3个案例秒懂，大数据是如何搞定用户交易画像的

如何构建用户交易画像？

基于交易行为，我们可以依据 3 个关键指标进行用户分群。

1. 流失风险。看每个用户上一次交易距今的时间，上次交易距今时间越远流失风险越高，反之流失风险越低。

2. 忠诚度。看历史总交易频次，频次越高对产品的忠诚度越高，反之忠诚度越低。

3. 消费能力。消费能力主要看消费的金额，金额越高消费能力越高，反之消费能力越低。

除了流失风险、忠诚度和消费能力这 3 个指标外，我们还可以分析用户的购物时段、购物偏好、常用支付渠道等消费习惯，近一步细化用户画像。

如何运用用户交易画像来分析问题？

善用用户交易画像让我们充分了解用户，为运营规划、营销策略制定乃至产品设计提供可靠的参考。

案例一：营销活动复盘

某个经营线下门店的客户在去年双 11 期间做过一系列营销活动，活动期间他们 GMV 有所上升。通过 Ping++ 大数据商业智能系统，我们将该客户的用户分成核心用户、高潜用户和一般用户，再分析这三类用户在双 11 期间的增长情况，结果发现核心用户和高潜用户的消费额增长非常好，但是一般用户却几乎没增长。这是为什么呢？

我们再按周去分析这 3 类用户的交易习惯，可以发现高潜用户和核心用户在周一到周日的交易都保持着比较高的水平，但是一般用户在周末时的交易状态却非常低迷。原来是因为这家商户主要经营线下门店，一般用户大部分是在附近上班的人，Ta 们工作日会来店里消费，周末一般不会出现。恰好 2016 年的双 11 在周五，这家店的营销活动是从周五持续到下周二，所以整个双 11 营销活动对一般用户的影响比较小。

案例二：用户流失情况分析

某个客户发现自上个季度起整体用户的流失在持续上升。通过 Ping++ 大数据商业智能系统，先把整体用户划分成核心用户、高潜用户和一般用户，再对比分析每一个用户群体的流失情况。核心用户的流失人数在上季度的前三周开始上升，在第二周和第三周的流失速度是最快的。定位出这个时间点后，这个客户开始复盘这段时间到底发生了什么事情。

原来上季度第二周和第三周期间他们做了比较大的产品改版，改版时下调了部分流量不高的板块的展示位置，还隐藏了几个板块，却没料到这些板块是核心用户经常使用的。

案例三：个性化补贴

补贴是运营常用手段，包括发优惠券、红包、满赠等等。用户交易画像可以帮助运营人员设置更合理的补贴策略，用最少的成本获取最大的利益。

补贴的基本原理是「用户价值剩余原理」。按照理论而言，如果商品能针对不同人群卖不同价格，也就意味着有更多人可以购买；只要在利润范围之内，商家就能赚取更多 GMV。但在现实生活中，同一件商品几乎不可能对不同人群使用不同的标价。因此，商家会针对不同人群发放不同额度的补贴，巧妙地解决问题。

举个简单的例子，假如 A、B、C 类人。A 类消费能力是 100 块钱，B 类 50 块钱，C 类是 20 块钱。A 人群消费意愿最强，B 类消费意愿最差，C 类消费意愿适中。如果给这 3 类人群发满减券，该怎么发呢？

方法 1 是给所有人发一样额度的优惠券，但是更聪明的方法是针对 3 类人群发不同额度的券。针对消费能力为 100 块的人群，可以把满减门槛设定在 100；针对消费能力为 50 块的人群，门槛设定为 50元；针对消费能力为 20 元的人群，门槛设定到 20 元。商家采用这种补贴方式，客单价可以达到 47 块，而如果给 A、B、C 3 类人群发统一的优惠券，客单价基本都会小于 47 块钱。

构建用户交易画像能为后续的精细化运营做准备，比用户交易画像更重要的是背后的数据化思维方式，这是每一个优秀的市场、运营人都应该具备的能力。