互联网已经渗透人们生活的方方面面,就像水和电一样成为我们生活的必需品。我们每天都在享受网络提供给我们的各种各样的服务,可以在网上购物,看网上的新闻,玩网络游戏,用微信和QQ进行社交互动……我们在网上的一切行为都是可以被记录的,所以互联网时代沉淀了许多工业化时代不易获得的客户行为数据,就像工业化时代的石油,但大数据是另一种类型的绿色能源,不会像石油那样终会枯竭而不可再生。大数据技术能够把用户大量碎片化的行为数据进行整合分析,使得企业能够通过互联网便利地获取用户更为广泛的特征信息,快速地分析用户行为习惯,实现精准营销。
用户数据中包含用户行为特征。用户行为特征分析就是从累积的海量用户历史数据中挖掘出用户的特征规律。 它是客户关系管理(CRM)的重要组成部分。
根据用户的行为特征可以将用户细分成各种类型。因为用户行为各异,行为统计指标各异,分析的角度各异,所以如果要对用户做细分,可以从很多角度根据各种规则进行各种不同的分类,对用户特征进行分析的维度不同,得出的结果也就不同。但如果要让数据分析的结果对企业做营销决策有帮助,就要在做用户细分前确定分析的目的,明确业务层面的需求才能明确某些用户分类群体的特征与其他用户群体的差异。
电子商务的发展大大降低了企业收集用户行为数据的成本,使企业对用户的分类变得更准确。传统的用户细分的类别有很多:当前用户、新老用户、活跃用户、流失用户、留存用户、回访用户等(表 1.1)。
表1.1 基础的用户细分类别
通过统计以上这些用户类别的数据,经过计算可以得到一些关键的用户指标:活跃用户数、新用户比例和用户流失率。
活跃用户数是真正对这个网站或者产品感兴趣、有意向去使用或者持续关注的用户的数量。但需要注意划分活跃用户的标准,比如宽松的标准是访问页面数超过 2 页或者停留时间超过 30 秒就视为活跃用户;而严谨的定义会导致活跃用户“减少”,比如微博将平均每天发送微博数量超过 2 条的用户定义为活跃用户。所以,不同的标准影响着活跃用户的数量,严谨的定义让数据显得更加真实可信。
新用户比例反映着网站或产品的推广能力。新用户比例是评估市场部门绩效的一个关键指标,但只看新用户比例是不够的,需要结合用户流失率一起分析。两者的差值反映了网站或者产品保留用户的能力,即新用户比例反映的是用户“进来”的情况,用户流失率反映的是用户“离开”的情况。结合这两个指标会有下面 3 类情况——分别代表 3 种不同的产品发展阶段:新用户比例大于用户流失率,代表产品处于发展成长阶段;新用户比例与用户流失率持平,代表产品处于成熟稳定阶段;新用户比例低于用户流失率,代表产品处于下滑衰退阶段。
在高度标签化的商业社会,消费者越来越追求“小众”而不是“大众”趋同。随着大数据技术的发展,企业对用户特征分析提出了更高的要求,为了实现精准营销服务,进而深入挖掘用户细分市场的商业价值。于是,“用户画像”的概念应运而生。用户画像(Persona)的概念最早由交互设计之父Alan Cooper提出:“Personas are a concrete representation of target users.”它是指真实用户的虚拟代表,是建立在一系列属性数据之上的目标用户模型。用户画像,即用户信息标签化,就是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后,完美地抽象出一个用户的商业全貌,是企业应用大数据技术的基本方式。用户画像为企业提供了足够的信息基础,能够帮助企业快速找到精准用户群体以及用户需求等更为广泛的反馈信息。提取用户画像的成本很高,但是为了适应市场营销环境的变化,打破传统营销的极限,许多公司还是花费大量时间和人力,对自己企业的用户数据进行处理、收集、储存和分析。
营销推荐的途径有电子邮件、短信、 App消息推送、个性化广告等,而精准营销就是研究在恰当的时间(When)把什么内容(What)发送给谁(Who)。用户画像是实现精准营销的基础,京东和阿里通常基于用户浏览、点击、咨询、加关注、放购物车等一系列动作为用户贴上多维度标签,然后以邮件、短信、 Push、站内信等方式将适合的信息发送给用户。
我们通常会遇到以下场景:用户想买的商品刚好没货,用户设置了到货提醒,我们在提醒到货的时候该如何推送?用户浏览了某类目的商品却迟迟没有购买,为了促成购买,我们该如何推送?
我们可以根据用户平时购买的商品品类、使用代金券的情况、购物车的商品分析用户的性格,对价格的敏感程度、是否理性消费等,采用有针对性的营销策略向用户推送,促使用户下单购买;或者在提醒到货的时候加上一些从用户画像的分析得到的、与客户的潜在需求相关的商品网页链接,适当的推送不仅会让用户点击、促进成交,也会因为帮助用户节省时间、获得更优的产品体验而使他们增加好感并产生依赖。
指导产品优化,甚至做到产品功能的私人定制。用户研究就是根据大量的用户行为数据,将相关性很强的人群进行归类。比如通过购买口罩、空气净化器等类目的订单表和用户表可以得到不同的雾霾防范指数,这些行业分析报告就是为网民提供描绘电商大数据的成果,迎合相应的IP热点和社会效应可以加强品牌影响力的传播。其中京东指数和阿里指数就是基于大量的数据而生成的用户信息、行为数据、媒体标签数据等,帮助品牌、店铺更了解自己产品的受众人群,明确在行业中的竞争关系和优劣势。
个性化推荐、个性化搜索等。“喜欢什么东西的人往往还会喜欢什么”“或者做了这件事的人往往还会做什么”这些场景为用户进行恰当的推荐。这个功能在我们去京东或淘宝网购时都能看到。比如:“为你推荐”“有好货”等推荐栏目,会根据用户画像为用户私人定制相关的推荐商品、商铺和文章。
用户画像的重点工作就是给用户贴“标签”。多维度的用户数据记录着大量的生活、消费、社交、爱好等行为,给这些维度的用户行为贴上标签,形成有价值的结构化数据并保存在存储器。用户画像就是对这些数据的分析而得到的用户基本属性、购买能力、行为特征、社交网络、心理特征和兴趣爱好等方面的标签模型(图 1.10、表 1.2)。
图1.10 用户画像模型
表1.2 用户画像的数据标签模型
做用户画像不能闭门造车,要考虑业务场景、业务形态和业务部门的需求。从公司的产品和业务层面出发,为了理解消费者的决策和用户的购买行为,才需要用户画像。用户画像一般按业务属性划分多个类别模块。除了常见的人口统计、社会属性外,还有用户消费画像、用户行为画像、用户兴趣画像等。具体的画像得看产品形态,在金融领域,还会有风险画像,包括征信、违约、洗钱、还款能力、保险黑名单等。用户画像的标签可以通过两种形式获得:一种是基于已有数据的分类和组合构成事实标签,一种是按一定规则加工形成模型标签。图 1.11 列举了标签的加工过程,最上层的策略标签是针对业务场景的具体运用,运营人员可以挑选多个与业务相关的模型标签找到目标用户群,实现精准营销。
图1.11 标签生成模型
在过去传统的生产模式中,企业始终奉行“生产什么就卖什么给用户”的原则。这种闭门造车的产品开发模式,只会增加企业的试错成本,降低新品开发的成功率,带来糟糕的用户体验。如今,“用户需要什么企业才生产什么”成为主流,众多企业把用户真实的需求摆在了最重要的位置。以用户需求为导向的产品研发中,企业通过获取到的大量目标用户数据,进行分析、处理、组合,初步搭建用户画像,从而设计制造出用户喜好、功能实用、更加符合市场需求的新产品,为用户提供更加良好的体验和服务。
2018 年新年伊始,朋友圈就被网易云音乐的年终听歌报告“轰炸”了。 H5 显示:在2017 年你听了多少首歌,累计花了多长时间,哪首歌是你的最爱,你对哪个歌手情有独钟,哪天又熬夜了……这无疑是对用户行为和用户心理需求的又一次深刻洞察(图 1.12)。
图1.12 网易云音乐年度听歌报告H5
在朋友圈网易云音乐年度听歌报告刷屏的背后,实则隐藏着大数据分析带来的巨大营销价值,即通过大量的用户数据驱动营销策略,让营销手段更加多元化和个性化。许多人选择使用网易云音乐是因为其别致的“日推”,而网易云音乐大概也是国内首个尝试用大数据做个性化推荐的音乐软件。不同用户的“日推”内容不尽相同,“根据你的音乐口味生成,每天 6:00 更新”,网易云音乐通过用户大量使用过的数据来推测用户喜欢的音乐类型,从而推荐用户可能喜欢的歌曲(图 1.13)。
图1.13 网易云音乐日推送
通过大数据分析,网易云音乐甚至还推算出音乐市场和用户听歌行为的十大规律和现象:
(1)听歌不再是单纯的娱乐、放松行为,用户听歌看评论已经成为流行的听歌行为;
(2)大部分听歌用户已被个性化推荐覆盖,用户利用个性化推荐的功能发现自己喜欢的音乐的可能性大大提高;
(3)独立音乐人异军突起,音乐人通过互动快速“涨粉”;
(4)“90 后”已成为音乐消费主力人群;
(5)消费者付费意识显著增强,平台保有的付费会员数量和数字专辑售卖量高速增长;
(6)用户的音乐偏好依然受到综艺与影视的影响,热门歌曲榜单中仍有 70%的歌曲源自综艺或影视;
(7)音乐喜好跨入多元化时代,电音、二次元音乐、民谣等快速崛起;
(8)偶像流行音乐依然保持高热度;
(9)一种新的评价体系正在建立,音乐的评论数量成为评价歌曲热度的重要指标;
(10)男歌手受喜爱度高于女歌手,女歌迷消费群体消费能力提升。
在本案例中,音乐平台将用户按大数据分类。平台根据用户行为产生的数据为每一个用户提供了个性化的服务,并通过情怀营销让用户有较强的参与感和获得感,最终用户黏性提高,实现了精准营销。