momo电子书

手机浏览器扫描二维码访问

第二章 先区分后描述全面认知用户特征（第4页）

VIP理财顾问这个产品是从零开始的，我们没有任何用户数据，只能先做一个分析：我们的用户是谁？他们在哪儿？

要想先假设这个VIP理财顾问的用户画像，就需要对金融理财行业有一定的认知，或者对理财用户有一定的认知。

不论是分析从业经验，还是分析通过搜集行业数据得到的结论，都需要一些初步输入，才能做判断。

假设我们初步判断，会接受VIP理财顾问的用户，应该是三四十岁的中年人，那么接下来我们就要有针对性地获取这些人的特征。

我们需要找到这样的人来获取特征，他们可能在某些方面已经体现出了需要VIP理财顾问的特征（比如已经在使用某些理财顾问的服务，或者购买了许多风险很低、收益也很低的理财产品等）。

简单的方式是，我们定向找到一些类似的人，做深度访谈和了解，看他们具体的工作是什么，生活状态和各种社会属性如何。

比较耗费资源的方法是，我们通过一些公开或非公开的渠道得到某些同类产品的用户信息。

最终得到的结论可能是，目标用户是三四十岁的中年人，是中产阶级群体，在一线城市高新技术或者金融行业工作者居多，有较高的收入，但工作繁忙，无暇关注和打理自己的财产。

他们通常居住在中高档小区，大部分有车，小部分有房，大部分结婚，小部分已经有孩子，等等。

有了这些特征，基本就可以定向做许多事情了。

比如，如果他们中从事互联网和金融行业的人居多，文化程度也高，比较信任知名品牌的产品、有光鲜履历的顾问，那么我们的这个顾问产品就应该往精英化的方向发展，寻求互联网巨头或者金融巨头的背书，寻找背景非常硬的金融出身的顾问，这样产品的核心竞争力就被打造出来了。

案例1提到的是如何判断当前用户的潜在需求，案例2提到的是如何寻找潜在用户，接下来说说如何梳理当前用户的不同需求。

案例3

我们现在依然做P2P金融产品，不过已经发展到了一定规模，需要研究功能上还有哪些可以优化的地方。

经过分析发现，现在的产品形态都比较单一，几乎都是收益率为4%~6%、半年锁定期的理财产品A，因此用户群体也比较单一。

在此基础上，应该有优化的空间。

于是我们可以做一些尝试。

原则上，任何尝试都可以做，不过还是要考虑成本问题（同样，后文会详细展开这种迭代思路）。

我们做了一些存量用户分析，发现有10%的用户倾向于更高的风险，有30%的用户倾向于更灵活的周期。

接下来就可以试探性地提供一些类似的产品，比如收益率能上浮到10%，但风险更高的产品B，以及30天锁定期，但收益更低的产品C，然后看用户数据的反馈。

结果可能是，有15%的用户转移到了产品B，有40%的用户转移到了产品C。

我们继续做用户特征分析，发现产品B和产品C的用户在年龄、收入和工作类型方面的确有很大不同，比如产品B的用户年龄比较小，从事互联网工作，因此有冒险精神，而产品C的用户工作闲暇时间较多，因此希望理财的自由度更高。

这样就可以通过这些间接特征，将用户分层为A、B、C三类产品的目标用户，后续在新用户注册时一旦做了标签定义就可以做定向推荐。

在存量用户的特征发生变化时（比如升职加薪，从A变成C），也可以依据用户的特征变化来做产品推荐和调整。

这三个例子都是在不同的应用场景下，对用户群体先用群体特征进行抽象识别，再用更具体的用户画像来认知的一个过程。

可以看到，需要抽象的特征、最终抽象出的群体标识，都跟我们的目的息息相关。

从单一用户群体到用户群体矩阵多视角认知

从上面的例子可以看出，用户群体在不同阶段需要做不同区分。

在产品刚刚萌芽时，更多的是寻找潜在用户的群体特征，以及判断当下核心用户的特征。

对于这种单一用户的群体特征，可能是指向性很明显的一个维度，例如上门美甲的用户，就是25岁左右有一定消费能力的都市女性。

这需要典型的用户画像，就像前文所述的河北女孩。

这样我们就能够通过特征快速寻找我们所需的属性，不管是在做运营活动时要选取地点（目标用户工作和居住的聚集地），还是在做功能和服务时要做判断，都能够有一些参考，可以专门满足这些用户群体的需求。

在逐步发展到一定规模后，就有能力提供更丰富的功能和服务了，这时，就需要做人群划分。

比如25岁的女性与30岁的女性在许多层面的认知和需求就不太一样，她们需要的样式有差别，对服务品质的要求有差别，对智能手机的使用方式也可能有差别，都应区分对待。

住在市区和住在郊区的用户，也有不同，住在市区的用户比较集中，提供服务的成本和难度小一些，而住在郊区的用户比较分散，合理进行订单分派就比较困难。

能够有针对性地做不同人群的拆分，原本让大家都体验到的60分服务也许就会变成80分。

到用户规模更大或者有能力提供更个性化服务的阶段，就不仅仅需要分几类用户群体去提取特征了，可能需要从每个维度都拆分出不同的群体。