用戶行為數(shù)據分析

這幾年，幾家電商的價格戰(zhàn)打得不亦樂乎，繼去年的“雙 11 大促”和“618 狂歡節(jié)”之后，電商之間以價格為主要訴求的大規(guī)模促銷層出不窮，幾乎要把所有能夠用來造勢的節(jié)日都用上了。而消費者們作為這場游戲中的弱者，不斷地被這些真假價格戰(zhàn)挑逗著和引導著。然而，在當今的商場上，還有另外一類企業(yè)不是通過簡單粗暴的價格戰(zhàn)，而是通過對數(shù)據的充分使用和挖掘而在商戰(zhàn)中獲勝的。

最典型的當屬全球電子商務的創(chuàng)始者亞馬遜(Amazon.com)了，從 1995 年首創(chuàng)網上售書開始，亞馬遜以迅雷不及掩耳之勢，徹底顛覆了從圖書行業(yè)開始的很多行業(yè)的市場規(guī)則及競爭關系，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或瀕臨破產。亞馬遜在利潤并不豐厚的圖書行業(yè)競爭中取勝的根本原因在于對數(shù)據的戰(zhàn)略性認識和使用，在大家還都不太明白什么是電子商務時，亞馬遜已經通過傳統(tǒng)門店無法比擬的互聯(lián)網手段，空前地獲取了極其豐富的用戶行為信息，并且進行深度分析與挖掘。

何為“用戶行為信息”(User Behavior Information)呢?簡單地說，就是用戶在網站上發(fā)生的所有行為，如搜索、瀏覽、打分、點評、加入購物筐、取出購物筐、加入期待列表(Wish List)、購買、使用減價券和退貨等;甚至包括在第三方網站上的相關行為，如比價、看相關評測、參與討論、社交媒體上的交流、與好友互動等。

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

在電商領域中，用戶行為信息量之大令人難以想象，據專注于電商行業(yè)用戶行為分析的公司的不完全統(tǒng)計，一個用戶在選擇一個產品之前，平均要瀏覽 5 個網站、36 個頁面，在社會化媒體和搜索引擎上的交互行為也多達數(shù)十次。如果把所有可以采集的數(shù)據整合并進行衍生，一個用戶的購買可能會受數(shù)千個行為維度的影響。對于一個一天 PU 近百萬的中型電商上，這代表著一天近 1TB 的活躍數(shù)據。而放到整個中國電商的角度來看，更意味著每天高達數(shù)千 TB 的活躍數(shù)據。

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

亞馬遜通過對這些行為信息的分析和理解，制定對客戶的貼心服務及個性化推薦。例如：當客戶瀏覽了多款電視機而沒有做購買的行為時，在一定的周期內，把適合客戶的品牌、價位和類型的另一款電視機促銷的信息通過電子郵件主動發(fā)送給客戶;再例如，當客戶再一次回到網站，對電冰箱進行瀏覽行為時，可以在網頁上給客戶 A 推薦國產中等價位的冰箱，而對客戶 B 推薦進口高檔價位的商品。

這樣的個性化推薦服務往往會起到非常好的效果，不僅可以提高客戶購買的意愿，縮短購買的路徑和時間，通常還可以在比較恰當?shù)臅r機捕獲客戶的最佳購買沖動，也降低了傳統(tǒng)的營銷方式對客戶的無端騷擾，還能提高用戶體驗，是一個一舉多得的好手段。

縱觀國內外成功的電商企業(yè)，對用戶行為信息的分析和使用，無不在這個兵家必爭之地做大量投入。他們對數(shù)據戰(zhàn)略性的高度認識和使用，非常值得國內的電商學習和借鑒。

團購的尷尬

相信很多人和我一樣，每天電子信箱中都充滿了這樣的郵件，但是從來沒有打開過。

很多團購公司都會虔誠地每天發(fā)給訂戶各種各樣的促銷信息，坦率地說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用戶體驗。

我們看看其中的一兩個團購郵件，來分析里面的問題：

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，可能有人會因為一個 3 折或者更低的團購感興趣，但是真的會從東五環(huán)開車去西四環(huán)嗎?

2，娛樂的推薦也有類似的問題，絲毫沒有考慮用戶的地理位置，價格等因素

3，更有甚者，不分收信人的性別，有沒有考慮可能帶來的尷尬。

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

如果看看你的用戶們的垃圾郵箱，當你看到你辛辛苦苦設計的促銷直郵，規(guī)律地，全部地，在垃圾郵箱中按時報到的話，你做何感想?據專業(yè)人士分析，對一個 500 萬會員的電商來說，每次 0.5% 的退訂或者放進垃圾郵箱，意味著近 100 萬元的營銷費用打了水漂。

那么，團購網站應當如何做呢?個性化是最基本也是很有效的方法：

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

2， 對客戶過去是否有點擊，是否有購買，購買的產品價值，購買的頻率，最近一次什么時候購買等屬性進行量化，產生客戶價值的評分，把客戶分出價值的高低，對推薦的接受難易程度作出評估，依據這些評分來決定多頻繁對該客戶進行 EDM 操作，以及推薦的商品的細類，以提高反饋率。

3， 對購買過商品客戶的購買記錄，以及點擊過的商品記錄進行分析，對團購的折扣比例，商品原價，折扣金額，團購時間長短，能否退款，是否單人使用，口味(餐飲類)，風格等等分別打分、統(tǒng)計、歸類，以對客戶的可能興趣點進行“預測”，這是一個相對高級、相對復雜的過程，但是運用得好的話會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“不喜歡”的按鈕，收集客戶不喜歡的東西對個性化推薦來說具有幾乎和喜歡的商品一樣重要的價值，假設一個客戶告訴你他不喜歡一款 49 元的西餐廳的雙人午餐，可能比他點擊甚至購買另外一個 99 元日餐雙人套餐給你透露的信息還要多。

比如我觀察到的一個比較成功的案例：一個旅游網站對客戶之前的瀏覽、搜索行為進行了跟蹤，并以此進行了有效的推薦，注意：該推薦中體現(xiàn)了客戶的目的地、價位、旅游訴求等多方面的需求。按照這些方法，業(yè)界專門從事 EDM 優(yōu)化的公司可以把 EDM 的點擊率從傳統(tǒng)意義上的 1% 左右提高到近 10% 的點擊率，5000 封 EDM 產生 370 個人，510 個點擊，最終共產生 800 個訂單。

因此無論從什么角度來說，電子商務和團購都還有大量的優(yōu)化空間，我相信以大數(shù)據為核心的個性化營銷則是幫助電商在這場紅海大戰(zhàn)中贏得戰(zhàn)役的利劍。

【用戶行為數(shù)據分析】相關文章：

用戶分析崗位職責01-15

數(shù)據分析報告07-28

大數(shù)據分析07-20

銷售數(shù)據的分析方法07-25

大數(shù)據分析07-25

用戶分析崗位職責4篇01-15

多維數(shù)據分析方法04-07

數(shù)據分析工作職責07-28

數(shù)據分析常用方法07-26

數(shù)據分析主管的職責01-13