【沙龙干货】主题一:外卖O2O的用户画像实践

分享内容


这个演讲的内容大概包括四个部分:第一个是外卖业务对营销的要求,我会从比较概括层面讲一下针对外卖业务我们要做什么;第二个是美团用户画像,介绍一下画像的内容;第三部分通过一些具体的例子,分析我们面临的一些问题,分享一些经验;最后是我个人的一些思考和总结。

这是一个用户对产品的体验之旅,粗分成两个阶段:用户获取阶段和用户拓展阶段。第一个阶段,我们通过一些营销、个性化的广告,引起用户对外卖的兴趣。当用户下完首单之后,我们会引导用户第二次、第三次购买,在这个时候很重要的一点我们需要做出交叉销售,比如你点工作餐,给销售一些不同品类的产品,类似夜宵或者是下午茶。

用户处于哪个阶段、我们如何判断?这在营销上有一个具体的数据RFM矩阵。我们把用户细分成不同级别:成长用户,就是比较新的用户;成熟用户,他们在外卖有相当多的体验;衰替用户,就是有一段时间没过来的用户;“死亡”用户,指这类用户已经相当长时间没有下单了。不同的级别对应不同的用户运营策略:成长用户提高单价和频率,增加他对外卖的体验;成熟用户,提升用户价值,增加销售;衰替用户我们重点是做客户挽留,预测衰替用户也是一个非常重要的事情,叫流失预警;对死亡用户的话我们尝试做一些召回,考虑到成本问题,我们只召回一部分。

除了要判断用户的阶段,完成一个用户画像还需要哪些信息呢?

我们要识别这个用户他的年龄、性别、职业,还有家庭情况,是否有车、有房,这样一些基础的信息;他的偏好,他的口味是什么?他是爱吃辣的,还是爱吃甜的……这些偏好有短期和长期的,也都需要去识别出来;还需要识别用户的消费价格,他的消费时间以及场景上的偏好;我们还会根据团购和点评的数据,通过分析这个用户的到店消费行为,来丰富用户画像。

所以,在画像挖据期我们要做的工作就是:用户偏好预测;通过用户的下单位置,挖掘他周边环境怎么样,是写字楼还是居民区这种;评论中情感和标签的提取;对商家特征和菜品特征的挖掘。整个这些数据挖掘出来以后,我们会放到一些表里边,提供一个服务给我们的下游业务端。

下面简单介绍一下画像挖掘过程中的经验和实践。

运营重点刚才也提到了——拉新、留存,扩展用户体验,下面我们针对这三点分别提供一些案例。

拉新:要找到对外卖感兴趣的用户,要判断这点,需要综合考虑人口属性(性别、年龄、职业……),比如加班的人、女性一般对外卖的需求要大一些;偏好,比如同一个办公室口味一般会相一致些;消费潜力,根据他的下单地址、日常消费习惯就能可见一斑,消费潜力高的就是我们的新用户首选。

新客来了之后,我们挽留在这个平台上,于是就有了第二个案例——做到用户流失预警的一个工作。通过构建用户的体征取证,找很多用户流失相关的一些特征,把这个特征建立一个预测模型。

关于模型有两种做法:关于模型有两种做法:第一是建立一个预测模型,预测用户未来若干天是否会下单,未来两个月他下单概率非常小,这个客户可能会流失了;还有一个是预测下次下单间隔,是生存模型。

这两个方法我们做了一个尝试,首先这个图右边是概率回归的模型,在用户是否有下单做为label、统计一些特征,做一个概率的预测,最后根据预测的结果我们可以看到每个用户预测流失的概率,概率值是不一样的。另一种方法是用生存模型,预测用户下一单的时间。两种方法性能类似,但生存模型能给出用户预期的下单间隔的估计。

第三个是拓展用户的体验,最重要的一点是我们要理解用户下单的一个场景。从三个纬度可以描述:下单的时间、地点、订单内容。把这三个纬度展开可以得到不同的一些场景,比如说工作日的下午茶,周末的家庭聚餐,加班餐,甚至有旅游,网吧冲浪,或者是家里点夜宵。

对场景的理解分为三个层次。首先构建场景描述的一个基本纬度,通过一些一些订单的属性(用户属性和商家属性)构建用户描述的场景特征;在场景特征构建之后,通过访谈的办法,或者用户分型、多元分析以及一些数据挖掘方式,通过人工和算法两种方式结合来发现一些场景,或者是定义一些场景;在场景发现之后的话,我们需要对场景的用户做一个识别,把这个用户归类到这些场景之中,这个用户属于哪个场景,或者这个用户有可能属于哪个场景,这个部分我们通过一些规则或者是一些预测的算法。当然另外有一些实施的场景,我们通过云计算来得到。

整个外卖行业营销特征,它跟其他行业的主要区别,第一个是关注用户生命周期。这是一个相对高频的一个业务,所以的话对用户生命周期的划分相对比较明确。我们的运营策略需要结合用户生命周期去做;第二个是场景驱动。用户点外卖有非常明确的场景需求。根据这两个特点,我们做用户画像,除了用户生命周期外,还需要关注用户下单的时间、地点等场景信息,另外还需要挖掘用户潜在的场景需求。关于外卖用户画像的挑战:第一是有大量的非结构话数据的处理,例如订单、菜名等;另外,外卖相对还是个新鲜事物,用户对外卖的认知较少,很对潜在需求没有被发觉;第三点就是用户点外卖的决策时间较短,下单前的线索数据较少,这和传统电商中用户形成购买决策前会有大量的搜索、浏览行为不同,这就要求从行为之外的数据推测用户的偏好。

原文发布于微信公众号 - 美团点评技术团队(meituantech)

原文发表时间:2016-08-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏BestSDK

【深度】为什么语音输入法SDK,成APP和小程序开发必备

从锤子科技发布会,到乌镇大会搜狗CEO王小川的演讲,语音识别和机器翻译技术成了万众瞩目的焦点。一夜之间,传统的键盘输入法似乎即将被颠覆,语音输入法技术真的有这么...

26210
来自专栏人工智能快报

2017年人工智能五大预测

据麻省理工《技术评论》网站报道,人工智能和机器学习领域在2016年取得了巨大进步,并有望在2017年取得更为丰硕的成果,包括以下值得期待的五大看点。 1 正向强...

34413
来自专栏华章科技

数据为谁而用?——人性化交互金融知识图谱问答探索

《经济学人》五月第一期杂志中,头条新闻中将数据比作世界上最有价值的资源。早在2014年马云董事长就说过阿里巴巴从本质上来讲已经成为一家数据公司。文章[4]中说现...

682
来自专栏专知

多媒体大数据分析研究进展综述导读

选自ACMCSUR 专知编译 参与:左熠昆、Quan 昨天向大家推荐了最新的相关综述论文最新综述文章推荐:自然语言生成、深度学习算法、多媒体大数据分析,今天为大...

4258
来自专栏数据科学与人工智能

【FinTech】Fintech机器学习,所有你必须知道的

金融世界处理统计数据和定量数字,使其成为机器学习(ML)的完美领域。 这种工程科学已经应用于医疗,旅游,媒体和零售等不同领域。

962
来自专栏新智元

【金融客服AI新玩法】语言学运用、LSTM+DSSM算法、多模态情感交互

编辑:张乾 【新智元导读】目前,金融业智能客服创业公司大量涌现,一方面说明行业整体技术壁垒较低,另一方面,也说明智能客服的在金融领域的应用商业场景还有巨大的开发...

2845
来自专栏深度学习之tensorflow实战篇

新媒体指数评价方法:相应计算公式

在对平面媒体的广告价值进行研究的过程中,主要考虑四个方面的因素:一、媒体的受众规模;二、媒体的受众构成;三、媒体对受众影响力;四、广告主对媒体的接受度。...

2293
来自专栏新智元

谷歌AutoML系统自动开发出计算机视觉模型,性能优于人类水平

来源: futurism.com 编译:Frances 【新智元导读】Google的AutoML项目旨在让人工智能自主建立其他人工智能,现在已经开发了一个计算机...

34110
来自专栏CDA数据分析师

大数据AND机器学习:大数据是原材料,机器学习是原材料加工厂

导 读 大数据是原材料,机器学习是原材料加工厂,而新一代人工智能服务则是工厂出炉的产品被消费在越来越多的日常生活中。 在Deepmind和AlphaGo获得的...

18010
来自专栏ATYUN订阅号

墨尔本大学首创AI生物识别镜,照出你的性格来

墨尔本大学的研究人员设计了一种AI系统,该系统为世界首创,可以根据脸部照片来检测和显示人们的个性特征和生理上的吸引力。

572

扫码关注云+社区