數(shù)據(jù)產(chǎn)品經(jīng)理的硬核能力：用戶畫像帶動(dòng)用戶增長

如何通過數(shù)據(jù)清晰現(xiàn)有用戶的畫像，找到各個(gè)行業(yè)用戶的核心關(guān)注點(diǎn)，來進(jìn)行精細(xì)化的運(yùn)營以提升用戶的復(fù)購?如何將數(shù)據(jù)清晰梳理，整理出可以實(shí)際指導(dǎo)業(yè)務(wù)的指標(biāo)呢?

如何通過數(shù)據(jù)知道用戶體驗(yàn)產(chǎn)品的核心路徑?如何設(shè)計(jì)產(chǎn)品的新手引導(dǎo)來提升用戶的體驗(yàn)?引導(dǎo)更多用戶體驗(yàn)到產(chǎn)品核心，成為“高轉(zhuǎn)化可能”的用戶?

用戶運(yùn)營時(shí)候，如何通過數(shù)據(jù)清晰現(xiàn)有用戶的畫像，找到各個(gè)行業(yè)用戶的核心關(guān)注點(diǎn)，來進(jìn)行精細(xì)化的運(yùn)營以提升用戶的復(fù)購?

這些可能是很多運(yùn)營 在面對(duì)海量數(shù)據(jù)的時(shí)候都想知道的。我們都知道數(shù)據(jù)有強(qiáng)大的能力，清洗后的數(shù)據(jù)更加能夠指出一條清晰的前進(jìn)道路。俗話說， 一個(gè)不會(huì)看數(shù)據(jù)的運(yùn)營不是一個(gè)好產(chǎn)品經(jīng)理，作為一個(gè)主要通過看數(shù)據(jù)和用戶訪談定性定量分析，然后產(chǎn)出相應(yīng)策略指導(dǎo)增長的用戶增長產(chǎn)品運(yùn)營，今天要講 幾個(gè)硬核的能力，幫助通過數(shù)據(jù)提升運(yùn)營能力，制定運(yùn)營策略。

運(yùn)營在數(shù)據(jù)分析的路上，有幾道關(guān)： 埋點(diǎn)，拿數(shù)據(jù)，分析，產(chǎn)出可行運(yùn)營策略，每一關(guān)都困難重重。

以下可能是運(yùn)營去提取數(shù)據(jù)的真實(shí)場景：

運(yùn)營：“我想看一下最近新上的功能用戶使用的如何，能不能給撈一下數(shù)據(jù)?”

開發(fā)：“看什么數(shù)據(jù)?”

運(yùn)營：“就想看一下都有誰看了功能，又有誰買了，買的用戶有什么特征，還有哪些使我們的目標(biāo)用戶可以再去推廣一波”

開發(fā)：“到底需要什么字段?”

運(yùn)營：“啥字段啊?能不能把這個(gè)客戶使用過什么功能，使用的情況怎么樣，屬于深度用戶還是流失用戶，什么行業(yè)都導(dǎo)出來?”

開發(fā)：“使用了什么功能沒問題，使用情況給出定義，是使用次數(shù)還是使用賺到的錢?還是使用時(shí)長?”

運(yùn)營：“都可以啊”

開發(fā)：“你能不能想清楚，你到底要用來干嘛?什么叫都可以，我是運(yùn)營你是運(yùn)營”

這是很普遍的情況，也是可以理解的情況，因?yàn)?運(yùn)營的角度，是業(yè)務(wù)的角度，但 開發(fā)的角度，是數(shù)據(jù)的角度，這個(gè)字段里沒有你說的是不是活躍用戶。這時(shí)候肯定就會(huì)想，好像要一套數(shù)據(jù)，能夠清晰告訴我，這個(gè)用戶是什么行業(yè)，使用了什么功能，是什么商業(yè)模式，處在什么狀態(tài)啊!!

這就引出了一個(gè)問題， 如何將數(shù)據(jù)清晰梳理，整理出這些可以實(shí)際指導(dǎo)業(yè)務(wù)的指標(biāo)呢?

01

如何通過數(shù)據(jù)定義用戶畫像?

1、清晰定義想要的指標(biāo)類型

例如是用戶生命周期指標(biāo)，產(chǎn)品使用行為指標(biāo)，用戶購買行為指標(biāo)，用戶能力行為指標(biāo)，用戶自然人屬性指標(biāo)……

2、和數(shù)據(jù)盡可能清晰的溝通，拿到盡可能詳細(xì)的數(shù)據(jù)

注意，這里的數(shù)據(jù)最好在提取數(shù)據(jù)的時(shí)候就不要多維數(shù)據(jù)!不要多維數(shù)據(jù)!

3、處理數(shù)據(jù)并盡可能不要忽略可能對(duì)關(guān)鍵行為產(chǎn)生影響的指標(biāo)

通過模型或者excel等其他高級(jí)(假裝)的手段，通過宏觀數(shù)據(jù)(整個(gè)行業(yè)用戶數(shù)據(jù)或地區(qū)用戶數(shù)據(jù))和圍觀數(shù)據(jù)(詳細(xì)到每個(gè)用戶一條記錄的數(shù)據(jù))進(jìn)行分析。

4、根據(jù)分析結(jié)果，得出一套可以套用的指標(biāo)體系，將指標(biāo)自動(dòng)打在各個(gè)用戶身上

5、用戶畫像初步完成，之后可以再優(yōu)化

02

場景指標(biāo)定義明確需要提取的指標(biāo)

在和數(shù)據(jù)或者開發(fā)溝通提取數(shù)據(jù)之前，首先需要思考希望得出一個(gè)什么樣的畫像結(jié)果，這里可以大膽使用假設(shè)，例如：

“我希望看到用戶A，是一個(gè)來自百度搜索的北京K12機(jī)構(gòu)用戶，他已經(jīng)聯(lián)系3年續(xù)費(fèi)我們的產(chǎn)品了，但他們運(yùn)營能力比較弱，使用的功能一直都是那么幾個(gè)，沒有用到我們推出的新功能，主要使用的就是直播功能和考試功能。他們機(jī)構(gòu)的用戶一直穩(wěn)定在10萬左右，其中還有3個(gè)運(yùn)營在維護(hù)，在學(xué)生放假和考試時(shí)間使用尤其頻繁。”

這樣就很明確，一般我會(huì)分出兩類型數(shù)據(jù)，然后再根據(jù)兩個(gè)類型數(shù)據(jù)細(xì)化相關(guān)指標(biāo)。

這里每一類數(shù)據(jù)都可以再細(xì)分出細(xì)化的數(shù)據(jù)指標(biāo)，比如說用戶基礎(chǔ)數(shù)據(jù)可以如此細(xì)化，其他指標(biāo)類型也可以如此，根據(jù)產(chǎn)品屬性和需要了解的內(nèi)容選取指標(biāo)。

03

數(shù)據(jù)提取——多維數(shù)據(jù)的降維處理

清晰了指標(biāo)定義，會(huì)發(fā)現(xiàn)有一些指標(biāo)可能會(huì)涉及多維，沒有辦法進(jìn)行比較和分析。

例如，用戶使用成功創(chuàng)建了某種類型的商品，每個(gè)商品的售賣量和銷量都不相同，在考慮該商品功能的使用時(shí)候如何進(jìn)行綜合處理?這里需要降維處理一下數(shù)據(jù)，可以加權(quán)平均，或者取眾數(shù)，中位數(shù)進(jìn)行代表，從而降低對(duì)比評(píng)價(jià)出現(xiàn)多維對(duì)比的情況。

04

用數(shù)據(jù)分析發(fā)現(xiàn)“最重要的指標(biāo)”

一條用戶記錄，關(guān)聯(lián)的數(shù)據(jù)字段是非常多的，一個(gè)用戶，付費(fèi)和不付費(fèi)的核心差別點(diǎn)是什么?到底什么是讓用戶付費(fèi)的關(guān)鍵?用戶到底關(guān)注什么?

這可能需要借助分析來看清楚，這里的因變量(用戶的付費(fèi))和哪些自變量是相關(guān)聯(lián)的。在這里推薦一個(gè)算法：CHAID決策樹，這類決策樹專門用來找出這里面核心影響最終結(jié)果的變量是什么，也就是說，這么多功能，用戶這么多行為，這么多屬性，到底哪種屬性類型的用戶，哪種行為類型的用戶，更容易轉(zhuǎn)化!

05

決策樹算法是如何計(jì)算的?

假定我們需要了解的是用戶如何能夠付費(fèi)，那付費(fèi)與否就是要考察的因變量，也是需要決策樹根據(jù)變量情況預(yù)測(cè)的值。

我們把整個(gè)數(shù)據(jù)集按照20%，80%分成訓(xùn)練集和驗(yàn)證集，即為一部分拿來訓(xùn)練模型，讓模型從數(shù)據(jù)里找出特征因素，一部分用來印證和預(yù)測(cè)，判斷模型和挑選的特征變量是不是有效的，擬合度如何。

從自變量里抽取2個(gè)既定值，與因變量進(jìn)行卡方檢驗(yàn);如卡方檢驗(yàn)顯示2者關(guān)系不顯著，正面2個(gè)既定值可以合并。不斷減少自變量的取值數(shù)量，直到該自變量所有取值均呈現(xiàn)顯著性。

例如，我們的數(shù)據(jù)里有130個(gè)自變量，其中很多我們都不知道是否和用戶是否付費(fèi)相關(guān)，不知道用戶每周活躍次數(shù)和用戶付費(fèi)是否相關(guān)，不知道用戶嘗試了某個(gè)功能是否和用戶付費(fèi)相關(guān)，這時(shí)就通過決策樹的卡方檢驗(yàn)通過距離來判斷自變量和因變量之間是否相關(guān)。

通過比較找出最顯著的自變量，并按照自變量的最終取值對(duì)樣本進(jìn)行分割，也就是形成多個(gè)不同的樹(一般CHAID生成兩個(gè)樹節(jié)點(diǎn))。

最終展示出所有和用戶付費(fèi)與否相關(guān)的決策點(diǎn)，其中可能是，直播功能創(chuàng)建超過3個(gè)，付費(fèi)的概率高達(dá)80%，決策樹就幫助我們剔除了不相關(guān)或關(guān)聯(lián)性不顯著的自變量，告訴了我們，到底什么才會(huì)導(dǎo)致用戶的轉(zhuǎn)化付費(fèi)。

來源：聯(lián)動(dòng)企業(yè)實(shí)驗(yàn)室

以上是關(guān)于用戶增長師的相關(guān)信息，以供大家查看了解。想要了解更多用戶增長師信息，第一時(shí)間了解用戶增長師相關(guān)資訊，敬請(qǐng)關(guān)注唯學(xué)網(wǎng)用戶增長師欄目，如有任何疑問也可在線留言，小編會(huì)為您在第一時(shí)間解答!