用戶畫像高大上但90%的人都做失敗了

用戶畫像高大上，但90%的人都做失敗了！01用戶畫像失敗的標志大家自己是不是也經常疑惑：“用戶畫像有啥用？”如果有，恭喜，你的項目做撲街了，就這么直觀！

當然，更多的撲街方式，是剛開始做用戶畫像的時候，業(yè)務部門搖頭晃腦地說：“我們要基于用戶畫像，詳細深入地了解用戶，比如用戶性別，年齡，地域，喜好，消費習慣，……這樣我們就能精細化決策了”。然后數(shù)據(jù)部門哼哧哼哧搞了幾個月，打了30000個用戶標簽，還得意洋洋地跟領導匯報：“我們的用戶畫像大數(shù)據(jù)建設取得長足進步”。然后項目第一期匯報會上，數(shù)據(jù)部門得意洋洋地講到：l

我們的用戶男女比例6:4l

華南地區(qū)占比30%，華東25%l

購買A產品占比50%

業(yè)務部門一個白眼拋過來：l

我早知道了l

我們的用戶都是這樣的呀l

你做這有啥用？

╮(╯▽╰)╭

當然還有更慘的，就是你貼個“忠誠用戶”的標簽，業(yè)務方說：哦，既然那么忠誠，就不做啥動作了，結果丫下個月不消費也不登錄了！你貼了“A產品愛用者”的標簽，業(yè)務方推了A產品，丫沒有買！業(yè)務方怒氣沖沖找來算賬：“這用戶畫像一點都不精準嘛！”于是項目徹底涼涼。

吐槽歸吐槽，問題到底出在哪里呢？02用戶畫像項目失敗的表面原因▌原因一：混淆了過去和未來問1：一個用戶昨天買了蘋果，前天買了蘋果，大前天也買了蘋果，他今天買不買蘋果？問2：一個用戶買了醬油，雞翅，可樂，請問他是否還需要買竹簽去燒烤？

思考一秒鐘，不用思考一秒鐘，大家都知道，答案是：不一定，不一定，不一定。連續(xù)買蘋果，有可能代表他喜愛吃蘋果，也有可能已經買了很多了所以不買了。買醬油+雞翅+可樂，可能是去燒烤，也可能是做可樂雞翅。過去的行為不等于未來的行為，未來的行為需要進行預測。無論預測的方法是基于業(yè)務邏輯的推理，還是基于算法模型的計算，都需要經過數(shù)據(jù)分析和試驗驗證。只有表現(xiàn)穩(wěn)定的預測方法，才能被采納。

然而做用戶畫像的時候，業(yè)務方經?；煜@兩點。往往對著過去發(fā)生的行為貼一大堆標簽，對未來預測毫無概念，在預測分析上半點投入沒有?？从脩舢嬒駡蟾?，或者在CDP里設置推送規(guī)則的時候，想當然地認為：過去買了以后也買。最后預測不準，反而把鍋甩給用戶畫像系統(tǒng)。結果自然悲劇。▌原因二：混淆了行為和動機

問一個簡單的問題：一個用戶在過去30天內，有1天來我們家購買產品，請問該用戶是不是我們的產品愛用者？如果有2天呢、3天呢、4天呢……如果有30天呢？30天里天天都來買，肯定是愛用者了吧！

答：不一定。30天里天天都來買，你可以管他叫“高頻購買者”，因為購買頻率確實是很高。但是是不是人家很愛用我們的產品，不一定，因為你并不知道他到底愛不愛用，甚至不知道他用了沒用。購買頻次不能直接等同于用戶喜愛。用戶喜愛或者不喜愛，需要更多維度的數(shù)據(jù)進行分析，并且分析結果得有一定概率的穩(wěn)定性，才能這么叫。

類似的，很多企業(yè)里，業(yè)務方和數(shù)據(jù)分析師，對待這種“愛用者”等等名詞使用非常隨意、粗糙，基本上都是用消費金額、登錄頻次等等，高了就算“喜歡”、“愛用”，低了就算“邊緣”“嘗試”。做出來的結果，自然是毫無準確性可言。不用說，出了問題，比如推薦產品沒有人買之類，又算在用戶畫像頭上。▌原因三：混淆了原因和結果問：累計消費10000元以上的用戶，都購買了5次以上，所以讓用戶購買5次，用戶就會累計消費10000，對不對……當然不對呀。然而業(yè)務方經常這么干！拿著過往消費高的用戶行為，往消費低的身上套，認為只要消費低的模擬了某個數(shù)字，就能成為消費高的。還沒其名曰：“魔法數(shù)字”。很有可能從源頭上，消費高的和消費低的就是兩類人，應該通過深入的分析搞清楚到底驅動行為的原因是什么。

從表面上看，用戶畫像失敗的原因，在于：重數(shù)據(jù)，輕分析。過分投入精力細化已經發(fā)生的行為，貼了太多太多事實性標簽。對預測投入力度不夠，對因果關系分析不夠，對用戶需求洞察不夠。最后判斷全靠業(yè)務拍腦袋。你問他為啥基于這幾個標簽推產品/活動，他答的都是：l

我覺得他都買了那么多次，他這次肯定買l

我覺得他買過相關產品，他這次肯定買l

我覺得他買了A，怎么也得買B

看了用戶畫像以后拍腦袋，和看報表拍腦袋都是拍腦袋，沒有本質區(qū)別，謝謝?；谶^去的數(shù)據(jù)搞一堆標簽，很容易；沉淀有預測力、有準確度的用戶標簽，很難。不但需要深度的數(shù)據(jù)分析和建模，更需要反復的，多輪的，對比性測試。不是一蹴而就。所以在業(yè)務部門自以為很懂，數(shù)據(jù)部門喜氣洋洋地宣布“打了三萬個標簽”的時候，禍根就已經埋下來了。

然而，同樣是業(yè)務期望值太高+數(shù)據(jù)準備不足的場景，為啥用戶畫像類項目，比數(shù)據(jù)模型類項目還要容易撲街呢？03用戶畫像失敗的深層原因深層地看，因為數(shù)據(jù)建模的難度高，所以業(yè)務方對中間過程無法參與，只能對著結果品頭論足。做建模的小哥們，只要自己不作死，不閉門造車，主動降低業(yè)務期望，是能夠很大程度上避免問題的。所以建模項目失敗，基本上是盲人騎瞎馬的結果。

但用戶畫像項目正好相反：業(yè)務方以為自己很懂！做數(shù)據(jù)的小哥也以為自己很懂！幾乎所有的業(yè)務方一提用戶畫像，都會說這句：“比如，我知道用戶是24歲，女性，我就會推一個XX產品給她”大家都以為：我自己很懂，就差一個數(shù)了！快給我數(shù)。于是業(yè)務不停催著數(shù)據(jù)把過往數(shù)據(jù)做得再細、再細、再細，數(shù)據(jù)則在打標簽路上一路狂奔。最重要的預測、分析、實驗三件套沒人搞。

當然，這種基于過往數(shù)據(jù)的標簽，對有些部門是有用的——對客服、供應鏈、物流這種支撐部門有用。比如客戶接到一個客戶投訴“為啥售后師傅還沒上門?。。?！”如果沒有打標簽，客戶得輾轉好幾個表，確認：客戶買的是啥產品、是啥時候，產品機身號、啥時候約的師傅之類細節(jié)。光確認過程就把客戶氣個半死。有了標簽，刷刷幾下就能定位到問題，能極大提升客戶體驗。

但悲劇的是，這種有用性，只是讓運營、營銷、策劃、設計等需要動腦子、做創(chuàng)意、想策略的部門更加自負而已。更加強了他們“我真的好厲害，就差一個數(shù)了！”的感覺。于是悲劇就源源不斷了。如果說建模是盲人騎瞎馬的話，用戶畫像項目，就是騎著電動車搓著手機逆行闖紅燈——電動車自以為自己是個車，騎電動車的自以為自己騎得666。

為了規(guī)避這種問題，陳老師經常用這招。當業(yè)務方張嘴“如果我知道24歲，女性，我會推A產品”的時候，直接從數(shù)據(jù)庫里查出來最近一個月24歲女性到底有多少人買A，然后懟到業(yè)務方臉上：“不需要用戶畫像，我現(xiàn)在告訴你，購買率就是12%。你還上用戶畫像干啥，讓你的小哥按規(guī)則跑數(shù)就好了呀”這時候，但凡靠譜一點的業(yè)務方，都會立馬清醒過來這里的問題，表示：這么簡單的拼接不