用户画像的标签体系:需求分析与标签构建
需求分析
对于每个平台来说,考虑到主营业务场景的差异性,不能盲目地将一套用户标签体系用于所有行业。
把电商的用户体系用来做互联网金融行业用户的活动营销,显然是不合适的。当初我们为美妆公司做需求分析时,他们明确了自己的业务场景,更多的是针对主题活动的营销推广、不同品牌消费人群的差异性及年龄层次的针对性等。
对于他们的平台而言,很多用户的隐私信息是获取不到的,如性别、年龄和身份证信息等。
所以,不同行业的标签体系的构建难度是不同的。在互联网金融行业,能够轻松获取用户的个人信息。
当初这家美妆公司只有阿里巴巴官方公布的以下通用标签。
· 人口标签:年龄、性别、地理位置、职业、兴趣爱好。
· 行为标签:购买能力、买家淘宝等级、折扣敏感度。
· 关系标签:交易、加购、收藏、浏览。
· 服装偏好标签:女装品类、男装尺码、男装风格、女装风格。
如果仅用这些用户标签做营销,那么最终效果肯定不好。
结合公司的后期主题营销活动,我们有针对性地增加了商品主题偏好的标签,如“熬夜党”必备、明星款、物美价廉、专业卸妆等;在用户肤质的偏好上,更加针对美妆业务考虑皮肤类型偏好的标签,如混合型、油性、敏感性、干性肤质等;在美妆商品的需求周期上,考虑了需求周期标签,对于美妆来说,一般都会以一个月或半年的时间为周期对宝贝进行分析。
对于用户场景的分析,不同业务在潜在用户、现有用户、沉睡用户和流失用户的时间窗口上有一定的差异。在标签体系的构建前期,对业务的针对性分析是不可避免的工作,这也是使用用户画像做营销和进行用户分析成功的关键。
标签的构建
在一些人看来,对用户画像的标签体系的构建只需要两步:第一步是参考其他平台的体系规划;第二步是结合自己的业务进行数据清洗加工。
曾经有朋友问我:“在一个数据部门里,用户画像归谁做更合适,是ETL工程师吗?做用户画像的数据存储在哪里,是在MySQL里吗?”
所以你总是会看到很多平台都想做用户画像,也总有人提到这个概念,因为在有些人看来,做用户画像仅仅是对数据进行清洗加工,把业务指标换套包装而已。
但其实一套完整的用户画像体系是需要花费很多时间的,而且不仅仅只是进行数据清洗,而且还有数据挖掘,也离不开在大数据环境中做数据加工和数据存储。
通过对业务需求的分析,借鉴跨行业、同行业的用户分析体系能够有针对性地构建一套符合自身业务的标签体系。
针对美妆业务,我们从以下维度进行了用户分析。
· 基本属性:性别、年龄、职业、社会身份和地理位置。
· 资产特征:消费能力、客户价值、社会阶层和个人资产。
· 营销特征:用户对于价格、活动促销、售后服务、物流、产品质量的敏感度。
· 兴趣偏好:新款偏好、爆款偏好、商品偏好、品牌偏好、购物时间和渠道偏好等。
· 需求特征:潜在需求、当前需求、需求周期和对下一次需求的预测等。
通过对上述标签体系的初步规划,大体上针对美妆行业构建了一套合适的用户体系。
在和美妆公司老板讨论方案时,他对整个体系所能够解决的业务痛点还是比较满意的,但他还是比较关心具体的实现方案和业务场景模型。
在一套完整的标签体系中,有 60%~70%的标签是属于统计类的(根据行业来归类),而剩余的标签是具有挖掘性质的。一些抽象、隐密和深层次的标签需要构建模型去解决,如活动敏感度、职业和用户生命周期等。原业务表的数据属于一级指标,统计类的标签属于二级指标,挖掘类的标签属于三级指标。
这里面的工作会涉及大量的数据清洗加工和业务场景建模。ETL工程师会比较熟悉数据清洗加工的工作,除了需要考虑业务场景建模外,还要开发很多工程模块。