趁着现在不忙,把部分可公开、不涉密的项目经历梳理出来,将自己努力的成果写在博客里,既是为自己学过的知识梳理总结、为自己的汗水留份纪念,也可以为需要学习的小伙伴做个参考借鉴。
原创内容,未经允许不得转载和全篇引用。
基于用户画像的精准营销决策建议
一、什么是用户画像?
1、提出背景
互联网进入大数据时代,消费者消费行为改变、消费需求出现分化,企业想要实现精准营销服务,深入挖掘潜在的商业价值,“用户画像”概念应运而生。
2、定义来源
源于现实、高于现实: 用户画像是描述用户的数据,是符合特定业务需求的对用户的形式化描述
源于数据,高于数据: 用户画像是通过分析挖掘用户尽可能对的数据信息而得到的
3、什么是用户画像
用户画像,即用户信息标签化。
每个标签都规定了我们观察、认识和描述用户的一个角度;
各个标签的维度不孤立,标签之间有联系,构成用户画像一个整体
4、应用实现
二、基于用户画像的精准营销
1.为用户打标签
2.销售领域用户画像体系
数据源 |
建立模型 |
用户标签 |
用 户 数 据 行 为 数 据 消 费 数 据 商 品 数 据 库 存 数 据 客 服 数 据 反 馈 数 据 |
用 户 购 买 力 模 型 群 体 画 像 模 型 购 买 兴 趣 模 型 促 销 敏 感 度 模 型 商 品 质 量 模 型 库 存 预 测 模 型 |
用 户 DNA 品 类 偏 好 品 牌 偏 好 促 销 偏 好 价 格 偏 好 季 节 影 响 |
3.精准营销的应用
识别高价值用户、智能推荐、广告投放建议、会员营销服务、提升用户满意度。
三、实例验证
1.识别高价值用户
数据源:最近一次消费、消费金额、消费频次
实现一:定位高价值用户群---提高忠诚度---增加回购率
对于已购买的用户。通过聚类分析,将购买过该品牌洗护用品的人群按照最近一次消费、消费频次、消费金额,根据其相似程度聚为不同的类群。对聚类后的特定群体实行RFM分析,该类用户重复购买该商品的概率为51%。
商家可以针对该类用户推广优惠力度,吸引回购,增加回购率。
实现二:定位潜在用户群---主动营销---产生实际购买行为
通过分类分析方法,将最近一次消费过竞品办公用具的人群按照年龄、职务、消费能力、浏览信息等特征分类,对分类后的人群以短息、邮件等形式推送相应的办公用品信息、并在其常用浏览平台推送我方商家相应广告,同时采取适当的优惠活动如:满减、包邮、满额折扣等。
吸引潜在用户,促使其产生实际购买行为
2.智能推荐
数据源:用户基础信息、行为偏好、消费能力、购物偏好
模型选取:关联规则、聚类分析、贝叶斯估计
用户标签体系如下:
根据用户近期的消费行为和第三方平台浏览记录,建模分析,构建用户标签体系,形成用户画像群,实现为特定的客户投其所好,推荐其可能感兴趣的商品信息,或者促销活动。
3.广告精准投放
数据源:用户基础信息、浏览信息、消费能力、购物偏好、现有广告推广情况、客户反馈意见。
模型选取:聚类分析、关联规则、贝叶斯概率、灰色预测模型
模型实现:
针对用户搜索度投放广告
由贝叶斯估计和关联规则分析
如:中等以上消费水平的用户,经常在搜索引擎上关注汽车信息,同时又搜索车饰用品的用户为53%,向该类顾客投放汽车类、汽车车饰、汽车保养等相关广告,其成功购买的支持度为83%。
针对客户需求投放广告
通过聚类方法分析客户群需求相似程度,通过个性化推荐引擎向用户推荐其感兴趣的内容。
如:毕业两年以内的90后职场新人,消费水平较低,对促销活动、打折信息的关注支持度为52%
针对已投放广告效果评价
将用户浏览内容、浏览时段、广告投放页面位置、广告品类信息等数据计算贝叶斯概率、关联分析
如:针对在亚马逊平台推广的图书满减广告页面,学生用户,在开学初期,点击该广告并浏览的概率为61%,支持度为79%。
4.会员营销
数据源:用户基础信息、会员反馈意见、会员维修情况、会员投诉信息
模型选取:关联规则
针对海尔洗衣机的会员营销案例
1.通过分析后为陈女士推送了全自动、节能、前开式洗衣机的产品信息;
2.并以短信和邮件的方式向陈女士发出邀请;
3.陈女士到大连海尔旗舰店,现场体验了该类型洗衣机功能;
4.最终陈女士购买了这款洗衣机。
5.提升用户满意度
实现方法: