征，在就是1，不在就是0；B也类似，是他在“私立幼儿园交流”群组的行为特征。我们不能直接做加法，还要判断这两个特征与高收入用户的关联度有多大。

最科学的方法是做实地调研，我们可以搜集1000个用户的行为特征，然后用可靠的调研方法确认这1000个用户是否真的是我们认为的高收入用户。用这个做模型，最后就能得到α和β的值。与此同时，我们也有了统计学上的置信度的判断，即假如我们得到了一些用户的P值，我们认为他们很有可能是高收入用户，并判断出这个概率到底是100%，还是80%。

建模是最有效的方法，不过并非每个团队都有这么好的资源做建模。如果没有条件做建模，我们也不需要对特征和用户的关联准确度有太高要求，只需用比较粗糙的加减法做判断就可以。

加入两个群组的用户比加入一个群组的用户更有可能是高收入用户，当然这不是很确定的判断。A是用户在“高端信用卡交流”群组的行为特征，B是用户在“私立幼儿园交流”群组的行为特征，可以根据A+B的值为特征把用户划分成三个群体——2，1，0。我们可以针对性地发掘每个群体的用户画像，并做定向的研究和需求分析。

不管用什么方式，我们打通了可量化数据、用户特征与用户群体画像的一个通路。这个通路可能比较简单，也可能比较复杂，但都能够让我们从数据里分辨人群，进行有效的人群划分。

矿物与岩石图鉴  重生之凰临天下  女总裁的超级保镖  天才圣手  冤家路窄  野花图鉴  毒宠小狂后  御史大人你马甲掉了  长生歌  神级保安  造物主之我培植了怪兽文明  谈婚论价  绝色锋芒：牛X王妃  上古强身术  冰山总裁的至尊高手  薄情前夫太凶猛  佣兵天下(二十年纪念版)  不装了，我是黑煞战神  驭兽魔后  总裁老公，适渴而止