【全球速看料】用SIKT模型构建的用户画像，太好用了！

做用户画像项目最怕啥？ 三个字： 没！ 屁！ 用！ 经常是做数据的同学哼哧哼哧整了白天，输出所谓的“360度用户画像”然后被业务方喷：

知道性别、年龄又怎样！

过去消费高，未来呢？又怎样？

(资料图)

你标记个高潜力, 它就真的高潜力了？？

以上种种问题，都是没有基于SIKT模型推进项目所致。 用户画像与业务场景脱节 ，没有考虑业务拿到画像能干啥。想要破局，当然得回到业务场景中，认真思考：到底用户画像能帮上啥？而SIKT模型正是解决此问题的一套概念模型（非算法模型哦）。

01

SIKT 模型原理

SIKT模型是一套梳理标签的方法。标签是用户画像的基础，是构建画像体系的砖石。想让用户画像系统有用，标签本身得是有价值的。这就要求，在做标签的时候，不能凭着数据人员的直觉，像说贯口一样把“性别、年龄”胡乱怼进系统，而是从 业务场景 出发，层层递进。

第一步：梳理业务场景。使用方先思考：我要解决什么问题？

第二步：梳理关键指标。使用方再思考：用什么指标衡量问题解决？

第三步：梳理关键行动。使用方再思考：我做什么事能解决问题？

第四步：筛选有用标签。数据协助思考：用什么标签能提升行动效率。

按照这个步骤梳理出来的标签，很好观察：

一：有明确的使用场景。避免了信息过剩，让使用者聚焦思考问题。

二：有明确的考核指标。明确了考核方法，改善了关键指标就是效果。

三：有明确的落地动作。清晰了标签效果，同一动作，使用标签前后的差异。

要注意的是：标签并非万能的，有可能有些业务场景是不需要标签的。因此使用该方法的第一步，就是先梳理业务场景，把那些和标签高度相关的场景找出来。

02

业务场景梳理

从本质上看。 标签是一系列业务信息的浓缩。 比起未浓缩的信息，标签有三大优势：

优势一：便于查询。 想象一下超市里买东西，如果没有标签分类，都写商品全名，那找起来得多麻烦。因此，提升信息检索效率，就是标签第一大功能。使用标签进行信息检索，能提升认知阶段的效率。

优势二：便于分类。 有了标签，分类效率会提升非常多，特别是一些已明确不会使用到的分类，一下就能筛选出来。这样能提升决策阶段的效率。

优势三：便于挑选。 如果对于可用的手段有了标签分类，就能快速找出适合当前的手段，避免了重重复复的分析论证，从而极大提升执行效率。

小结下， 几乎所有的业务工作，都要涉及：认知现状，制定策略，选择方法三个步骤。 因此，只有还处于大干快上，跑马圈地，野蛮生长的行业是不需要标签的。真还在野蛮生长的话，那还查询个啥、分类个啥、挑选个啥，可劲砸钱，干就完了奥力给！但凡行业增速减慢， 需要控成本，增效益的时候，标签都有用。

03

1 个应用小案例

场景一： 某互联网企业投放部门，计划选择大V进行私域投放。投放场景的指标很明确：投放转化率。要注意的是：由于是私域投放，买了大V的广告位以后，就只能全覆盖该大V的粉丝，无法在决策阶段做用户分群。所以在场景拆分的时候，决策阶段没法用标签优化。

但是在认知现状、方法选择阶段，标签能帮上忙。

认知阶段： 大V有很多，一个大V覆盖各个平台。此时如果有标签对大V进行分类，就能轻松查看该大V的基本情况，挑选出合适的大V。

选择阶段： 同一个广告，可能有5、6种不同素材可以使用。此时如果有标签对素材进行分类，就能减少筛选难度，提升效率。

注意，这里用的标签并非100%的用户标签。比如大V分类标签，可能需要负责推广的同事自行标记。比如素材标签，需要负责素材设计的同事自行标记分类。

注意，这里用的标签，也并非一次性产生的。比如大V标签中“作弊”标签，是在之前合作中，发现大V有作弊行为，之后标记上，避免后人上当。比如素材标签中“使用效果”标签。是观察N次素材投放效果以后标记出来的。

这引申出一个很深层的问题：用户画像建设，并非某一天，一个神力无敌的数据分析师刷刷把数据库一弄就出来的。 这些对业务的分类，对效果的追踪，需要长时间积累，需要业务方同事一起参与才能完成。

04

再看个小案例

场景二： 某互联网企业用户运营，计划针对沉睡用户进行唤醒，以激活消费一笔（不计金额大小）为目标。这个场景下，关键指标很清晰，就是沉睡用户的激活率。

在细分场景的时候会发现，在认知阶段难度较小，因为已经锁定了沉睡用户群体。但在策略阶段，较为复杂。

一来，在沉睡以前，用户的消费习惯、消费经历都不同，可能需要区分用户特点，找适合用户的激活方案。

二来，当前沉睡不代表未来沉睡，本身用户就有一定自然回流概率，如果不能区分这些自然回流用户，很有可能投放的唤醒资源都被薅羊毛薅走了。

所以在关键行动层面，需要2个重要辅助：

1、区分过往消费偏好，区分过往消费层次

2、预 测未来自然唤醒概率，区分自然唤醒用户

这两点都对应着标签的需求。但实现方法是不同的：过往的需求分析是有数据可依的，因此可以通过历史数据进行用户分层/分群。但未来唤醒情况则需要预测，这是需要算法模型支持的。

有趣的是：真预测出来谁会消费以后，在做唤醒资源投放的时候，是会绕开这些预测消费用户的，这样事后测算ROI才好看。

这又引申出来一个深层次话题：预测模型怎么来，怎么用，也是紧密结合业务场景的。很多人建设用户画像的时候，不考虑业务场景，单纯指望一个：“预测模型/推荐模型”包打天下。是非常不切实际的。

05

小结

总结整个SIKT运作过程可以看出： 想让用户画像有效，标签先得有效。

想让标签有效，得：

1、紧密结合业务场景

2、清晰要改善的关键指标

3、明确落地关键动作

4、业务同事积极参与，贴上业务标签

5、数据要长期跟踪，特别是关于效果的标签

6、算法模型在关键场景，关键环节补位

总之，全民一起努力，才能真正实现效果。单靠一个数据分析师，单靠现有数据库里那点字段，脱离业务场景做模型，脱离业务动作谈数据采集，最后只能获得如开头一样，平砍一刀不见血的无用画像。

关键词： 数据分析师 预测模型