从交易的角度看用户画像

如果你问一个数据分析师，或者浏览数据分析工具或服务提供商对用户画像的描述。大概率会看到这些关键词：性别，年龄，收入，兴趣标签，行为数据等等。然后可能就会直接转到这些数据的来源，获取数据的方法，不同的埋点方法，甚至是数据清洗及处理这些技术细节。此时，如果你继续问用户画像能为我的公司做什么时，大概率会听到：赋能业务，精准营销，生命周期管理，精细化运营等等这些关键词。

当你继续问这两者之间如何发生联系时，也就是说在我有了用户数据，知道用户的性别，年龄，收入，兴趣以后，怎么就赋能业务了，怎么就精准营销了，怎么就实现精细化运营了以后。大概率会听到一些运营模型，算法和方法论，例如RFM模型，AARRR模型，AIDA模型等等。

在没有触及到最核心问题之前，这些答案都是正确且合理的。换句话说，这些数据和模型对于优化核心问题之前的流程确实是有效果的。比如，DAU，留存率等等。但如果以最终的成交作为最核心的问题来看，这些答案则未必有价值，或者说这些用户画像数据及算法模型与最终的成交之间，可能只是相关，而没有必然的因果联系。用户增长不代表收入增长，留存率增加不能表示复购率也会增加。因为不同指标背后的驱动因素是完全不一样的，我们经常犯的错误是抛开背后的原因，把结果放在一起并从理论上寻找其中的逻辑。因此无论是用户画像中的属性标签和行为数据，还是各种模型和方法论都无法实质性的促进最终的成交。换句话说，成交并不单单是基于精准，更重要的是基于这项交易所获得的价值(交易的价值=获得的价值-付出的价值)，交易价值是两者之差，这个差值可以是你真金白银的补贴，也可以是通过广告宣传或鼓吹制造的概念，还可以是对一些潜在的危险或损失的保险。价值可以通过任何方式，在任何场景中产生和传递。对于忙碌的上班族来说，闲暇的时间是价值。对于住的比较偏远的人来说，快捷的移动性是价值。对于高风险的商品来说，可信赖的保证及保险是价值。社交场景中，人们的关注度是价值。

结合到具体的场景比如，当你想买一副耳机的时候，不会直接选择给你精准推送商品信息的电商下单。而是会综合对比商家的规模，耳机的价格，运费，物流快递，以及退换货时的成本，比如是否有运费险等等。当然，我们这里的交易成本不单指微观的价格因素，而是指使用产品或服务过程中的所有成本。这里有些是在交易过程中非常直观可以感受到的，有些则是在事后才发生和感受到的成本。比如，自己开车和网约车，在交易过程中能直接感受到的是支付的货币价格，而隐藏的和事后感受到的是安全性，停车费，车辆磨损及折旧成本，和精力及被占用的时间价值。

只有当人们意识到他们得到价值高于付出的价值时，他们才会进行交易(俗称占便宜)。这里付出的价值通常是钱，而获得的价值通常是商品或服务。当获得的价值远远高于付出的价值时，比如1分钱购买一瓶饮料。人们会有非常强的交易动力，这也是很多产品在最初阶段采取疯狂补贴的一个原因，通过补贴人为的在短时间内拉低交易成本，让用户在交易中获得更多的价值(占便宜)，从而形成较强的交易动力。而当付出的价值与获得的价值趋于平衡时，人们进行交易的动力也会逐渐减弱，忠诚度也会开始下降。而当获得的价值开始低于付出的价值时，人们就会停止交易，并毫不犹豫的离开。从运营的角度来看，此时用户开始流失了。这时候，无论你有多么精准的用户画像，多么详细的行为数据，也无法唤醒或召回用户。因为所有这些数据都无法改变用户在交换过程中对价值的主观感受。依靠结果指标拼接的理论逻辑失效了，所有的运营模型，算法和方法论都失灵了。

在杰弗里•摩尔的《跨越鸿沟》(Crossing the chasm)中有一个市场扩散模型，从最早期的革新者到早期使用者，再到早期大众，后期大众和落后者。交易成本可以从另一个角度解释从早期使用者和到期大众间的鸿沟，此时的鸿沟就变成了如何持续的为不同阶段的用户创造交易中的顺差。我们还是以网约车为例，每天开车上下班的汽车重度使用者会首先意识到通过网约车获得的价值，包括燃油费，停车费，车辆磨损，睡眠和堵车的时间价值。而汽车的轻度使用者由于使用频率低对于价值没有那么敏感。而极少开车的人或不开车的大众消费者在衡量付出和得到的价值时由于参照物不同交易的动力会下降，甚至放弃交易。而跨越这道鸿沟的方法就是进一步降低交易的成本，提高不同阶段用户(创新者，早期使用者，早期大众，后期大众)的价值感知(货币价值，服务价值，时间价值，品牌价值)。让用户在交易过程中持续获得价值。

Uber的高管曾表示：
Uber价格昂贵的原因是因为你不只是为这辆车付钱 – 你要为车上的另一个人支付费用，对出租车做个简单的成本拆解。可以看出，维修养护、车辆本身以及驾驶成本是眼下所有车辆无法回避的。而比例最大的一块，恰恰存在不小的可优化空间。当车内没有其他人时，在任何地方乘坐优步的成本都比拥有车辆便宜。

那么，如何衡量用户在交易中获得的价值呢，或者说，如何建立以交易为基础的用户画像呢？答案是获取尽可能多的用户在替代性产品或服务使用中的频率及成本数据。而不是泛泛的获取很多通用数据。比如，在对比自驾与网约车的成本数据时，用户年龄，收入，家庭结构，车辆型号，油耗，平均通勤距离，用户职业，住址和公司地址(停车位状况)等数据就比用户性别，爱好，籍贯，教育背景这些更有价值。通过数据给用户创造价值，而不是简单的积累用户的数据和标签。建立基于自身业务及交易的用户画像，而不是基于人口统计学的用户画像。

—【所有文章及图片版权归 蓝鲸（王彦平）所有。欢迎转载，但请注明转自“ 蓝鲸的商业分析笔记”。】—