深度用戶畫像精細化?用戶畫像能不能提升付費率？肯定能，問題是：怎麼幹？本篇文章就以小說閱讀APP為案例，為大家講解能提升付費率的用戶畫像應如何建立，感興趣的朋友一起來看看吧，今天小編就來聊一聊關于深度用戶畫像精細化?接下來我們就一起去研究一下吧!

深度用戶畫像精細化

用戶畫像能不能提升付費率？肯定能，問題是：怎麼幹？本篇文章就以小說閱讀APP為案例，為大家講解能提升付費率的用戶畫像應如何建立，感興趣的朋友一起來看看吧。

前幾天就有同學A，在面試的時候遇到這個問題。同學A舉手：這題我會！構建RFM模型，把用戶分成27類，然後重要價值客戶（111）給予VIP資格，重要保持客戶（011）要主動保持聯系……熟練地背誦出27類的做法。

結果，被面試官直接挂掉！

首先，每種分析方法，是有特定業務場景限制的。從本質上看，網上盛傳的RFM做法，隻适合高頻互動的零售電商業務的場景，比如耐用品、母嬰、醫療、保健、遊戲、影視娛樂等，都不适合RFM。而這位同學正撞槍口上了：他面的是小說閱讀APP。

小說業務，其付費的動力是高度内容驅動的。想讓用戶掏錢，至少得有内容讓用戶看得爽。想讓用戶看得爽，得知道用戶喜歡什麼樣的内容題材。這是用戶畫像要解決的一個問題。

同樣是内容，小說又不同于短視頻或者直播。用戶的爽快感，不是直接被屏幕上扭來扭去的小姐姐或者喋聲喋氣的“烏雞哥”激發的，而是在持續閱讀過程中，在沉浸式的體驗中獲得的。

這樣就形成了一個逐步沉浸的轉化過程：尋找内容→點擊閱讀→持續閱讀→付費頁面→付費→持續付費。因此，定位用戶當前所處的階段，引導用戶向下一階段發展，是用戶畫像要解決的第二問題。

此時，可以進一步去想：從小說閱讀APP裡，能獲取何種用戶标簽，構建用戶畫像了。

一提到用戶畫像，很多同學又會說貫口一樣說出：性别、年齡、職業、收入、愛好……隻要做一個信息收集表，就能搞掂啦！

實際上确實有場景可以用表單收集。比如：

母嬰産品：BB出生月份數、BB健康情況

少兒教育：年齡、年級、科目（英語/語文/奧數）、目的

物流貨運：貨物類型、貨物重量、出發地、達到地、時間要求

家政服務：家庭位置，服務内容（保姆/清潔/護理），上門時間

醫療保健：年齡、性别、身體狀況、病史

但是，這些表單是建立在業務本身的剛需之上。沒有這些信息，服務根本開展不了。所以這種表單信息能受到用戶的理解和配合，采集難度也相對較低，複核起來也容易。

在小說這個場景裡，就不适合用表單收集。

因為對小說的“愛好”根本沒啥剛需可言：

愛好是多個因素綜合組成，不能直接用一兩個問題問清楚

愛好不是簡單1 1=2，喜歡穿越，喜歡三國，不代表喜歡“穿越去三國”

愛好并不是完全固定的，有可能被新題材、熱門榜單、朋友推薦等引導

更不要提其他涉及個人隐私信息，難道看小說還需要被查戶口？不受用戶理解，即使強行采集，數據也是假的。

因此設計表單的時候，要保持克制，盡量找關鍵字段。對閱讀而言，男女差異很大，且容易受到用戶理解，因此可以在表單采集。并且男女，是個符合MECE的簡單選項，不容易引起歧義。

換個角度，如果收集的是：閱讀興趣。

選項是：玄幻、曆史、穿越、言情、霸道總裁、其他。

用戶很容易引起歧義，比如玄幻 穿越的，算哪類？比如大女主算哪類？用戶在有歧義的時候，就會亂填一通，收集回來的數據就有問題。這些細節看似瑣碎，實則決定了基礎屬性标簽的準确度。

要定位用戶當前所處的階段，需要找能區分用戶類型的最關鍵标簽。既然目标是提升付費率，因此付費相關标簽，就是第一重要的。根據用戶付費記錄，可以區分三個狀态：從未付費/付費一本小說/付費2本及以上。引導方向也很清晰（如下圖）。

注意，上邊分類裡，有一個策略是導向：保持本篇續訂。這就意味着，需要觀察用戶在閱讀小說時候的進度。

如果付費的小說已經完結了/斷更了，就得及時推薦新内容；如果用戶根本連看都看不下去，或者已經憤然棄坑，那也得另尋好内容推薦。因此得再考慮用戶閱讀行為标簽。

用戶閱讀行為對付費意義很重大。理論上，隻有入坑的用戶才會付費，還很有可能對更多其他感興趣内容付費。對還沒入坑的要盡快拖進坑裡，已經脫坑的要防止流失。因此，區分出未入坑、入坑、脫坑狀态，很重要。

“入坑”是對讀者沉迷在某本小說情節的俗稱。做标簽定義可不能這麼随便，要有具體的指标 計算公式 業務含義，才能算一個标簽。

用戶如果入坑了，最起碼的要求是在小說APP的登錄時長、登錄頻次有一定保證，因此可以選用比如最近一周内登錄次數/登錄總時長，來區分用戶平台活躍的輕、中、重（如下圖）。

再次，如果用戶入坑了一個内容，那麼他肯定不會東瞄西逛，而會聚焦在一個内容裡。那麼這個内容占他在平台活躍時間的比例，一定相當長。

這樣可以将用戶是否聚焦一個内容的标簽區分出來：

無感：沒有一個長時間活躍的内容

專一：有一個長時間活躍内容

博愛：有多個長時間活躍内容

具體多長算長，也得用分層分析法哦。

第三，入坑、脫坑是一個動态過程。之前沒有聚焦内容，之後有了，叫入坑；之前有聚焦的，之後沒有，叫脫坑。因此構造标簽的時候，不能隻考慮當前狀态，而是得關聯上一個周期的狀态，比如關聯上一個周期，發現用戶聚焦下降了，那麼可以歸納為入坑。如果聚焦上升，可以歸納為脫坑（如下圖）。

有了行為标簽，再結合付費，就更能精準區分問題了。當然，在制定策略的時候，也要考慮用戶規模，優先滿足大群體的需求（如下圖）。

當然，實際工作中，數據情況可能沒有這麼複雜。

很有可能，付費/不付費用戶泾渭分明，付費的看完幾頁就付，不付的打死都不付。

很有可能，狀态轉化是一次性完成的，入不入坑，試讀頭幾頁立馬見分曉。

很有可能，用戶都是專一且聚焦的，就是追一個更，追無可追才找其他的。

這些都有可能發生，而且會讓數據分析變簡單。但是在構造标簽邏輯的時候，也要符合MECE方法，才能避免意外發生，這是專業數據分析人員與業務人員思考問題的本質區别：業務人員能直接抓最顯眼的，數據則關注情況全面性與嚴謹性。

上文有提到，直接收集興趣會有各種問題。那還能怎麼辦呢？當然可以從用戶行為中提煉興趣。如果一個用戶入坑了某個内容，那他肯定是對這個内容感興趣的。

這裡的難點，在于區分：他到底對哪個點感興趣。因為一個内容相關的靜态标簽太多了：作者、主題、風格、評論、是否熱門、寫法……還有很多無法标準化的部分。

因此從一開始，就不能太指望興趣标簽做得特别精準，而是要結合小說的品類特點，把同款、交叉款單品選出來，找到貼近的單品即可。畢竟小說不是短視頻，不需要15秒一切換。

當興趣偏好與付費行為交叉，還會産生一種可能：有一類用戶就是堅持白嫖，有很多關聯閱讀行為，但是就是不付錢。此時可用優惠券測試，把其中價格敏感型與真正白嫖到底的區分開，從而形成價格偏好标簽。

有了以上基礎的标簽準備，最終輸出策略時就可以像搭積木一般，針對用戶需求，組合出各種策略，隻要基礎打得牢，出結果是手到擒來的事（如下圖）。

很多同學習慣了做網上的現成數據集。所謂的用戶畫像，大部分是現成的字段，尤其以直接收集的表單字段居多。

這種現成的數據集練手很爽，可與實際情況差距非常大。實際工作中，即使能用表單采集，也得考慮采集過程中錯誤、造假、複核問題。

更不用說，相當多數據标簽需要通過分析計算 測試獲得，需要一層層的構造，由簡單到複雜。這些處理過程中技巧與手段，才是真正值錢的技能與能力，與大家共勉。

專欄作家

接地氣的陳老師，接地氣學堂，人人都是産品經理專欄作家。資深咨詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。

本文原創發布于人人都是産品經理。未經許可，禁止轉載。

題圖來自 Unsplash，基于CC0協議。

該文觀點僅代表作者本人，人人都是産品經理平台僅提供信息存儲空間服務。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!