起點課堂會員權益
職業(yè)體系課特權
線下行業(yè)大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業(yè)技能直播
會員專屬社群
榮耀標識大數(shù)據(jù)如何賦能產(chǎn)品—用戶特征分析
編輯導語：大數(shù)據(jù)是指無法在一定時間內(nèi)用常規(guī)軟件工具對其內(nèi)容進行抓取、管理和處理的數(shù)據(jù)集合，從目前大數(shù)據(jù)發(fā)展的趨勢來看，它不僅會成為一個蓬勃發(fā)展的行業(yè)，在其他行業(yè)的應用也有非常廣闊的空間。本文作者就提出了用大數(shù)據(jù)賦能產(chǎn)品的想法，從而更好的進行用戶特征分析。
一、為什么要進行用戶特征分析
身邊的產(chǎn)品越來越多：短視頻抖音霸榜、社交微信巨頭、電商京東拼多多淘寶分庭抗禮。
每一種的產(chǎn)品背后其實都有不同的用戶群體，怎么去做獲客？怎么去做增長？
我們需要了解用戶，需要讀懂用戶，首先我們要對用戶進行特征分析，總的來說用戶特征分析有三種應用場景:
1. 尋找目標用戶是產(chǎn)品存在的開始
首先是尋找目標用戶，拿抖音為例：
抖音剛開始上線以后，很重要的一點就是要去分析我們的用戶是誰，比如是什么樣的年齡 性別 地域 學歷等等。這可以很快幫助產(chǎn)品去發(fā)現(xiàn)現(xiàn)在的主流的用戶群體是不是產(chǎn)品最開始的定位，如果完全不一樣了，那就是產(chǎn)品哪里的設計有問題，偏離了方向。
等上線一段時間，我們就可以對用戶進行不同活躍的等級的劃分；比如同樣都是玩抖音，有天天玩的也有偶爾玩的，有一次可以刷很久的，也有刷刷就走了的用戶，頻次、時長成了用戶這時候最大的特征差異。
那么不同頻次、不同時長的用戶，他們的年齡、性別、地域有什么差異？這些都是特征的進一步洞察。
再過一段時間，有用戶留存有用戶流失，需要去分析留存和流失的用戶在行為特征上的差異是否有什么特別不一樣的。
2. 運營抓手離不開用戶特征
除了尋找目標用戶，當我們分析出了我們的主流用戶的特征以后，比如18-24歲的3線城市，我們就可以對這一部分群體進行拉新，提高我們的新增用戶；
當我們發(fā)現(xiàn)我們的活躍的用戶，都是在最開始刷的五分鐘內(nèi)收藏了至少一次，那么我們就可以針對這些收藏的視頻的特點，通過運營的方式給用戶挑選跟這些視頻類似的視頻進行人工運營；
當我們需要通過運營的手段對流失的用戶進行干預的話，我們就需要知道比如我們流失的用戶是因為流失之前看的視頻數(shù)少、視頻時長小，那就可以通過運營活躍比如看視頻領紅包，這也是微視的打法。
3. 用戶分層和用戶特征息息相關
就像生活中人有長相、性格、學歷、財富的差別一樣，同樣都是用抖音的用戶，他們肯定擁有不同的粉絲數(shù)、不同的點贊數(shù)、不同的評論、不同的觀看的時長偏好。那么對于每一類群體，我們都需要去告訴產(chǎn)品每一種的類別的占比。
同樣的，都是在抖音上變現(xiàn)的用戶，也會有變現(xiàn)的頻次和變現(xiàn)的收入水平的差異。只有對這些的用戶進行收入相關的特征分析，才可以對每一種用戶群體的到底有多少給出回答。
我想抖音應該不需要有很強的馬太效應，最好的是短視頻時代，人人都可以變現(xiàn)。
二、用戶特征分析的方法
1. 用戶畫像分析法
用戶畫像一般按業(yè)務屬性劃分多個類別模塊：除了常見的人口統(tǒng)計、社會屬性外，還有用戶消費畫像、用戶行為畫像，用戶興趣畫像等。
人口屬性和行為特征是大部分互聯(lián)網(wǎng)公司做用戶畫像時會包含：人口屬性主要指用戶的年齡、性別、所在的省份和城市、教育程度、婚姻情況、生育情況、工作所在的行業(yè)和職業(yè)等。
行為特征主要包含：活躍度、忠誠度等指標。
1）以內(nèi)容為主的媒體或閱讀類網(wǎng)站、搜索引擎或通用導航類網(wǎng)站，往往會提取用戶對瀏覽內(nèi)容的興趣特征
比如：體育類、娛樂類、美食類、理財類、旅游類、房產(chǎn)類、汽車類等等。
2）社交網(wǎng)站的用戶畫像也會提取用戶的社交網(wǎng)絡
從中可以發(fā)現(xiàn)關系緊密的用戶群和在社群中起到意見領袖作用的明星節(jié)點。
3）電商購物網(wǎng)站的用戶畫像，一般會提取用戶的網(wǎng)購興趣和消費能力等指標
網(wǎng)購興趣主要指用戶在網(wǎng)購時的類目偏好，比如服飾類、箱包類、居家類、母嬰類、洗護類、飲食類等。
消費能力指用戶的購買力，如果做得足夠細致，可以把用戶的實際消費水平和在每個類目的心理消費水平區(qū)分開，分別建立特征緯度。
4）像金融領域還會有風險畫像，包括征信、違約、洗錢、還款能力、保險黑名單等
另外還可以加上用戶的環(huán)境屬性，比如當前時間、訪問地點LBS特征、當?shù)靥鞖狻⒐?jié)假日情況等。
當然，對于特定的網(wǎng)站或App，肯定又有特殊關注的用戶維度，就需要把這些維度做到更加細化，從而能給用戶提供更精準的個性化服務和內(nèi)容。
2. 聚類的方法
這個就是通過kmeans 聚類的方法對用戶的行為進行聚類。
比如針對用戶在淘寶上買東西的頻次、價格、刷淘寶的時長，可以進行聚類分析，就可以將淘寶的用戶劃分為以下五種用戶，然后再對這五種用戶進行年齡和愛好等特征分析：
3. 監(jiān)督模型
特征分析中還會使用像決策樹這樣的容易解釋的監(jiān)督模型，為什么是決策樹？
舉個例子：
假如我們有一個用戶流失分析的目標為：根據(jù)用戶近35天訪問行為包括用戶訪問次數(shù)、訪問天數(shù)、訪問時長等，預測有流失傾向的用戶。
另外，用戶下單、付費等消費行為可做為用戶對平臺忠誠度的重要參考指標。建立有流失和非流失用戶構成的建模樣本，并對流失和非流失用戶分別打上‘1’和‘0’標簽。
根據(jù)模型可知：在一個流失周期內(nèi)，用戶的訪問時長小于等于50.5，訪問頁面數(shù)小于等于20.5，并且付費金額小于70.5；那么此用戶有流失的風險，也就是刻畫出了流失用戶的特征。
本文由 @陳友洋? 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)作者許可，禁止轉(zhuǎn)載
題圖來自 Pexels，基于CC0協(xié)議
歡迎關注本文出處 公眾號 【DS數(shù)據(jù)科學之美】