案例分析：智能营销场景的用户画像在线视频

那今天我们会集中

其中的两个点

就是绿色标红这两个点

一点智能营销

另外一点是智能交互

来展开我们今天的这个讨论

先看一下智能营销这个场景

传统的营销我想

在座的各位

我想也不是专门做营销的

所以对这一块可能没有那么了解

经管的同学可能对这一块

会有更多的认识

这个东西其实是说

按照市场营销的模式

它会有四个阶段

首先先是看要把用户

分成什么样一些类型

去做一些市场的访谈

或者是焦点用户的访谈

都是可以获得这样的一些调查

抽样的数据

然后对用户去分群

分完群以后还要去做一个定向

就是你到底对这些用户而言

你觉得最能打动他的是哪些点

然后有这个点之后

再把你的具体的这个

营销的这个主张提出来

这个叫Positioning

在用户这个心智 头脑当中

占据一个地位

那比如说王老吉

这个凉茶能够去火

虽然我们并不知道

中医去火到底有什么科学的依据

但它确实在中国老百姓当中

占据了这么一个地位

这个定位定得非常好

所以其他人想跟它打的话

就比较困难

所以这个是传统的营销的方式

然后有了这个定位

然后有了这个目标

最后就是结合到底是什么产品

我们要对目标客户

我们要做什么样的产品

我们要定什么样的价格

然后我们有什么样的渠道

去触达它以及我们要做什么样的

营销的优惠

Promotion

这四个P

其实是营销传统的一个模式

这个模式的问题在哪呢

这个问题的模式是在于它是

更多的是一个固定的硬件的一个

成型的产品为中心

而不是以用户为中心

而且通过传统的市场营销

调查的方式来做

这个周期的话非常长

可能你搜集一下用户的反馈

一周过去了

再做一个Targeting

一周又过去了

所以做一件事情

可能一个月甚至两个月

是很正常的

而且更大的一个危险在于

对你已有的这个用户

有比较好的一个洞察

但是你忽略了用户

对新的一些场景

一些品牌的一些诉求

那比如说大家都知道诺基亚

其实非常擅长做市场调查的

他们产品其实覆盖得非常全面

大型的 小型的

针对老人的 然后小孩的

各种机型覆盖得非常好

但是苹果出来之后

它其实已经完全是

新的维度一个竞争

那对于手机的智能性

它确实是不具备的

所以在这种情况下

用传统的营销的方式

未必能够达到

今天互联网企业的一个速度

这是传统营销范式的问题

那对于互联网营销呢

我们其实更多的会以用户为中心

更强调对在平台上的用户

我们能够对他提供什么样的服务

然后不断的扩展这样的服务

用美团的例子来说的话

其实也很容易理解

最早的时候美团是做团购的

对吧

这个其实是帮商家做优惠

然后吸引用户来

有了用户之后其实

很快的做了移动的平台

然后做了酒店 旅游 电影

这几个都是在这个平台上用户

他们经常去 想要去完成的行为

那我们有方便移动支付的方式

就可以去帮用户去做

以用户为中心的考虑

是导致你企业的边界会比较

不是那么容易琢磨

但是你会更容易去

沿着用户的中心去思考

去探索你的平台

能怎么样去应对用户潜在的

可能的需求

而不会像诺基亚那样

只固守在一个固定的领域

从而错失很多商业的机会

回到营销的这个模式上来说

针对以用户为中心的话

我们可以看到拉新

拉新的意思就说是去

拉动用户来到这个平台上

不断的有新用户进来

包括前些年淘宝 包括京东

其实都有会经历这么一个

不断的去拉新的一个过程

拉到了新客以后

还希望他能留下来

那就是要促活跃

让用户在平台上不断的使用

然后呢

留存其实就是让他不断的促活

促活的过程当中让老的用户

比如说有更好的方式

去触达新的用户

去带带新的用户进来

可以去推荐新的用户进来

通过这些循环的方式

让用户在平台上

有足够的留存之后

才会去考虑

究竟要不要做合适的收入

从早期呢

比如说我们一个APP开发的过程

首先是要有一个能让

用户能用的一个产品

早期对产品的设计

也是非常重要的

那有了产品之后

其实需要能够拉进来用户对吧

拉进来用户呢

怎么样让用户能留下来

其实并不光是产品设计的问题

很多时候是需要

运营的人去有一些想法

去把人留下来

再到后面通过运营和产品

已经有足够多的用户进来了

那可能我们要考虑

比较大规模用户的这个扩展

或者说服务的支持

这时候技术的重要性会凸显出来

所以不严格的说

我们可以认为

做一个互联网APP的开发

或者是一个平台的搭建

早先产品是最重要的

往后运营会越来越重要

那再到大的一定规模之后

技术或者是更多的这种互联网的

大数据的技术

或者人工智能的技术

会在第三个阶段

会有比较大的应用

那对于用户增长这件事情来说

其实是也有一些诀窍可寻的

这个诀窍在于是让用户

完成一定的

特定的动作

在这个平台上核心的动作

对于脸书来说

或者对微信这样的平台来说

是连接好友 发送消息

对于像知乎这样的平台来说

是要去关注问题 点赞 收藏

对于像点评 美团点评

这个旗下的点评平台来说

是要去浏览商户 去发出评论

去购买

对于美团外卖这样的应用

是希望用户完成第一次的购买

因为只有购买完成了

那这个才是真正的一个用户

留存下来一个用户

为了做这件事情

我们其实会需要去

考虑这么两个维度

一个维度是

我们究竟是在站内去做

我们营销的推广

还是在站外

另外一个维度是

我们是在平台来做推广

还是商户和我们一起来做推广

因为四个交叉的维度的话

如果都要去讲的话

可能会比较多

所以我今天会强调

在站内平台这块

在给定我们产品的情况下

我们如何去选择特定的用户

然后如何去做渠道

价格以及活动一个组合

这是一个营销的活动的事例

第一步

比如说我们确定我们目标

是刚才说到移动互联网当中

一个重要的一个点是要拉新

那我们会去制定一个营销的方案

我们选择哪些用户 哪些商户

哪些城市

然后在这里面有哪些商户是

对这一步用户是比较有吸引力的

他们能够做什么样的活动

这个活动呢

我们平台可以去帮他们

补贴一些钱

比如说是用户首单的这个减免

或者是对某些特定菜的一个促销

我们也可以去投一些

站内的运营位

也可以投一些站外的运营位

第三步我们就可以通过一些

配置的方式

去直接做到上线

得益于美团自己基础的这个建设

所以这块技术可以做到非常方便

让运营直接去配置就好了

而不需要每次都要去

开发一个新的系统

来进行投放

投放之后

我们就会去搜集我们线上的数据

无论是用户的访问数据

浏览数据 还是下单数据

都可以分维度 不同的维度

用户的维度 地域的维度

时间的维度

各个角度去看然后最后去衡量这次活动的效果

究竟有没有达到

这个其实跟我们在

实验室里

做实验是蛮像的

无论是这个

比如说理工科的这种工科实验

还是说我们现在计算机上

做的一些

为了写paper

要去做实验是类似的

就是我们有一个目标对吧

我们想证明一件事情

然后我们写个算法

然后我们去跑一些实验

然后对比一下我们的指标

好的话我们就可以再去迭代

不好的话

我们就要想一想什么原因

所以大致是这样一个流程

但是这个流程

需要更多人的配合

然后系统涉及到也更复杂

另外一个例子

比如说我们要做留存

其实也是类似的

我们可以去做初级用户的提升

也可以做流失用户的召回

其实也会有不同的

对应的活动的方式

包括效果的反馈

这个是一个非常通用的一个

五步的一个步骤

数据在里面能做到什么呢

大数据能帮助我们在里面

做方案的制定

我们可以去做用户的选择

我们可以用一些

比如说年龄 性别 住址

交易的频次 交易的单价等等

不同的方式来筛选用户

做用户选择之后

我们可以去猜这个效果

会有什么样的一个效果

我们甚至可以让机器去代替人

在线上做这样的投放

再到效果评估这一块

我们当然可以用数据的方法

去做活动效果的评估

然后包括实时的报表的监测

这个活动可能有问题

那么我们可能不用做到三天

我们做半天就直接把它停掉

可以节约很多损失

所以在营销里面

我们可以通过数据

来解决运营的人员

在选择目标 用户 选择预估

以及评估效果方面的一些问题

我们可以看一下用户画像 对吧

用户画像

其实大家经常会说的一个事情

在电商领域用得也比较多

可以是用户的类型

比如说他年龄

然后是属于学校的用户

还是白领用户

这个在不同的

消费的习惯其实会有很多差异的

白领不会说是

我要在篮球场边

然后点一个外卖

但是学校的用户会有这样的需求

对吧

然后会积累一些用户的偏好

比如说学校的同学

可能口味会更杂一点

被学校的食堂教育好了是吧

什么都得吃

然后呢

当然其实清华的食堂还是很好的

出去以后才意识到

还是很好的

然后在细分用户场景上

我们后面也会举一点小的例子

包括判断用户生命的周期

是刚刚来呢

还是说已经待了很长时间

没有活跃了

还是说已经流失了

我们需要再去把他拉回来

对画像的应用 我们其实

确实在美团内部总结了一下

我们是分了这么四个阶段

第一阶段是说

其实对真正的营销的人来说

他其实非常的简单

我就希望能快速提高我的ROI

我的活动的投入产出比

我花的钱很少

然后能够让

这个用户留存的目标更大

让更多的用户能够享受到活动

这个时候我们往往是会做一些

简单的画像

对用户一些非常直接的画像

不会去建一个非常庞大的

几百维 几千维

用户画像的一个体系

因为往往这块

陷入这个误区是说

很容易我们就觉得

反正我能画这么多画像

我挖掘能挖这么多数据

我就不管什么样

三七二十一我先把这个机器跑上

把这个挖出来

挖出来之后呢

其实你忽略了一点是

很多时候我们挖掘的这个结果

并不是一个很好去

校验的一个结果

我们并没有非常对用户的精细

和精深的了解

往往这个时候

你需要去结合实际的情况

根据运营的效果去调

如果你扔给运营同学

一大堆几百维的这个数

他看着就懵了

我该用哪维呢

他也不清楚

很可能最后他就说

我哪个维也不用

你这个效果不太好

那就错失了一个合作的机会

那我们是一开始的时候

先去了解他到底有什么样需求

然后觉得我们从挖掘方面

能给他提供什么样的方式

然后做比较好的互动

从这个角度

其实能够建立大家的信任

能够把业务的痛点能够解决

有了信任之后再去做一些扩展的

我们会把我们的活动营销

全部连在一起

然后把我们针对用户的画像

针对菜品 商家的画像

可以合在一起

然后第三个阶段就可以去

激发运营同学的一些想法

像刚才我们说到的

篮球场边的外卖

我们能不能专门针对这个

做一些活动

专门给在篮球场和足球场边

点外卖的同学一些优惠

这个也是有可能的

或者对比如说在家里边

周末白领不想做饭

针对这帮人是不是应该有一些

让他意识到

我们其实可以提供这样的服务

最后一个就是我们刚才说到的

自动优化的这个方式

能够通过在线的

让机器去完成营销的过程的优化

这四点其实是我们过去两年内

走过的一个路程

可以做一个简单的

稍微细一点的介绍

初期画像我们刚才说到了

是一定要精准 一定要集中

那我们有非常多的数据

美团其实因为

前期有非常多业务的积累

所以底层的数据是非常多的

我们并不是缺数据

但是从这些明细的

跟外卖没有那么多相关的数据

我们怎么能够去

跨越数据的鸿沟

最终形成一个明确的

能够对运营同学有效果的策略呢

这个确实是需要通过挖掘的方法

来去完成的

同时我们这块的目标一定是

一个画像必须要能解决一类问题

具体来说我们通过明细数据

形成画像

然后直接把画像的结果

作为一个数据的产出

交给运营同学

他们会直接放到线上去调整

然后加一些

他们自己运营的规则

然后 最后告诉我们

反馈给我们这个好不好

然后我们再去针对他的反馈

再去调整

这里面有两个案例

一个案例是对潜在新用户的预测

我们其实是有很多的用户

是有可能成为外卖用户的

且不说站外

因为美团本身之前

积累了很多的用户

他可能之前没有用过外卖

对这些用户

我们其实也可能想去触达他

希望给他提供这样的服务

但是又不能骚扰用户

天天跟每个人说你来点外卖吧

你来点外卖吧

别人很可能就把美团这个APP

直接卸载了

这肯定是不好的

所以我们要去想什么样的用户

是更有可能去用我们的外卖的

同时我们也希望能节约一些

促销的成本

这时候我们考虑人口属性

地域的属性 供给 需求各个方面

然后我们用机器学习

这个建模的方法来预测一些

高度有潜力能转化为

外卖用户的一些人

然后用了一些

经典的机器学习的算法

随机森林的方法

然后通过上百维的特征

最后做到了一个

又可以接受的一个状态

然后提供高潜名单

交给运营的同学去

针对这些有定性的做一些活动

运营的活动

也取得了比较好的效果

还有一个是针对用户流失的预测

为什么这么说要做流失预测呢

因为新客获取固然重要

但是如果来了的用户留不住

其实你做再多新客户去也没有用

首先是要保证用户能够留下来

那留下来分两种

一种是我做得很好

这个用户用得也很爽

所以他就根本不会走

另一些呢

就是可能确实我们现有的方式

和手段还没有能完美覆盖

每一种用户

这种情况下有些用户

可能是时不时的会萌生

要跑的一个念头

那再如何能够高效的挽留他

让他再持续用一段

也许过一段才会有一个新的服务

让这个用户留下来

那这个举个例子

比如说我们之前

一直外卖吸引用户

可能有些用户就是没这个习惯

但是最近美团开了打车对吧

打车这种

新的运营上来

也许之前我们留下来那些用户

维持住了

现在他就可以直接来用

那就不用我们再去重新拉一回

这个对整体的业务是有帮助的

所以按照科特勒

市场营销原理的说法

其实获得一个新客的成本

实际上维系一个老客成本的五倍

这个规则的法则大致是准确的

我们也有这样类似的

内部一些经验的总结

所以我们也是仿照刚才的方法

我们去判断哪些用户确实会流失

比如说我们看一个月

发现一个月以内他都没点过餐

我们认为他很有可能就流失了

然后我们再看一段

发现两个月以后

他确实流失了

那么这帮人就作为

我们的一个正例

拿一些持续在平台活跃的用户

作为反例

然后我们就去取

我们刚才所说的这些特征

人口 行为 供给的特征

然后去 再去预测

然后预测呢 预测了两种

一种是预测他若干天内

是不是会下单

另外一种可能看不太清楚

预测用户下次下单的概率

间隔会有多大

所以一个是预测模型

一个是生存模型

这两种模型原理上稍微有点差异

最后我们用了相似的特征

所以得到预测的效果

其实类似的

这是两个案例

那么做了这些事情之后

我们其实也赢得了

运营同学的信任

他们也会有更多的需求来找我们

说他们想做那个 想做那个

那我们就说好吧

把我们所有的用户

可能会有用的这些信息

都一块收集起来

按照优先级

按照我们的人力排个顺序

我们来建一下

我们用户画像的体系

这里面会

包括我们去用户启动时候的

这个一些信息

用户体验方面的一些信息

用户对我们营销的

以往的一个行为的响应程度

他访问 搜索 品味的偏好

这些我们都有

包括他在下单的时候

是不是犹豫

一定要货比三家

这个其实也是会

系统会去记录下来

然后我们把系统直接对接到

我们线上营销的作业系统

这样就能够非常方便的

去直接在线上

去做营销的操作

这是第二步

然后第三步

我们就来做场景的细分和挖掘

我们可以按时间 地点

订单 用户 商家

这五个维度

来去做一些筛选和组合

那比如说工作日

下午的这个下午茶

在比较困的时候

推送一个咖啡的订单

或者是水果的订单

周末在家庭聚餐的时候

推送一个类似的

比如说 西北人嘛

西贝莜面村这样的一个

订单的推送

或者是在暑期

以我自己为例

我们家有两个小孩对吧

到暑假的时候就很愁

能不能找着比较好的营养的餐

然后又是比较安全的

坦率的说

我觉得这个问题并没有解决

但是这是我们其实

会持续去做的事情

还有比如说在出差的时候

我们其实发现很有趣的一个事情

就是外卖的这个订单呢

新客的占比其实有10%左右

是在差旅中间发生的

就是在外地出差的时候

他可能觉得酒店的菜

又贵又不好吃

但是自己又忙

或者是对周围不太熟悉

那怎么办呢 就点个外卖吧

所以这是非常合理的一个场景

我们也针对这个场景

做了一些优化

做了一些新客的拉新的一个投入

包括我们也发现在医院

这个医生和患者

其实往往都有订单的需求

医生可能是因为做手术忙

或者是看病实在忙得顾不过来

患者有可能是吃腻了

容易被吐槽的菜

其实这样的一些场景

我们是往往可以通过细分的方式

去做更好的一个挖掘

取得更好的效果

总结起来的话

这个流程其实也是

有这么一个环形

首先是一个场景线索的判断

这个有可能是运营的灵感突发

也有可能是我们通过挖掘的方式

去获得一些初始的输入

然后我们再去通过用户的属性

订单的属性和商家的属性

做一些确认

然后再去用我们预测的算法

去找更多类似的用户

找更多类似的商家

然后去完成一个活动的设定

然后就重复刚才我们所说的

运营活动设定过程

所以这是一个

更高阶的一个流程的打法

这个案例也有一个

是我们用送餐地址来做场景识别

刚才我们说到了酒店 医院

这些场景识别怎么做呢

就是通过订单地址实现 识别的

这个地址呢

其实我们会需要去做它的分词

然后主干的提取

不同级别地址的定位

然后同时也考虑他订单的频度

和订单的时间

有一个比较好的一个收益

另外一点是消费升级对吧

我们说这个大的消费升级

其实在座的各位

可能很快毕业以后

也会经历一个消费升级

学校里面可能吃得

相对来说还是更单纯

更朴素一些

在毕业以后

可能会有更多的收入的增长

那可能也想更多的换换口味

甚至在其他的方面也会有需求

买房等等 对吧

这个其实是一个身份的一个切换

在美团这边的话

我们其实会有可能结合

我们的外卖的数据

和一些金融的绑卡的数据

有可能是做一些这样的

订单模式的升级

可以去发现什么样的用户

已经从校园毕业

然后进入白领阶段

包括后续的一些

运营的策略也会有所差异

这个是一个

消费模式升级的一个案例

最后一步就是说

我们怎么样去做一个

智能化的营销

有确定运营的目的

但是运营人员难以针对每个用户

去进行手动的调查

那我们就会去引入一个

智能的算法

去做在线的一个动态的优化

然后这部分是关于

营销的一个介绍