Python数据分析与数据化运营：会员数据化运营4-“大实话”
本文来自《Python数据分析与数据化运营》配套书籍第5章节内容，机械工业出版社华章授权发布，未经允许，禁止转载！此书包含 50个数据工作流知识点，14个数据分析和挖掘主题，8个综合性运营案例。涵盖了会员、商品、流量、内容4大数据化运营主题，360°把脉运营问题并贴合数据场景落地。
课程学习链接：网站数据分析场景和方法——效果预测、结论定义、数据探究和业务执行https://edu.hellobi.com/course/221
前文传送门：
Python数据分析与数据化运营：会员数据化运营1-概述与关键指标
Python数据分析与数据化运营：会员数据化运营2-应用场景与分析模型
Python数据分析与数据化运营：会员数据化运营3-分析小技巧
在会员数据化运营过程中，存在很多看似普遍的现象，但却蕴含了更加深刻的规律。
5.6.1 企业“不差钱”，还有必要做会员精准营销吗
“不差钱”是会员部门营销的普遍现状，这源于企业内部对于会员管理和营销的支持和信任，认为把钱花在会员运营上要比其他运营上更有价值。例如：每次做营销活动时选择给所有会员通发、做促销活动时提供优惠券给所有的会员。
当会员运营部门确实“不差钱”时，还有必要做精准营销吗？答案是需要。原因包括以下三个方面。
更好的用户体验：会员精准营销首先带来的是个性化、精准化的信息，它能根据不同的会员提送不同的信息或者只针对有可能产生兴趣的会员推送信息，这首先是一种体验和关怀，而跟金额无关。
更高的销售回报：会员精准营销在实施时，能够根据不同的会员提出不同的营销策略，对于价格敏感性会员推送折扣类活动、优惠券折扣或低价商品以促进其订单转化，对于忠诚类的非价格敏感性客户推送高价值商品、非折扣类活动甚至定制化服务来提高客单价和收入水平。通过对不同人群的区分对待处理能有效提升销售收入。
更低的成本支出：会员精准营销可以有效节省运营成本，主要体现在营销成本和促销成本。通过精准选择最有可能转化的客户而非全部客户，能有效节省营销费用；在活动推送、优惠券发放时只针对价格敏感性、优惠券激励型客户发送，能有效降低优惠券成本。
5.6.2 用户满意度取决于期望和给与的匹配程度
用户满意度调查和分析是用户研究的重要内容，对用户来讲，其满意度到底取决于什么？根本上取决于用户期望与企业提供的价格、服务、商品、信息等的相对匹配程度，而不是企业提供的绝对程度。
以苹果iPhone6手机为例，如果企业给出的销售价格是4056，假如用户只有两种满意度可供选择（满意或不满意），那么这两种可能行结论是：
可能性1 满意。由于用户通过其他大型网店、销售商城、官网得到的价格区间在4200~4400之间，此时用户的预期价格区间已经形成。企业给出的价格远低于用户的预期，因此比较满意。
可能性2 不满意。跟可能性1相反，假如用户的心理价格预期在4056以下，那么企业给出的价格将不符合用户预期，因此用户会不满意，此时绝对价值不是关键因素。
这反映了很多用户购买商品还是一种占便宜的心态，对实际运营有哪些意义？还是以价格为例，有以下应用场景：
在商品描述中有原价、促销价、折扣价等多个价格，通过对比能够有效突出最终成交的折扣价。
通过历史价格趋势对比，让用户感觉到现有价格已经比历史价格低，以此加强现有价格比较低的心理预期。
在做促销活动时，通过与其他大型标杆销售企业（尤其是价格高的企业）的商品价格对比，来突出自身的价格优势。
在原来商品销售价格的基础上，通过满减、满返等方式让用户在下单时看到更便宜的成交价格，促进商品的购物车转化。
在特大型活动中，很多企业都会先把价格调高，然后再利用很大的折扣来降低价格，这样一升一降感觉价格会有巨大折扣，实际上可能仅仅比调价前便宜了一点而已，甚至很多商品都是借着活动的名义提价销售。
通过以上方法，让用户感觉便宜（而不是因为商品的确实便宜）而促进商品销售转化。
5.6.3 用户不购买就是流失了吗
在CRM中，我们经常会定义用户订单间隔超过一定阀值（例如12个月）就认为用户已经流失。这种规则定义在用户信息匮乏的时代比较流行，但在大数据运营背景下，我们可以获取到用户的行为和信息，这些信息不仅局限于订单，更包括用户订单之前的多种线上和线下数据。包括：
用户线下逛店数据：包括什么时间、哪个门店、看了哪些商品、停留多长时间等；
用户线上行为数据：包括用户的访问频率、页面浏览量、访问深度、停留时间、搜索词、商品查看等。
因此，当用户没有发生购买行为时，并不意味着用户已经没有其他任何行为了，用户可能还在经常性登录账户、浏览网站商品、搜索相关信息等，这些信息意味着用户还有转化的可能性，只是由于某些原因没有发生购买（当然也可以基于这些数据做路径、漏斗等关键节点分析，找到用户流失的方向和原因）。
实现上述分析的基本前提是将用户的CRM数据跟线上用户行为数据、线下的监视数据打通，里面涉及到的主要环节是非结构化数据的采集、处理、识别。线上的用户行为数据的采集、处理和识别相对容易实现，很多第三方开源、免费或付费工具都提供这类服务；但对于线下用户行为的识别中会涉及到人脸信息、进店路径、商品识别、动作识别等关键机器学习方向的应用。目前仅仅对于标准状态下（例如在特定区域内使用脸部正面图像）的人脸识别支持性较好，而对于复杂门店、多姿势、多动作、多光线下的识别效果仍然有很多提升空间。
5.6.4 来自调研问卷的用户信息可信吗
对于很多无法直接采集到的用户信息，企业会选择使用调研问卷的方式收集。典型的调研问卷包括市场调研、满意度调研、基本信息调研等。通过调研问卷获得用户信息数据可靠吗？——未必，主要原因包括以下几个方面：
原因1：答案的顺序会影响用户习惯性的选择
在调研问卷的答案设计中，答案的顺序是影响选择结果的重要因素。很多用户会习惯性的选择第一个或最后一个答案（尤其是第一个）。因此，很多在线的调研系统都会支持答案的随机顺序分布，以降低习惯性选择对结果的影响。
原因2：问卷问题的措辞会影响用户对问题的理解
在问答式的题目中，很多题目可能会题意不清楚或表达方式过于啰嗦，导致用户对问题的理解不清楚甚至误解，此时做出的答案将无法还原事实真相。
原因3：问卷题目的先后顺序会影响用户的选择判断
大多数人都有自我防备的心理，这种心理在做调研问卷时仍然存在，因此如果一开始就问一些过于敏感或隐私的问题，很可能会招致用户的反感和抵触。如果将敏感问题放到最后，被调查者的戒备心理已大大减弱，更愿意提供真实信息。
原因4：问题题目过多会导致用户失去耐心
用户填写调研问卷的耐心是有一定限度的，尤其当调研没有太多激励措施时尤为如此。一般情况下用户习惯于在一页内完成，并且时间尽量短、题目尽量少；如果时间过长或题目过多会导致用户失去耐心，中途可能放弃问答，即使最终都勉强答完，其结果可信度也大打折扣。
原因5：用户自我尊重的心理活动会促使用户选择积极的答案
在调研问卷中问到有关用户的心理薄弱点时，用户往往会有一种自我尊重和自我保护的心理活动。例如，假如用户非常在意自己的学历太低，那么用户可能在实际作答时会倾向于选择更高的学历。同样的，在涉及到金钱、收入、房产等与社会尊重密切相关的信息时都可能产生这类问题。
原因6：不同的调研问卷激励措施会导致不同的调研倾向
很多企业在收集调研问卷时会提供一定的激励措施，而不同的激励措施下会产生不同的调研问卷结果。当激励越大时，会有越多的用户参与并且为了获取激励而仔细答题，这是一种收入和回报成正比的心态；当激励越小时，就会有越少的人原因参与，并且在答题时也可能不仔细，尤其面对较多的题目时该问题更加严重。
原因7：调研方式会直接影响调研的结论
不同公司有不同样本选择和覆盖范围，例如互联网调研覆盖的是上网用户（上网用户也会区分在不同媒体上投放问卷而面对不同的媒体人员）、线下调研覆盖的是线下人群（线下区域的选择会成为覆盖人员的关键）。即使同一个企业选择不同的调研方式也会产生不同的结果。
当然，针对上述问题我们也不是束手无策，可以通过一定的方法对已经收集到的数据做验证。例如：
用户所选地域与IP的匹配关系。原始数据中用户一般都会选择所在地域，同时调研工具也会采集其IP地址，通过IP地址库可以匹配到用户的“网络”地域信息，将这两个信息进行对比即可了解用户所选地域是否正确。
注意 通过IP确认用户地理位置的方法需要企业具备较高精度的IP地址库，否则匹配后的信息可能产生极大的误导性。
问题间的继承关系。调研问卷中可以通过一定的问题关系做数据排查，例如 “您在以下哪些网上商城购买过产品？(多选)”、“以下网上商城中您最常在哪家购买产品？(单选)”。假如在第二个问题选择了答案A，说明用户最经常在A网站购物；但如果在第一个问题中没有选择A，即没有在A网站购过物，那么两道题的结论存在矛盾关系。这种情况下需要谨慎对待该用户的调研结果。
注意 问题间的继承关系还表现在强制跳转，常见于当用户选择不同答案时跳转到不同的题目。典型应用场景是针对不同选项的用户做分群调研，例如购物会员与非购物会员的调研。假如题目之间出现明显的冲突，说明数据采集出现问题。
5.6.5 不要盲目相信二八法则
二八法则也称为二八定律、帕累托法则（定律）等，该法则用来形容20%的人占据了80%的事实。例如世界上20%的人口占据了80%的财富，企业中20%的老客户贡献了80%的企业利润等。该法则经常用于社会学、管理学等领域。
在会员管理中，如果80%的利润来源于20%的老客户，那么就应该把会员管理的焦点、资源和注意力放在20%的老客户身上，而不是平均分配到所有会员。这是一种抓主、次的正确思想。
在网络时代，这种规律正在被“长尾效应”改变。原因是随着信息越来越多、海量商品出现以及获取对称信息的成本越来越低，原来集中在少数对象或只能由少数对象产生的活动，已经可以被大多数对象产生。例如：
80%的商品销售额、利润和现金流来源于80%的商品SKU
80%的利润和订单来自80%的客户
80%的页面浏览量分布在80%的页面
80%的搜索量分布在80%的搜索过程中
上述的20%和80%都是模糊的量化词，20%代表的是少数，可以是10%、30%等；80%代表的是大多数，可以是60%、90%等。这些现象在企业经营模式越复杂、商品SDK越多、企业会员量越大的情况下尤为明显。
作者好书推荐：《Python数据分析与数据化运营》，小编看过，觉得很不错，难得的技术+业务的好书！
点击阅读原文，立即购买宋天龙老师《Python数据分析与数据化运营》秘籍