ソース |現実的なチェン先生

ユーザーのポートレートで支払い率が上がるのでしょうか?もちろんできますが、問題は「どうやって？」ということです。

数日前、クラスメイトAが面接中にこの問題に遭遇しました。生徒Aが手を挙げて言いました。「この問題の解き方は知っています！」 RFMモデルを構築し、ユーザーを27のカテゴリーに分類し、重要な価値ある顧客（111）にVIPステータスを付与し、重要な維持顧客（011）とのコンタクトを積極的に維持する... 27のカテゴリーの実践を上手に暗唱します。

その結果、面接官は電話を切ってしまったのです！

1. ユーザータグについて、まずはシナリオについて話しましょう

まず、各分析方法は特定のビジネスシナリオに限定されています。本質的に、オンラインで広く流通している RFM アプローチは、耐久財、母子ケア、医療、健康管理、ゲーム、映画やテレビの娯楽など、RFM には適していない高頻度インタラクティブ小売電子商取引ビジネス シナリオにのみ適しています。この学生はトラブルに遭遇しました。小説を読むアプリの面接を受けていたのです。

新しいビジネスでは、支払いの動機はコンテンツに大きく左右されます。ユーザーにお金を使ってもらいたいのであれば、少なくともユーザーが楽しんで視聴できるコンテンツを提供する必要があります。ユーザーにコンテンツを楽しんでもらいたい場合は、ユーザーがどのようなコンテンツを好むかを知る必要があります。これは、ユーザー ポートレートが解決するように設計された問題です。

同じコンテンツでも、小説は短編動画や生放送とは異なります。ユーザーの快感は、画面上で体をくねらせたり、しゃべりまくる若い女性や「ブラックチキンブラザー」によって直接刺激されるのではなく、継続的な読書プロセス中の没入型体験によって得られます。

これにより、コンテンツの検索 → クリックして読む → 読み続ける → 有料ページ → 支払う → 支払い続けるという、徐々に没入感のあるコンバージョン プロセスが作成されます。したがって、ユーザープロファイリングが解決する必要がある 2 番目の問題は、ユーザーの現在の段階を識別し、ユーザーを次の段階に導くことです。

この時点で、さらに考えることができます。小説を読むアプリからどのようなユーザータグを取得して、ユーザーポートレートを構築できるかということです。

2. 基本属性タグ

ユーザーのプロフィールに関しては、多くの学生が同じことを言います。性別、年齢、職業、収入、趣味...情報収集フォームを作成するだけで完了です。

実際にフォームを使用して収集できるシナリオがあります。例えば：

• 母子用品：赤ちゃんが生まれた月と赤ちゃんの健康状態

• 子どもの教育：年齢、学年、科目（英語/中国語/オリンピック数学）、目的

• 物流と貨物: 貨物の種類、貨物の重量、出発地、目的地、所要時間

• 家事代行サービス：自宅所在地、サービス内容（ベビーシッター・掃除・介護）、自宅訪問時間

• ヘルスケア: 年齢、性別、身体状態、病歴

ただし、これらのフォームは、ビジネス自体の厳格なニーズに基づいています。この情報がなければ、サービスを提供できません。そのため、このタイプのフォーム情報は、ユーザーが理解して協力することができ、収集の難易度が比較的低く、レビューも容易です。

新しいシナリオでは、フォームを使用して情報を収集することは適切ではありません。

小説という「趣味」は実際には必要ではないからです。

1. 趣味は複数の要素が組み合わさったものであり、1 つまたは 2 つの質問で直接答えることはできません。

2. 趣味は単純に 1+1=2 ではありません。タイムトラベルが好きで三国志が好きだからといって、「三国志を旅する」のが好きというわけではない

3. 趣味は完全に固定されているわけではなく、新しいトピック、人気のあるリスト、友人からの推薦などによって左右されることがあります。

その他の個人のプライバシー情報については言うまでもありません。小説を読むためだけに戸籍確認が必要なのか？ユーザーの理解がなければ、強制的に収集されたデータも偽物になります。

したがって、フォームを設計するときは、控えめにし、重要なフィールドを見つけるようにしてください。読書に関しては、男性と女性の間に大きな違いがあり、これはユーザーにとっても理解しやすいため、フォームに収集できます。さらに、男性と女性は MECE に準拠した単純なオプションであり、曖昧さが生じる可能性は低いです。

別の観点から見ると、読書への興味を集めると、

オプションは、ファンタジー、歴史、タイムトラベル、ロマンス、高圧的なCEO、その他です。

ファンタジー＋タイムトラベルはどのカテゴリーに属するのかなど、ユーザーにとって誤解を招きやすいものです。例えば、ヒロインはどのカテゴリーに属するのでしょうか?ユーザーが曖昧さに直面すると、フォームにランダムに入力することになり、収集されるデータに問題が生じます。これらの詳細は些細なことのように思えるかもしれませんが、実際には基本属性ラベルの正確さを決定します。

3. 主要な行動タグ

ユーザーの現在の段階を特定するには、ユーザーの種類を区別できる最も重要なタグを見つける必要があります。決済率を上げることが目的なので、決済関連のタグが最も重要です。ユーザーの支払い記録に基づいて、一度も支払ったことがない、小説 1 冊分を支払った、2 冊以上を支払ったという 3 つのステータスを区別できます。案内の方向も非常に明確です（下図参照）

上記の分類には、「この記事を最新の状態に保つ」という戦略が定められていることに注意してください。つまり、ユーザーが小説を読んでいる進捗状況を観察する必要があるということです。

有料小説が完結/終了した場合は、すぐに新しいコンテンツを推奨する必要があります。ユーザーが最後まで読むことすらできなかったり、すでに放棄してしまったりした場合は、推奨する他の優れたコンテンツを見つける必要があります。したがって、ユーザーの読書行動タグを考慮する必要があります。

4. 階層的動作タグ

ユーザーの読書行動は支払いにとって非常に重要です。理論的には、ゲームに魅力を感じるユーザーだけが料金を支払い、さらに興味のある他のコンテンツに対しても料金を支払う可能性が高くなります。まだ穴に入っていない者はできるだけ早く穴の中に引きずり込むべきであり、すでに穴から脱出した者は後ろに落ちないようにすべきである。そのため、穴に入らない、穴に入る、穴から脱出する、という状態を区別することが重要になります。

「どん底に落ちる」というのは、小説の筋書きに夢中になっている読者がよく使う言葉です。ラベルの定義は気軽に行うことはできません。ラベルと見なされるには、特定の指標 + 計算式 + ビジネス上の意味が必要です。

ユーザーが夢中になるには、新しいアプリに一定のログイン時間と頻度を持つことが最低限の要件となります。したがって、たとえば、過去 1 週間のログイン回数/合計ログイン時間を使用して、プラットフォーム上でアクティブなライト ユーザー、ミディアム ユーザー、ヘビー ユーザーを区別することができます (下の図を参照)。

繰り返しになりますが、ユーザーがコンテンツに惹かれた場合、そのユーザーは必ず周囲を見回すのではなく、1 つのコンテンツに集中します。そうすると、プラットフォーム上での彼のアクティブ時間におけるこのコンテンツの割合はかなり長くなるはずです。

これにより、ユーザーがコンテンツ ラベルにフォーカスしているかどうかを区別できます。

• 感情がない：長期的なアクティブコンテンツがない

• 専用: 長期にわたってアクティブなコンテンツを持つ

• 博愛：長期アクティブコンテンツが複数ある

どれくらい長いかを判断するには、層別分析法を使用する必要があります。

第三に、ピットへの出入りは動的なプロセスです。以前は焦点を絞ったコンテンツがなかったが、後で焦点を絞ったコンテンツがある場合、それは落とし穴に落ちると呼ばれます。以前は焦点を絞った内容があったのに、後で焦点が合わなくなった場合、それは穴から抜け出すと呼ばれます。したがって、ラベルを作成するときは、現在のステータスを考慮するだけでなく、前のサイクルのステータスと関連付ける必要があります。たとえば、前のサイクルと関連付けて、ユーザーの集中力が低下していることがわかった場合、それは落とし穴に落ちることとして要約できます。フォーカスが上がると、ピットから抜け出すと要約できます（下図参照）

行動ラベルと支払いを組み合わせることで、問題をより正確に区別することができます。もちろん、戦略を策定する際には、ユーザー規模も考慮し、大規模なグループのニーズを満たすことを優先する必要があります（下図参照）。

もちろん、実際の作業では、データ状況はそれほど複雑ではないかもしれません。

有料ユーザーと無料ユーザーの間には明確な区別がある可能性が高いです。お金を払う人は数ページ読んだ後に支払うでしょうが、払わない人は決して支払うことはありません。

状態変化が一発で完結する可能性が高く、最初の数ページを読めばハマるかどうかがすぐに分かります。

ユーザーは熱心で集中力があり、ただ 1 つのことだけを追求し、それを追求できなくなったときにのみ他のものを探す可能性が非常に高いです。

これらはすべて可能であり、データ分析がはるかに簡単になります。ただし、ラベル ロジックを構築する際には、事故を避けるために MECE メソッドにも従う必要があります。これは、プロのデータ アナリストとビジネス担当者が問題について考える方法の本質的な違いです。ビジネス担当者は最も明白な問題を直接把握できますが、データ担当者は状況の包括性と厳密さに焦点を当てます。

5. 興味嗜好タグ

前述の通り、利息を直接徴収することにはさまざまな問題があります。他に何ができるでしょうか?もちろん、ユーザーの行動から興味を抽出することもできます。ユーザーが特定のコンテンツに夢中になっている場合、そのユーザーはそのコンテンツに興味を持っているはずです。

ここで難しいのは、彼がどの点に興味を持っているのかを区別することです。コンテンツに関連する静的タグが多すぎるためです。作成者、トピック、スタイル、コメント、人気度、ライティング スタイルなど、標準化できない部分も多数あります。

したがって、最初から興味タグを特に正確にすることは期待できません。代わりに、新しいカテゴリの特性を組み合わせ、同じ項目と交差する項目を選択し、類似の項目を見つける必要があります。結局のところ、小説は短いビデオではないので、15秒ごとに切り替えする必要はありません。

興味の好みが支払い行動と交差すると、別の可能性が生じます。つまり、無料で何かを得ることにこだわり、関連する読書行動を多く持っているが、単に支払いをしないタイプのユーザーがいるということです。このとき、クーポン テストを使用して、価格に敏感な顧客と実際に状況を利用している人を区別し、価格選好ラベルを形成できます。

6. 出力戦略

上記の基本的なラベル準備により、最終的な戦略を出力する際に​​、ユーザーのニーズに応じて、ビルディングブロックのようにさまざまな戦略を組み合わせることができます。基礎がしっかりしていれば、結果は簡単に達成できます（下図参照）

七。まとめ

多くの学生は、インターネット上の既成のデータセットを扱うことに慣れています。いわゆるユーザー ポートレートは、ほとんどが既成のフィールドであり、特にフォーム フィールドから直接収集されたものです。

このような既成のデータ セットは練習するには楽しいですが、実際の状況とは大きく異なります。実際の業務では、フォームを使用してデータを収集できる場合でも、収集プロセス中にエラー、改ざん、およびレビューの問題を考慮する必要があります。

言うまでもなく、分析、計算、テストを通じて非常に多くのデータ ラベルを取得する必要があり、単純なものから複雑なものまでレイヤーごとに構築する必要があります。これらの処理プロセスで使用される技術と方法は本当に貴重なスキルと能力であり、私たちは皆お互いに奨励し合うべきです。