这样我们可以将用户按照他的用户画像的数据,把用户分成不同的群体,不同的群体能收到针对性的不同的消息。
这样做即能提升整个公司的可用资源,也能提升收到推送消息用户的使用体验。
利用用户画像分析法把用户打上不同的标签,最理想的是把每个标签都去做不同的推送内容。但是呢,我们的运营力量有限,哪怕将用户精确地分成500个群体,运营团队也很难每天都去编500条不同的推送文案和页面。
所以,常见的做法是:在ROI上找到一个平衡点,先选择容易出成绩的。
比如我们是做电商的,那性别这个标签就是最容易出成绩的标签。而像首页和每日推送是最容易出成绩的运营位。
千人千面固然很好,但是通过上面我们发现千人十面往往就能解决我们80%的问题,那6~8个标签就够了。
我们平时看的用户精细化运营做的好的公司,他们基本也是把用户分成6~8个群体左右。
但是呢,这里有个例外:如果我们的运营策略可以做到自动化运行,那么我们就可以按照规则去批量化的生成不同的运营策略,这样就能做到千人千面。
首先,是人口统计学意义上的标签:如性别、年龄或者地域
如果我们是做K12教育,不同的省份教育水平不一样,教材的选择上也不同,考察的侧重点也不一样。知道了这些,在做的时候都可以对产品的投入策略有一个更好的选择。
比如我们是做K12教育的,那用户所处的的年级不一样,那所学的内容和关注的信息也自然不一样。这也是我们能把用户区别开的标签。
如果我们是做运动健身类的产品,比如KEEP,那么用户的BMI或者体脂率也会影响用户对功能和内容上的诉求,我们可以利用不同的BMI或者体脂率对用户进行区分。
所以,综上可知,我们只要简单的结合以上两种类型的标签,彼此交叉组合,就能划分出6~8个群体。
比如运动健身类的标签:身材肥胖的男性、身材微胖的男性、身材苗条的女性等标签。