酷应用

大数据在各领域应用之精准营销

百家作者：数据分析 2021-06-25 11:01:29

概述

随着移动互联网的发展，用户的一切行为在企业面前变得越来越“可视化”。大数据时代的到来，为企业的经营发展带来了新的挑战和方法，企业逐渐摒弃之前传统的营销方式，更加专注于如何利用大数据实现产品的精准营销，构建企业的基础用户画像数据，深度挖掘大数据的商业价值。

用户画像，即对用户进行信息标签化处理，就是企业收集用户的基本属性、社会属性、生活习惯、消费行为等数据，通过算法挖掘和分析用户数据，抽象出一个用户的全貌属性，作为实现商业场景和应用的数据资产。用户画像能够为企业提供基础画像表，帮助营销人员快速找到精准用户人群，并深度挖掘用户需求。

用户画像的应用

用户画像的应用领域越来越广，主要体现在以下几个方向：

精准营销：根据人群定向进行营销活动，能使得营销更有效率，在相同成本下，得到更好的总体转化效率。例如，向在校学生推送价格优惠的酒店营销活动，而没有必要向白领IT从业者推送距离最近的酒店营销活动。
推荐系统：用户画像、用户行为分析是高转化率个性推荐的极重要的数据基础。例如，向有收藏酒店行为的情侣推送距离最近的情侣风格酒店。
搜索排序：在细化场景，将人群定向与意图分析结合，精细提高转化率过程中，可以根据人群标签进行有针对性地排序。例如，推荐给搜索过手机的人推荐华为手机。
筛选排序：在细化场景，精细提高转化率过程中，可以根据人群标签进行有针对性地排序。例如，给出差在外的商旅用户在筛选时，把离机场或者车站比较近的钟点房排在前面。
用户分析：将用户画像、用户行为分析结合，能够发现更高质量的用户人群。例如，在冬天的时候，有很多黑龙江人会到海南住家庭旅馆。
商家分析：分析商家近期客户的用户行为与用户画像，能够更好地帮助商家发现商机。

用户标签的构建

下面介绍一下用户画像最基本、最重要的部分——用户标签的构建。

用户画像一般可以按照行为特征、基本属性、消费特征、交易属性、潜力特征、兴趣偏好和预测需求等方面组织。当然，因为业务的差异，可以根据自己业务的特点添加不同的方面构建用户画像，一个基本的用户标签如下图所示。

行为特征，主要用来记录用户的行为操作信息。例如，App的日启动次数、周启动次数、月启动次数、评论活跃度、最近浏览页面及浏览时间等。
基本属性，就是描述用户的一些基本特征，用来反映用户的通用信息。例如，用户ID、昵称、UID、性别、年龄、手机号、城市、注册时间、活跃度、流失倾向等。
消费特征，主要用来记录用户的下单购买行为。此处可以用RMF模型记录用户的最近购买时间、消费价格、消费频率等。
交易属性，主要用来记录一些交易的偏好。例如，订单总数、交易额、支付时间间隔等。
兴趣偏好，主要是有针对性地找一些兴趣点，用来区分用户，并结合日常营销推广活动设置兴趣偏好。例如，品牌偏好、房型偏好、品类偏好、星级偏好、菜品口味偏好等。
潜力特征和预测需求，主要用来分析用户的价格敏感度和目标价位等，方便针对价格敏感度比较高的用户做价格营销活动。

用户画像基本上就是用上面的对用户打“标签”的方式实现，而一个标签通常是高度精炼的特征标识，例如地域、年龄、性别、用户偏好等。最后，把这些用户的标签整合在一起，就可以描绘用户的立体画像了。后续可以基于用户标签基础构建用户画像基础表，只要有了用户画像宽表，数据产品经理就可以根据业务应用用户画像，做一些分析和用户画像的可视化。至此，数据产品经理便完成了从用户画像的构建到应用的整个流程。

用户画像在精准营销的应用

在有了用户画像之后，通过进一步分析用户需求，可以针对特定用户人群制定营销活动，找到运营老用户和获取新用户的机会。还以电商为例，如果有生鲜的打折券、日本餐馆最新推荐等活动，那么运营人员可以把活动的相关信息精准地推送到与之匹配的消费者的手机中，并根据用户的参与情况和点击行为数据等，进一步分析用户各方面的行为与偏好。最后，运营人员通过观察不同阶段的成功率，做前后对照，确认整体经营策略与方向是否正确，这个阶段的目的是提炼价值，再根据用户需求精准营销，最后追踪用户反馈的信息，完成闭环优化。

只有通过大数据实现精准预测和推荐，才能发挥大数据最大的价值。以当下最火的新零售为例，“精准推荐”将会是大数据改变新零售业的核心功能。例如，服装网站Stitch Fix结合机器算法推荐，根据顾客的身材比例、用户画像、历史销售记录等数据，通过服装推荐模型，为每个客户个性化推荐服装，而不是每个人看到的服装千篇一律，甚至在购买时还要手动的选择尺寸、颜色等信息，从而实现更精准、更人性化的营销。