作者：姚凱飛，句逗科技聯合創始人，前Club Factory推薦&風控算法負責人。

導讀：畫像不僅可以提升對用戶的認知，還可以通過落地賦能業務。今天我們聊聊用戶畫像在用戶生命周期中的應用，主要介紹用戶畫像在電商場景下如何驅動產品鏈路優化。將按照用戶生命周期，對用戶進行劃分并采取相應的措施；通過逆向的順序介紹用戶畫像在用戶的不同階段，如何在認知定位、渠道優選、個性化服務、再觸達以及營收中發揮作用。

01

理解用戶的兩條路徑

1. AARRR與RARRA

宏觀上，AARRR模型，也稱海盜模型，是業內常用的模型，能夠有效推動業務發展與迭代，可以對用戶各個生命周期內的行為進行干預。

微觀上，根據RARRA模型，落地到用戶側，則可以從認知定位、渠道優選、個性化服務、再觸達和營收這五個維度內對用戶的各個階段進行認知、分析、挖掘和干預。下面將圍繞上述幾點進行案例展開。

2. 觸達手段

在用戶來之前可以進行渠道優選與新客引流，用戶來了之后可以對用戶進行精準推薦、展示，用戶來過走了之后可以對用戶進行復購引流，在每個階段，畫像都可以發揮重要作用。

3. 打通技術與業務

為了促使用戶畫像在業務中有更大的效能，必須同時具備技術思維和業務思維。目前，在畫像的業務應用中面臨的問題是：技術人員對業務不夠了解，只是單方面的了解畫像的技術實現，因此對于畫像應用方面會有思維局限；而業務人員有強烈的業務提升需求但是不清楚畫像在業務中能發揮何種作用，因此同樣思維受限。所以，要充分發揮畫像的業務效能就必須打通業務和技術。下面我們分別按階段展開，進行應用的介紹。

02

來過走了

1. 走了以后：找漏洞，花錢測試買數據

逆向觀察RARRA模型，從用戶"走了以后"出發，對全鏈路業務進行復盤，分析目前的產品是否存在問題，并對問題進行定位和優化。根據問題在細粒度的劃分之后，再針對不同用戶開展不同工作，如高價值客戶尋找、自定義客戶放大 ( 用戶look-like相關的工作 )、針對不同客戶群體采取不同營銷和消費激活策略、根據客戶群體分發優惠券、激活休眠客戶和挽留流失客戶。

對于已經走了的用戶，一部分還會回來，還有一部分不會回來，對于這一部分不會回來的用戶，可以充分使用他們所留下的數據，幫助我們未來的業務發展給予指導作用；比如后續的召回操作無法挽回的用戶，對其在站內的行為與被召回或未流失用戶進行比對，可能可以洞察他們消費的內容是否符合其需求 ( 可以與搜索行為結合一起來看 ) 等。

2. 維度與拆分

剛剛說到，要對用戶群進行拆分，可以從多種不同維度出發，例如對現狀的統計，有PV、UV、GMV、回訪、留存等，對趨勢的統計如環比、同比、流動趨勢等。具體的如何對用戶進行拆分，要從業務出發，做到邏輯自洽，業務可解釋，比如根據性別、年齡段、設備平臺對用戶進行拆分，這就涉及了粒度問題，比如年齡段是將15~25歲還是將15~30歲劃分為一個區間，安卓或iOS版本號如何劃分區間。

以一個例子說明如何實現邏輯自洽：對于推薦系統中用戶冷啟動問題，我們會分析不同用戶群在冷啟動過程中，如男性與女性用戶或者iOS與安卓用戶，偏好的商品類目或者購買的商品類目是否有大的不同。

比如我們在業務中發現男性和女性存在不同，喜歡用訂單或者轉化率來定義，則統計之后發現男性和女性最喜歡的1000個商品中有60%是不同的，換言之，性別粒度的劃分對于當前的統計維度有明顯的區分度，因此使用性別標簽是在實際業務中是具有可解釋性的。

粒度的劃分同樣可以采取此類的思路來進行決策。除了性別、平臺，還可以使用機型、地域、新老用戶標簽、活躍度 ( 用戶活躍的天數 ) 等維度進行拆分。對用戶進行劃分后可以繼續就具體問題進行分析。

3. 畫像在投放業務中的應用

以一個投放業務中的例子說明。有兩個系列，一個是前一個月，一個是近30天的，統計投放的數據可以發現擴量之后留存變差，用戶流失變得明顯。

根據上文提出的思路，我們選擇按照平臺和年齡對用戶進行劃分，劃分之后，在系列1、系列2比較中可以發現Android的用戶占比下降，iOS用戶占比上升，且20~30歲之間的用戶占比變高，我們猜測20~30歲的用戶/iOS用戶本身自然的留存情況會更好，這部分用戶占比的下降會帶來整體留存的下降。

用戶流失的主要原因是用戶體驗不夠好，用戶的需求沒有得到滿足。針對這一猜想，進一步分析用戶的意圖。我們在搜索場景下對用戶意圖進行分析，比如分析不同用戶群體Query匹配結果量的環比數據，統計搜索無結果出現的次數，分析不同全體對搜索詞的偏好，群體間的差異，以及搜索詞下行為的次數。

分析之后發現兩個現象：一是在用戶留存率低的這部分用戶中搜索無結果的量增加了，二是出現了一些奇怪的Query如BTS，這類詞匹配不到搜索結果。進一步在推薦場景線下排查用戶行為情況，統計之后我們發現用戶在推薦結果的類目展現維度上與大盤接近，說明用戶的偏好改變，但是在主動意圖場景和非主動意圖場景下的用戶需求都沒有得到滿足。

依據觀察到的現象，我們進行了一個實驗，針對低流存用戶的意圖或者偏好進行了專門的補貨，比如針對BTS ( 防彈少年團組合 ) 進行了周邊產品的補貨以及聚合觸達，之后用戶的轉化率有明顯提升，說明當用戶找到需要的商品時，所能達到的轉化率比大盤要高。

4. Query主動意圖

分析Query場景是分析用戶意圖的有效方法。在業務方面，通過統計Query場景下的流量和業務趨勢，可以發現用戶對于明星、品牌、品類的偏好，流量的集中程度可以有效的反映出用戶的偏好程度。同時用戶流量的集中程度可以驅動我們去發現供給端是否有問題，例如熱搜內容無結果就屬于供給端出現問題。

在用戶需求上，可以進行環比的比較，如每周搜索量環比比較，例如連衣裙在搜索量環比增長明顯，那么可以進一步進行某些梳理，判斷潛力品類在推薦等場景下進行潛力產品推送。

對于平臺商家、商品，結合用戶畫像標簽，可以根據用戶搜索詞分析平臺內商家、商品的影響力，對商家進行劃分，找出比如特色商家、優質商家、黑產商家等，進一步去分析平臺是否將優質的流量分配給了優質的商家。

5. 畫像在渠道優選中的應用

在渠道優選中畫像可以用于解決引流問題和商品定位問題。進入站內的用戶都可以稱為大盤用戶，其中有購買行為的用戶稱之為成交用戶，成交量達到一定量級、留存高的用戶稱之為高價值用戶。

以性別來對3類用戶進行劃分，可以發現從下到上三類用戶中女性占比越來越高，對于平臺收益而言最重要的是高價值用戶，那么在用戶引流過程中我們期望結合用戶劃分分析結果能引流到更多的高價值用戶，如果當前的高價值用戶中女性占比更高，那么在引流時，優先考慮女性用戶更多的渠道進行投放。

同時可以進一步分析商品定位是否有問題，如男性用戶比例降低是否是由于男性用戶被男性商品吸引進入平臺，但在平臺內男性商品占比很少或者是價格段不理想，結合畫像標簽可以對站內商品定位問題進行進一步的分析。

03

沒來之前

根據已有用戶的數據，去指導對于新用戶的策略制定。

結合已有的畫像標簽數據結果，和運營、投放或市場專家一起可以進行渠道或者標簽的優選，例如對比Google和Facebook兩個不同渠道的投放效果，或對比Google和Facebook的各自男性標簽的投放效果，根據對比結果選擇更優渠道。

通常情況下，一個渠道的用戶群體不可能全部優于另一渠道，不同渠道往往在不同的用戶群上各有優勢。數據分析的結果可以給投放師一定的指導，目前的AI在應用中會面臨各種對接，如API對接等問題，實際的體驗不夠好，但是AI在規模化上具有明顯優勢，作者認為AI+運營+市場專家能夠達到更好的效果。

一方面可以根據站內高互動率內容標簽、競品、熱賣商品、以及站內熱搜等去洞察用戶的需求，進而驅動平臺對于品類規劃的優化。另一方面可以在投放前優化用戶群體以及對應商品的圈選，根據渠道內用戶需求針對性的進行投放，而非海量投放。

04

來了之后

1. 做好服務與用戶洞察

用戶來了之后，需要快速反饋，不能只對已有用戶群體做文章，當擴展到某一個新的用戶群體，必然會有第一個用戶，第二個用戶，算法無法根據少量用戶給出結論，但是當用戶達到1萬，100萬時需要快速的反饋出用戶體驗不好或用戶流失的原因。

新用戶來了之后，需要做好服務和用戶洞察。新用戶面臨著推薦中的冷啟動問題，首先要幫助新用戶做好定位，選擇有區分度的標簽對新用戶進行劃分，區分度可以用不同群體偏好的交集來衡量，如男性女性最喜歡的1000個商品的交集，然后根據劃分的用戶群給新用戶推薦該用戶群體最喜歡的商品，再根據用戶實時行為獲知用戶的意圖，對推薦結果進行調整。

用戶進入平臺后，有過搜索行為的用戶可以分為兩類，一類是強意圖用戶 ( 用戶搜索詞是某一個品牌具體的型號，具有明確的屬性信息，如iPhone 11 256G黑色 )，一類是弱意圖用戶 ( 搜索詞比較簡單，如裙子 )，強意圖用戶進入站內后同類目商品的點擊比例衰減明顯慢于弱意圖用戶，弱意圖用戶則接近大盤用戶。根據這一標簽可以去干預用戶推薦結果，更好的做好用戶服務，使用戶體驗更好。

2. 做好內容區隔

做好新用戶服務的同時，要保證老用戶的體驗不會變差。在內容平臺的推薦場景下中，這類問題變得尤為明顯。在產品覆蓋用戶非常大的情況下，平臺必然會出現興趣偏好差異非常大的群體，針對不同群體，要考量其不同需求，在內容上做好區隔。

05

復盤

剛剛介紹了用戶畫像在用戶沒來之前、來了之后、來過走了各個階段的作用，進一步來對整個流程進行復盤。

1. 花錢買數據高效測試，圈層外擴

引流的用戶中總是存在低留存的用戶，原因可能有多種：供給側沒有滿足用戶需求的商品，推薦沒有展現給用戶他所需要的商品，沒有做好內容區隔等。

使用這部分用戶在站內的行為數據，如搜索數據，比如對二次元商品感興趣的用戶中同時具有搜索行為的用戶比不具有搜索行為的用戶的留存率是否更高，根據具體的點來對推薦進行迭代。根據分析得到的結果，可以對這些低留存用戶進行二次冷啟動。

2. 全局優化/多目標問題/1+1＞2

從全局優化來講，構建人群畫像體系可以獲知群體的需求，進而優化供需之間的匹配；進一步可以在個性化層面進行優化，實現流量分發以及利潤最大化，更優的個性化也會帶來用戶體驗的最大化；用戶畫像可以自動化/智能化的實現物料投放和供需匹配結果；結合用戶畫像可以優先去拓展與大盤群體相似的群體，能更好的實現規模化。

這里補充一點：電商場景下用戶具有長尾效應，但是平臺更希望流量具有一定的集中度，以便更好的優化成本。

3.?閉環&飛輪

使用閉環和飛輪的思想更好的迭代用戶畫像和整個系統。首先是以技術賦能解決冷啟動，分析其他平臺上熱銷的商品，結合市場運營的指導來做初步的投放，根據初步的投放效果分析用戶的偏好用于指導站內的需求預測，使得預測更精準，有了初步的流量之后就可以不斷的進行迭代。

06

總結

根據以上內容可以總結出幾個點：

拆著看：根據不同標簽對用戶進行拆分，拆分結果可以進一步結合行為數據進行分析；

不要只看均值：拆分之后還要進一步分析同一群體內的方差，分析該群體內是否仍存在較大差異，如果存在明顯差異，還需要繼續拆分；

用戶和商品聯動：分析結果要將用戶和商品聯動，關注供給側是否滿足了用戶的需求，推薦展示是否滿足了用戶的需求，根據用戶畫像驅動供給側、前端的優化；

結合業務場景去分析：不同場景對于分析維度、用戶畫像標簽的需求不同，要保證邏輯自洽與業務可解釋；

不要簡單看畫像，一定要做對比：單純看分布是沒有太多信息含量的，要結合具體問題進行對比，找出差異；

環比的對比：漏斗的每個環節都需要進行環比分析；

數據閉環：一定要形成數據閉環，驅動整個鏈路的優化。

今天的分享就到這里，謝謝大家。

↘好文推薦：

滴滴數據倉庫指標體系建設實踐

開發到底喜歡看怎樣的需求文檔？

產品經理學PMP，有必要嗎？

點個“在看”吧

總結

以上是生活随笔為你收集整理的用户画像，如何驱动产品链路优化？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。