現在都流行講大數據，但對於大部分人來說，會覺得那是個很複雜很難研究的事物。其實並不是，對於我們這些用戶運營者來說，其實已經可以利用大數據的簡單應用來幫助我們做好精準化的營銷了。尤其是利用大數據做商品偏好分析，從而對用戶進行精準推薦。

一、商品偏好數據在行業的簡單應用

當你逛淘寶、美團點外賣、刷抖音視頻的時候，有沒有發現，每次一打開這些應用大概率出現的都會是你會感興趣，或者是你曾瀏覽過的相關內容：

例：你在一家線上店鋪買了一根魚竿，然後在其他地方逛的時候，就會給你推送相關的魚鉤，漁夫帽，遮陽傘等商品。

這就是用戶需求/偏好數據的應用。知道用戶需要或者喜歡什麼，對其做精準推送，提升轉化。

現在，用戶商品偏好分析的數據，已經應用在非常多的行業及場景。

二、大數據做商品偏好分析的價值

對於單個企業、店鋪來說，在流量達到一定瓶頸時，老用戶的轉化留存，就顯得非常重要，不然辛苦建立起來的用戶池就像一個大漏勺，在快速流失。

那麼，做好用戶商品偏好分析，具體有哪些價值呢？

1. 提升用戶留存，減少流失

利用老用戶池，對老用戶做商品偏好分析，挖掘其需求，推斷其感興趣的商品，並將其感興趣的商品推送給他。當你這裏可持續滿足用戶需求時，用戶對你的忠誠度自然會加深，可有效提升復購率，減少用戶流失。

2. 節約推廣成本，提升轉化率

很多商家去做流量推廣（鑽展/直通車等）時，會出現轉化率越來越低的情況，推廣費用越來越高，而所帶來的用戶價值卻越來越低。

這是爲什麼呢？

在內容電商的環境下，用戶在購買商品的時候，並沒有處在“我一定要購物”的強心態和場景下，而是更像一個喜歡熱鬧的看客。例如：很多人喜歡悠閒地看着美妝達人直播，瀏覽着那些自己沒強烈需求的商品和信息，此時的用戶雖然有一定潛在需求，但更多的是像一個看客

在用戶瀏覽時，相比較各種五花八門的商品，如果你能將用戶很感興趣的商品推送在他眼前，將”看客“轉化成“消費者”則會大幅提升其轉化，提升推廣ROI。

3. 個性化推薦，創造更多價值

個性化推薦能夠在用戶購買過程中/過程後，向用戶提供其他有價值或關聯的商品推薦。如買手機可推薦其關聯商品：移動電源、耳機、手機殼等，而關聯推薦的商品，則正是用戶自己確實需要但在購買過程中沒有想到的商品，從而有效提高商品的交叉銷售。

三、如何利用大數據做商品偏好分析

做商品偏好的分析及應用，核心有5大步驟：

小結：通過存量用戶的行爲結果，倒推用戶的需求偏好，通過不同人羣需求偏好的集合歸納，及人羣需求延展，推薦其可能感興趣的信息。

再通過多次測試看效果來迭代，針對單人的特殊個性化需求，對給單人推薦的信息做補充。同時若單人需求偏好有較多的個性化信息，也會補充進人羣包的需求中，以此實現不斷的完善和迭代。

以上是商品偏好分析的整個邏輯，接下來，我們以一家電商彩妝店爲例，講述下如何去做商品偏好分析及應用。

四、案例實操：美妝品牌

背景：某美妝品牌的一次聚划算活動，打算對老用戶做精準營銷觸達。

1. 從多維度構建不同商品的用戶畫像

要做商品偏好分析，首先一定要有用戶基礎分羣，最常用的就是基於用戶購買信息分羣。

如下圖所示，根據“購買數據”‘地址數據’“使用數據”“行爲數據”我們將人羣分爲了16組初級人羣畫像：

分析思路：

如上圖，這個畫像是比較簡單的，僅從這種單一的人羣畫像想要去判定用戶的偏好，還比較粗糙的，例如購買了口紅的人羣，她有口紅顏色收藏癖嗎？是更注重口紅的滋潤度還是顏色，還是產品的價格？這些問題，僅從一個“購買了口紅的人羣”這樣單一的人羣畫像，我們無法得知。

所以，接下來，我們需要通過用戶畫像做多重交集，將人羣畫像描繪的更清晰,對用戶需求的判定也就更精準。

2. 基於用戶畫像交集，反推人羣需求

商品偏好分析，是通過儘可能多的維度回溯用戶的畫像，塑造成一個個虛擬的人物。所以光基礎分羣不夠，還要儘可能多的評估維度。

如下圖，我們將用戶分羣劃分成了”購買數據、地址數據、使用數據、行爲數據“等4個維度，將這4個維度的人羣，做交集，得到更精準的人羣畫像，進而反推用戶需求。

分析說明：

1. 如上圖，將2個1級人羣畫像：購買數據與使用數據做交集，得出了一個2級人羣畫像，然後根據人羣畫像，反推出了這個人羣包的需求；
2. 表格裏面，只是將類別做了2組交集，當然了，爲了更精準的判定用戶的需求，將購買數據、地址數據、使用數據、行爲數據做4重交叉後，對該組人羣畫像描繪越清晰，反推的需求越準確；
3. 匹配的需求是根據以上分析的數據得來的，此需求需要後續的驗證。如果能抓取到用戶的行爲數據、標籤數據越多，越準確，所反推出的需求就越精準！

3. 根據人羣畫像需求，匹配溝通內容

得出2級人羣畫像並反推出其需求後，接下來，需根據反推出來的需求，匹配與用戶溝通的信息，如下表所示：

經過層層的拆解，組合，反推，以及匹配，我們知曉了與用戶溝通的內容，接下來就是對用戶的觸達。

4. 對目標用戶的精準內容觸達

用戶觸達的過程中，如果條件允許，可以做分組測試。

例如，我們根據一組人羣畫像，反推除了這個組人羣3種需求，那麼，如果單次的觸達是短信，一般會受到文字的限制，也考慮到用戶體驗，一次不會推送太多信息。所以針對反推出來的3個需求，我們也不確定哪個需求是最準確的。

這時，我們可以做分組測試：

5. 根據營銷效果，優化人羣畫像

前期通過多組人羣畫像的交集，我們得出一個較爲清晰的人羣畫像，也根據畫像特點，反推出了這組用戶的需求，並對用戶推送了相關信息，下一步就是需要對各組人羣效果做統計與分析，驗證前期反推出的需求是否正確，根據數據不斷優化人羣畫像。

分析思路：

（1）從上圖中，可以看到，人羣1，反推用戶需求時，推斷用戶有2個需求，在不確定哪個需求更精準的羣聊下，我們做了分組測試，從“下單轉化率”這個指標中，可以看到給同利益點“5元優惠券”條件下，給這組用戶推送潤脣膏的轉化率更高。所以，對這組人羣畫面的描述可以加速“相比滋潤型口紅更喜歡滋潤型脣膜”。

對於只分析出單個需求的，可以抽取小部分做空白對照組，看效果對比。

所以，在做用戶商品偏好分析時，需要根據所掌握的標籤信息和效果數據的結果，不斷優化人羣畫像，最終形成典型人羣畫像，在後續對這類用戶的分析，以及商品推薦時，也就更得心應手了~

以上的案例，是從一個比較完整但簡單的思維，告訴大家如何去做商品偏好的分析以及分析的數據應用場景。

用戶商品偏好分析的數據應用場景，可不僅僅就是給用戶發短信推送用戶喜歡的商品哦，其應用場景非常廣。這裏用一個趣味小視頻告訴你，用戶商品偏好分析到底有多強大！希望也能激發大家的靈感！

當然了，對於電商店鋪，商品偏好數據的常用應用場景還有千人千面首頁、專屬二級頁、、流失用戶召回、關聯商品推薦等。

具體的大家還需要結合實際情況，去發揮及使用，相信一定會有收穫！

五、總結思考

看完以上內容，對於商品偏好數據的應用相應大家也有了一定的想法，再給大家總結一下，兩個層次的應用：

1. 淺層商品偏好數據應用：同類商品推薦

這種同類商品推薦的應用最爲常見，例如你買了洗髮水，就會給你推薦護髮素，還可以結合行爲數據、訂單數據等做更精準的推送。它的好處在於就算獲取的用戶數據比較淺或者少，但是也可以快速上手，應用起來。

2.深層商品偏好數據應用：關聯商品推薦

這裏說的深層次關聯商品推薦，區別於同類商品推薦，它更注重挖掘用戶深層次的需求。核心主要是通過用戶數據回溯形成一個虛擬的人，人的需求是多種多樣的，但一定會有其偏好，我們就可以洞察其偏好，預先在其視野中準備信息曝光。

經典案例：

尿不溼與啤酒的故事：有家超市，通過大數據的應用分析，發現有一羣喜歡喝啤酒看比賽的奶爸下班後來買尿不溼，所以超市大膽的把尿不溼和啤酒放擺放在一起，結果啤酒和紙尿褲的銷量都有提升。

上過營銷課的童靴應該聽過這個故事，姑且不論這個案例的可信度，但他所傳遞的核心是挖掘用戶商品偏好的思維以及應用，將這種思維，運用在線上企業，也是一樣的邏輯。

以上，是今天的分享，希望對大家有所收穫，也歡迎大家有任何疑問，或者交流想法的，點擊下方留言，會一一回復大家！

作者：蠶寶，編輯：瑤光，微信公衆號：回了CRM，某互聯網自媒體聯合創始人。

本文由@瑤光 原創發佈於人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基於CC0協議