细思极恐的“立体”用户画像,如何为“新零售”赋能?

通过信息化与大数据技术为零售行业插上科技的翅膀,改变传统的低效耗能的工作模式,这就是“新零售”概念自身的含义所在。

“顾客就是上帝”,是一句大家所有人都耳熟能详的话语。这句话在二十年前,可能还是一句空话。因为商家少,买家多。卖方市场的局面必然会将用户体验的因素放在次要的位置。

但如今随着市场竞争的不断加大以及各种资源的不断涌入,无论是在传统零售快消、连锁店,还是在目前移动互联网时代的互联网产品,都在时刻践行这句话。

传统零售快消连锁超市,为了吸引用户光顾消费,无所不用其极。通勤车,优惠券,买一赠一….各种的促销活动时刻冲击着人们的眼球。即时在移动互联网的产品市场下,随着用户的消费观念消费行为的不断转型升级,各个互联网产品也在不断的向用户体验侧倾斜。

“今日头条”打破了传统的被动式阅读,由填鸭式的“编辑为王”的信息流时代,转变为个性化的“用户为王”的feed流时代。“网易云音乐”打破了传统音乐播放工具的桎梏,由单一的提供“播放音乐的工具”,变为“释放用户情感”的载体。通过在地铁站铺设用户音乐评论的运营活动,以及产品设计上的极尽情感化,给用户以情感到个人价值的释放。

互联网产品之所以能够在提升用户体验的工作上做到精确,快速,高效,最重要的原因在于搭建了丰富而庞大的用户画像体系。将用户的个人信息结构化,操作行为便签化,并通过机器学习与大数据技术完成由点到面的用户群像。而对搭建用户画像体系最重要的两个因素:数据和算法中,数据又是最重要的一环。而互联网产品,最不缺的就是数据。

而传统的零售、连锁、快消行业的商家,最缺的就是数据。其实零售行业的产出的数据也不少,但大都是经销商、供应链的数据,或者售后服务商提供的一部分历史数据,以及与相关咨询公司合作下的行业分析报告数据。

这样的数据没有价值吗?错,当然很有价值。但问题是这些数据与用户层面相隔太远,无法做到精确,快速,高效的获取用户需求,了解用户意愿,甚至洞悉用户愿望的目的。

在“新零售”的最新市场风向与格局下,对于传统零售业态的转型升级,搭建针对于零售快消场景下的“立体”用户画像,显得尤为必要。

用户画像的前世

随着互联网产品功能的不断迭代,以及数据获取渠道及维度的不断丰富,获取成本的逐渐减低,用户画像的定义及内容也在不断的发生着变化。

定性阶段的第一类用户画像

传统用户画像,或者说第一种意义上的用户画像,主要说的是产品设计、运营人员从用户群体中抽象出来的典型用户。

往往通过用户调研,经过调查问卷,用户访谈等形式了解用户的共性与差异,并不根据结果汇总并聚类成不同类型的几种用户画像类型。

这一类用户画像更偏向于定性分析,本质上是用来阐述用户需求产生原因的方法。他的作用主要是帮助产品经理在产品研发阶段,能够从用户的角度思考问题,理解用户需求并想象用户的使用场景。

但通常情况下,随着产品功能的不断迭代以及真实用户数据的不断涌入,仅仅通过这种定性的评估很难贴近实际的并细致的构建用户模型。虚构的人物画像往往不是真的目标群体,而是一个臆想的理想化个体。

此时,依靠数据来确定用户画像的阶段来临。

细思极恐的“立体”用户画像,如何为“新零售”赋能?

定量阶段的第二类用户画像

第二类用户画像相比第一种用户画像更加有说服力。因为其基于产品积累的用户行为数据来进行用户画像的搭建,结果更加真实准确。

在此类用户画像中,多维度的用户行为数据以及用户的基本信息数据起到了至关重要的作用。

细思极恐的“立体”用户画像,如何为“新零售”赋能?

多维度的用户行为数据主要通过产品后台数据记录或数据埋点以及第三方登录api等方式,维度包括:用户搜索,浏览,停留,跳转,点赞,评论,转发等等。

用户的基本信息数据主要通过用户注册信息数据,包括用户年龄,性别,职业,邮箱,手机号等等。

而以上的数据支撑,主要用于完成的工作是用户标签组的搭建

首先建立用户行为体系,并根据行为聚类分析人群类目体系,最终分类总结出独立用户的用户画像。

细思极恐的“立体”用户画像,如何为“新零售”赋能?

第二阶段用户画像的重点在于动态的,具有时效性的用户行为数据。随着用户年龄增长,环境影响,以及知识水平、内心活动的不断变化,用户画像想要保持及时性、真实性,必须时刻保持行为数据的不断更新以满足需求。

标签化的定量用户画像成为目前社交、电商、信息流等互联网产品中的重要模块以及业务体系,为产品实现用户增长、提升变现力、增强用户留存与黏性等方面起到了巨大的作用,为产品极大的赋能。

用户画像的今生——立体画像

如果我们把定性的用户画像,投射到我们要了解用户这件事情上,可以理解成它是一个点。把基于用户行为数据的定量的用户画像,理解为一条线.那什么样的用户画像,可以理解成一个面呢?

基于用户地理位置信息的用户画像形成一个面,再加上时间维度,形成体。

细思极恐的“立体”用户画像,如何为“新零售”赋能?

笔者对用户画像进行三个维度的阐述。分为地理维度,时间维度,用户维度。

  • 用户属性画像:单一用户在用户维度下的画像,处于用户维度上的一个点。
  • 用户行为画像:单一用户在时间维度下的行为信息画像,加上了时间维度,由点扩展为线。
  • 用户地理画像:单一用户在地理维度下基于用户行为的信息画像,由线扩展为面。
  • 用户地理画像+时间维度:单一用户在一定时间周期内的地理画像,包含了用户属性与行为、时间、地理位置三维度,由面扩展为体。

立体用户画像是目前为止对用户群体最多维度、最全角度、最高准确度的用户画像体系。他为传统的用户画像提供了更加真实的场景信息验证,同时丰富了数据来源,提升了论证结果的真实性。

而今天我们要重要介绍的,就是包含了用户、时间、地点三维度的,立体用户画像。

经过前面的介绍,相信大家已经对用户画像的数据来源有了一定的了解。用户的行为数据通过各种第三方数据平台或者产品内部后台埋点记录,已经可以做到非常全面细致的采集。同时,基于一段时间内的统计分析,应用机器学习及大数据手段还可以对用户的未来行为做预判,或根据行为特征其他未知用户。

所以,搭建立体用户画像要用到的用户维度数据,以及时间维度,已经准备充足。目前最需要调用的,是用户的地理位置信息数据。

可能有人会问,我的位置信息是隐私,难道我在使用互联网产品时会泄露秘密吗?

这点可以放心,对用户地理位置信息数据的获取,是在法律允许范围之内的。通常是通过用户导航行为、定位服务数据、WiFi接入数据、GPS数据等渠道来源接入的。

目前基于地理大数据分析的产品有很多,但是将地理画像与用户属性及行为属性相联动的“立体”画像产品却凤毛麟角。因为无论是地理大数据,还是用户属性及行为数据,都对量级及获取渠道有着非常高的要求,并且数据的真实性也需要综合考量。

所以,目前真正有竞争实力的BAT三家,手握最高市场占比的用户数据,基于各自LBS产品线的明星产品:百度地图、腾讯地图、高德地图,建立的立体用户画像才更有说服力。

比较来说,百度拥有海量的用户搜索行为数据,腾讯拥有海量的用户社交行为数据,阿里拥有海量的用户消费行为数据。所以其在各个领域,均有各自数据的特长。

细思极恐的“立体”用户画像,如何为“新零售”赋能?

百度地图开放平台数据产品——百度慧眼

细思极恐的“立体”用户画像,如何为“新零售”赋能?

腾讯地图位置大数据平台

细思极恐的“立体”用户画像,如何为“新零售”赋能?

细思极恐的“立体”用户画像,如何为“新零售”赋能?

高德地图开放平台数据产品——高德位智

各家通过各自的地图开放平台提供api接口,通过搭建不同的数据分析模块来提供用户地理位置信息画像,并通过与用户属性与行为信息的多维数据做联动整合,成为最终可以全方面多维度的提供“立体”用户画像的数据产品。

立体用户画像为“新零售”赋能

那么“立体”用户画像,到底比传统用户画像强在了哪里?它又是如何做到为“新零售”赋能的呢?我们现在举这样一个例子:

某商家希望在北京某地附近选择一处地域,建立一家无人售货超市。但对于具体选择哪里,如何提高客流,超市货品应该如何配置等问题,始终不知道如何下手。

那么第一步,立体用户画像要为商家客户解决的问题就是:

如何选址

首先,我们应该选择客流密集,每日顾客来往频繁的地域。以“百度慧眼”产品举例,我们先通过客流热力图来分析:

(根据软件隐私性考虑,隐去具体分析流程,只给出粗略结果)

细思极恐的“立体”用户画像,如何为“新零售”赋能?

六道口附近区域居住人口分布热力图

细思极恐的“立体”用户画像,如何为“新零售”赋能?

六道口附近区域工作人口分布热力图

根据热力图分布,我们发现居住人口在此居住占比较多,且相对较为分散。工作人口在此工作占比相对较小,但较为集中。

我们在选择无人超市建设区域时, 应该同时选择居住人口与工作人口都相对靠近的地点。同时,应选择顾客通行的主要街道,不能为了过于靠近人口集中地点而过分隐蔽。

此处只是对选址功能做一个简要的介绍,真实的快消零售选址方案是一项非常重要而庞杂的工作,远不是单纯分析人口热力图这么简单。但基于立体用户画像得出的基于工作人口与居住人口不同的热力图分布结果,会为选址方案提供强有力的结论支撑与思路。

商户根据热力图的分析结果,同时结合行业内的其他经验,并调查了周边的居民与工作人员出行情况,确定了超市的建设地址。那么下一个问题是,如何调查用户对哪类商品更感兴趣?用户的消费习惯,消费水平,是什么样的?

如何确定用户兴趣

传统的用户画像,已经可以通过协同过滤算法去了解用户喜欢什么商品,喜欢什么类型的文章,喜欢什么领域的视频。

但问题在于,如果脱离产品系统内供测试用户兴趣的物料,这样的算法是否还会奏效呢?基于协同过滤算法得出的用户兴趣点,是否与用户在日常生活中的兴趣爱好一致呢?

细思极恐的“立体”用户画像,如何为“新零售”赋能?

而基于地理信息的“立体”用户画像,除了同样参考用户的搜索、浏览等行为数据的同时,还会根据用户日常的行动路线及出行习惯以及经常出现的场所,来进行用户兴趣爱好的深层次协同过滤。

比如用户A通过定位数据了解到经常出现在母婴用品区,且一周有多次出现在幼儿园附近,说明用户是一名3-5岁儿童的妈妈,主要爱好在于母婴亲子。

用户B通过日常浏览搜索行为数据发现对数码类新闻非常感兴趣,且在商场产生定位数据时,多半是在小米、华为等体验店。通过地理位置信息反向判定了该用户的兴趣点。

同样的例子还有许多。地理位置信息除了可以反向分析判断通过产品端得出的用户兴趣标签是否准确,还可以得出某些线上行为数据信息不够充足的用户的兴趣爱好标签。

立体用户画像将了解用户兴趣爱好这件事从线上转到了线下,并通过结论转回线上,形成OMO闭环。

回到无人超市的例子,通过对一定区域内用户总体的兴趣爱好分布情况,对超市货品做出相应调整。如果“餐饮美食”兴趣点占比较高,那么在货架上就要相应侧重于配置优质零食等货品。如果“母婴亲子”兴趣点较高,那么在货架布置上也应该开辟出独立的母婴用品货架。

进一步的,通过一段时间后用户在超市内的行走路径,基于用户的兴趣模型,对货架分布及顺序进行相应的调整,保证满足大众兴趣点的货架处于最短路径之内。

如何制定推广策略

对于零售快消连锁商户,制定推广策略也是一项非常重要的工作。目前除了采取与其他媒体或者电商进行渠道合作推广等方式,传统的线下推广往往更加奏效。比如通勤车,传单,广告牌。放置与用户经常会路过的车站或道路,往往能取得很好的效果。

但问题在于,如何做到地推广告的精准投放?哪个区域的用户购买欲望更强烈?哪个区域的用户对我们的店铺还所知甚少?哪个区域的用户还具有很大的市场空间?

以上的问题,统统可以通过立体用户画像来解决。“百度慧眼”中的用户来源居住地分析,就为商家提供了很好的方案。

细思极恐的“立体”用户画像,如何为“新零售”赋能?

上图是某商户客源来源居住地小区的分析情况,蓝色区域为客源属于的小区。右侧为客源来源居住地的排行。通过上图我们可以看到:

排名第一的小区用户来源量很大,对此小区的推广工作可以暂时放缓,业务方向转向提供优质及个性化服务的方向;

排名第四与第五的小区之间用户来源数差距较大,现阶段应在排名第五的小区加大营销推广力度,比如在该小区投放更多的宣传材料,在小区电梯内增设广告牌,有必要时可以加派通勤班车等。

以上的例子可以很清晰的看出,立体用户画像能够解决的问题是多维度的,并且高度数据化,可验证性也很强。通过对数据结果的分析,往往能够得出很多之前意想不到的决策问题。

小结

立体用户画像能够为传统零售连锁店家或企业带来颠覆传统的大数据辅助决策方案,而不是通过各级上下游服务商通过各种定性的分析结果来做决策判断。实际上,也是对现有零售连锁行业价值链的一次冲击与打破。但不得不承认的是,基于用户地理数据信息的立体用户画像确实为店家或企业节约了大量的人力与财力成本,并且使得选址地选择、用户兴趣点判断、推广方案制定等工作变得异常科学而高效,何乐而不为呢?

通过信息化与大数据技术为零售行业插上科技的翅膀,改变传统的低效耗能的工作模式,这就是“新零售”概念自身的含义所在。

#专栏作家#

CHinos,公众号:chinoslab,GrowthHK专栏作家。热爱自媒体的信息流产品经理。欢迎交流

本文由 @CHinos 独家首发于GrowthHK。未经许可,禁止转载。

题图来自 Unsplash ,基于 CC0 协议

GrowthHK(Growth Hacker):增长黑客是依靠技术和数据来达成各种营销目标的新型团队角色。从单线思维者时常忽略的角度和高度,梳理整合产品发展的因素,实现低成本甚至零成本带来的有效增长…

本文经授权发布,不代表增长黑客立场,如若转载,请注明出处:https://www.growthhk.cn/cgo/market/2274.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
kuko1028的头像kuko1028
上一篇 2017-12-11 10:33
下一篇 2017-12-11 11:11

增长黑客Growthhk.cn荐读更多>>

发表回复

登录后才能评论
Optimized by Optimole
特别提示:登陆使用搜索/分类/最新内容推送等功能 >>