#蔡徐坤[超话]# [心]#蔡徐坤浪漫# [心]
开场「创新者」表演之后，看到坤坤很开心，就立刻和好朋友分享了几张照片，好朋友说“坤坤超开心，发自内心的开心”。而我脑海里出现了这样一句话“出道不易，他比任何人更加珍惜”。
作为今年才到来的粉丝，只实时关注了今年东方风云榜之后的每个舞台，肉眼可见的认真和进步，足以证明他对舞台是多么的热爱，All for music从来不只是说说而已！每一次呈现出来的舞台，一定是有更多的惊喜，他对每一次的舞台都很负责！
小盆友毕业啦，继续追逐你所有的热爱，要坚信你有我们，我们有你！KUN& IKUN FOREVER[心]
坤坤，人生路漫漫，余生陪你一起。@蔡徐坤
开场「创新者」表演之后，看到坤坤很开心，就立刻和好朋友分享了几张照片，好朋友说“坤坤超开心，发自内心的开心”。而我脑海里出现了这样一句话“出道不易，他比任何人更加珍惜”。
作为今年才到来的粉丝，只实时关注了今年东方风云榜之后的每个舞台，肉眼可见的认真和进步，足以证明他对舞台是多么的热爱，All for music从来不只是说说而已！每一次呈现出来的舞台，一定是有更多的惊喜，他对每一次的舞台都很负责！
小盆友毕业啦，继续追逐你所有的热爱，要坚信你有我们，我们有你！KUN& IKUN FOREVER[心]
坤坤，人生路漫漫，余生陪你一起。@蔡徐坤
#NBA中国赛现场爆满#
那群屌丝还好意思骂资本家无国籍，呸，资本家亏几亿几十亿都比你们果断，还好意思骂饭圈骂体育圈女粉，哪来的大脸？NBA中国球迷在我这就是鄙视链底层。之前还洗白说不能退票呢，结果是能退的？？我寻思着今天去现场这么多人怎么不在微博上po图了，不分享下激动的内心？难道也知道自己没脸？微博实时搜索下软脚虾跪族篮孩吧，都是形容这批人的。
那群屌丝还好意思骂资本家无国籍，呸，资本家亏几亿几十亿都比你们果断，还好意思骂饭圈骂体育圈女粉，哪来的大脸？NBA中国球迷在我这就是鄙视链底层。之前还洗白说不能退票呢，结果是能退的？？我寻思着今天去现场这么多人怎么不在微博上po图了，不分享下激动的内心？难道也知道自己没脸？微博实时搜索下软脚虾跪族篮孩吧，都是形容这批人的。
随着流量红利的渐行渐远，APP能去哪里要用户增长？
有些APP选择从超级用户身上要转化；有些APP选择下沉市场获取更多的新流量；有些APP加大用户分享的激励筹码以此换来用户的裂变……但APP运营们的焦虑从未停止过，这些办法能维持增长多久？下一个用户运营的增长点又在哪里呢？
数据调查：大多数APP活跃用户占比仅27.8%
为了了解APP运营们的焦虑，我们对市面上资讯类、视频类、工具类等热门APP用户活跃情况进行大数据分析。分析结果显示，除了某些采用现金奖励进行用户裂变的APP月活用户占存量比例超过50%以外，三大主要类别APP月活用户占存量比例的平均值为27.8%。
换句话说，APP还有超过70%的用户资源还有待开发。
为什么APP不去挖掘这70%的用户价值呢？
在数据洞察的基础上，我们还对部分APP运营做了调研。调研发现，大部分APP因用户画像的能力不足，制约了精细化用户运营的开展。比如：这些APP里约60%老用户的画像偏好不全或失效，同时对新注册不活跃用户偏好又完全未知。也就是说APP们并非不想开采这70%的用户资源，而是他们对这些非活跃用户缺乏了解，且没有好的途径和好的办法去了解。
数据&技术壁垒，APP用户画像体系难以发挥作用
APP想要盘活用户就必须先真正了解用户。因此，用户画像是APP了解用户的重要的途径，也是精细化运营的必备工具。
APP通过用户画像可以发现用户的不同特征，为用户打上不同的标签，再根据标签的组合给用户分组，进而开展分组运营。目前，不少APP都开始关注用户画像的应用，一些大厂在自有用户画像体系的基础上还会借助第三方数据工具进行辅助，目的都是想通过精准的用户画像开展精细化运营。但是，APP想要用户画像足够精准，需要解决的问题还很多。
APP用户画像的优化是一个渐进的过程，需要时间沉淀、数据积累和算法模型精进等多个必备条件。
比如，APP无法准确了解新注册用户的偏好，其本质就在于和用户交互时间不够，依靠用户注册时填写的一些资料又不够精准。APP对于沉默用户的画像不全的问题在于APP对于非活跃用户的数据积累缺乏连续性和稳定性，无法了解用户需求的迁移变化。创业期的APP受到资金和人力上的制约，对于用户画像的开发力度不够，导致用户画像区分度不高，无法发挥作用。这些对于APP来说都不是一蹴而就的事情，也是目前的瓶颈所在。
用户画像创新玩法，盘活剩下70%的用户资源
APP想要解决用户画像精准的问题，一方面需要有耐心，能够持续不断的做好用户画像的迭代与更新；另一方面可以借助第三方数据服务商维度全、连续性好、稳定性强的数据优势，补全自有用户画像的短板，提高用户画像的精准度；最后，还需要结合App运营的使用场景，对自身用户画像的应用做出创新。
通过深入研究，结合使用场景上的痛点，总结了以下几种创新的用户画像应用方法：
用法一：新用户预测模型
APP运营为了做好新用户冷启动时常会用到第三方数据服务，但在使用时会发现第三方数据服务提供的标签与自己的用户标签匹配度很低，无法全量覆盖。
以消费水平标签为例，不同的APP对于用户消费水平标签的定义也不同。团购类APP消费300以上就算高消费人群，而汽车类APP里10万的车型属于低端车型。因此，APP对于第三方数据不能拿来直接使用，最好能够通过双方数据建模，生成与自己标签体系相匹配的定制化标签。
在某资讯类APP案例中，双方通过数据联合建模，输出了完整且定制的新画像标签，经过测试标签预测准确度达70%。在执行冷启动的过程中，该APP通过定制标签为新用户推荐感兴趣的内容，新用户次日留存率提升了18%。
用法二：沉默用户的画像补全
在流量红利枯竭的今天，APP激活一个沉默用户要比拉一个新用户更有价值。这么做不仅能节约增长成本，更有利于APP数据积累的连续性、稳定性，也为APP数据开发与应用提供有价值的数据。
APP要唤醒一个沉默用户，不能简单粗暴把用户找回来，而是需要区分用户流失的内因和外因，对应不同的用户和不同情况，做出不同的运营方法和解决方案。
内因可以从APP内部数据中寻找，但是对于用户沉默的外因则需要借助三方数据的能力，了解用户在沉默期内他们线上行为偏好的变化，圈选需要唤醒的用户。而对于这些需要唤醒的用户，仅仅用他们数日前在APP上留下的数据是不够，还需要结合外部数据，洞察用户需求和兴趣点的迁移变化，通过优选渠道和定制内容，让用户重新活回来。
用法三：自定义用户画像特征
在用户兴趣偏好不断挑战人类想象力的今天，APP对于用户画像精细度与构建成本之间很难找到平衡点。标签太粗，区分度就不够，无法精准定向用户。标签细化，需要更多的数据和更长的时间积累，成本无法控制。在这样两难的情况下，APP运营可以通过第三方数据服务商的数据建模能力，结合自己对于某领域的深入研究，实时创建和更新区分度高的特征，帮助用户画像的优化。
比如，对于篮球爱好者的标签，传统的区分特征是根据用户篮球类应用偏好程度来分。APP如果想要标签更加精准，可以结合用户观看比赛的特定行为，特定的线下场景来自定义特征，产生更精准的用户标签。
总之，移动互联网即将迈入向内增长的时代，APP对精细化运营的要求会越来越高，而用户画像在精细化运营中的助攻作用将会越来越凸显。APP只有做精做好用户画像，才能真正了解、把握住用户的需求，做好产品与服务，实现在转化好30%超级用户的同时，盘活剩余70%的用户资源。
有些APP选择从超级用户身上要转化；有些APP选择下沉市场获取更多的新流量；有些APP加大用户分享的激励筹码以此换来用户的裂变……但APP运营们的焦虑从未停止过，这些办法能维持增长多久？下一个用户运营的增长点又在哪里呢？
数据调查：大多数APP活跃用户占比仅27.8%
为了了解APP运营们的焦虑，我们对市面上资讯类、视频类、工具类等热门APP用户活跃情况进行大数据分析。分析结果显示，除了某些采用现金奖励进行用户裂变的APP月活用户占存量比例超过50%以外，三大主要类别APP月活用户占存量比例的平均值为27.8%。
换句话说，APP还有超过70%的用户资源还有待开发。
为什么APP不去挖掘这70%的用户价值呢？
在数据洞察的基础上，我们还对部分APP运营做了调研。调研发现，大部分APP因用户画像的能力不足，制约了精细化用户运营的开展。比如：这些APP里约60%老用户的画像偏好不全或失效，同时对新注册不活跃用户偏好又完全未知。也就是说APP们并非不想开采这70%的用户资源，而是他们对这些非活跃用户缺乏了解，且没有好的途径和好的办法去了解。
数据&技术壁垒，APP用户画像体系难以发挥作用
APP想要盘活用户就必须先真正了解用户。因此，用户画像是APP了解用户的重要的途径，也是精细化运营的必备工具。
APP通过用户画像可以发现用户的不同特征，为用户打上不同的标签，再根据标签的组合给用户分组，进而开展分组运营。目前，不少APP都开始关注用户画像的应用，一些大厂在自有用户画像体系的基础上还会借助第三方数据工具进行辅助，目的都是想通过精准的用户画像开展精细化运营。但是，APP想要用户画像足够精准，需要解决的问题还很多。
APP用户画像的优化是一个渐进的过程，需要时间沉淀、数据积累和算法模型精进等多个必备条件。
比如，APP无法准确了解新注册用户的偏好，其本质就在于和用户交互时间不够，依靠用户注册时填写的一些资料又不够精准。APP对于沉默用户的画像不全的问题在于APP对于非活跃用户的数据积累缺乏连续性和稳定性，无法了解用户需求的迁移变化。创业期的APP受到资金和人力上的制约，对于用户画像的开发力度不够，导致用户画像区分度不高，无法发挥作用。这些对于APP来说都不是一蹴而就的事情，也是目前的瓶颈所在。
用户画像创新玩法，盘活剩下70%的用户资源
APP想要解决用户画像精准的问题，一方面需要有耐心，能够持续不断的做好用户画像的迭代与更新；另一方面可以借助第三方数据服务商维度全、连续性好、稳定性强的数据优势，补全自有用户画像的短板，提高用户画像的精准度；最后，还需要结合App运营的使用场景，对自身用户画像的应用做出创新。
通过深入研究，结合使用场景上的痛点，总结了以下几种创新的用户画像应用方法：
用法一：新用户预测模型
APP运营为了做好新用户冷启动时常会用到第三方数据服务，但在使用时会发现第三方数据服务提供的标签与自己的用户标签匹配度很低，无法全量覆盖。
以消费水平标签为例，不同的APP对于用户消费水平标签的定义也不同。团购类APP消费300以上就算高消费人群，而汽车类APP里10万的车型属于低端车型。因此，APP对于第三方数据不能拿来直接使用，最好能够通过双方数据建模，生成与自己标签体系相匹配的定制化标签。
在某资讯类APP案例中，双方通过数据联合建模，输出了完整且定制的新画像标签，经过测试标签预测准确度达70%。在执行冷启动的过程中，该APP通过定制标签为新用户推荐感兴趣的内容，新用户次日留存率提升了18%。
用法二：沉默用户的画像补全
在流量红利枯竭的今天，APP激活一个沉默用户要比拉一个新用户更有价值。这么做不仅能节约增长成本，更有利于APP数据积累的连续性、稳定性，也为APP数据开发与应用提供有价值的数据。
APP要唤醒一个沉默用户，不能简单粗暴把用户找回来，而是需要区分用户流失的内因和外因，对应不同的用户和不同情况，做出不同的运营方法和解决方案。
内因可以从APP内部数据中寻找，但是对于用户沉默的外因则需要借助三方数据的能力，了解用户在沉默期内他们线上行为偏好的变化，圈选需要唤醒的用户。而对于这些需要唤醒的用户，仅仅用他们数日前在APP上留下的数据是不够，还需要结合外部数据，洞察用户需求和兴趣点的迁移变化，通过优选渠道和定制内容，让用户重新活回来。
用法三：自定义用户画像特征
在用户兴趣偏好不断挑战人类想象力的今天，APP对于用户画像精细度与构建成本之间很难找到平衡点。标签太粗，区分度就不够，无法精准定向用户。标签细化，需要更多的数据和更长的时间积累，成本无法控制。在这样两难的情况下，APP运营可以通过第三方数据服务商的数据建模能力，结合自己对于某领域的深入研究，实时创建和更新区分度高的特征，帮助用户画像的优化。
比如，对于篮球爱好者的标签，传统的区分特征是根据用户篮球类应用偏好程度来分。APP如果想要标签更加精准，可以结合用户观看比赛的特定行为，特定的线下场景来自定义特征，产生更精准的用户标签。
总之，移动互联网即将迈入向内增长的时代，APP对精细化运营的要求会越来越高，而用户画像在精细化运营中的助攻作用将会越来越凸显。APP只有做精做好用户画像，才能真正了解、把握住用户的需求，做好产品与服务，实现在转化好30%超级用户的同时，盘活剩余70%的用户资源。
✋热门推荐