在沒有數據之前,產品經理和營銷人員總是喜歡自己腦補用戶特點,給用戶貼標簽,以為這就是目標用戶,結果就是花了很多錢,沒掀起什么水花。

而利用數據產生的用戶畫像則是拋開了產品本身和個人喜好,將焦點關注在目標用戶的動機和行為上進行產品設計。

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

背景是某銀行陸續打造了線上線下的客戶觸點,來滿足客戶日常業務辦理、渠道交易等需求。面對著大量已有的用戶數據,如何通過數據,挖掘分析出不同理財產品對客群的吸引力,從而找到目標客群,進行精準營銷,最終“把合適的商品推薦給潛在購買用戶”?

問題分析思路

• step1:對銀行總體情況進行分析:找出銀行的“地理戰略重心”,了解在獲客渠道的弱點

• step2:對客戶進行分析:預警出「最有可能購買的用戶」和「最有可能流失的用戶」

• step3:對銀行的理財產品進行分析:了解目前理財產品歡迎度情況,分析用戶最喜歡購買的產品特征;

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

• step5:構建購物籃模型:相關性:高的產品一起打包出售;構建Kmeans模型:預測出最有可能購買的用戶;

數據分析及報告制作工具為:FineBI

完整分析思路:

第一步:對銀行總體情況進行分析:把握銀行的“地理戰略重心”,了解自己在獲客渠道方面的弱點

了解銀行的「資產情況」、「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,有較強橫跨陸港澳及輻射東南亞的國際化特色和優勢,建議A銀行構建起“以內地為主體、以港澳為兩翼”的“一軸兩翼”戰略布局。與此同時,我們也發現該銀行在內陸的布局較為有限,僅在四川有部分業務,建議深挖西北發展機會。

• 新媒體(微博)的獲客能力遠遠落后于行業水平。可以提升其線上運營能力,打造年輕人喜歡的爆款產品,例如與“知乎、網易云、斗魚”推出聯名卡。

第二步:對客戶進行分析:預警出「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」這個重要指標中,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,作者運用 RFM 模型將重要挽留用戶篩選出來,銀行運營人員可以有重點的對這些即將流失的重要用戶加大挽留力度。(RFM 模型詳情請參見:RFM 模型)

(重要挽留用戶:最近消費時間較遠、消費頻次不高,但消費金額高的用戶,可能是將要流失或者已經要流失的用戶,應當基于挽留措施。)

第三步:對銀行的理財產品進行分析:了解目前理財產品歡迎度情況,分析用戶最喜歡購買的產品特征

結合疫情情勢,作者看到19年后客戶更加喜歡規避風險的投資,黃金和儲蓄類產品很受歡迎。可以加大對避險類產品的研發力度。

另外作者對所有產品進行了帕累托分析 (也叫二八分析),找出貢獻最多銷售額的1類產品,在市場已驗證受歡迎的情況下,可以加大對1類產品的宣傳力度。

第四步:對客戶的購買行為進行分析: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
對線上用戶從「瀏覽產品」到「完成支付」中間的行為使用漏斗圖進行轉化率分析。通過監控轉化率并尋找流程優化點可提高層級與層級之間的轉化率,最終提高總成交金額。

渠道復購率分析

對比分析每個渠道的質量,19年之后很顯然是線上復購率效果更好。而該銀行線上渠道的獲客率遠低于行業平均,需要加大優質渠道的獲客投入。

第五步:構建購物籃模型:相關性高的產品一起打包出售;構建Kmeans模型:預測出最有可能購買的用戶

作者使用了兩個模型:

• 購物籃分析:尋找產品與產品之間的關聯度。在線上界面中可以將關聯度高的產品放在一起。或者用戶購買完一個理財產品后,跳出對應的聯想產品頁面給用戶做推薦。(購物籃模型詳情請參見:購物籃分析)

• Kmeans分析:對用戶行為進行聚類分析,可以直觀看出要預測的用戶(藍色星星圖標)聚類分析后是處于「未購買的用戶區域」,還是「已購買的用戶區域」。若處于已購買區域,說明該用戶極有可能購買產品,可加大對該用戶的推廣及運營力度。(Kneans 模型分析由作者使用 python 處理分析)