第三节
用户行为和特征分析的应用案例

一、传统营销模式的巅峰

传统营销理论的核心是产品和用户。小米手机将这两点做到了极致，是传统营销在互联网时代的集大成者。小米非常重视企业与用户的黏性，几乎所有的用户都是产品的粉丝，在和粉丝的交互中不断对产品进行优化、升级和迭代，完全满足了用户的需求。古语有云：得民心者得天下。对于小米来说，这句话也许要改为：得粉丝者得天下。

传统营销与互联网时代的碰撞

传统营销理论的核心是产品和用户。前有小米手机作为传统营销在互联网时代的集大成者，利用粉丝文化得天下；后有蜜雪冰城在新式茶饮的激烈厮杀中另辟蹊径，以接地气的价格和“洗脑”的营销斩获大批粉丝，成为中国现制茶饮领域首个拥有超 10000 家门店的品牌。蜜雪冰城对自身品牌的定位有明确的认知，区别于走“高大上”路线的“喜茶”“奈雪的茶”“茶颜悦色”等一众品牌，蜜雪冰城专心做下沉市场，以亲民的价格打造爆款，以丰富的营销吸引眼球，以快速的迭代更新产品，走出互联网时代蜜雪冰城特有之路。

1.低价爆款，主攻下沉市场

蜜雪冰城对自身做了明确的品牌定位：下沉到三四线城市，瞄准青年和学生群体，选址靠近学校，俘获大量“囊中羞涩”的学生群体的心，全国各地门店齐开花，3 元一杯的摩天脆脆，4 元一杯的柠檬水，6 元一杯的摇摇奶昔，是许多小镇青年与学生群体的快乐回忆，相较于其他品牌动辄十几二十元一杯的奶茶，蜜雪冰城显然是没有消费负担的甜蜜（图 1.14）。

创始人张红超与张红甫家境贫寒，为了赚钱做过诸多尝试却又无疾而终。无意间张红超发现老家十分流行的刨冰在郑州却极为少见，两人一合计，拿出压箱底的 3000 元钱，租下了郑州城中村里一间 2～3m ² 的门面，开了一家刨冰店，蜜雪冰城的前身就此诞生。

2006 年，创始人张红超在郑州汇宝大厦里无意间发现一家进口冰激凌店。这家店的冰激凌美味又好看，但缺点也很明显——一支冰激凌竟然要卖到 20 元，而那年郑州居民月均可支配收入也不超过 1000 元。这让出身贫寒的张红超感到震撼，但在震撼的同时他立刻就发现了隐藏的商机。他淘来一台二手冰激凌机，通过在网上查阅有关冰激凌制作的相关资料，凭着自身对冷饮的理解愣是琢磨出了几个配方。而后他又自己动手研制起蛋筒的做法。几经折腾，最终测试成功。2006 年秋天，这种长相酷似火炬的冰激凌上市，定价仅2 元，还大量赠送 1 元优惠券。火炬冰激凌一上市就迅速引爆市场，大获成功，张红超和张红甫也凭借这一爆款，开启了蜜雪冰城的加盟模式。靠着消费者的耳口相传，短短数月内就有 26 家加盟店开业，并且两位创始人也成功开展了连锁管理店业务。

2.推陈出新，大力开展活动营销

亲民的价格加上优秀的品质，让蜜雪冰城拥有了一批忠实的用户，但蜜雪冰城显然不满足于现状，因为年轻消费者的口味是善变的，只有不断推陈出新才能满足年轻消费者群体多样化的需求。因此，蜜雪冰城坚持每月上新的战略，同时开展各种新颖的营销活动，例如 2019 年 5 月的“手捣满杯香橙”活动、2019 年 6 月的三拼霸霸奶茶“致敬父亲节”活动、2020 年蜜雪冰城的周年店庆推出的重回 1997 “1 元吃冰激凌”活动。此类营销活动能不断强化消费者对品牌的现有印象，保持品牌的话题度和活跃度，保持消费者对品牌的新鲜感，大大提高了复购率。

3.经典IP打造，增强品牌认同感

2021 年 6 月，蜜雪冰城将品牌主题曲MV上传至哔哩哔哩网站， MV里两个胖乎乎的雪人（蜜雪冰城官方称其为“雪王”）拉着手转圈，并不断重复吟唱“你爱我，我爱你，蜜雪冰城甜蜜蜜”。这首歌旋律轻快，歌词朗朗上口，不论是谁听过后都能哼上几句，这首歌由此在互联网上热传（图 1.15）。

而站在这首热传的主题曲背后的，则是国内深耕于广告营销多年的华与华上海营销策划公司（以下简称“华与华”）。2018 年，创始人张红甫找到华彬与华楠兄弟，以为品牌“打造超级符号”为核心目的，对蜜雪冰城的品牌形象、 Logo、 IP形象等进行全方位的升级与改造，创作出一个头戴皇冠、手持火炬冰激凌的“雪王”符号，同时确定了红色与白色的主色调。自那以后，蜜雪冰城的品牌形象、店面设计、物料、运营周边、店员服饰、营销活动等，全部围绕“雪王”形象来制定，蜜雪冰城也由此进入全新的品牌IP化运营时代（图 1.16）。

纵观蜜雪冰城的发家史和营销史，其凭借的是其对市场敏锐的洞察能力和精准的定位策略，但其实说到底是对用户特征深入到骨髓的剖析——明白用户想要的究竟是什么。

二、AARRR模型

做好用户行为分析，应该掌握“用户行为全程追踪”。在互联网领域以数据分析驱动增长的AARRR模型已经比较成熟（图 1.17）。

AARRR模型是基于用户的完整生命周期来做用户行为分析的应用。 AARRR是Acquisition， Activation， Retention， Revenue， Refer五个单词的首字母缩写，分别对应用户生命周期中的 5 个重要环节（表 1.3）。

AARRR增长模型是一套工具方法论，但是我们不能忘记我们的数据分析的起点和初衷：产品和市场，业务持续增长（商业价值的持续变现以及客户价值的平衡）。在产品生命周期中重点关注的指标如下：在产品成长初期，重点关注用户激活率和留存率；在产品成长爆发期，重点关注用户获取率和留存率，追求高效增长；在产品口碑爆发期，重点关注传播推荐，尝试病毒式增长；在产品成熟收割期，重点关注用户增加收入和留存率，维持客户价值和商业价值变现的平衡。在这个周期中，我们需要保持和用户的沟通交互，监控用户的行为数据指标，并及时了解市场中竞争对手的变化，根据市场和产品的变化调整产品策略、运营策略。

三、用户画像的现实应用

进行用户行为数据和特征的分析，目的在于帮助企业找到用户，驱动企业的业务扩张。金融企业内部信息较多，积累了大量的高价值数据，但是这些数据分布在不同的信息管理系统中。例如人口属性信息主要集中在客户关系管理系统，信用信息主要集中在交易系统和产品系统，消费特征主要集中在渠道和产品系统。为此，应参考金融企业的数据类型和业务需求，构建和利用用户画像寻找到目标客户，并发现客户个性化的需求，实现产品的精准营销，挖掘数据中的商业价值。

（一）银行用户画像实践介绍

1.银行数据资源的特点

银行的数据大部分是结构化数据，数据质量高于别的行业，因此数据清洗和甄别比较容易，只需要打通银行内部的信息孤岛，将数据结构标准化。这些大量的交易数据、个人属性数据、信用数据和客户数据，可以很好地勾勒出客户的行为特征。虽然银行有客户的交易数据，知道客户在某个商家的消费金额，但是却没有具体的消费数据，不知道客户消费的商品和服务是什么，需要引入银联和电商的数据来丰富消费特征信息。并且我国目前的征信体系的数据还不完善，银行还需要借助互联网公司的数据收集和挖掘能力，补充征信体系中缺失的用户信用数据。最后银行还缺少一些极具商业价值的外部数据，比如用户的社交数据和兴趣爱好等，需要引入移动大数据的位置信息来丰富客户的兴趣爱好信息。因此要构建较为完整的用户画像，银行还需要和外部的第三方数据平台合作，引入外部信息来丰富客户画像信息。

2.银行的用户画像构建和数据场景变现

银行的业务需求主要集中在消费金融、财富管理、融资服务，在构建用户画像时要从业务需求出发，从强相关数据出发，从业务场景应用出发。用户画像涉及数据的纬度不是越多越好，需要同业务场景结合，这些数据维度主要以人口属性和信用数据为主，其次是强相关信息和定性数据。信用数据是用户画像中重要的信息，人口属性数据可以帮助金融企业联系客户，将产品和服务推销给客户。强相关信息就是同业务场景需求直接相关的信息，可以是因果关系信息，也可以是相关性很高的信息。比如客户的年龄、学历、职业、地点对收入的影响较大，所以和收入数据是强相关关系，而用户的身高、体重、姓名、星座等数据，很难从概率上分析出其对消费能力的影响，这就是弱相关信息。构建用户画像的目的是为产品筛选出目标客户，但是定量的信息不便于对客户进行筛选，需要将定量信息转化为定性信息，通过信息类别来筛选人群。例如可以按年龄段对客户进行分类，18 ～25 岁以内定义为年轻人，25 ～ 35 岁定义为中青年，36 ～ 45 岁定义为中年人；也可按个人收入的情况将客户定义为高收入人群、中等收入人群和低收入人群。

银行的客户数据很丰富，数据类型和数量多，内部管理系统也很多。可以先利用数据仓库将数据集中，筛选出强相关信息，对定量信息定性化，生成DMP 需要的数据。利用DMP进行基础标签处理和应用定制，结合业务场景需求，进行目标客户筛选或对用户进行深度分析。同时利用DMP引入外部数据，完善数据场景设计，提高目标客户精准度。选择接触客户的方式，对客户进行营销，并对营销效果进行反馈，衡量数据产品的商业价值。利用反馈数据来修正营销活动和提高ROI，提高市场营销的效率，实现数据商业价值变现的目的。

DMP翻译为中文就是数据管理平台，它负责收集、存储、管理企业内部和外部的数据。数据的整合、价值评估和强大的分析能力是DMP的核心，如此便能根据不同的业务场景需要来开发设计产品。下面简单介绍一些DMP可以做到的数据场景变现，详见表 1.4所示。

（二）保险行业用户画像实践

保险行业的产品是一个长周期产品，保险客户再次购买保险产品的转化率很高，经营好老客户是保险公司一项重要任务。保险公司内部的交易系统不多，交易方式不是很复杂，数据主要集中在产品系统和交易系统之中，客户关系管理系统中也包含丰富的信息，但是数据集中在很多保险公司还没有完成，数据库建设可能需要在用户画像建设前完成。

保险公司主要数据有人口属性信息、信用信息、产品销售信息、客户家人信息，缺少兴趣爱好、消费特征、社交等信息。保险产品主要有寿险、车险、保障险、财产险、意外险、养老险、旅游险。保险行业DMP用户画像的业务场景都是围绕保险产品进行的，简单的应用场景如表 1.5 所示。