有同学问:“有没有用户画像项目失败的例子,也分享下。”

答:失败的用户画像项目,简直罄竹难书!一抓一大把。今天我们系统讲解一下。

用户画像高大上,但90%的人都做失败了!

01

用户画像失败的标志

大家自己是不是也经常疑惑:“用户画像有啥用?”

如果有,恭喜,你的项目做扑街了,就这么直观!

当然,更多的扑街方式,是刚开始做用户画像的时候,业务部门摇头晃脑地说:“我们要基于用户画像,详细深入地了解用户,比如用户性别,年龄,地域,喜好,消费习惯,……这样我们就能精细化决策了”。

然后数据部门哼哧哼哧搞了几个月,打了30000个用户标签,还得意洋洋地跟领导汇报:“我们的用户画像大数据建设取得长足进步”。

然后项目第一期汇报会上,数据部门得意洋洋地讲到:

l 我们的用户男女比例6:4

l 华南地区占比30%,华东25%

l 购买A产品占比50%

业务部门一个白眼抛过来:

l ‍我早知道了

l 我们的用户都是这样的呀

l 你做这有啥用?

╮(╯▽╰)╭

当然还有更惨的,就是你贴个“忠诚用户”的标签,业务方说:哦,既然那么忠诚,就不做啥动作了,结果丫下个月不消费也不登录了!

你贴了“A产品爱用者”的标签,业务方推了A产品,丫没有买!业务方怒气冲冲找来算账:“这用户画像一点都不精准嘛!”于是项目彻底凉凉。

吐槽归吐槽,问题到底出在哪里呢?

02

用户画像项目失败的表面原因

原因一:混淆了过去和未来

问1:一个用户昨天买了苹果,前天买了苹果,大前天也买了苹果,他今天买不买苹果?

问2:一个用户买了酱油,鸡翅,可乐,请问他是否还需要买竹签去烧烤?

思考一秒钟,不用思考一秒钟,大家都知道,答案是:不一定,不一定,不一定。连续买苹果,有可能代表他喜爱吃苹果,也有可能已经买了很多了所以不买了。买酱油+鸡翅+可乐,可能是去烧烤,也可能是做可乐鸡翅。

过去的行为不等于未来的行为,未来的行为需要进行预测。无论预测的方法是基于业务逻辑的推理,还是基于算法模型的计算,都需要经过数据分析和试验验证。只有表现稳定的预测方法,才能被采纳。

然而做用户画像的时候,业务方经常混淆这两点。往往对着过去发生的行为贴一大堆标签,对未来预测毫无概念在预测分析上半点投入没有。看用户画像报告,或者在CDP里设置推送规则的时候,想当然地认为:过去买了以后也买。最后预测不准,反而把锅甩给用户画像系统。结果自然悲剧。

用户画像高大上,但90%的人都做失败了!

原因二:混淆了行为和动机                    

问一个简单的问题:一个用户在过去30天内,有1天来我们家购买产品,请问该用户是不是我们的产品爱用者?如果有2天呢、3天呢、4天呢……如果有30天呢?30天里天天都来买,肯定是爱用者了吧!

答:不一定。30天里天天都来买,你可以管他叫“高频购买者”,因为购买频率确实是很高。但是是不是人家很爱用我们的产品,不一定,因为你并不知道他到底爱不爱用,甚至不知道他用了没用。

购买频次不能直接等同于用户喜爱。用户喜爱或者不喜爱,需要更多维度的数据进行分析,并且分析结果得有一定概率的稳定性,才能这么叫。

类似的,很多企业里,业务方和数据分析师,对待这种“爱用者”等等名词使用非常随意、粗糙,基本上都是用消费金额、登录频次等等,高了就算“喜欢”、“爱用”,低了就算“边缘”“尝试”。

做出来的结果,自然是毫无准确性可言。不用说,出了问题,比如推荐产品没有人买之类,又算在用户画像头上。

用户画像高大上,但90%的人都做失败了!

原因三:混淆了原因和结果

问:累计消费10000元以上的用户,都购买了5次以上,所以让用户购买5次,用户就会累计消费10000,对不对……

当然不对呀。然而业务方经常这么干!拿着过往消费高的用户行为,往消费低的身上套,认为只要消费低的模拟了某个数字,就能成为消费高的。还没其名曰:“魔法数字”。很有可能从源头上,消费高的和消费低的就是两类人,应该通过深入的分析搞清楚到底驱动行为的原因是什么。

从表面上看,用户画像失败的原因,在于:重数据,轻分析。过分投入精力细化已经发生的行为,贴了太多太多事实性标签。对预测投入力度不够,对因果关系分析不够,对用户需求洞察不够。最后判断全靠业务拍脑袋。

用户画像高大上,但90%的人都做失败了!

你问他为啥基于这几个标签推产品/活动,他答的都是:

l 我觉得他都买了那么多次,他这次肯定买

l 我觉得他买过相关产品,他这次肯定买

l 我觉得他买了A,怎么也得买B

用户画像高大上,但90%的人都做失败了!

看了用户画像以后拍脑袋,和看报表拍脑袋都是拍脑袋,没有本质区别,谢谢。基于过去的数据搞一堆标签,很容易;沉淀有预测力、有准确度的用户标签,很难。不但需要深度的数据分析和建模,更需要反复的,多轮的,对比性测试。不是一蹴而就。

所以在业务部门自以为很懂,数据部门喜气洋洋地宣布“打了三万个标签”的时候,祸根就已经埋下来了。

然而,同样是业务期望值太高+数据准备不足的场景,为啥用户画像类项目,比数据模型类项目还要容易扑街呢?

03

用户画像失败的深层原因

深层地看,因为数据建模的难度高,所以业务方对中间过程无法参与,只能对着结果品头论足。做建模的小哥们,只要自己不作死,不闭门造车,主动降低业务期望,是能够很大程度上避免问题的。所以建模项目失败,基本上是盲人骑瞎马的结果。

但用户画像项目正好相反:业务方以为自己很懂!做数据的小哥也以为自己很懂!几乎所有的业务方一提用户画像,都会说这句:“比如,我知道用户是24岁,女性,我就会推一个XX产品给她”大家都以为:我自己很懂,就差一个数了!快给我数。于是业务不停催着数据把过往数据做得再细、再细、再细,数据则在打标签路上一路狂奔。最重要的预测、分析、实验三件套没人搞。

当然,这种基于过往数据的标签,对有些部门是有用的——对客服、供应链、物流这种支撑部门有用。

比如客户接到一个客户投诉“为啥售后师傅还没上门啊!!!”如果没有打标签,客户得辗转好几个表,确认:客户买的是啥产品、是啥时候,产品机身号、啥时候约的师傅之类细节。光确认过程就把客户气个半死。有了标签,刷刷几下就能定位到问题,能极大提升客户体验。

但悲剧的是,这种有用性,只是让运营、营销、策划、设计等需要动脑子、做创意、想策略的部门更加自负而已。更加强了他们“我真的好厉害,就差一个数了!”的感觉。于是悲剧就源源不断了。

如果说建模是盲人骑瞎马的话,用户画像项目,就是骑着电动车搓着手机逆行闯红灯——电动车自以为自己是个车,骑电动车的自以为自己骑得666。

为了规避这种问题,陈老师经常用这招。当业务方张嘴“如果我知道24岁,女性,我会推A产品”的时候,直接从数据库里查出来最近一个月24岁女性到底有多少人买A,然后怼到业务方脸上:“不需要用户画像,我现在告诉你,购买率就是12%。你还上用户画像干啥,让你的小哥按规则跑数就好了呀”

这时候,但凡靠谱一点的业务方,都会立马清醒过来这里的问题,表示:这么简单的拼接不行,得基于事实标签多分析分析。这样项目后续就走的稳多了。

用户画像高大上,但90%的人都做失败了!

不过同学们慎用这招,你们的企业环境不见得适合这种硬怼风格哈,总之大家理解到问题关键即可。

问题的关键是:单纯的事实标签预测能力太差,洞察力太差。不足以满足运营、策划、销售、营销们排兵布阵的需求。大量数据+深入分析,才是解决问题之道

-END-

相关新闻

分享本页
返回顶部