|
|
# 09 | 如何建立用户数据模型，驱动运营？
|
|
|
|
|
|
你好，我是相辉。
|
|
|
|
|
|
我们要知道，在一个商业体里，用户从来都不是只有一副面孔。他们可能来自不同的需求场景，也可能来自不同的时间地点；可能是新用户或是老用户，也可能只是随便逛逛，或者可能是我们的铁杆粉丝。
|
|
|
|
|
|
就拿瑜伽产品来说，用户往往就会有三大类需求：瘦身塑形、心灵情绪、自我控制。那么，如果我们只是把用户描述成铁板一块，就会导致在描绘用户画像的时候，丢失了太多的细节。如果我们不能清晰地用一种办法把不同需求的用户进行细分化建模，并针对不同的用户制定不同的运营动作，我们就很难知道如何制定体验策略，如何细化体验设计。
|
|
|
|
|
|
在当今数据工具早已经发展得相对成熟的情况下，我们应该好好掌握它，并用它来理解和分析用户需求，以此把握好产品的细节与真实情况。
|
|
|
|
|
|
那么今天这节课，我们就来学会构建用户数据模型的方法，用结构化的思维方式理解我们产品中用户群的数据模型。
|
|
|
|
|
|
任何事情都是从无到有发展出来的，我们需要通过五步建立起数据模型，分别是抽象用户、还原场景、分层策略、模拟认知、拓展网络。接下来我们就依次来看一下。
|
|
|
|
|
|
## 一、抽象用户行为数据维度
|
|
|
|
|
|
我们在面对任何一个用户群体的时候，第一步就是要将众多用户的行为数据和画像数据，按照某种逻辑进行抽象和划分。因为单靠很多零散的数据其实是没有用的，我们只有按照某种逻辑将数据整合，以此描述用户具体的性质，才能真正描绘用户画像及其行为模式。
|
|
|
|
|
|
而抽象的标准，就是我们是否能够用一种模型或多种模型，将生态内的不同用户画像按照这个抽象逻辑区分开。
|
|
|
|
|
|
我给你打个比方吧。莎士比亚说，一千个人心中有一千个哈姆雷特。但如果我们将哈姆雷特按照某种标准进行分类，比如从“哈姆雷特是否善良”这个角度来看，那么人群自然而然地就可以分成善良、不善良、说不好这三种答案。所以一千个人心中，可能就变成了几类不同的哈姆雷特。
|
|
|
|
|
|
那么，我们面对自己的商业体也是一样的，我们需要用几个标准，梳理出用户的各种数据信息，并按照他们的特点，还原成不同的标签。
|
|
|
|
|
|
我举个例子。以前我和团队在梳理顺风车的车主画像时，会根据四个核心的划分标准来做：安全分、质量分、频率分、里程积累。
|
|
|
|
|
|
* **安全**是红线，过了红线才算合格。
|
|
|
* **质量**是品质，是每个车主在服务中的友好程度。
|
|
|
* **频率**是活跃度，是车主在社区中的贡献度。
|
|
|
* **里程积累**是贡献，是车主在社区中持续共享出行的距离量度。
|
|
|
|
|
|
|
|
|
|
|
|
从这四个维度，我们就可以区分车主的层级，以此发现不同层级的车主都有哪些不同的生活特点。比如说：
|
|
|
|
|
|
* 有不爱钻研的白领车主，在安全分合格后，用了一两次就放弃了；
|
|
|
* 有的是职业车主顺便拉单，安全、质量、频率、里程四高的效率用户；
|
|
|
* 有真的喜欢共享的勤劳车主，周一到周五几乎全勤，各项数据也都杠杠的；
|
|
|
* 有非常随性的车主，一个月一两单，完全看心情；
|
|
|
* 有的只是偶尔使用，但用了一定就是刚需的跨城车主；
|
|
|
* 还有很多沉默消失的车主，超过三个月没有再共享；
|
|
|
* 也有很多随便逛逛的人，进来了以后并不注册，只是逛逛而已。
|
|
|
|
|
|
此外，我们还发现了一个可怕的问题，就是核心贡献GMV的成熟车主都是老车主，并且他们还在不断流失。这也就说明了，我们当时产品的生态可能并没有那么健康。
|
|
|
|
|
|
后来，我们就按照这四个维度和用户出行的时间与间歇度，划分出了以上这几大类车主的典型画像，从而找到了他们的交易行为特点，以此区分地看待我们整个生态中，用户使用产品的真实状况。
|
|
|
|
|
|
所以，**通过抽象用户行为数据去观测自己商业体的时候，你就能清晰地看到产品的用户分布和GMV构成**。有的时候，一个GMV表现很好的业务，有可能已经老去甚至是即将死亡了，因为它所有贡献GMV的用户，都已经到了产品生命周期的末端。分层用户数据模型，就是我们发现业务问题与机会的重要利器。
|
|
|
|
|
|
## 二、定性画像和还原生活场景
|
|
|
|
|
|
仅仅有数据分层画像是远远不够的，我们还要将数据分层画像还原成用户的场景，把一张张画像变成一个个有血有肉的人。
|
|
|
|
|
|
比如，我曾经研究过书店的用户，当时我按照用户到店时间、书籍消费、活动消费、咖啡消费、店中店消费等维度，将用户行为层次进行了抽离，发现了不同的用户特点：
|
|
|
|
|
|
* 有从周一到周五都在会谈客户的白领型用户，他们大多是吃完饭来逛一下，或者约朋友在书店喝咖啡；
|
|
|
* 有周末来逛书店的家庭型用户，通常是三个人到五个人一起到店，在儿童区游玩且会消费周边和儿童画册；
|
|
|
* 有办公学习型用户，他们会在休息区点咖啡，然后长时间驻店；
|
|
|
* 有集中在寒暑假期的学生用户，会一天扎在书店里不出来；
|
|
|
* 有周末节假日的母子用户，带孩子在书店阅读一天儿童画册，并不做别的事情；
|
|
|
* 还有活动型的用户，只参加现场活动，见自己想见的作者；
|
|
|
* 还有旅游型用户，来了只逛文化周边。
|
|
|
|
|
|
|
|
|
|
|
|
所以，通过用户数据的分类，我们其实会发现每一类用户，都是行为习惯相近且需求也相近的，他们就隶属于一个用户场景。另外，在这个书店的例子中，我们还发现，在还原每一类用户场景的同时，也会看到不同的书店，需求比重也不是很相同，而且居民区的店、商业区的店、学生区的店、旅游区的店，用户的画像也都不太一样。
|
|
|
|
|
|
那么这样，我们就可以通过数据，来还原真实用户的生活场景，然后伴随着对每个场景里各类用户的研究，就可以进行更好的、精细的场景设计和优化运营。
|
|
|
|
|
|
就拿刚才书店的例子来说，我们立刻就做了亲子会员、办公会员，以及偏重咖啡消费的会员体系，结合更加贴近书店的其他权益。这样紧密围绕书店的场景，一套付费会员的权益体系就设计出来了，并且根据后续的用户持续消费的数据表现，也看到它的增长十分良好。
|
|
|
|
|
|
所以，每种商业体，我们都可以用几个数据维度将用户分类，并且一旦分类，我们不仅可以发现产品生态的健康度，还可以发现和还原用户的生活场景，以此帮我们找到最该要撬动的那群人是谁。
|
|
|
|
|
|
## 三、分层数据化运营策略
|
|
|
|
|
|
在知晓了用户画像和场景以后，最关键的就是要开始选择我们的运营动作是什么了。只有根据不同的用户画像和场景准确形成决策，才是有效果的分层数据画像和场景还原。
|
|
|
|
|
|
还是之前顺风车的例子，基于多种用户画像，我们就可以针对不同用户群制定分层运营的策略。比如说：
|
|
|
|
|
|
* 针对职业车主进行重点的质量管控，因为有时候他们会挑单、拒单，并且为了赚钱经常危险驾驶；
|
|
|
* 针对白领车主进行更多的现金奖励或者是服务奖励，让他们能够坚持住周一到周五的拉单，甚至也鼓励他们更多地共享路程；
|
|
|
* 针对尝鲜的用户，要给予更多的任务奖励，流量倾斜，并降低匹配订单的路线难度；
|
|
|
* 针对成熟用户，要给予更多的价值认可，让其在生态内获得尊重，因为一个老资格的用户，一般都很看重自己在生态内的地位。
|
|
|
|
|
|
因此，我们要利用好现代的数据工具，而不再是粗糙地给予统一的策略，用霰弹枪来打单点。当我们动态地根据不同层次的用户，做好分层的动态策略的时候，那么也是产品得到的效果最好、投入的成本最低的状态。
|
|
|
|
|
|
## 四、建立用户认知模型
|
|
|
|
|
|
每个用户都有自己的文化背景和成长路径，所以每类用户对我们产品的认知也是不同的。
|
|
|
|
|
|
在我多个领域的工作经历当中，我发现了一个有趣的现象：**企业自己认为自己是谁，与用户认为企业是谁，往往存在着错位的问题。**
|
|
|
|
|
|
这就造成了企业的很多品牌和传播，打不到用户的痛点或者爽点上。比如还是前面顺风车的例子，在这个业务上线两年以后，还是有好多用户认为顺风车就是便宜的快车。
|
|
|
|
|
|
另外，也有企业会觉得自己很多的业务架构都非常清楚，但用户其实根本分不清他们业务之间的区别。比如我曾经在某二手电商就遇到过，用户根本分不清楚什么是寄卖、自营、C2C等等。
|
|
|
|
|
|
而不同的用户，在一个生态里，所在乎的东西也不太一样。在我经历过的电商社区的运营中，我就发现往往是新用户会更在乎优惠，但老用户会更在乎荣誉，比如电商社区里的认可度或者曝光度等等。
|
|
|
|
|
|
**所以说，根据不同的用户场景和画像，还原不同用户的真实诉求，从而建立不同的用户认知模型，是我们做好用户沟通的基础。**
|
|
|
|
|
|
我们需要把用户的现状、需求，以及对产品的认知价值点建立成模型，以此指导我们进行品牌交付的策略，对不同的人说不同的话。而要建立用户认知度的模型，我们可以通过采用反复的活动效果测试、问卷测试、焦点小组等工作，来接触用户，看看用户的背景是怎样的、他们是如何看待我们的产品的，以及我们的宣传和用户感知有没有产生什么偏差等等。
|
|
|
|
|
|
举个简单的例子，针对共享出行产品，对不同的用户来说，我们要制定不同的策略，对车主要讲赚油费，对乘客要讲经济实惠，对政府要讲环保安全，对合作伙伴要讲共赢合作等等。而在车主这类层级上，对白领车主要讲稳定安全，对职业车主要以教育为主，对新手要讲简单操作等等。
|
|
|
|
|
|
总而言之，不同的用户，认知也不同，我们要还原出他们对于产品的认知，从而基于认知，去指导我们的品牌和内容工作，以及端内设计的话语体系。
|
|
|
|
|
|
## 五、建立用户社交模型
|
|
|
|
|
|
我们要知道，未来的广告和口碑只有带着人的温度，才会得到相对好的转化。每个用户都有自己的社交能力圈，如果我们的产品能打动不同层级的用户，那么就会获得不同范围的影响力。
|
|
|
|
|
|
所以，我们应当根据用户的影响力，来建立社交拉新能力的模型。比如说，目标用户群分别都是什么样的传播渠道，他们的拉新能力如何？他们传播出去的内容，有多少二次拉新？三次拉新？
|
|
|
|
|
|
另外，我们也要了解用户的社交能量。也就是说，我们要根据用户的转发、传播、点击、拉新、留存，来建立用户的社交模型，以及快速寻找到用户群中的那些种子用户的画像。
|
|
|
|
|
|
就好像蔚来汽车可以通过车主的转介绍率，来找到自己生态里的那些超级车主，以此对其进行重点服务。在蔚来汽车的生态里，每个车主都有自己的拉新记录，而且有几位车主都是为蔚来拉新上百位新车主的铁杆粉丝，他们也得到了相应的蔚来值以及重点的拉新回馈服务。在这个模型里，我们就能很清晰地知道，对哪一波车主进行重点回馈拉新服务效果是最好的。
|
|
|
|
|
|
**把握了用户社交模型，我们就能迅速找到产品中的意见领袖。这将是未来产品流量影响力的重要线索。**
|
|
|
|
|
|
|
|
|
|
|
|
## 课程小结
|
|
|
|
|
|
总结一下。今天我带你了解了用户数据分层的主要逻辑，你要掌握以下这五步建立用户数据模型的核心方法：
|
|
|
|
|
|
* **抽象用户行为数据维度；**
|
|
|
* **定性画像和还原生活场景；**
|
|
|
* **分层数据化运营策略；**
|
|
|
* **建立用户认知模型；**
|
|
|
* **建立用户社交模型。**
|
|
|
|
|
|
这样，你就拥有了一个基于数据的用户群像，并可以重新认识自己的用户群，为他们制定生活场景服务设计策略，制定合适高效的运营策略，并精准地寻找到用户群中的意见领袖，做好品牌工作。
|
|
|
|
|
|
在流量红利消失的时代，认清我们的用户都是如何组成的、我们的商业是否健康，都是必要的工作。我曾经接触过一个巨型的企业客户，他们在面对自己海量的用户时，不知道如何再进行用户活跃上的突破，于是花费了半年的时间认真做好数据中台，配合用户研究的手段，发现用户场景，一下子找到了很多新的机会。
|
|
|
|
|
|
**从一个模糊的完整群像，到细化成几个关键人群的组合，并与数据进行有效结合，那么无论是定性的突破点，还是定量的效果衡量，我们就都能做到有的放矢了。**
|
|
|
|
|
|
所以，既然有了数据工具，我们就要用起来，而不是像过去那样，一句“别这样做了，我们的用户不会喜欢”就给打发了。 如果真的有人这样说，这个时候，你就可以反问TA：“我们的用户有哪几群人，哪几个场景，哪几个阶段，你知道吗？”
|
|
|
|
|
|
|
|
|
|
|
|
## 一课一思
|
|
|
|
|
|
请你思考一下，你的产品分别有哪几个场景的用户在用，他们的权重和画像是如何的？欢迎在评论区发表你的观点。
|
|
|
|
|
|
如果你的身边也有正在探索用户数据模型的朋友，也非常欢迎你把今天的内容分享给他，我们一起交流探讨。感谢你的阅读，我们下一讲再见。
|
|
|
|