让用户画像见效，我找到了这个突破口思维导图

首先，每种分析方法，是有特定业务场景限制的。从本质上看，网上盛传的RFM做法，只适合高频互动的零售电商业务的场景，比如耐用品、母婴、医疗、保健、游戏、影视娱乐等，都不适合RFM。而这位同学正撞枪口上了：他面的是小说阅读APP。

小说业务，其付费的动力是高度内容驱动的。想让用户掏钱，至少得有内容让用户看得爽。想让用户看得爽，得知道用户喜欢什么样的内容题材。这是用户画像要解决的一个问题。

同样是内容，小说又不同于短视频或者直播。用户的爽快感，不是直接被屏幕上扭来扭去的小姐姐或者喋声喋气的“乌鸡哥”激发的，而是在持续阅读过程中，在沉浸式的体验中获得的。

这样就形成了一个逐步沉浸的转化过程：寻找内容→点击阅读→持续阅读→付费页面→付费→持续付费；因此，定位用户当前所处的阶段，引导用户向下一阶段发展，是用户画像要解决的第二问题。

此时，可以进一步去想：从小说阅读APP里，能获取何种用户标签，构建用户画像了。

一提到用户画像，很多同学又会说贯口一样说出：性别、年龄、职业、收入、爱好……只要做一个信息收集表，就能搞掂啦！

实际上确实有场景可以用表单收集。比如：

在小说这个场景里，就不适合用表单收集。

更不要提其他涉及个人隐私信息，难道看小说还需要被查户口？不受用户理解，即使强行采集，数据也是假的。

要定位用户当前所处的阶段，需要找能区分用户类型的最关键标签。

既然目标是提升付费率，因此付费相关标签，就是第一重要的；根据用户付费记录，可以区分三个状态：从未付费/付费一本小说/付费2本及以上。

引导方向也很清晰（如下图）：

如果付费的小说已经完结了/断更了，就得即使推荐新内容；如果用户根本连看都看不下去，或者已经愤然弃坑，那也得另寻好内容推荐，因此得再考虑用户阅读行为标签。

用户阅读行为对付费意义很重大。理论上，只有入坑的用户才会付费，还很有可能对更多其他感兴趣内容付费。对还没入坑的要尽快拖进坑里，已经脱坑的要防止流失；因此，区分出未入坑、入坑、脱坑状态，很重要。

“入坑”是对读者沉迷在某本小说情节的俗称。做标签定义可不能这么随便，要有具体的指标+计算公式+业务含义，才能算一个标签。

用户如果入坑了，最起码的要求是在小说APP的登录时长、登录频次有一定保证，因此可以现用比如最近一周内登录次数/登录总时长，来区分用户平台活跃的轻、中、重（如下图）：

这样可以将用户是否聚焦一个内容的标签区分出来：

如果聚焦上升，可以归纳为脱坑（如下图）：

当然，实际工作中，数据情况可能没有这么复杂。

这些都有可能发生，而且会让数据分析变简单。但是在构造标签逻辑的时候，也要符合MECE方法，才能避免意外发生；这是专业数据分析人员与业务人员思考问题的本质区别——业务人员能直接抓最显眼的，数据则关注情况全面性与严谨性。

上文有提到，直接收集兴趣会有各种问题。那还能怎么办呢？当然可以从用户行为中提炼兴趣。如果一个用户入坑了某个内容，那他肯定是对这个内容感兴趣的。

这里的难点，在于区分：他到底对哪个点感兴趣。因为一个内容相关的静态标签太多了：作者、主题、风格、评论、是否热门、写法……还有很多无法标准化的部分。

因此从一开始，就不能太指望兴趣标签做得特别精准，而是要结合小说的品类特点，把同款、交叉款单品选出来，找到贴近的单品即可。毕竟小说不是短视频，不需要15秒一切换。

当兴趣偏好与付费行为交叉，还会产生一种可能：有一类用户就是坚持白嫖，有很多关联阅读行为，但是就是不付钱；此时可用优惠券测试，把其中价格敏感型与真正白嫖到底的区分开，从而形成价格偏好标签。

有了以上基础的标签准备，最终输出策略时就可以像搭积木一般，针对用户需求，组合出各种策略，只要基础打得牢，出结果是手到擒来的事（如下图）。

很多同学习惯了做网上的现成数据集。所谓的用户画像，大部分是现成的字段，尤其以直接收集的表单字段居多。

这种现成的数据集练手很爽，可与实际情况差距非常大；实际工作中，即使能用表单采集，也得考虑采集过程中错误、造假、复核问题。

更不用说，相当多数据标签需要通过分析计算+测试获得，需要一层层的构造，由简单到复杂；这些处理过程中技巧与手段，才是真正值钱的技能与能力，与大家共勉。