数据驱动下的客群经营逻辑

时间:2023-01-19 | 标签: | 作者:Q8 | 来源:网络

小提示:您能找到这篇{数据驱动下的客群经营逻辑}绝对不是偶然,我们能帮您找到潜在客户,解决您的困扰。如果您对本页介绍的数据驱动下的客群经营逻辑内容感兴趣,有相关需求意向欢迎拨打我们的服务热线,或留言咨询,我们将第一时间联系您!

编辑导语:了解客户对于企业来说尤其重要,本文作者从数据驱动的角度讲述了客群经营逻辑,以及一些客群分层经营的常规方法,一起来学习一下吧,希望对你有帮助。

企业了解市场从了解客户开始,构建一个最简单的商业模式,首先盘点市场上都有什么样的人,再看看自己手里有什么样的货,最终形成有独特竞争优势的场。

虽然这样的描述过于简单,但从总体可以看出:人是商业的根源,对人的了解决定了企业的前景。这里的人讲的就是公司的客户,而对客户的了解从分层开始。

企业对客户的经营总体可以切分成三个阶段:

  • 其一:客户分层/拆分不同的客户阶段;
  • 其二:构建客户成长体系/设计激励机制;
  • 其三:梳理成长动机,并将成长动机物质化/持续化。

这其中每个阶段都需要仔细考量,各个公司在这一基础上优化和调整了自己的客群经营模式,本文笔者从数据驱动的角度梳理了一些客群分层经营的常规方法,其他内容会在后续的文章中逐一给出。

一、可执行客群分层

可执行客群分层是使用比较广泛的方法,主要从人口统计/因果关系/业务逻辑等角度梳理客群分层,并基于分中央台农业频道五秒广告收层结果做针对性方案描述,因为不是通过算法等方式分层,其可执行性和可解释性非常强,流程如下:

图一

1. 宏观特征选择

在宏观层面上进行特征选择,我们往往筛选一些全局性的覆盖范围比较广的特征,例如:人生阶段、资金情况等,每个客户都可以从这两个维度拆分,而且不同阶段能够反映出的信息足够多。

  1. 人生阶段:在校学习、工作就业、恋爱阶段、购买大件、成立家庭、孩子入学等;
  2. 资金情况:兜里没钱、解决温饱、月月盈余、一定积蓄、生活富裕等。

通过对这两个维度的理深度的危机公关解,我们可以拆解出比较多的信息元素,例如:恋爱阶段/月月盈余的人生活上相对舒适,会有一些情感需求消费,例如:珠宝、旅游、节假日礼品等,也会适当进行投资理财。

而工作阶段/兜里没钱的人大多的状态为刚工作,工资不高,在消费上会先解决生活所需,投资理财也不会过多涉及。

不同阶段的人在消费观和金钱观上的表现不尽相同,而企业需要做的就是梳理类似如下表格,拆分人群并做深度洞察:

表一

在这些特征洞察的基础上,企业会对各个子客群进行一些常规预判,对客户的基本属性、认知观念有一个全面的认知。

2. 宏观画像构建

从宏观特征上构建客户子客群的画像主要是描述客户的基本属性和常规认知,例如:在校学生往往兜里没钱,基本解决温饱,其经济来源多来自于家庭供应。

但不排除有大学创业,小有成就,月月盈企业网络营销平台建设余的状态,这种人群整体数量不会特别多,而且这种社会状态跃迁的群体适合进行独立分析,或许会有惊喜发生。

画像描述时,不仅需要结合较多信息,同时也需要确定画像的描述方向,例如:描述其消费观、金钱观、兴趣爱好等,从确定的方向上探索已有数据,确定其画像差异:

表二

在表二特征的基础上,描述出总体的的画像原型:

表三

这一画像是通过对表二的理解和组合构建形成的,从整体形象出发,描绘出画像的关键特征,这需要一定的业务抽象能力和特征理解能力,拆解出的画像符合企业的经营方向,能够在客群经营过程中有所应用。

3. 场景画像勾勒

上面两个步骤是我们与客户初相识的过程,从第一次见面、第一次交谈等行为中对客户的基本特性、兴趣爱好有一个初步的认识。此处提到的场景画像则是对宏观画像进行二次拆分,基于一定的事件和交互,从某一指标方向出发,定向梳理出画像结构。

宏观画像和场景画像的区别在于宏观画像相对稳定,能应用很长一段时间,所探索的特征也是一些社会性比较强的特征,不受场景约束,场景画像则重点沿着某一场景目标进行细分,画像随场景变动,例如:

表四



在场景画像划分时,通常是按需切分,如表四结构,则可以把资产提升作为核心指标,从资产提升角度,拆分企业主等人群的相关特征。

例如:在提升企业主人群的资产提升占比时,可以从交易渠道是否打通、资产流动是否频繁、出入账是否对等、对某类产品是否有倾向、活动时间是否规律等维度切分,探索客户的倾向性特性,进而在明确倾向性的基础上梳理触达时机和方案。

如果能够从资产提升的维度再进行一次拆解,则各个画像的描述会更加完整,例如:

则企业主等客群就可以在上面维度的基础上添加理财购买倾向、入金场景有哪些、资金转出用途等维度探索场景画像,同时对经营方向也有更细粒度的认知。

4. 个性化沟通营销

经过上面三个步骤的梳理,我们对客群已经有了一些深入的认知,了解到客户是什么样的人,同时了解到他对我们的兴趣,接下来我们需要选择客户可以接受的方式触达客户。例如:

白领人群:年轻多金,薪资较高,精通某一技能,工作时间弹性较大,经常访问XX银行,对XX理财产品访问较高,电话触达响应率较高,微信和短信响应较低,邮件回复率较高,出差频次较高,长期购买股票,投资占比超总收入50%。

通过这样的描述,我们基本可以确定这一类型的客户讲究效率、喜欢直接沟通、抗风险能力较高且有投资能力,对应投放可以以直接简洁的方式,投放的产品强调收益,同时采用电话直接营销并邮箱发送邮件补充。

至此,对应的画像已经构建完成,从整个流程中我们可以看出,这一流程的可执行性很强,依赖于一定的经验能力,综合上面四个步骤,我们可以树立出一个基本的框架,即:

表五

后续的客群经营可以在这一结构的基础上填充组合,逐渐深入对客户和产品的认知。

二、基于特征组合的利基客群经营

可执行客群分层的方法几乎涵盖了客群经营的方方面面,由于其思路的完整性和易用性,在各企业中得到频繁应用,但是这一方法在应用过程中需要依赖一定的经验能力,且能够切分的客群粒度有限,当拆分客群粒度过细时,其操作的复杂度和对经验值的依赖程度会呈指数级增长。

随着大数据工具的日益丰富,很多企业逐渐摸索出了一系列人机结合的客群经营方法,特征组合即为其中一个,这一方法主要通过客群特征的筛选和组合,确定最优分层特征,并将特征组合客群与核心指标进行关联计算,其主要流程为:

图二

1. 特征处理及分类

画像构建所需特征粒度与特征本身粒度未必完全一致,所以需要有特征处理的过程。

例如:年龄特征,通常按照5岁或10岁为一个分层,不需要1岁一分层。



另外有些特征未必完整,需要通过一些算法处理进行信息补全,是否夫妻,这一特征很多平台获取不到,为得到这一特征可以通过一些预测的方式,做一些概率层面的信息补充,客户每天晚上10:00到第二天早上6:00访问同一WIFI热点。

同时有另外一个设备同时频繁接入当下WIFI,且两个设备访问内容存在明显男性和女性的差异,是否可以推断出这两个人是夫妻关系?

当然这是一个概率推断逻辑,不乏有推导错误的情况,但是通过不断丰富这一逻辑,可以无限接近真相。

另外,在添加客群行为特性的情况下,更需要使用分类算法,明确出某一行为模式属于什么类型:频繁访问理财页面,并隔三差五买两笔理财产品,购买的理财产品多为活期货币基金,可以推断出用户零钱较多,属于理财倾向型客户。

这些特征的处理本身就是一个复杂的工程,算法处理过程中被称为特征工程,有兴趣的小伙伴可以琢磨一下。

处理好特征后,我们需要对最有效的特征进行筛选,特征的筛选可以从两个方向进行:

1)其一:确定出最有代表性的特征

有代表性的特征往往存在两个特性,一个是能相对明确均匀区分各个客群,这一方式主要采用熵计算的逻辑,确定出引发熵值最小的特征;另一个是信息量较多/信息较为完整的特征,特征本身空值较少,特征各个值之间分类较为均匀,不同特征值之间的数量占比不会差异过大。

2)其二:确定最能影响核心指标的特征

在特征工程中存在一些筛选特征的方法,例如:相关系数、主成分分析等,这些方法通过计算特征与核心指标的关系,确定出与核心指标相关性强的特征。

2. 特征组合及计算

筛选出的特征需要进行组合,并通过组合的特征切分客群,形成一个个小的利基客群,而后直接构建利基客群与核心指标之间的关系,确定出对核心指标影响最为明显的利基客群,如图:

图三

特征组合往往存在两种用法:

  • 其一:筛选高光客群:我们能从这一特征组合中顺利找到UV占比小,但是影响力巨大的客群,并对其进行小成本高效果经营;
  • 其二:有效客群分组:各个利基客群类似于一个个小的客群聚类,从最小的客群开始,将最相似的客群合并,减少客群数量,依次循环,最终形成6-10个目标客群,进而完成有效客群分组。



特征的筛选和组合的过程需要有大量的数据计算,这就依赖于各个企业的大数据计算能力,在计算的过程中通常需要植入spark等大数据环境进行大规模数据运算。

3. 画像描述及敏捷执行

经过上面的利基客群组合,我们可以拆解出一些客群的主要特征,进而对客群进行详细描述,画像的描述过程与第一种方法类似,涉及客户的基本属性和兴趣倾向等。

利基画像的描述更聚焦,例如,发现有 “向其他地区有规律转账”,“附近有银行但是经历过客诉问题”等特性的客户其订单转化率会很低。

对于这些画像的理解决定了我们会以什么样的方式刺激客群,例如:上例中“向其他地区有规律转账”的客户,多为子女在外地定居定时向父母转账,确保父母生活费用,此时如果要刺激这一客群办卡并使用XX银行卡完成交易,就很难通过常规红包/优惠券的方式引导其转变,因为这一客群无法在异地为父母完成办卡动作,而产品经理需要面临的挑战,就是简化开卡操作,并且能够异地在线完成父母账户的变更。

三、聚类分层在客群经营中的应用

有心的读者能够发现,特征组合的方式一定程度上采用了聚类方式,即首先将客群拆到最小,然后“自底向上”的完成客群聚类。除了这一聚类方式外,还有其他的方式可以进行客群的拆分,而这一部分,我们就介绍一些“自上而下”的聚类方式,协助企业完成客群分层。

聚类方法是一个相对直观的分析方式,企业除了梳理客户的基本属性外还可以添加用户的行为旅程,组合有代表性的特征进行聚类操作,例如:;行为旅程、自然属性、交易信息等。

如图可以将数据拆分成多个客群,并且获取到影响这一客群的主要特征:

图四基于这些特征描述出子客群的基本画像,如右表,并在这一基础上结合经营的核心指标添加特征细分的维度和倾向性模型,构建完整的场景画像,最后将画像固化成标签或者人群包,以备后续经营使用。

在客群经营过程中,我们需要梳理某一渠道的流量在当下画像中的客群结构,有针对性的添加满足画像要求的产品。

以微信渠道为例,每日100万微信引流的客户中,企业主占15%,白领占20%,忠诚的富裕人士占24%,年轻的银行家占31%,其他客群10%。

我们只需要针对企业主等组合有倾向的产品,有客户来访时先进行画像判断,满足某一画像的客户即可推送对应的产品,如下表:

表六

AB实验助力客群经营

AB测试在客群分层中的价值在于发现各个客群中的主导行为和有效元素,通过反复测试的方式为客群探索优质产品策略,前三个方法主要聚焦于客群的分层,而AB的价值在于确定好场景客群后,针对经营目标锁定策略的各个维度,展开一系列测试。

策略的生成可以拆分成几个比较重要的元素:投放内容、投放时间、投放渠道、对应客群等,这些元素的组合形成了我们的策略,而AB的应用可以在具体客群的基础上,对策略中的其他元素进行组合,形成不同的策略集,并以多种策略方式触达客户,探索出最优的投放策略。

AB实验在客群经营中的应用,不仅涉及策略筛选的部分,另外还有策略的拆解、策略的沉淀、策略的生成等多个内容,与客群分层的逻辑相关不大,此处不再赘述,我们会在后续的AB专栏中进行补充。

 

作者:livandata;个人公众号:livandata,欢迎大家关注沟通~

本文由 @野水晶体 于,未经作者许可,。

,基于CC0协议。

数据驱动下的客群经营逻辑

上一篇:00后的员工体验,你做对了吗?
下一篇:产品干货|长文详解“用户访谈”


版权声明:以上主题为“数据驱动下的客群经营逻辑"的内容可能是本站网友自行发布,或者来至于网络。如有侵权欢迎联系我们客服QQ处理,谢谢。
相关内容
扫码咨询
    数据驱动下的客群经营逻辑
    打开微信扫码或长按识别二维码

小提示:您应该对本页介绍的“数据驱动下的客群经营逻辑”相关内容感兴趣,若您有相关需求欢迎拨打我们的服务热线或留言咨询,我们尽快与您联系沟通数据驱动下的客群经营逻辑的相关事宜。

关键词:2年, 初级, 客群经营,

关于 | 业务 | 案例 | 免责 | 隐私
客服邮箱:545321@QQ.com
电话:400-021-1330 | 客服QQ:545321
沪ICP备12034177号 | 沪公网安备31010702002418号