专栏首页机器视觉CV用户需求,该怎么深度挖掘?

用户需求,该怎么深度挖掘?

本文建议阅读时间 8 min

本文转载自 接地气学堂 禁止二次转载!

有同学问:领导总让我们挖掘用户需求,咋个挖掘法? 特别是手头还没什么数据,最多只有一个用户购货记录,感觉挖不出东西。今天系统解答一下。做用户需求挖掘上,有很多很流行的无解,今天也一并澄清。

用户需求挖掘的错误做法

这个段子很多人都听过:

一个小哥来五金店买钉子

买钉子是因为他想挂一幅画

挂一幅画是因为他很孤单

他很孤单因为他很想找女朋友

所以他真正的需求是个女朋友

应该给他介绍个女朋友

故事很好听,可却是大错特错……从业务上看,一个五金店老板,如果不想着怎么卖金属器械,而是研究牵线搭桥的话,那小店离倒闭也就不远了。从数据上看,想不想找女朋友,估计连自己七姑八姨都懒得说,又怎么会轻易告诉陌生人(况且他还是个卖钢筋的)。这是个普遍的错误:误以为,用户需求挖掘,非得挖到别人不知道的八卦奇闻,才算有深度,非得满足很深层的需求,才算是真需求。

实际上,只有极少数行业能如此深度的了解用户,能无限度的满足用户。比如金融行业,针对极高端客户的私人服务,或许能做到这一点(分行行长亲自开车送大客户儿子上学也不是啥新鲜事)。但,大部分企业业务范围有限,面对的是海量用户。因此,不能脱离业务实际,做太细腻深刻的挖掘。无论是业务上还是数据上,都做不到,也没有必要做到。

所以,用户需求挖掘的本质,是:从有限的数据里,筛选关键区分维度,提升用户响应概率。我们要做的,不是搞清楚每个用户的,每个层次的需求。而是通过区分,提高用户响应概率,识别核心用户群体。让用户对我们的业务响应率,比闭着眼睛瞎做要高。每高出来一个百分点,都是数据分析师对企业的贡献。

户需求挖掘的五个步骤

▲第一步:区分核心用户

还拿五金店老板举例。在精力有限的情况下,先抓住大客户才是关键,分类是很必要的。五金店的用户分类,可能是:

  • 第一等:物业维修部、装修队、工地(B2B类客户)
  • 第二等:装修、改水电、维修的客户(B2C类大客户)
  • 第三等:偶尔买一个灯泡、插座、钉子的散客(B2C类小客户)

问题在于,当一个小哥进门,五金店老板并不知道他到底是哪一类。如果置之不理,可能损失掉一个大生意。但如果每个人都上来问一大堆问题,估计会把客人吓跑。这里就开始了第一步的用户需求挖掘,挖掘的问题很简单:“您想买点什么”

▲第二步:对业务分类

小哥回答:“我想要买钉子”——你联想到了什么?这个回答听起来很简单,可透露了很多信息。因为,每一类业务,可能有固定的商品组合和消费特点,比如对五金店而言:

  • 工程类业务:大量的钢筋、各种物料(不会零散采购)
  • 水类改造:水管、扳手,防水胶带
  • 电类改造:电线、开关、插座
  • 墙体维修:水泥、刷子、油漆
  • 物件维修:钉子、锤子、钻机

这叫:业务强相关性。即使不做关联分析,这些商品也是天生捆绑出现的。并且根据业务规模大小,有固定消费量。做好事先业务分类非常重要。当我们无法采集大量用户信息的时候,可以通过仅有的一点点购货记录,利用业务相关性去推断用户需求。比如这里老板听到小哥需要钉子,可以很快推断:不是B类用户,和维修有关。但是老板仍不知道,小哥到底是C类大客户还是散客,还需要第二步挖掘。问题也非常简单:“您买钉子做什么”。

▲第三步:抓关键信息

小哥回答:“我想要买钉子,在墙上钉一副画”——听到这句,你是不是马上想到要说什么了!是滴,我们可以看到,做好用户分群和业务分类以后,再做需求挖掘的时候是非常容易的。基于前边的分类,读者们听到钉一幅画,也能立即反映出来:这是个散客,价值不高。钉子和锤子、钻机是高度关联的,有交叉销售机会。这里借助2个简单的问题,我们已经完成了抓关键信息。当然,实际业务中,传统企业靠销售、导购、业务员去抓关键信息,互联网企业靠埋点、推送/反映、问卷、浏览频次等抓关键信息。

▲第四步:推送商品/活动

现在有了假设,我们可以尝试验证,推一个商品/活动试验下。这时候五金店老板就不会花大力气去问小哥是不是想谈恋爱,而是说:“你需要钉画的话,用1寸小钉子比3寸的大钉子好看,容易钉还不显眼。”这样就能锁定小哥的需求,比那些不理不睬的老板成功几率高。同时,还能做个交叉推荐:“你有锤子了吗?可以买个小钻机,比锤子省事,修其他东西也能用”如果推荐成功,就能成功的把客单价从1块钱提升到200块,也是小赚一笔。

▲第五步:验证推送效果

有推送,就有成功和失败两种可能,因此需要验证效果。需求挖掘,本质上是个概率问题。需要通过数据验证我们推送,进而验证我们选择的挖掘维度,挖掘方向是否正确。对五金店老板而言,这里有两个维度要验证:

1、钉墙推荐1寸钉子(假设:基于用户需求考虑,更容易成交)

2、钉墙的男性推荐风钻(假设:男性喜欢机械,有机会成功)

这实际上已经是个小型ABtest了。如果有一个数据可记录的话,老板会看到,这两个假设可能成立,也可能失败。比如做了200组,发现用户根本不考虑美观,都是什么便宜买什么,那以后的策略,就是散客来了直接丢最便宜的东西给他。当然,也有可能发现这个策略可行,10单能交叉卖出3单钻机。那以后就按这个策略走。到这里,我们的需求挖掘结束。我们找到了一个区分方向,验证了一个可提升成交的机会点,从用户买钉子挖出了钻机的需求。这么做,可比天天琢磨小哥到底有没有女朋友,是喜欢萝莉还是喜欢御姐要靠谱的多。

虽然只是一个搞笑的例子。(实际上五金店老板才没这个耐心,五金店也没有数据可以记录)。但是它很形象的展示出了挖掘用户需求的工作流程:

1、区分用户类型

2、区分业务类型

3、抓关键信息

4、推送商品/活动

5、验证推送效果

这套方法论事可以推广到各个行业的,特别是数据记录较少的情况下。注意,这里先区分用户还是先区分业务,是有行业差异的。一般传统企业的业务类型比较固定,倾向于先区分业务。互联网企业业务比较灵活,甚至能无中生有创造新场景,往往倾向于先区分用户,甚至有可能针对一个用户不同场景做文章。

但无论怎么做,区分用户与业务都是第一步预动作,也是最重要的一步。通过分类可以清晰后续挖掘的方向,明确挖掘深度,为验证挖掘是否有用提供标准。所以这一步下边会单独拿出来讲。很多同学做用户需求挖掘毫无头绪,都是因为缺少分类。而很多同学陷于Abtest,缺少整体判断,也是因为缺少分类。

用户/业务区分的注意事项

一提用户分类,很多文章都扯RFM,这是非常错误的。并非所有的业务都需要高频次消费,也不是所有业务都累积高金额,甚至有可能一个业务同村存在一次消费和高频消费。如果从频次和金额的角度来看,常见的业务可以归纳如下:

传统企业的业务相对聚焦,在业务分类相对容易。比如房子,分置业、投资。置业再分首次、二次改善,养老。二次改善又有面积改善、环境改善、配套改善、资源改善等若干。家装、汽车、贷款等等业务都有类似归类法(文字太多,先不展开了)每一种对应的用户需求会很聚焦。因此传统企业的用户需求挖掘,没有那么依赖“大数据”。更多事类似五金店老板,做好业务分类,在前端销售、导购、业务员做好关键信息采集

互联网公司需特别注意:一个平台有可能同时融合多种业务,这些业务看似相似,可实际对应的用户需求,相关的业务,完全不同。(如上图红圈所示)一个订票平台,对商旅客人,可能就是高频次高金额频繁发生的事,这时候可以用RFM来进一步细分。但对新婚游,可能就是个很低频的需求,找的关联业务就是酒店、租车、回程以后休闲地(出趟国,十几二十天回来真的很累,需要补假)。类似的,电商平台,卖的同时有零食、手机、充值卡、电视等等,在挖需求的时候也要区分常见,而不是一锅炖了了事。

用户分群的具体操作内容太多,需要单独开一篇文章写,这篇已经3000字了,怕大家读着类。写长文最怕没人看,有兴趣的同学点个在看。如果在看超过20个陈老师就排期写哈。

推送/验证的注意事项

做数据的同学,往往做ABtest的很多,但做的很被动。往往是业务拿着方案,数据只是机械操作。自己提假设,自己进行验证的能力差。这里关键是:提假设。很多同学对着交易数据没感觉,数据库里评论、需求、浏览数据又太少。这里举个简单的例子。比如我们看到一个购物单,我们可以大胆做假设:

所以你看,不需要特别多数据,也能提假设。当然,不是所有假设都有必要投入ABtest,我们可以先从数据上作区分。比如从一个用户身上发现的假设点,先看:是否该用户有强烈的特征,比如我们假设他是优惠驱动,那么他参与优惠订单》n次,优惠力度》50%的活动参与率》X%,总之,他得真的表现出对优惠有特别兴趣。再看,是否有足够数量用户有类似特征,如果用户数量太少,那即使是个机会点,也不一定被业务所用。如果符合以上两点,可以考虑提建议,让业务做方案,上Abtest了。

需求挖掘,做到多深合适

看到上边,有的同学可能会问:既然有这么多方向可以挖,该从哪里挖起?答:从目前业务发展最紧迫的问题开始。业务上,需要:

  • 提升转化率:挖用户首次购买的产品
  • 提升客单价:挖用户交叉品类需求
  • 提升交易金额:挖重度用户
  • 提升复购率:挖二次购货需求
  • ……

有明确目标指引的情况下,更容易找到答案。当然,也有可能挖了一圈发现没啥收货,数据上找不到机会点。但至少也能反向证明:花里胡哨的砸钱营销没啥屁用,那也能指导运营做一些节省成本的工作,也是功劳一件。

以上就是挖用户需求的基本思路,大家可以看到,它融合了用户分群,假设检验,ABTest等具体工作,是个综合性很高的事,同时也能看到,它不是一蹴而就的,而是需要大量基础工作打底,再结合大量的尝试才能得到结论。挖用户需求,不是像路边摆摊的算命师傅那样,铜钱一丢就无所不知了。去粗取精,去伪存真,反复迭代,逼近真相,这才是数据分析师的价值所在。

本文分享自微信公众号 - 机器视觉CV(Unfinished_coder)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-10-04

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。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 数据分析体系是什么?该怎么搭建?

    有同学问:经常听到“搭建运营分析体系、搭建业绩监控体系、搭建商品分析体系”等等要求。可到底数据分析体系是什么?似乎经常看到的,只有AARRR五个字母,又语焉不详...

    机器视觉CV
  • 用户画像,该怎么分析?

    有同学问:陈老师,我领导让我做用户画像分析,可是我做了一大堆数据,却被批:也没分析什么东西啊?该咋办?今天系统解答一下。

    机器视觉CV
  • 干货 | YOLOV5 训练自动驾驶数据集,并转Tensorrt,收藏!

    BDD100K是最大的开放式驾驶视频数据集之一,其中包含10万个视频和10个任务,目的是方便评估自动驾驶图像识别算法的的进展。每个高分辨率视频一共40秒。该数据...

    机器视觉CV
  • 用户需求,该怎么深度挖掘?

    有同学问:领导总让我们挖掘用户需求,咋个挖掘法? 特别是手头还没什么数据,最多只有一个用户购货记录,感觉挖不出东西。今天系统解答一下。做用户需求挖掘上,有很多很...

    数据森麟
  • 用户需求,该怎么深度挖掘?

    有同学问:领导总让我们挖掘用户需求,咋个挖掘法? 特别是手头还没什么数据,最多只有一个用户购货记录,感觉挖不出东西。今天系统解答一下。做用户需求挖掘上,有很多很...

    接地气的陈老师
  • 互联网浪潮中做基础网络服务的几小招

    "鹅厂网事"由深圳市腾讯计算机系统有限公司技术工程事业群网络平台部运营,我们希望与业界各位志同道合的伙伴交流切磋最新的网络、服务器行业动态信息,同时分享腾讯在网...

    鹅厂网事
  • 最怕这样的好文案,把人生都戳破

    腾讯大讲堂
  • 胖子哥的大数据之路(16):大数据采集标准-我们到底需要什么样的数据?

          刚刚有一个好友向我咨询数据相关的问题,朋友目前是IT设备生产厂商的人。从好友的描述中,提到对用户特征获取的需求。包括:人的兴趣爱好、关注焦点等,在用...

    数据饕餮
  • 胖子哥的大数据之路(16):数据采集标准-我们到底需要什么样的数据?

          刚刚有一个好友向我咨询数据相关的问题,朋友目前是IT设备生产厂商的人。从好友的描述中,提到对用户特征获取的需求。包括:人的兴趣爱好、关注焦点等,在用...

    数据饕餮
  • 面试官:说说Mysql数据库分库分表,并且会有哪些问题?

    之前一篇文章已经谈到了数据库集群之主从集群也就是读写分离,也提到了读写分离其实只是分担了访问的压力,但是存储的压力没有解决。

    用户5546570

扫码关注云+社区

领取腾讯云代金券