营销数字化最重要的画像是行为画像
用户画像大致分两类:一是用户属性画像;二是用户行为画像。
用户属性画像,比如性别、年龄、收入、兴趣爱好、活跃时间,居住地。前面讲到的高端新品铺货终端,也是属于B端用户的属性画像。
用户属性画像,可以用于产品开发,比如寻找目标用户;可以用于产品推荐,比如用户画像是“宝妈”,那么,就可以根据宝妈的需求特征,向“宝妈”用户推荐适合的商品。
在线推荐系统,把相同画像的用户称为“邻居”,根据“邻居”的喜好推荐给用户。
传统营销也做用户画像,更多的是用户属性画像。大数据也做用户属性画像,比如新品研发,比如B端用户画像。但是,针对C端用户的大数据画像,更多的行为画像。
如果说用户属性画像是根据画像“猜测“用户行为的话,那么,用户行为画像就是根据以前和现在的行为,预测下一次行为。
行为已经产生,预测下一次行为就相对比较容易。
营销数字化最重要的画像是行为画像。行为画像与属性画像不同,属性画像有一定的稳定性,因为性别、年龄是稳定的,兴趣爱好也有相对稳定性。但是,即便是同一个人,行为变化也很大,比如抖音用户,今天喜爱的内容,明天或许想换一个口味,那么,只要用户做出改变,用户行为画像立即做出改变。
很多今日头条的用户曾经抱怨,头条把自己的喜好固化了,自己其实想看更多的新东西。但是,即使“想看”,只要没有付诸行为,画像就不会改变。只要用户尝试做出改变,画像就立即变化。
那么,什么是用户行为?在今日头条上,用户行为包括点击内容、阅读时间、点赞、评论等,根据这些行为进行画像,然后确定以后推送的内容。
亚马逊是利用用户画像推荐的鼻祖,亚马逊通过用户在站点的行为,包括浏览物品、购买物品、加入收藏夹和wish list等,以及评分等用户反馈方式,共同构成用户画像,并用于下列用途:
1、当日推荐。根据用户近期浏览和购买记录,结合当下流行物品给出一个综合推荐。
2、新品推荐。采取基于内容的推送机制,将一些新产品推荐给用户。由于新产品只有较少的用户喜好数据,基于内容推送就解决了这个问题。
3、关联推荐。采用数据 挖掘技术对用户的购买行为进行分析,找到经常被一起或被同一个人购买的物品集。在图书购买中,这类推荐就非常多。
4、他人购买/浏览物品。这是物品的协同过滤推荐,通过社会化机制,用户能更方便地找到感兴趣的产品。