查看原文
其他

用户需求,该怎么深度挖掘?

接地气的陈老师 接地气学堂 2021-09-27


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。
 
猜你想看:
用户流失,该怎么分析?
数据分析师必看:双十一备战手册
追更太辛苦,想看更多详细商业分析讲解的,戳下方“阅读原文”,有视频内容奉上。学习课程还能加入学员群,接受陈老师具体问题指导。
: . Video Mini Program Like ,轻点两下取消赞 Wow ,轻点两下取消在看

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存