在沒有數(shù)據(jù)之前,產(chǎn)品經(jīng)理和營銷人員總是喜歡自己腦補(bǔ)用戶特點(diǎn),給用戶貼標(biāo)簽,以為這就是目標(biāo)用戶,結(jié)果就是花了很多錢,沒掀起什么水花。

而利用數(shù)據(jù)產(chǎn)生的用戶畫像則是拋開了產(chǎn)品本身和個(gè)人喜好,將焦點(diǎn)關(guān)注在目標(biāo)用戶的動(dòng)機(jī)和行為上進(jìn)行產(chǎn)品設(shè)計(jì)。

用戶畫像制作流程和思路聽多了,但實(shí)際操作依舊不知道怎么下手,這里我分享一個(gè)案例,或許能給你一條更清晰的分析思路:

背景是某銀行陸續(xù)打造了線上線下的客戶觸點(diǎn),來滿足客戶日常業(yè)務(wù)辦理、渠道交易等需求。面對(duì)著大量已有的用戶數(shù)據(jù),如何通過數(shù)據(jù),挖掘分析出不同理財(cái)產(chǎn)品對(duì)客群的吸引力,從而找到目標(biāo)客群,進(jìn)行精準(zhǔn)營銷,最終“把合適的商品推薦給潛在購買用戶”?

問題分析思路

• step1:對(duì)銀行總體情況進(jìn)行分析:找出銀行的“地理戰(zhàn)略重心”,了解在獲客渠道的弱點(diǎn)

• step2:對(duì)客戶進(jìn)行分析:預(yù)警出「最有可能購買的用戶」和「最有可能流失的用戶」

• step3:對(duì)銀行的理財(cái)產(chǎn)品進(jìn)行分析:了解目前理財(cái)產(chǎn)品歡迎度情況,分析用戶最喜歡購買的產(chǎn)品特征;

• step4:對(duì)客戶的購買行為進(jìn)行分析:從而打通下單過程中的阻礙,提高下單成功率;

• step5:構(gòu)建購物籃模型:相關(guān)性:高的產(chǎn)品一起打包出售;構(gòu)建Kmeans模型:預(yù)測(cè)出最有可能購買的用戶;

數(shù)據(jù)分析及報(bào)告制作工具為:FineBI

完整分析思路:

第一步:對(duì)銀行總體情況進(jìn)行分析:把握銀行的“地理戰(zhàn)略重心”,了解自己在獲客渠道方面的弱點(diǎn)

了解銀行的「資產(chǎn)情況」、「用戶分布」、「獲客渠道情況」,如下圖所示:

由以上分析,可以知道:

• 該銀行客戶集中在東南沿海一帶,有較強(qiáng)橫跨陸港澳及輻射東南亞的國際化特色和優(yōu)勢(shì),建議A銀行構(gòu)建起“以內(nèi)地為主體、以港澳為兩翼”的“一軸兩翼”戰(zhàn)略布局。與此同時(shí),我們也發(fā)現(xiàn)該銀行在內(nèi)陸的布局較為有限,僅在四川有部分業(yè)務(wù),建議深挖西北發(fā)展機(jī)會(huì)。

• 新媒體(微博)的獲客能力遠(yuǎn)遠(yuǎn)落后于行業(yè)水平。可以提升其線上運(yùn)營能力,打造年輕人喜歡的爆款產(chǎn)品,例如與“知乎、網(wǎng)易云、斗魚”推出聯(lián)名卡。

第二步:對(duì)客戶進(jìn)行分析:預(yù)警出「最有可能購買的用戶」和「最有可能流失的用戶」;

從「月流失用戶」這個(gè)重要指標(biāo)中,作者觀察到流失用戶過高。

為了能夠降低流失用戶帶來的損失,作者運(yùn)用 RFM 模型將重要挽留用戶篩選出來,銀行運(yùn)營人員可以有重點(diǎn)的對(duì)這些即將流失的重要用戶加大挽留力度。(RFM 模型詳情請(qǐng)參見:RFM 模型)

(重要挽留用戶:最近消費(fèi)時(shí)間較遠(yuǎn)、消費(fèi)頻次不高,但消費(fèi)金額高的用戶,可能是將要流失或者已經(jīng)要流失的用戶,應(yīng)當(dāng)基于挽留措施。)

第三步:對(duì)銀行的理財(cái)產(chǎn)品進(jìn)行分析:了解目前理財(cái)產(chǎn)品歡迎度情況,分析用戶最喜歡購買的產(chǎn)品特征

結(jié)合疫情情勢(shì),作者看到19年后客戶更加喜歡規(guī)避風(fēng)險(xiǎn)的投資,黃金和儲(chǔ)蓄類產(chǎn)品很受歡迎。可以加大對(duì)避險(xiǎn)類產(chǎn)品的研發(fā)力度。

另外作者對(duì)所有產(chǎn)品進(jìn)行了帕累托分析 (也叫二八分析),找出貢獻(xiàn)最多銷售額的1類產(chǎn)品,在市場(chǎng)已驗(yàn)證受歡迎的情況下,可以加大對(duì)1類產(chǎn)品的宣傳力度。

第四步:對(duì)客戶的購買行為進(jìn)行分析:從而打通下單過程中的阻礙,提高下單成功率

線上購買行為分析
對(duì)線上用戶從「瀏覽產(chǎn)品」到「完成支付」中間的行為使用漏斗圖進(jìn)行轉(zhuǎn)化率分析。通過監(jiān)控轉(zhuǎn)化率并尋找流程優(yōu)化點(diǎn)可提高層級(jí)與層級(jí)之間的轉(zhuǎn)化率,最終提高總成交金額。

渠道復(fù)購率分析

對(duì)比分析每個(gè)渠道的質(zhì)量,19年之后很顯然是線上復(fù)購率效果更好。而該銀行線上渠道的獲客率遠(yuǎn)低于行業(yè)平均,需要加大優(yōu)質(zhì)渠道的獲客投入。

第五步:構(gòu)建購物籃模型:相關(guān)性高的產(chǎn)品一起打包出售;構(gòu)建Kmeans模型:預(yù)測(cè)出最有可能購買的用戶

作者使用了兩個(gè)模型:

• 購物籃分析:尋找產(chǎn)品與產(chǎn)品之間的關(guān)聯(lián)度。在線上界面中可以將關(guān)聯(lián)度高的產(chǎn)品放在一起。或者用戶購買完一個(gè)理財(cái)產(chǎn)品后,跳出對(duì)應(yīng)的聯(lián)想產(chǎn)品頁面給用戶做推薦。(購物籃模型詳情請(qǐng)參見:購物籃分析)

• Kmeans分析:對(duì)用戶行為進(jìn)行聚類分析,可以直觀看出要預(yù)測(cè)的用戶(藍(lán)色星星圖標(biāo))聚類分析后是處于「未購買的用戶區(qū)域」,還是「已購買的用戶區(qū)域」。若處于已購買區(qū)域,說明該用戶極有可能購買產(chǎn)品,可加大對(duì)該用戶的推廣及運(yùn)營力度。(Kneans 模型分析由作者使用 python 處理分析)