实操案例:从5个维度出发,构建高质量的用户画像

一、为什么需要用户画像

作为一个产品经理,我们总是希望自己做的产品能够很好的满足用户的需求。但是每个人都受限于自己对于事物的认知,可能会导致对用户的理解出现偏差。

尤其是当团队里每一个人都把自己当做用户,以自己对于产品的理解当做用户对产品的理解来定义需求,就容易出现所谓的“弹性用户”,每个人都说是为了用户体验着想,但这样定义出来的用户显然不是产品真实的用户。

所以用户画像这个工具就出现了,它是一些真实用户构建出来的原型,用来帮助产品设计人员有针对性的制订产品功能,服务策略,销售策略,从根本上来讲,用户画像是就是帮助产品经理了解用户的。

但我们构建出来的用户画像真的能够帮助到我们吗?我们来看一个常见用户画像的例子:

实操案例:5个问题构建出高质量的用户画像

图片来自百度

在这个用户画像中,我们看到有用户的一些年龄、性别、学历、婚姻状况等基本信息和工作信息,还有用户的一些特点和目标,感觉很完善了。

现在这个用户处于无房无车的状态,那么问题来了,假设我现在是一个卖车的商家,我应该给她推荐什么样的车?

也许你会说,她比较文艺,那么应该给她推荐带有文艺气息的车。

也许你会说,她注重享受,那么应该给她推荐配置豪华的车。

也许你还会说,她没车的同时也没房,那可以给她推荐个房车,同时解决了房和车的问题。

于是在有用户画像的情况下,“弹性用户”依然出现了,那么问题到底出在哪呢,这个用户画像为什么不能帮助我们作出正确的决策呢?

二、人口结构≠用户画像

用户画像最早是由Alan Cooper在提出的,在经典的著作《About Face》中有专门的一个章节是讲用户画像,他在书中提到用户画像的核心是观察用户,把观察到的行为的一些独特的方面列出来,形成一个行为变量集

虽然说人口变量(比如年龄、性别、学历、地理位置)等等因素对于行为也有一定的影响,但是这种影响并不能构成用户与用户之间差异化的核心。真正形成差异化核心的是用户的行为,更深入的来说,是用户行为背后的动机

所以这就是为什么上面那个用户画像没办法帮助我们做一个卖车的策略,因为它并没有告诉我们当用户买车的时候,主要考量的因素是什么,是价格,品牌,还是其他的因素。

常见的用户画像错误还有描述用户生活中的一天,因为通过观察用户一天的行为只能观察到他做了什么事情,而不能观察到他做这件事情的动机是什么,尤其是对于买车这样决策周期很长的事情来说,观察用户某一天的生活其实意义并不大。

这里我们就要讲解一个概念,叫考量度。什么是考量度呢?它是指用户在做一个决策之前,所需要思考的程度,从思考的多少可以分为高、中、低三个考量度等级。

举个例子来讲,买房对于绝大多数的国人来讲都是一件大事,需要慎重考虑而不是随随便便就作出决策,在真正见到销售人员之前,用户可能已经经过多方面的考察,比如地段,价格,配套等等因素。至少60%的决策都是在见到真正的产品之前就已经完成了的,这种用户经过了深入的自我剖析,可以明确的知道甚至说出自己决策的依据是什么的产品,我们称之为高考量度的产品。

而低考量度的产品则相反,它是一种用户在无意识的情况下作出的决策,例如刷新闻feed流的时候,是看这一条新闻还是看那一条新闻,或者点外卖的时候是吃这个菜还是那个菜,让用户说出这个决策的依据可能很难说出来,这种产品我们称之为低考量度产品。

中考量度产品则介于两者之间,用户在看到产品之前可能并不知道自己具体想要一个什么,只有一个大概的选择范围,但是当看到了产品之后,就会有那么一个产品特性触动用户,让用户做出了购买的决策,并且在事后用户也可以说出是什么因素导致了购买的行为,这种产品我们称之为中考量度产品。

根据产品自身的属性分清楚了是哪种考量度的产品之后,我们才可以知道我们要如何才能构建我们的用户画像,对于中高考量度的产品,因为用户可以明确的说出促使自己购买的决策,所以适合于用定性访谈的方式来了解用户的决策动机。

而对于低考量度的产品,用户的偏好很难把握,也可能随时会变。这种产品则不适合于用访谈的方式,而是应该通过大数据标签统计来进行建模分析,实时的分析用户的偏好,然后通过AI算法智能推荐给用户喜欢的商品。

三、如何构建用户画像

低考量度的用户画像涉及到AI特征工程,我会在另外的文章来做讲解,这篇文章主要讲中高考量度的产品如何构建用户画像。

我们刚刚已经知道了对于这类的产品,最好的方式是通过定性访谈来确定用户的决策动机,而具体的访谈问题,可以从如下5个角度来进行设计,这5个问题是这样的:

  1.  优先动力,是什么样的起因让用户需要一款产品;
  2. 成功因素,用户希望使用产品之后得到什么结果;
  3. 可知障碍,用户不选择你的产品的原因是什么;
  4. 买家历程,用户从想法到结果之间经历了怎样的决策历程;
  5. 决策标准,当用户在选择产品时最看重的是哪个因素。

我们来看一个实际的例子,起点学院希望构建培训学员的用户画像,于是对学员进行了访谈,学员描述如下:

我是化工专业毕业,有两年传统制造业经验,希望转产品经理是希望能进入朝阳行业,未来获得更高的职业高度,去做那个设计方案解决用户痛点的人。

确定了目标之后,接下来的问题就是如何成为一名产品经理。对于转行的同学来说,转行意味着降薪、零经验,比别人要付出更多的努力。

对于要转行的我来说,如何才能快速入行做产品经理呢。 首先要了解产品经理需要具备的能力,其次要知道怎么样培养相应的能力,通过招聘网站可以查到产品经理需要具备的能力,针对这些能力进行自测,看看目前还有哪些能力欠缺。而我目前最欠缺的是如何提升自己的能力以及产出一份可以用于应聘的作品。

一般而言有两种方式,自学和参加专业的培训,我先试了自学但是找不到方向,学习周期长,也难以有大佬进行指导,最关键的是容易放弃。

综合考虑之后还是决定选择起点学院的产品经理特训营,一来有BAT的产品大咖亲自指导,可以快速系统性构建产品知识体系;二来课程着重培养思维,产品实战作业还有老师亲自指导纠错,最终会产出可用于找工作的作品集。

通过这段访谈,我们可以提炼出一些关键的描述,例如用户的优先动力是获得更高的职业高度,可知的障碍是担心缺乏实战经验,没有作品集,学习不够系统,而决策的标准是希望能快速构建系统的知识体系。

我们对号入座的把用户说的话和五个问题一一对应起来,用概述性语言来总结用户的描述,这样就形成一份用户画像:

实操案例:5个问题构建出高质量的用户画像

转行学员用户画像

那么接下来的产品设计和运营,就可以围绕这份用户画像来进行。

针对的用户目标人群可以确定为那些在职业上缺乏突破,希望获得更高职业高度的人群。针对这部分用户人群进行营销,在投放的渠道上可以考虑通过招聘网站的产品经理岗位JD的广告位。

在广告的设计中,重点放在两个方面,一是打消用户的可知障碍,转行并不一定意味着降薪,并且通过培训这种系统的学习,可以节省大量的自学时间。二是针对用户的决策标准突出自己的优势:大咖指导,注重培养思维,有实战作业老师指导和能产出作品集。

在课程的设计上,着重对于产品思维的培养,并且加强对于学员的一对一指导,让学员产出能用来找工作的作品,实现用户对于转行的期望,真正做出贴合用户需求的产品。

四、我们需要多少个用户画像

我们通过上面的一次访谈案例产出了一份用户画像,但因为产品性质的不同,有些产品用户与用户之间会有很多的差异,考量的点也不尽相同。例如企业SaaS服务产品中可能涉及到很多角色,购买者,决策者,管理者,实际使用者都有各自的考量。

即使是用户群体在人口结构上类似,用户群体之间因为价格因素,用途因素等等的考量度也有很大的差异,例如汽车之家对于购车用户的画像分类,其中我标注红框的部分是关键的考量因素。

实操案例:5个问题构建出高质量的用户画像

汽车之家购车用户画像

所以用户画像的个数并没有绝对的定义,而是需要根据用户的考量要素来进行归类,如果发现用户考量的点完全不同,则可以归类为不同的用户画像,而如果用户的考量要素绝大多数相同,只有小部分考量要素不同,则可以合并为同一个用户画像。

通过定性的访谈构建出用户画像之后,就可以通过问卷来进行定量研究,验证用户画像的真实性,将用户画像五个维度的要素作为问卷的问题,将画像的考量点关键词作为问题的选项,一份定量调查问卷就设计完成了。

通过回收问卷的数量,可以分辨出哪些画像是我们重点的用户人群,哪些画像是次要用户,以及哪些画像是非用户。

实操案例:5个问题构建出高质量的用户画像

问卷定量调查

五、访谈什么样的用户

我们搞清楚了如何做用户画像之后,接下来就是去找到对应的用户进行访谈了,但是我们具体要访谈什么样的用户,什么样的用户是我们访谈的重点,什么样的用户又不适合去进行访谈呢,我们在这里对用户类型做5个归纳,分别是:

  1. 考虑了你们的产品并且选择了你们的人;
  2. 考虑了你们但是选择了竞品的人;
  3. 考虑了你们但是决定维持现状的人;
  4. 未考虑你们并选择了竞品的人;
  5. 正在考虑你们但还没有做决定的人。

对于第一类用户,因为他们已经选择了我们的产品,我们已经可以把他们称之为客户了,这类人群可以可以进行访谈,通过对他们的访谈可以知道我们做对了什么事情让用户选择了我们,强化我们的优势,并且他们可以帮助我们发现产品的问题点,让我们做得更好,但对于一款中高考量度的产品来说,通常来讲决策周期比较长,且复购率较低,他们并不是我们访谈的重点对象。

对于第二类考虑了我们但是却选择了竞品的人,这类用户是最具有访谈价值的用户,他们能告诉我们到底做错了什么事情导致我们明明已经在用户选择的范畴里但是最终获胜的却是竞品。只有直面失败才能知道自己的薄弱项在什么地方,并不断的从失败中迭代升级,在激烈的市场竞争中获胜。

第三类用户考虑了我们但决定维持现状,什么决策都不做,在实际的工作中,这类用户很难找到,也不是我们访谈的重点。因为在目前这个阶段,用户的需求可能还不是一个痛点,而只是痒点,缺少对于自己内心诉求的探索过程,还需要更多的因素来吊起用户的兴趣。

但是这只是说这类用户目前还不适合访谈并构建用户画像,并不是说产品经理在用户处于这个阶段的时候就可以什么都不做了,我们可以利用经典的消费者行为学AIDMA模型,识别用户目前所处的决策阶段,然后针对性的做一些刺激,引导用户向下一个阶段进发,关于这一块不属于用户画像的内容,这里就略去不表。

实操案例:5个问题构建出高质量的用户画像

第四类用户是未考虑我们而直接选择了竞品的用户,出现这类用户的原因可能有两个:

一个可能是用户所在的渠道没有覆盖到,可以通过访谈的方式询问用户是如何知道竞品的来发现这些渠道,增大自己的宣传力度;另一个可能就是竞品可能形成了什么核心竞争力是目前的我们还不具备的,当出现这种现象的时候,就要评估我们自身具备的资源,是跟进竞品的做法提高自己的竞争力,还是调整方向与竞品进行差异化的竞争。

第五类用户是正在考虑我们但还没有做决定的人,这类人不要去访谈他们,因为这时候进行访谈很有可能对用户的决策造成干扰,影响最终的销售。

除了这五类用户之外,对于中高考量度的产品而言,最终的决策通常有多个干系人,例如像儿童教育这种典型的购买者与使用者分离的产品,实际的使用者是孩子,购买者通常来讲是父母,但是孩子的爷爷奶奶,叔叔阿姨都有可能成为决策的干系人,这类不直接购买和使用,但是对于用户的决策有极大影响的人也是我们访谈要考虑的对象。

六、用户访谈注意事项

1. 了解自己的访谈对象 心中有数,不打无准备的仗

在访谈之前,最好了解被访谈者的基本信息,这样才能有针对性的进行发问,在1939年举世闻名的电影《飘》正在美国放映时,女主角费雯丽从英国飞抵美国,结果一个萌新记者问到:“你在《飘》中扮演什么角色”,得到的回答是:“我无意同你这样无知的人交谈”,这就是访谈前没做好准备的反例。

2. 准备访谈工具

最好用的访谈工具是录音,因为访谈一般会持续较长的时间,把访谈的过程录下来方便事后整理,并且在访谈的过程中也可以不用分心去做记录,而是专注于和用户的沟通。

当然在进行录音之前需要先征求用户的同意,如果不同意的话,建议是找个伙伴一起参加访谈,一人谈话一人记录,分工合作。

3. 如何提高自己的访谈技巧

模仿优秀的访谈是最快速提高访谈技巧的方法,这里推荐大家可以看一下鲁豫、杨澜、白岩松等名嘴的访谈录,学习他们是如何打开话题,并且如何从对方的回答中找到能够将话题进一步深入下去的措辞。

另外还可以学习一下冷读术的谈话技巧,可以帮助你快速获取被访谈者的信任,产生共鸣。

总结

用户画像,实际上是通过了解用户做选择的标准,来帮助我们更好的设计产品,就像诺贝尔文学奖得主阿尔伯特·加缪说过的那样:生活是你所有选择的总和。

你无法说服你的用户,只有用户自己作出的选择才可以说服自己。

以上就是对用户画像的一点经验,希望能对你有所帮助,大家有什么看法也欢迎在评论区讨论。

本文由 @黄瀚星 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

以微保/众安/今日头条为例,分析“用户画像”对互联网保险的意义


怎样定义保险产品的用户画像模型?用户画像对互联网保险意味着什么?拿到用户数据后如何服务于业务转化?来吧,看看互联网巨头们都是如何探索用户画像的。

全文思维导图如下:

一、几个标准的用户画像模型

以下提供几个标准的用户画像模型,基本都是在海量的产品和长期的实践中验证过并反复打磨的模型。各位就地取材直接使用即可。

1. 经典画像模型:羊群模型和人像模型

早期的用户画像重在写实,一般是根据产品本身的用户使用场景进行提炼

大体可以区分为2个大类:

A 基于社交属性的羊群模型

原始的社交场地就像一片未经开垦的草地,植树种草都是为了吸引羊群进入,一支头羊会带来一群羊,当羊的食草需求超过了草地的负荷,羊群可能会离开,而草地可能也会荒芜。这个场景形象地描绘了大部分社交产品的形态,比如:微博/微信等。

这与传播学中的“创新扩散理论”也有一定印证,早期的创新和使用者将承担KOL意见扩散的职责,成为头羊,吸引并带来大量的中后期进入者,即羊群。

我们类比如下:

B 基于电商属性的人物模型

在电商的场景下我们需要提取经典用户想象,以这个用户形象往外辐射。所以虽然现在巨头电商的商品重合度是较高的,你可以在京东淘宝买电器也可以在拼多多买,但最原始的经典用户形象则决定了他们最核心的用户群体和最基本的产品调性

我们类比如下:

结合

互联网保险产品因其特殊的属性,往往兼具了两者特色:

  • 一方面保险本质贩卖的是契约是产品(电商属性),这就像你在平安APP/支付宝APP买了一年期的医疗险;
  • 另一方面保险需要基于信赖感,尤其是在中国这一片大部分还对保险存在偏见的地域,基于“羊头”的引领将更好完成保险的销售,即:你更可能在信赖的人/平台/公司购置保险产品。

2. 用户标签体系

用户画像由标签库构成,PM着力通过不同场景和条件提取尽可能海量的标签,并对散乱的标签池进行加工提取和维护。

进而,每个用户基于个人的人口统计学+基础操作反馈,将得到各种专属的标签,比如:“男性”“三线城市”“成熟用户”“睡前活跃”“收入中等偏低”等等。

另外我们需要注意的是:不同标签在不同场景有不同含义

比如:某个保险公司接入电商平台,在用户购买某类型产品后提供对应的保险产品和服务,用户性别上的“男”和“女”,在电商是商品推荐逻辑,在保险却是可配置产品逻辑。

(图自网络,侵删)

3. 分布式智能画像阶段

用户画像模型是随着用户数据的完善和技术力量的强大持续优化的,当平安保险拥有了几亿的用户量后,再用粗放的标签库处理海量用户,则是对用户数据的极大浪费。

大型的产品,基本都会维护自身的全视角画像,比如:自然信息+社会信息+业务信息+特殊偏好。

不同的产品可能需要维护的360度全视角画像不同,需要结合产品的业务属性一起考虑。

(图自网络,侵删)

二、巨头们是如何探索保险用户数据的?

上文我们讲到,当产品已经到了亿级别,海量的用户画像原本就是最有价值的资源库,尤其是对于保险类产品。

互联网巨头们均先后下场瓜分保险这块沃土,处于金融监管的严格要求,通过收购或者入股的方式拿到牌照的仅有少数,如:腾讯/阿里/字节跳动等,而更重要的是如何在合规的层面上做更大的突破。

1. 今日头条对保险兴趣人群画像的初步探索(2017年)

早在2017年,今日头条已通过资讯获取方式的不同,探索了对保险有兴趣的人群画像的特质。而现在,大大小小的创新保险服务,如:蜗牛保险公司,深蓝保,白熊保等,均是通过生产原创的保险内容来直接获客完成付费转化,这份2017年的报告,或许对现在的保险内容原创还有一定借鉴价值。

A 人群基础属性

男性 >女性,北上川渝关注度领先全国

注意:因为这是基于今日头条APP上的调查,因此原本的APP用户画像的人口标签则有可能影响保险星群人群的用户画像。

B 资讯偏好

1. 话题:养老保险话题强势霸榜;购买保险的相关常识最易被收藏,在收藏排行帮上,车险话题强势霸榜;最易被分享的,则是购买保险陷阱类文章。

2. 品牌偏好:中国平安、中国人寿稳居前两名,泰康人寿关注人群有年轻化趋势,安邦保险在30岁以上人群中认知度更高。从地域分析,中国平安、中国人寿全国性覆盖优势明显。安邦、众安保险在超一线、一二线城市的品牌偏好度较高。央企、国企则在三四线城市的地域覆盖优势突出。

3. 热门话题top10:养老保险/医疗保险/失业保险/生育保险/工伤保险/财产保险/账户保险/车险/旅行保险/碎屏险。

4. 关注疾病top10:糖尿病/白血病/血友病/高血压/尿毒症/癌症/艾滋病/骨折/中风/痴呆。

2. 微保的用户画像调研(2018年)

微报是腾讯控股的保险平台,去年,微保联合腾讯用户研究与体验设计部(CDC)发布了《2018年互联网保险年度报告》,将保险成熟用户(即已经购买过复杂险的人群)分为四类:

  1. 高知新贵(33.9%)
  2. 思路清晰的奋斗青年(19.4%)
  3. 不爱计划的普通人(24.9%)
  4. 耳根软的传统大牌粉(21.8%)

该数据截止2018年6月,8.02亿网民中约有2.68亿人为保险成熟用户,占比33.4%。

而保险的高潜用户(指未来一年内有较为确定的购险计划的人群)规模估计2.17亿,未来用户(指没有较确定的购险计划用户)规模估计5.60亿。这2部分群体将是未来互联网保险公司继续深入的主要人群。

根据微保的这份报告,我们看到:高潜用户特征为“高学历、已婚、高收入”,对风险的担忧突出,除了保障外最看重保险的“强制储蓄”功能。而未来用户以两端用户(24岁以下和40岁以上)居多,超过半数未来用户没有在进行投资理财,因此对保险的投资理财属性更为期待。

3. 众安:技术方案产品化,输出海外

中国首家互联网保险公司,平安/腾讯/阿里联手的产物,2017年已在香港联交所主板上市。是业内第一家真正把“保险”+“科技”深度结合的互联网保险公司,通过收割长尾市场(如:退货运费险/碎屏险等)破局。

旗下的众安科技,基于成熟的自身互联网保险力量,已经可以对外输送保险相关的技术解决方案。以其智能营销平台为例:

其风控资深副总裁梁玉苹也曾强调:

“通过同时切入不同的消费场景,向用户提供保险服务来积累用户在不同消费场景下的信用标签,由此构建出全面而立体的用户画像。这些多场景、细颗粒度、实时动态的保单数据也是帮助用户触达到资金成本较低的传统金融机构的重要信用数据。

三、未来可发展方向

1. 互联网保险公司更精细化运营自身的用户模型

未来是用户数据时代,这意味着掌握的用户数据和画像越精确,可变现可改变的机会越多。相较于其他产品的不同,保险所收集的都是全真实个人信息及核心健康/财务数据

没有人会在买保险时填一份假数据,即便这是一份赠送的保险。

参考我们上述的各种用户画像模型,我们可总结如下:

内部画像(360全景画像)+外部行为数据=分类管理后精准触达/设计产品

  • 内部:客户个人信息,财务情况,健康状况,已购投保情况,每年保费支出,保险意识等等。
  • 外部:消费习惯,消费能力,人生状态,兴趣爱好等等。

2. 基于用户画像模型的精准营销

该营销多基于最开始的免费赠送展开

以微保等公司为例,0元免费赠送的短期险将获得用户的真实个人数据/财务数据/健康数据等核心数据,基于该数据更精准的营销方案已搭建好,就等着后期中长险的转化。

可营销场景包括:

1)人生阶段变化

毕业(就业险),结婚(家庭财产/重疾/账户安全),生子(寿险/女性专用险/养老金),儿女成长(健康险/意外险/教育基金/少儿意外),退休(住院医疗/防癌险)

2)人生状态变化:

账号被盗(账户安全/电信诈骗),买机票(航空/旅游意外),意外伤害(运动意外险),亲友得病(重疾/防癌/住院医疗)

3)场景结合:

网购/玩乐活动/乘坐地铁等互联网场景

概而言之,免费险种获取用户数据,以数据获取收益,如协助保险公司定价/精准锁定用户/增值服务等。

真实说明:世上没有免费的午餐。

3. 改变保险售前场景

A 产品需求:定制化的产品

传统的需求来源于保险公司主动开发(基于市场调研)+代理人或中介反馈+企业定制需求+第三方合作方定制。

有了精细的用户画像模型后,基于不同互联网场景,将产生大量新型需求及长尾需求。更“定制化”的产品将出现,而不再仅限于人寿意外健康险等,也不囿于碎屏和退换货险,再小众的保险需求也能找到对应的类需求用户群体。

该场景已在部分国外保险创新公司中出现,颠覆式保险模式。

比如:

Bought by many,基于社交吸引相同保险需求的人。

  1. 吸引类似客户(基于强大的用户画像模型库),签订统一保险条例。
  2. 根据需求定制化保险,完全打破传统产品结构设计/定价原则/销售方式,注重长尾和个性化。

B 产品定价革命

用户画像可与大数据等技术创新结合,使定价更精准,颠覆传统精算模型(定价因子+定价公式)。

保险的定价路径将随之改变:

从一口价(5%费率)——>精算定价(历史出现率为唯一定价因子)——>数据定价(多因子统计建模)——>大数据+用户画像模型定价(实时,动态的关联数据建模)。

高收益低理赔概率的产品将陆续出现。

注意,而该场景已在国外等多家创新公司实现,以车险为例,通过手机用户数据改变保险定价规则,提供增值服务。

比如:

Metromile,美国一家保险公司。

通过智能OBD(车载诊断系统)接入用户汽车,获取用户驾驶数据从而对车险重新定价,打破旧有统一化的定价模式。真正的“千人千价”。另外,还整合OBD和APP:APP提供终端服务,如停车场定位,汽车健康检测等增值服务。

Discovery,来自南非。

其健康险“健行天下”通过督促计划对客户健康行为干预,另外线上+线下数据评估用户健康状态,并提供奖励。这一模式在平安也早开始使用,App与你的每日运动及步数关联,鼓励用户运动并提供奖励。

4. 基于大量用户数据的核保模型

当前的核报模型已经可以基于“用户画像数据”+“案例经验”+“核保知识”提供及时准确自动化核保。

  • 其中,用户数据将形成评级体系,基于标准体系快速核保。
  • 另外,用户画像可与生物科技(即:基因检测+基因诊疗)结合,你的保险客户可能会骗你,但是他的基因数据一顶不会骗你。从而预知疾病及遗传病,防癌结合,补充完善了核保模型。
  • 此外,基于也出现了基于大量用户数据的反欺诈模型,数据来自:往期理赔case+央行征信+公安数据+芝麻信用等,反欺诈是保险公司风控的重点,也帮助了核保筛选剔除掉部分投保申请。

四、总结

互联网保险归根到底是对“人”的服务,而当社会生活中的“自然人”或者“集体”进入互联网保险世界,将标准化为一整套精准/极细颗粒度/360度全景式的“用户画像模型”,掌握这个模型,对互联网保险链接“人”的服务,将事半功倍。

参考数据

微保&腾讯CDC:2018年互联网保险年度报告

小米金融科技研究中心:用户画像在互联网保险领域的应用分析

今日头条:2017保险行业用户数据报告

本文由 @Joey 原创发布于人人都是产品经理,未经作者许可,禁止转载。

题图来自Unsplash,基于CC0协议。

按照用户画像设计、销售产品,为啥还是错?

作者:董枳君@商学院

 

根据不完整信息和固有经验确定的目标用户错位是谁的错?

从单纯的“服务战”升级到了考验运营能力的产品“销售战”,首先创业者要学的是如何找到目标用户,利用大数据圈定用户。这期《我是创始人》创业真人秀节目背后隐藏的案例决胜点正是在于对目标用户群体的分析以及销售策略的矫正,交互设计之父Alan Cooper提出的用户画像(persona)的理论,或许能够在实践中帮到创业者。

 

用户画像的信息采集及精准分析是打败竞争对手的第一步

简单回顾一下,面对完全未知的用户群,前浪队不愿意花费资金获取足够用户信息,只根据有限的数据和固有主观经验分析得出潜在消费为网购少的大爷大妈的错误信息,而后浪队分析出潜在消费为年轻人,在此过程中两队都不愿意共享信息,也没有敏锐觉察出节目组提供的较为“奇怪”的翻译促销员的意义。在前期其实是打成平局。

但最终 继续阅读

搞定用户画像只需5个步骤

文 |  崔伶丽 艾瑞咨询

有一句话是,千万人撩你,不如一人懂你,这句话在互联网圈可以说成是,真正的了解用户,才能得到用户,所以,用户画像的重要性不言而喻。

什么是用户画像?

用户画像可以简单理解成是海量数据的标签,根据用户的目标、行为和观点的差异,将他们区分为不同的类型,然后每种类型中抽取出典型特征,赋予名字、照片、一些人口统计学要素、场景等描述,形成了一个人物原型 (personas)。 继续阅读

用户画像实例:浅析用户画像中的标签构建

去评价一家企业数据化运营程度,或者说数据驱动程度,或者说是否是用“数据说话”。也许尝试问下面几个问题可以进行评估:

  1. 是否建设了“画像”?
  2. “画像”体系构建程度,针对什么对象进行了画像。
  3. 如何应用已经构建好的”画像”,已经构建画像的各种标签与指标。
  4. ……

画像为什么对企业那么重要,如何进行画像建设,我会后续把相关经验分享给大家,这篇文本更多从一些案例,让大家对于用户画像建设有直接的感觉。

标签是画像建设的基础

画像的建设过程分成下面几部分: 继续阅读