【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PPV课数据科学社区

【观点】大数据时代社交图谱与兴趣图谱的融合

首先,我想问大家一个问题,这个词我们听了好长时间了,大数据,什么是大数据?这个词大概从去年,然后很多人就不停的听到,可能很多同学在跟硬件相关的厂商那边听到,所以...

44013
来自专栏华章科技

CloudFlower | 2016数据科学家报告

我们的《2016数据科学家报告》是去年的努力的后续行动。我们的目的是调查有着多年经验和专业领域的专业数据科学家,从而了解他们的职业,以及他们每天的日常工作是怎样...

982
来自专栏新智元

微软前副总裁:机器学习和人工智能5大关键 | 黑箱不黑

【新智元导读】微软前副总裁S. Somasegar从智能应用开发的角度,总结了2016机器学习和人工智能的5大发展趋势:算法和数据结合的微智能,将能灵活地在应用...

3369
来自专栏AI科技评论

业界 | 爆华为要发布人工智能手机 黑科技还是噱头?

今日,业内人士潘九堂爆料,华为要在下个月发布一款比 Mate 9 更强悍的概念人工智能手机,此款手机将配备三星定制的曲屏和感器。该项目由华为 CEO 徐直军直接...

3465
来自专栏hadoop学习笔记

机器学习的趋势和人工智能的未来

每家公司现在是一个数据公司,在一定范围能够使用机器学习在云中部署智能应用程序,这归功于三个机器学习的趋势:数据飞轮,算法经济,和智能云托管。

921
来自专栏灯塔大数据

TA是什么“鬼”?一个优秀数据科学家的主要构成特点

? 根据三位作者的咨询和研究经验,以及与许多大数据和分析主题的公司合作,了解一个良好的数据科学家具有哪些主要特征。 大数据分析已经满天都是,IBM项目,每天...

2989
来自专栏机器人网

一台电脑也可打造你所需要的人工智能大脑

当Google使用16000台机器建造了一个可以正确识别出YouTube视频中是否有猫的仿真“大脑”时,这就标志着人工智能(AI)技术迎来了一个转折点。这种新兴...

3407
来自专栏企鹅号快讯

2017年年终技术大盘点:火热的人工智能

人工智能虽然不是一个新鲜的概念,但是对于市场来说还处于婴儿期,对于很多领域来说,人工智能的应用拥有无限的想象空间。关于人工智能的未来发展,目前也是意见不一,为了...

1917
来自专栏ATYUN订阅号

语音识别技术里程碑:微软识别错误率降至5.1%

8月21日,微软宣布该公司的语音识别系统的错误率已经降至5.1%,这是目前为止错误率最低的,已经超过了去年由微软AI研究团队所创造的5.9%的成绩。 这两项研究...

3906
来自专栏专知

十大成长性人工智能技术!

为加强对新一代人工智能技术的前瞻预判,把握全球技术创新动态及发展趋势,中国电子学会近期走访人工智能相关企业及高校院所专家,遴选发布了十项最具特色的成长性技术,...

1442

扫码关注云+社区

领取腾讯云代金券