以服务于中国广大创业者为己任,立志于做最好的创业网站。

标签云创业博客联系我们

导航菜单

受众心理效应的6种类型,网络短视频的受众心理分析

  

  正如我们所说,用户分层是用户细分的一种特殊形式:按价值细分。通用用户细分应该怎么做?为什么很多学生完成细分,却被批评“没用”?今天系统回答一下。   

  

  六张图片,详细讲解如何细分用户组   

  4   

  

  2   

  

  用户细分本身非常简单。例如,我们在上一节中谈到的用户分层实际上是根据高、中、低三个级别用一个分类维度进行的简单用户细分,例如:   

  

  按用户当年在1的消费情况细分:高级(用户细分的直观感受W)、中级(5K-1W)、低(1-5K)。   

  

  按用户活跃行为细分:活跃(在1登录5天以上,过去0天在1)不活跃(在http://www . Sina.com/)登录 5天。   

  

  更简单,按基本属性细分:男/女、老/中年/年轻。   

  

  用户细分容易,但用户有效细分难。有效意味着对运营、产品、营销和销售都有帮助。   

  

  比如我们区分高层次客户和低层次客户,知道高层次客户有钱,但是应该如何服务?什么时间,什么场景,什么活动?还不清楚。因此,仅仅使用一个维度进行分层是不够的。我们需要更多的分类维度,进行更细致的划分。   

  

  看一个小例子:   

  

  六张图片,详细讲解如何细分用户群   

  让我们看看如何分析这个例子:   

  

  先看消费习惯。从对公司贡献的收入来看,农行的三类是同档次的。   

  

  4   

  

  一、集中采购(很可能是双十一最便宜买的)。   

  

  b、季节性购买(很有可能每个季度都会跟随新产品的趋势)。   

  

  c、采购频繁(日常活跃度高,运营最喜欢)。   

  

  2   

  

  一、集中采购:集中一个大事件引爆!   

  

  B.季节性购买:每季度推出新产品。   

  

  C.频繁购买:打卡积分周活动。   

  

  用哪一个,可以参考ABC在整个用户结构中的比重,选择一个主要战术,效果如下:   

  

  六张图片,详细讲解如何细分用户组   

  4   

  

  也有可能是领导说:虽然我们目前是A组,占60%,但我们希望C组以后占60%,需要改变现状。这样在选择战术时,就更要考虑C群的特点,找到更符合C用户需求的活动、产品和优惠。总之,更详细地了解用户特征有助于运营。   

  

  这就是用户细分的直观效果:通过细分,为运营提供更详细的数据指导。当然,为了教学方便,这个例子的数据极其极端。在实践中,只要能找到区分度高的分类维度,就会有类似的效果。核心问题是:怎么找。这是用户细分的关键。   

  

  2   

  

  3   

  

  注意,现有的,不代表就是合理的。   

  

  这一步非常非常重要。用户细分可以分为无尽的方法,比如。   

果不事先定义清楚什么是“有效”细分,就会陷入茫茫多的细节大海捞针。

  

很多新手最容易忽略这一点,提起用户细分,就急匆匆把一堆用户特征变量塞进聚类模型,聚完了以后不知所措,到处问:“有没有用户分类的科学、权威、谁挑战就拖出去重打50大板的标准?”

  

最后还被运营批判为:做的是啥玩意!这就是脱离了业务实际,只埋头加减乘除的缘故。

  

有效的分类标准,当然是根据运营的需要来的。我们可以从运营的目标、KPI、任务里拆解出对应的数据指标。比如运营的任务是:提升收入。我们按以下步骤,把业务问题转化为分析问题。

  

六张图,详解用户群体细分怎么做

  

有了分类标准,就能检查细分是否有效。比如目标是:找到累积消费高的用户群体。那最后就看,我们找到的细分群体,消费差异是不是足够高,是不是真的锁定了高消费群体。具体效果如下图所示:

  

六张图,详解用户群体细分怎么做

  

▌第二步:从运营手段上找分类维度

  

找到了分类标准,我们可以看从什么维度切分用户,能让用户群体间差异更明显。这里又是一个大坑,因为看起来似乎可选维度非常非常多。

  

很多同学陷入迷茫,到底我该怎么选。或者好不容易选出来,运营问:为什么这么分?他答:这么分差异大!然后被批判为:不懂业务,瞎胡乱做。好郁闷……

  

实际上,分类维度筛选有一定标准,完全不用到处乱跑:

  

选数据来源可靠的维度

  

比如性别,年龄这些基础维度,很多公司没有严格采集流程,数据空缺多,真实性难保证,就不要用这些。尽量用消费、活跃、注册来源这些可靠的数据。

  

选运营可影响的维度

  

比如设备型号,可能开发很关心,但运营知道了也干不了啥事,这时候就不要选;有些指标运营特别关注,比如运营想发优惠券,那用户对优惠券领取率、使用率就是特别好的指标。

  

选自身分层差异明显的指标

  

有些指标自身差异都不大,数据分布很集中,这时候就不优先选用,优先选择那些自身分布差异大一些的指标

  

以上,基于这三个标准,可以避免大海捞针瞎做实验,也能避免做出来被运营批判为:“这有啥用”。

  

有同学会觉得,这个过程和做风控模型时找特征很像。确实很像,但有区别。风控模型对应的业务动作只有“通过/拒绝”两类,所以完全不需要考虑那么多。

  

而做给运营的用户细分,运营落地时要考虑:活动主题、时间、产品、卖点、传播渠道……一大堆玩意,所以必须考虑哪些维度对运营有用。

  

▌第三步:尝试细分,观察结果

  

有了分类维度,我们可以尝试对分类标准做切分:

  

六张图,详解用户群体细分怎么做

  

这里又有三个很纠结的问题:

  

● 到底每个分类维度分几段

  

● 到底要加多少分类维度

  

● 到底分多少类合适

  

先从结果来说:原则上,最终分类数量不宜太多,每个群体要在运营看来有可操作意义。

  

运营做活动要设计海报、备货、开发系统、准备投放资源,因此如果群体规模太小,是不适合单独做活动的。所以做用户细分时,习惯上限制群体最大为8类(每个群体都大于10%的份额)至于具体规模大小,可以根据项目目标,运营情况做设计。

  

在这个大原则下,意味着分类维度和每个维度的切分都不可能太多,尽量选关键维度,关键切分点。

  

如果维度太多可以考虑用降维算法来做压缩。在每个维度切分时,需注意以下问题:如果单维度分段,发现某些分段有特殊性,就不能随意合并(如下图所示)

  

六张图,详解用户群体细分怎么做

  

总之分类的过程需要反复尝试很多步,直到最后输出理想结果为止。

  

3

  

特别说明:用户细分和推荐算法的区别

  

很多网上的文章会把用户细分和千人千面的个性化推荐混淆。虽然口头上,很多人会说:我们做用户细分是为了了解用户需求,实现千人千面的效果,可在在业务上这是两个含义。

  

针对一个细分群体,运营可以做很多引领性、创新性动作。比如我们想壮大高端用户群体,那完全可以推出全新的产品系列、全新的奖励政策、全新的服务来吸收高端用户。只要我了解了他们的喜好、行为习惯,就能做得很精准。

  

但是,全新设计的前提是该用户有一定体量,值得我这么干。所以,做细分时就不能考虑非常多维度,切得特别细,搞得很促销复杂无比。我要昭告天下,让大家都知道我们在干这件事,才能形成从众效应,获得更大效果。

  

推荐系统则不受此限制,推荐系统完全封闭了信息渠道,每个人看的都不一样,只要能提高一点用户响应率就行。所以推荐的都是现有的,存量的产品,尽量实现用户和产品的匹配。

  

推荐系统可不能产生新创意和新效果,也设计不出新产品。所以完全不用纠结:我拆分的到底细不细,只要能达成业务目标就行。

  

4

  

小结:用户细分的真正难点

  

看完整个过程,大家会发现用户细分,是个 原理简单,操作复杂

  

的东西。操作复杂,完全不是建模过程,而是对目标的把握,对维度筛选,对切分大小的把握,都得考虑业务上需求。

  

虽然数据、统计学给我们提供了很多工具(分类工具、降维工具)可真正用到实处还是得考虑具体业务场景。我们从来都不缺少会背课本的学生,我们缺少的是会考虑实际场景的分析人员。

  

很多新人上路不明白这点,你问他:

  

● 用户细分服务什么目标?

  

● 运营口中的“核心用户”指的是消费高?活跃多?有转介绍行为?

  

● 知道了“男/女”运营又能做什么事情?

  

● 运营有几种手段能达成目标?

  

● 如果只有200元消费差距,运营有多少空间做事?

  

他们的回答当然是:统统不知道。

  

然后还倔强地反问:你管这干啥!!!我就想知道,就没有一个电商行业做Kmean聚类权威标准的分类数量吗!!!到底是5还是8!!!

  

╮(╯▽╰)╭

  

_特别提醒_

  

_活在学校图书馆的书本里_

  

_是无法解决企业实际问题的_

  

作者:接地气的陈老师,微信公众号:接地气学堂。十年资历的数据分析师,拥有多个行业的CRM经验。