9个新零售用户画像中常用的用户模型
公众号:修炼大数据 作者:某小编 2018-06-04 09:04
新零售已经不是什么新鲜的概念,传统企业和大的互联公司都纷纷改革创新或者走向融合。新零售的“新”就新在对人-货-场进行重构以后,可以获得丰富的数据,再借助数据分析进行人、货、场的更精准的对接,不断提升经营效率。
传统电商对用户画像刻画的方法同样适用于新零售,包括用户价值模型、用户购买力模型、用户活跃度模型、用户忠诚度模型、用户分群、购物决策模型等。有了对用户的精准刻画,就可以分类施策,减少资源浪费的同时,提高盈利空间。
下面简略介绍下各个模型
品类综合偏好度
品类综合偏好度是刻画用户和品类的紧密关系,现在购买渠道多元化,用户对不同品类商品都可能选择不同渠道。品类综合偏好度就是通过用户搜索、浏览、关注、购买品类商品的次数、频率来计算品类权重,当然不同操作行为也对应着不同权重。
用户分群
用户分群是另外一种对用户购买品类及群体特征刻画的模型,物以类聚人以群分,分群之后可以根据群体特征有针对的设计营销或者促销活动,迎合群体口味,提升业绩。用户分群是利用用户购买不同品类商品的数量、频次、金额做无监督的聚类分析,分群之后再对每个群体用户进行人工分析给出合适的解释和群体命名。
用户价值模型
用户价值模型就是使用经典的RFM模型,从最近购买时间、购买频率、购买金额三个维度划分用户对平台价值的高低,网上的资料非常多,这里就略过不提。
用户活跃度模型
用户活跃度模型在各类网站的用户运营中运营非常多,通常使用PV、停留时长、发帖数等来划分用户活跃度。对于电商或者新零售来说,最重要的还是购买行为,所以可以用户近期购买频次按一定的规则划分成新用户、活跃用户、沉睡客户、流失用户,活跃用户可以进一步划分成高、中低、频。
用户忠诚度模型
忠诚度和活跃度有些类似,越忠诚的用户就越活跃。实际中忠诚度就结合近期有购物天数人工指定(例如大于多少天的就直接认为是忠诚用户),以及用户购买天数、最后一次购物距今时间、金额进行聚类。
用户流失预警模型
用户流失预警是用户活跃度和忠诚度的反向应用,把沉睡、流失或者忠诚度低的用户筛选出来,进行干预,留存用户,促进活跃。 用户流失预警模型也是各大电商们非常看重的一个模型。
购物决策类型
购物决策类型是通过用户购买商品的行为来刻画用户购物时的决策方式,用户是购物冲动型、海淘犹豫型还是理性比较型等等。购物决策类型可以增进客服对用户心理的了解,提高服务水平,降低退换货率;了解不同购物人群的比例还可以用于产品设计。方法是根据用户下单前浏览时间、浏览SKU数量、首次浏览到购买时长等特征做聚类。
用户购买力模型
用户购买力有两种方式,一是根据用户一段时间内的客单价做聚类,分成高、中、低三类不同的购买力。还可以把同一子类商品的价格进行高中低分段,然后统计用户购买高中低各价格段的比例,用比例数据做聚类。
促销敏感模型
促销类型有单品折扣促销、满减促销、加购等等,不同用户会有不同偏好,知道用户愿意接受的促销方式后,可进行定向营销,避免资源浪费。仍然可以采用聚类,计算各类促销优惠力度的订单数和金额占比,然后利用上述比例聚类。