用戶(hù)行為數據分析

用戶(hù)行為數據分析

這幾年，幾家電商的價(jià)格戰打得不亦樂(lè )乎，繼去年的“雙 11 大促”和“618 狂歡節”之后，電商之間以?xún)r(jià)格為主要訴求的大規模促銷(xiāo)層出不窮，幾乎要把所有能夠用來(lái)造勢的節日都用上了。而消費者們作為這場(chǎng)游戲中的弱者，不斷地被這些真假價(jià)格戰挑逗著(zhù)和引導著(zhù)。然而，在當今的商場(chǎng)上，還有另外一類(lèi)企業(yè)不是通過(guò)簡(jiǎn)單粗暴的價(jià)格戰，而是通過(guò)對數據的充分使用和挖掘而在商戰中獲勝的。

最典型的當屬全球電子商務(wù)的創(chuàng )始者亞馬遜(Amazon.com)了，從 1995 年首創(chuàng )網(wǎng)上售書(shū)開(kāi)始，亞馬遜以迅雷不及掩耳之勢，徹底顛覆了從圖書(shū)行業(yè)開(kāi)始的很多行業(yè)的市場(chǎng)規則及競爭關(guān)系，10 年之內把很多像 Borders 以及 Barnes and Noble 這樣的百年老店被逼到破產(chǎn)或瀕臨破產(chǎn)。亞馬遜在利潤并不豐厚的圖書(shū)行業(yè)競爭中取勝的根本原因在于對數據的戰略性認識和使用，在大家還都不太明白什么是電子商務(wù)時(shí)，亞馬遜已經(jīng)通過(guò)傳統門(mén)店無(wú)法比擬的互聯(lián)網(wǎng)手段，空前地獲取了極其豐富的用戶(hù)行為信息，并且進(jìn)行深度分析與挖掘。

何為“用戶(hù)行為信息”(User Behavior Information)呢?簡(jiǎn)單地說(shuō)，就是用戶(hù)在網(wǎng)站上發(fā)生的所有行為，如搜索、瀏覽、打分、點(diǎn)評、加入購物筐、取出購物筐、加入期待列表(Wish List)、購買(mǎi)、使用減價(jià)券和退貨等;甚至包括在第三方網(wǎng)站上的相關(guān)行為，如比價(jià)、看相關(guān)評測、參與討論、社交媒體上的交流、與好友互動(dòng)等。

和門(mén)店通常能收集到的購買(mǎi)、退貨、折扣、返券等和最終交易相關(guān)的信息相比，電子商務(wù)的突出特點(diǎn)就是可以收集到大量客戶(hù)在購買(mǎi)前的行為信息，而不是像門(mén)店收集到的是交易信息。

在電商領(lǐng)域中，用戶(hù)行為信息量之大令人難以想象，據專(zhuān)注于電商行業(yè)用戶(hù)行為分析的公司的不完全統計，一個(gè)用戶(hù)在選擇一個(gè)產(chǎn)品之前，平均要瀏覽 5 個(gè)網(wǎng)站、36 個(gè)頁(yè)面，在社會(huì )化媒體和搜索引擎上的交互行為也多達數十次。如果把所有可以采集的數據整合并進(jìn)行衍生，一個(gè)用戶(hù)的購買(mǎi)可能會(huì )受數千個(gè)行為維度的影響。對于一個(gè)一天 PU 近百萬(wàn)的中型電商上，這代表著(zhù)一天近 1TB 的活躍數據。而放到整個(gè)中國電商的角度來(lái)看，更意味著(zhù)每天高達數千 TB 的活躍數據。

正是這些購買(mǎi)前的行為信息，可以深度地反映出潛在客戶(hù)的購買(mǎi)心理和購買(mǎi)意向。例如，客戶(hù) A 連續瀏覽了 5 款電視機，其中 4 款來(lái)自國內品牌 S，1 款來(lái)自國外品牌 T;4 款為 LED 技術(shù)，1 款為 LCD 技術(shù);5 款的價(jià)格分別為 4599 元、5199 元、5499 元、5999 元、7999 元;這些行為某種程度上反映了客戶(hù) A 對品牌認可度及傾向性，如偏向國產(chǎn)品牌、中等價(jià)位的 LED 電視。而客戶(hù) B 連續瀏覽了 6 款電視機，其中 2 款是國外品牌 T，2 款是另一國外品牌 V，2 款是國產(chǎn)品牌 S;4 款為 LED 技術(shù)，2 款為 LCD 技術(shù);6 款的價(jià)格分別為 5999 元、7999 元、8300 元、9200 元、9999 元、11050 元;類(lèi)似地，這些行為某種程度上反映了客戶(hù) B 對品牌認可度及傾向性，如偏向進(jìn)口品牌、高價(jià)位的 LED 電視等。

亞馬遜通過(guò)對這些行為信息的分析和理解，制定對客戶(hù)的貼心服務(wù)及個(gè)性化推薦。例如：當客戶(hù)瀏覽了多款電視機而沒(méi)有做購買(mǎi)的行為時(shí)，在一定的周期內，把適合客戶(hù)的品牌、價(jià)位和類(lèi)型的另一款電視機促銷(xiāo)的信息通過(guò)電子郵件主動(dòng)發(fā)送給客戶(hù);再例如，當客戶(hù)再一次回到網(wǎng)站，對電冰箱進(jìn)行瀏覽行為時(shí)，可以在網(wǎng)頁(yè)上給客戶(hù) A 推薦國產(chǎn)中等價(jià)位的冰箱，而對客戶(hù) B 推薦進(jìn)口高檔價(jià)位的商品。

這樣的個(gè)性化推薦服務(wù)往往會(huì )起到非常好的效果，不僅可以提高客戶(hù)購買(mǎi)的意愿，縮短購買(mǎi)的路徑和時(shí)間，通常還可以在比較恰當的時(shí)機捕獲客戶(hù)的最佳購買(mǎi)沖動(dòng)，也降低了傳統的營(yíng)銷(xiāo)方式對客戶(hù)的無(wú)端騷擾，還能提高用戶(hù)體驗，是一個(gè)一舉多得的好手段。

縱觀(guān)國內外成功的電商企業(yè)，對用戶(hù)行為信息的分析和使用，無(wú)不在這個(gè)兵家必爭之地做大量投入。他們對數據戰略性的高度認識和使用，非常值得國內的電商學(xué)習和借鑒。

團購的尷尬

相信很多人和我一樣，每天電子信箱中都充滿(mǎn)了這樣的郵件，但是從來(lái)沒(méi)有打開(kāi)過(guò)。

很多團購公司都會(huì )虔誠地每天發(fā)給訂戶(hù)各種各樣的促銷(xiāo)信息，坦率地說(shuō)其中很多都的確非常優(yōu)惠，非常吸引人，但是這些團購公司忽略了一點(diǎn)用戶(hù)體驗。

我們看看其中的一兩個(gè)團購郵件，來(lái)分析里面的問(wèn)題：

1，美食的推薦不分地域：一封郵件中，從五道口到王府井，從蘇州橋到簋街，可能有人會(huì )因為一個(gè) 3 折或者更低的團購感興趣，但是真的會(huì )從東五環(huán)開(kāi)車(chē)去西四環(huán)嗎?

2，娛樂(lè )的推薦也有類(lèi)似的問(wèn)題，絲毫沒(méi)有考慮用戶(hù)的地理位置，價(jià)格等因素

3，更有甚者，不分收信人的性別，有沒(méi)有考慮可能帶來(lái)的尷尬。

其實(shí)，所有這一切現象都表明現在的團購網(wǎng)站在 EDM 的思路上，基本上還是粗曠式的，把所有客戶(hù)當作一人，徹底把電商的優(yōu)勢放棄了，回到了傳統零售門(mén)店和郵寄銷(xiāo)售模式的階段去了。不僅如此，其實(shí)在電商的環(huán)境中這樣的 EDM 有時(shí)候比沒(méi)有還糟糕，因為它們恰恰帶給這些可能成為他們客戶(hù)的人們一個(gè)非常負面的用戶(hù)體驗，用長(cháng)期不相關(guān)的占用大量篇幅的郵件占領(lǐng)用戶(hù)的郵箱，長(cháng)此以往，他們離“討人嫌”只一步之遙了……，而對他們的懲罰可能是既簡(jiǎn)單而又殘酷的，鼠標輕輕一點(diǎn)，他們的郵箱地址送到垃圾郵箱，從而再也無(wú)法給這個(gè)潛在的客戶(hù)推送促銷(xiāo)信息。

如果看看你的用戶(hù)們的垃圾郵箱，當你看到你辛辛苦苦設計的促銷(xiāo)直郵，規律地，全部地，在垃圾郵箱中按時(shí)報到的話(huà)，你做何感想?據專(zhuān)業(yè)人士分析，對一個(gè) 500 萬(wàn)會(huì )員的電商來(lái)說(shuō)，每次 0.5% 的退訂或者放進(jìn)垃圾郵箱，意味著(zhù)近 100 萬(wàn)元的營(yíng)銷(xiāo)費用打了水漂。

那么，團購網(wǎng)站應當如何做呢?個(gè)性化是最基本也是很有效的方法：

1， 對客戶(hù)進(jìn)行多維度地分析：以用戶(hù)的地域、性別、年齡等人文屬性建立分析維度，把所有的團購信息進(jìn)行篩選，這樣可以簡(jiǎn)單地把 EDM 的相關(guān)性大幅提高，起碼用戶(hù)收到的郵件是基本在住宅、工作場(chǎng)所附近，和自己的普通屬性相關(guān)的，可能有一些興趣的商品。

2， 對客戶(hù)過(guò)去是否有點(diǎn)擊，是否有購買(mǎi)，購買(mǎi)的產(chǎn)品價(jià)值，購買(mǎi)的頻率，最近一次什么時(shí)候購買(mǎi)等屬性進(jìn)行量化，產(chǎn)生客戶(hù)價(jià)值的評分，把客戶(hù)分出價(jià)值的高低，對推薦的接受難易程度作出評估，依據這些評分來(lái)決定多頻繁對該客戶(hù)進(jìn)行 EDM 操作，以及推薦的商品的細類(lèi)，以提高反饋率。

3， 對購買(mǎi)過(guò)商品客戶(hù)的購買(mǎi)記錄，以及點(diǎn)擊過(guò)的商品記錄進(jìn)行分析，對團購的折扣比例，商品原價(jià)，折扣金額，團購時(shí)間長(cháng)短，能否退款，是否單人使用，口味(餐飲類(lèi))，風(fēng)格等等分別打分、統計、歸類(lèi)，以對客戶(hù)的可能興趣點(diǎn)進(jìn)行“預測”，這是一個(gè)相對高級、相對復雜的過(guò)程，但是運用得好的話(huà)會(huì )收到非常良好的效果。

4， 考慮在所有推薦的商品旁邊增加一個(gè)“不喜歡”的按鈕，收集客戶(hù)不喜歡的東西對個(gè)性化推薦來(lái)說(shuō)具有幾乎和喜歡的商品一樣重要的價(jià)值，假設一個(gè)客戶(hù)告訴你他不喜歡一款 49 元的西餐廳的雙人午餐，可能比他點(diǎn)擊甚至購買(mǎi)另外一個(gè) 99 元日餐雙人套餐給你透露的信息還要多。

比如我觀(guān)察到的一個(gè)比較成功的案例：一個(gè)旅游網(wǎng)站對客戶(hù)之前的瀏覽、搜索行為進(jìn)行了跟蹤，并以此進(jìn)行了有效的推薦，注意：該推薦中體現了客戶(hù)的目的地、價(jià)位、旅游訴求等多方面的需求。按照這些方法，業(yè)界專(zhuān)門(mén)從事 EDM 優(yōu)化的公司可以把 EDM 的點(diǎn)擊率從傳統意義上的 1% 左右提高到近 10% 的點(diǎn)擊率，5000 封 EDM 產(chǎn)生 370 個(gè)人，510 個(gè)點(diǎn)擊，最終共產(chǎn)生 800 個(gè)訂單。

因此無(wú)論從什么角度來(lái)說(shuō)，電子商務(wù)和團購都還有大量的優(yōu)化空間，我相信以大數據為核心的個(gè)性化營(yíng)銷(xiāo)則是幫助電商在這場(chǎng)紅海大戰中贏(yíng)得戰役的利劍。

【用戶(hù)行為數據分析】相關(guān)文章：

用戶(hù)分析崗位職責01-15

數據分析報告07-28

大數據分析07-20

銷(xiāo)售數據的分析方法07-25

大數據分析07-25

用戶(hù)分析崗位職責4篇01-15

多維數據分析方法04-07

數據分析工作職責07-28

數據分析常用方法07-26

數據分析主管的職責01-13