群组分析方法

按照某个特征将数据分为不同的数据组，然后对比各个数据组的数据。根据产品业务不同灵活定义数据分组分析数据指标。

• 用法
  • 例如产品发布发布版本的更新是导致用户增长还是流失。可以按照用户使用产品的月份特征进行用户数据分组，分为1月用户组和2月用户组。对比两个数据组的用户留存率随着时间的变化分析结果，按月份特征进行分组分析随着时间变化的留存流失问题，再细致分析出每个组的用户为什么留存率高，流失率低等等

RFM分析方法

• 概念
  • Recency：最近一次消费时间间隔
  • Frequency：消费频率
  • Monetary：消费金额
• 计算所有用户的R、F、M得分，计算得分的平均值，得到R、F、M的价值高低
• RFM分析方法主要用于精细化运营，发展用户以及挽留用户

• 按照RFM分析方法，可以将用户分为8类用户	类别	R	F	M
  重要价值用户	高	高	高
  重要发展用户	高	低	高
  重要保持用户	低	高	高
  重要挽留用户	低	低	高
  一般价值用户	高	高	低
  一般发展用户	高	低	低
  一般保持用户	低	高	低
  一般挽留用户	低	低	低

用户画像

用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。
实质上是对用户信息进行标签化

作用

• 精细化：推荐、搜索、精准营销、定向投放、风控、定量和定性的分析、数据化的运营用户分析等
• 具象化：战略市场、市场细分和用户分群

用户画像八要素

PERSONAL八要素

• P-Primary-基本性：指该用户角色是否基于对真实用户的情景访谈
• E-Empathy-同理性：指用户角色包含姓名、照片和产品相关的描述，该用户角色是否引同理心
• R-Realistic-真实性：指对那些每天与顾客打交道的人来说，用户角色是否看起来像真实人物
• S-Singular-独特性：每个用户是否是独特的，彼此很少有相似性
• O-Objectives-目标性：该用户角色是否包含与产品相关的高层次目标，是否包含关键词来描述该目标
• N-Number-数量性：用户角色的数量是否足够少，以便设计团队能记住每个用户角色姓名，以及其中一个主要用户角色
• A-Applicable-应用性：设计团队是否能使用用户角色作为一种实用工具进行设计决策
• L-Long-长久性：用户标签的长久性

怎么创建用户画像

• 标签：
  • 维度
  • 人口统计学属性：用户是谁（性别年龄职业等个人基本信息）
  • 消费需求：消费习惯和消费偏好
  • 购买能力：收入及购买力、购买频次和渠道
  • 兴趣爱好：品牌偏好、个人兴趣
  • 社交属性：用户活跃场景、社交网络、社交媒体
• 当选择好标签之后，我们需要对标签的粒度进行确定
• 数据来源：
  • 用户基本属性数据：性别、年龄、地域
  • 用户行为数据：浏览、下单、观看
• 构建流程：
  • 基础信息收集
  • 行为建模
  • 构建画像

用户画像面试题

用户画像的数据源有哪些

• 用户基本属性数据：年龄、性别、地域
• 用户行为数据：浏览、下单、观看

获取到用户画像数据后，如何加工

• 分析计算（统计浏览&消费价格、商品分布、地域分布）
• 数据挖掘（预测用户的真实性别、年龄）

标签池中常见的用户标签有哪些

• 基本属性
• 地域信息
• 近期活跃度
• 偏好数据（价格偏好、商品偏好、活动偏好）