用户需求，该怎么深度挖掘？
点击上方“Python爬虫与数据挖掘”，进行关注
回复“书籍”即可获赠Python从入门到进阶共10本电子书
今
日
鸡
汤
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。
用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。
------------------- End -------------------
往期精彩文章推荐：
欢迎大家点赞，留言，转发，转载，感谢大家的相伴与支持
想加入Python学习群请在后台回复【入群】
万水千山总是情，点个【在看】行不行
/今日留言主题/
你知道的数据挖掘算法主要有哪些？