11.1 用户特征分析所适用的典型业务场景

无论是传统行业的客户关系管理,还是现代企业的数据化运营管理,之所以有用户特征分析的需求,无一例外都是希望通过深入了解用户(客户),找出用户细分群体的特点,从而采取精细化个性化的服务(产品)来更好地满足用户需求,进而增强用户与企业之间的感情,最终保障并提升企业的盈利水平。

具体来说,用户特征分析主要可以满足以下几种不同典型业务场景的需要。

11.1.1 寻找目标用户

寻找目标用户是用户特征分析的第一个重要的应用目的,也是数据化运营中最常见的分析目的。它主要用于解决目标用户是谁这个基本的核心问题,如果不能明确这个核心问题,企业中一切的运营工作都是无目标、无意义的。

在数据化运营实践中,按照是否已经具有真实的产品使用用户来分,寻找目标用户还包括以下两种不同的情形。

❑虚拟的目标用户特征分析。这种场景主要适用于企业(产品)当前还没有实际使用的用户,业务方(运营方)希望按照业务逻辑假设或者业务方“一厢情愿”地圈定一些典型的特征,用以代表未来实际使用用户的特征。举例来说,公司研发了一个新产品,可以帮助客户更好地管理其网店的买家询盘等信息,并可对相关的信息进行记录。虽然产品还没有上线,即暂时还没有客户使用该产品,但是业务方为了制订该产品的运营计划、销售目标等,也需要提炼出目标客户的虚拟用户特征。这个例子就是典型的虚拟的目标用户特征分析。针对类似的虚拟分析,主要通过产品的相关功能、卖点来模拟相应的行为特征和属性特征。比如,该新产品的核心功能是帮助客户更好地管理其网店的买家询盘等信息,那么按照直接的业务逻辑来推理,愿意使用该产品的人应该在其网店有一定数量的买家询盘信息,即需要借助该工具产品来有效处理和管理,提升工作效率,那么这里虚拟的目标用户特征从业务逻辑上说,最起码应该是这样一群用户:他们在网店里每月产生了相当数量的买家询盘信息。如果用户每月收到的买家的询盘太少,根本不需要专门的工具产品来处理,那肯定是不需要该类产品的,也就不是该类产品的目标用户了。除了每月应该产生相当数量的买家询盘信息之外,还可以考虑用户应该有积极的网络经营态度,这里的字段可以是每月上线操作的天数高于平均值等,因为我们可以认为每月很少上线操作经营的用户,是不积极的,也就不大可能会付费购买该询盘管理的产品了。需要强调的是,虚拟的目标用户特征分析只是在实际用户产生之前的权宜之计,等到实际用户产生之后,需要根据真实的用户数据进行用户特征的修正和完善,这就是接下来要讲解的真实用户的特征分析了。

❑真实的目标用户特征分析。与虚拟的目标用户特征分析相对应的是真实的目标用户特征分析,这也是企业客户关系管理和数据化运营中更多出现的场景。本章接下来的全部内容,都是围绕真实的目标用户特征分析来展开的。顾名思义,在进行真实的目标用户特征分析时,其分析数据全部来自实际使用用户的行为数据和属性数据,因此基于这些真实用户数据基础上的用户特征更加可靠、更加可信。真实的目标用户特征分析的结论可以帮助业务方有效锁定目标群体,而这是精细化运营的基础和前提。在11.2节中,将从不同的分析思路和分析技术对此进行深入解析。

11.1.2 寻找运营的抓手

有了目标用户,还是远远不够的,就好像找到了意中人,却不等于已经赢得了对方的心。于是,寻找运营的抓手成为用户特征分析的第二个常见应用场景。

从原理上讲,运营抓手就是指通过运营的方式可以用于改善和提升客户满意度的一些特定行为字段,为了寻找运营抓手而进行用户特征分析时,在分析中就应该包括可以运营的特定行为字段。常见的所谓运营抓手包括用户的一些主动行为,之所以强调主动行为,是因为只有主动的行为才是用户自身努力可以达到的,因此只有主动行为才是可以通过运营的方式传达给用户,并且用户可以通过主观努力来改善和提升的;而被动行为是不以用户主观意识为转移的。

常见的主动行为则又包括用户登录网站的天次、用户发布商品信息的条数、用户购买增值产品的行为等。很显然,所有的主动行为都是用户自身努力就可以改善和提升的。

常见的被动行为包括用户(卖家)能否卖出产品、用户(卖家)能否收到足够的买家询盘等。很显然,所有的被动行为都不是用户单方面努力就可以明显改善和提升的,它取决于交易双方的多种因素。换句话说,被动行为是无法通过运营(服务)的手段有效提升和改善的。

可能有读者会疑惑,本书第10章的案例用户初次成交预测模型及落地应用中,似乎是通过运营手段实现了初次交易这个被动行为的,那这与运营抓手应该是主动行为,而不应该是被动行为是否有矛盾呢?第10章的案例之所以可以成功推动部分卖家实现初次交易,主要是因为模型找到了最可能在近期实现初次交易突破的卖家群体,然后通过运营的手段对他们进行了有意识、有重点的服务和资源倾斜,所以这些卖家实现初次交易实际上是预测模型和运营计划的成功体现,而并没有否定运营抓手应该是主动行为,而不应该是被动行为。单纯从常规的运营效率和经验看,运营的抓手一定是并且必须是主动行为,而不应该是被动行为。

11.1.3 用户群体细分的依据

数据化运营的精细化要求就是个性化运营的要求,虽然在企业的商业实践中不可能真的实现一对一的个性化服务,至少在目前是不可能的,主要原因在于资源配置和服务效率上。但是针对不同的细分群体进行个性化服务和运营却是必要的,否则它与传统的粗放经营又有什么区别呢?因此,用户的群体细分就成了数据化运营的最低要求和基本门槛,如何有效合理地细分用户群体,就成为用户特征分析在企业数据化运营实践中的第三大应用场景了。

用户群体的细分,可以基于单纯的运营抓手细分,也可以基于纯粹的统计分析来找出最可能显著区别于不同群体的特征字段,还可以两者兼顾、包容并蓄。具体采用哪种方法,主要根据具体的业务背景和业务需求来考虑,11.2节将深入讨论相应的具体技术和分析思路。

对于用户群体细分结论的评价,主要看细分的群体之间在业务或者运营上是否有可以利用的明显差别,这一点非常类似聚类分析的评价体系,但是单纯的指标评价只是其中的一个方面,更重要的评价依据应该是业务理解和业务认可。关于聚类分析的评价体系,可参考本书第9章。

11.1.4 新品开发的线索和依据

用户特征分析在企业数据化运营实践中的第4个主要应用场景就是新品开发的线索和依据。

现代企业的新品开发与传统的新品开发最大的不同之处就是以用户为中心。因此,针对用户的分析以及在此基础上对用户特征的提炼就成为新品开发的主要线索和来源。

所谓的新品开发线索,总结起来,无非是产品是为谁而推出的、产品的功能满足用户的哪些特定需求等,这些核心要素其实都是可以从用户特征分析里找到参考或者答案的,鉴于此,用户特征分析也就理所当然地成为支持企业新品开发的线索和依据了。

以上内容从4个不同的业务应用场景介绍了用户特征分析的应用价值,不过,在数据化运营的商业实践中,上述4个应用场景并不是孤立的、相互割裂的,而是相互重叠、互为主次的,只不过侧重点不同,主要矛盾不同而已。

另外,上述4个业务应用场景并不能完全代表用户特征分析的所有应用场景,随着企业数据化运营实践的不断深入,新的应用场景会不断涌现,数据分析师需要与时俱进,紧跟业务需求,积极响应。