El artículo anterior compartía el caso de la falla del modelo de algoritmo [Ingenieros de algoritmos que no entienden el análisis de datos, ¡qué miserables son! 】, Despertó la resonancia de muchos estudiantes, algunos estudiantes preguntaron: "¿Hay algún ejemplo de fracaso del proyecto de retrato de usuario, también compartir".
Respuesta: ¡Los proyectos fallidos de retratos de usuarios son simplemente demasiado numerosos para leerlos! Agarra mucho. Hoy te explicaremos el sistema.
1. Una señal de falla en el retrato del usuario
Todo el mundo se pregunta a menudo: "¿De qué sirve el retrato de usuario?"
Si es así, felicitaciones, ¡su proyecto es tan intuitivo!
Por supuesto, la forma más general de salir corriendo a la calle es cuando se acaba de comenzar el retrato del usuario, el departamento comercial negó con la cabeza y dijo: "Necesitamos comprender al usuario en detalle según el retrato del usuario, como el género del usuario. , edad, región, preferencias y hábitos de consumo ... para que podamos afinar nuestra toma de decisiones ". Luego, el departamento de datos trabajó arduamente durante varios meses, etiquetó con 30.000 usuarios e informó triunfalmente al líder: "La construcción de big data de nuestro perfil de usuario ha avanzado mucho".
Luego, en la primera fase de la reunión del informe del proyecto, el departamento de datos dijo triunfalmente:
- Nuestra proporción de usuarios hombres: mujeres es de 6: 4
- El sur de China representa el 30% y el este de China el 25%
- Los productos de compra A representaron el 50%
El departamento comercial hizo la vista gorda:
- yo sabía
- Nuestros usuarios son así
- ¿De qué te sirve esto?
╮ (╯ ▽ ╰) ╭
Por supuesto, hay peor aún, es decir, le pones una etiqueta de "usuario leal", el lado empresarial dijo: Oh, como eres tan leal, no harás nada. Como resultado, no consumirás ni iniciarás sesión. ¡próximo mes! Usted colocó la etiqueta de "Un amante de los productos", el lado comercial presionó el producto A, ¡pero yo no lo compré! El lado empresarial vino enojado a ajustar cuentas: "¡Este retrato de usuario no es para nada exacto!" Así que el proyecto fue completamente genial.
Tucao vuelve a Tucao, ¿dónde está el problema?
2. Las razones superficiales del fracaso del proyecto de retrato de usuario
Razón 1: Confundir el pasado y el futuro
Pregunta 1: Un usuario compró una manzana ayer, compró una manzana el día anterior y compró una manzana anteayer. ¿Puede comprar una manzana hoy?
Pregunta 2: Un usuario compró salsa de soja, alitas de pollo y Coca-Cola. ¿Aún necesita comprar palos de bambú para la barbacoa?
Piense por un segundo, no necesita pensar por un segundo. Todos saben que la respuesta es: no necesariamente, no necesariamente, no necesariamente. Comprar manzanas seguidas puede significar que le gusta comer manzanas, o puede que haya comprado muchas para no comprarlas. Compre salsa de soja + alitas de pollo + cola, tal vez para asar o hacer alitas de pollo con cola. El comportamiento pasado no es igual al comportamiento futuro y es necesario predecir el comportamiento futuro. Independientemente de si el método de predicción se basa en el razonamiento lógico empresarial o en el cálculo basado en modelos de algoritmos, se requieren análisis de datos y verificación experimental. Solo se pueden adoptar métodos predictivos con un rendimiento estable.
Sin embargo, al hacer retratos de usuarios, el lado comercial a menudo confunde estos dos puntos. A menudo ponen muchas etiquetas a los comportamientos pasados, no tienen idea de las predicciones futuras y no invierten en análisis predictivos. Cuando miro los informes de retrato de usuario o establezco reglas de inserción en CDP, doy por sentado que lo compraré después de haberlo comprado en el pasado. Al final, la predicción no fue precisa y, en cambio, el bote se arrojó al sistema de retrato del usuario. El resultado es una tragedia natural.
Razón 2: Confusión de comportamiento y motivación.
Haga una pregunta simple: Un usuario ha venido a nuestra casa para comprar un producto en un día en los últimos 30 días ¿Es el usuario un usuario de nuestro producto? ¿Qué pasa si hay 2 días, 3 días, 4 días ... ¿Y si hay 30 días? Lo compré todos los días durante 30 días ¡Debe ser un amante!
Respuesta: No necesariamente. Puede comprarlo todos los días durante 30 días. Puede llamarlo "comprador de alta frecuencia" porque la frecuencia de compra es muy alta. Pero, ¿a la gente le gusta usar nuestros productos? No necesariamente, porque no sabes si les gusta usarlos o no, o incluso si son inútiles. La frecuencia de las compras no se puede equiparar directamente con los favoritos de los usuarios. Si a los usuarios les gusta o no les gusta, se necesitan más dimensiones de datos para el análisis, y los resultados del análisis deben tener una cierta probabilidad de estabilidad para ser llamados así.
De manera similar, en muchas empresas, las partes comerciales y los analistas de datos tratan este tipo de "usuarios" y otros términos de manera muy casual y cruda, básicamente utilizando la cantidad de consumo, la frecuencia de inicio de sesión, etc., incluso si "les gusta", "Me encanta usar", incluso si es bajo, es "borde" y "prueba". El resultado es naturalmente inexacto. No hace falta decir que si algo sale mal, como un producto recomendado que nadie compra, se cuenta con el retrato del usuario.
Razón 3: confusión de causa y efecto.
Pregunta: Los usuarios que han gastado más de 10.000 yuanes en total han comprado más de 5 veces, por lo que si el usuario realiza 5 compras, el usuario tendrá un consumo acumulado de 10.000, cierto ... Por supuesto que no. Sin embargo, ¡el lado comercial a menudo hace esto! Tomando los comportamientos de los usuarios con alto consumo en el pasado y cubriéndolos con bajo consumo, pensando que mientras el bajo consumo simule un número determinado, se convertirá en alto consumo. Aún no tiene nombre: "Número mágico". Es muy probable que desde la fuente, haya dos tipos de personas con alto consumo y bajo consumo, por lo que conviene realizar un análisis en profundidad para conocer qué impulsa el comportamiento.
En la superficie, la razón del fracaso de los retratos de usuarios radica en el hecho de que los datos son más importantes que el análisis. Inversión excesiva en detallar el comportamiento que ha ocurrido, demasiadas etiquetas fácticas. Inversión insuficiente en previsión, análisis de causalidad insuficiente y conocimiento insuficiente de las necesidades de los usuarios. Al final, el juicio depende del negocio.
Usted le pregunta por qué impulsa productos / actividades basados en estas etiquetas, y todo lo que responde es:
- Creo que lo compró tantas veces que definitivamente lo comprará esta vez.
- Creo que compró productos relacionados, definitivamente lo comprará esta vez.
- Creo que compró A, así que tiene que comprar B
Después de mirar el retrato del usuario, se dispara la cabeza y se dispara la cabeza al informe, no hay una diferencia esencial, gracias. Es fácil crear un montón de etiquetas basadas en datos anteriores; es difícil acumular etiquetas de usuario que sean predictivas y precisas. No solo requiere un análisis y un modelado de datos en profundidad, sino también varias rondas repetidas de pruebas comparativas. No se hace de la noche a la mañana. Entonces, cuando el departamento comercial pensó que lo conocía bien, y el departamento de datos anunció radiantemente que "tiene 30.000 etiquetas", la pesadilla quedó enterrada.
Sin embargo, también es un escenario en el que las expectativas comerciales son demasiado altas + preparación de datos insuficiente ¿Por qué los proyectos de retratos de usuarios son más fáciles de salir a la calle que los proyectos de modelos de datos?
En tercer lugar, las razones subyacentes del fracaso de los retratos de usuarios.
En un nivel más profundo, debido a la gran dificultad del modelado de datos, el lado empresarial no puede participar en el proceso intermedio y solo puede juzgar los resultados. Mientras los compañeros de modelos no mueran, no trabajen a puerta cerrada y reduzcan activamente las expectativas comerciales, los problemas se pueden evitar en gran medida. Así que el fracaso del proyecto de modelado fue básicamente el resultado de personas ciegas montando caballos ciegos.
Pero el proyecto de retrato de usuario es todo lo contrario: ¡el lado empresarial cree que lo conoce bien! ¡El tipo de datos cree que lo sabe bien! Cuando casi todas las empresas mencionaban retratos de usuarios, decían esta frase: "Por ejemplo, si sé que el usuario tiene 24 años y es mujer, le enviaré un producto XX". Todos piensan: lo sé muy bien. bueno, solo unos pocos. ¡Arriba! Cuéntame rápido. Por lo tanto, la empresa sigue instando a los datos para que los datos pasados sean más detallados, más detallados y más detallados, y los datos se están ejecutando salvajemente en el camino del etiquetado. El traje de tres piezas más importante de predicción, análisis y experimentación no está terminado.
Por supuesto, este tipo de etiqueta basada en datos anteriores es útil para algunos departamentos, útil para departamentos de soporte como servicio al cliente, cadena de suministro y logística. Por ejemplo, si un cliente recibe una queja del cliente, "¿Por qué el maestro de posventa no ha venido todavía?" Si no hay una etiqueta, el cliente debe pasar por varios formularios para confirmar: qué producto compró , cuándo, el número de cuerpo del producto, cuándo será el nombramiento del maestro y otros detalles. El proceso de confirmación solo hizo que el cliente se volviera medio loco. Con las etiquetas, los problemas se pueden localizar en unos pocos deslizamientos, lo que puede mejorar enormemente la experiencia del cliente.
Pero la tragedia es que este tipo de utilidad solo hace que los departamentos que necesitan usar su cerebro, creatividad y estrategia, como operaciones, marketing, planificación y diseño, sean más engreídos. Fortaleció su sentimiento de "¡Soy realmente bueno, solo una cuenta!" Entonces la tragedia continuó. Si el modelo es una persona ciega montando un caballo ciego, el proyecto de retrato del usuario es montar una bicicleta eléctrica mientras se frota un teléfono móvil para hacer funcionar una luz roja retrógrada-las bicicletas eléctricas piensan que son un automóvil, y las bicicletas eléctricas piensan que pueden montar 666 .
Para evitar este tipo de problemas, el profesor Chen suele utilizar este truco. Cuando la parte empresarial abrió la boca, "Si supiera que tengo 24 años, una mujer, impulsaría un producto", se enteró directamente de la base de datos cuántas mujeres de 24 años compraron A en el último mes. , y luego la cara del lado empresarial: "No se necesita ningún retrato de usuario. Te digo ahora que la tasa de compra es del 12%. ¿Qué estás haciendo en el retrato de usuario? Deja que tu hermano pequeño ejecute el número de acuerdo con las reglas . "En este momento, cualquier parte comercial confiable me despertará inmediatamente al problema aquí, diciendo: un empalme tan simple no es suficiente, y más análisis y análisis basados en etiquetas de hechos. De esta forma, el seguimiento del proyecto será más constante.
Pero los estudiantes usan este truco con cuidado, su entorno empresarial puede no ser adecuado para este estilo duro, en resumen, todos pueden entender la clave del problema. El meollo del problema es que la capacidad de predicción de la etiqueta simple de hechos es demasiado pobre y la percepción es demasiado pobre. No es suficiente para satisfacer las necesidades de operaciones, planificación, ventas y marketing. Una gran cantidad de datos + un análisis en profundidad es la forma de resolver el problema. Este es el final de este artículo Se estima que muchos estudiantes sentirán curiosidad por saber qué es CDP. Si está interesado, siga la cuenta pública de WeChat [Ground Qi School], lo compartiremos en el próximo artículo. Manténganse al tanto.
Autor: Chen gas a tierra, número público de micro-canales: escuela con los pies en la tierra. Un analista de datos con diez años de experiencia ha lanzado una serie de cursos de análisis de datos y tiene más de 20.000 estudiantes.