|
互联网电商在数据应用方面比较成熟，但在单独业务实操方面做好做精并不容易。针对电商互联网电商大数据方面Mr. Nemo老师（十年电商大数据从业经验）分享了他在从事电商行业的实操经验。 一、构建自动化选人体系的必要性 选人就是对人的分析，是电商分析的一个大的方向，选人系统是一个综合型话题，包括数据架构、数据挖掘、针对前段产品的数据展示，都是选人系统的一部分。 在电商企业中，CRM运营人员需要了解顾客群体特征、顾客体量、营销活动中顾客参与情况，同时也要将目标群体发给EDM进行匹配，一般的电商企业在完成这些工作时，都是需要数据分析师反复的取数，CRM运营人员的需求与数据分析师工作有效性的不平衡，成为电商运营的矛盾之一。 而自动化选人系统成为平衡分析师、CRM运营人员、公司三者的运营工具，既避免分析师花大部分时间取数问题，使数据标准化、体系化，分析师可以有更多时间用于分析、数据驱动，也使CRM运营人员及时追踪运营效果、提高运营效率，实现精细化运营，最大的收益是——对公司而言，在节约运营成本的前提下，做出高效的运营决策，提高用户体验，最终达成销售。既然自动化选人系统有这么多优势，那么应该如何构建这个系统成为关键。 二、如何构建自动化选人体系 构建自动化选人体系包括三个步骤：基础数据、数据架构、前端产品。其中基础数据（顾客基本属性、购买行为、浏览行为、售后行为等）和数据架构（维度指标、更新粒度、更新频次等）这两部分是数据的基础，前端产品（特征可视化、选人操作、数据推送、效果评估和追踪等）用来帮助业务人员进行傻瓜式操作，帮助CRM运营人员进行营销活动评估和EDM进行精准推送。 电商选人基础数据体系的基础数据是指顾客标签化体系和实际行为指标构成，主要包含五个方面：基本特征、社会身份、顾客生命周期、消费特征、其他行为属性，根据这些属性构建用户标签，业务不同构建标签的方式也不同，但是其本质不外乎以下两种方式：一种是模型、数据挖掘和预测进行构建；二是数据层面规则进行构建。 下面通过两个案例进行展示，一个是通过数据模型做标签，另外一个案例是通过自己归纳的规则来构建标签。 第一个例子，首先定义流失：每个公司顾客群体不一样，对流失的定义不一样，比如我们通过数据分析，将三个月未购买的顾客现象定义为用户流失；定义好流失后选一个后，选定一个时间窗口收集训练样本，来构建标签。最终的概率结果，会将概率转化出来标签，会将用户的级别不同阶段做到不同执行解决方案，这个就是我们通过模型构建标签的实例。 第二个例子是我们针对用户偏好的实例，我们如何判断用户的偏好，这是我们通过用户的购物行为来判断的。在电商方面，一个用户的类目偏好通过几个行为来反应： （1）购买；（购买某一类、某一价格方面） （2）加购；（对过加购历史可以判断）； （3）搜索； （4）浏览商品的详情页； 我们组要通过四种行为来判断用户，我们对用户的分析，针对用户不同时间的偏好变化，我们针对用户的浏览、架构、搜索、购买赋予不同的权重，最终算出类目偏好的标签。 以上是我们针对标签体系构建采用的常用方法。 针对数据架构这部分工作，我们建议将数据架构、数据仓储的工作交给更专业的人来操作，作为数据分析师，我们应该提出具体要求，来搭建更好的架构。这是我们之前做的选人体系的架构，和大家分享，每个公司的架构也或多或少不一样，我们的选人架构一共4个层次，最底层是DW。基础层的数据模型的基础上，是汇总层的数据模型，之后是应用层，主要是指标等，最后是可视化前端。针对数据架构，如果大家不是很专业，希望将这部分交给更专业的数据架构、仓库的团队成员来实现。 除了底层架构和底层的数据准备，最主要的就是可视化，这部分是我们之前的可视化选人体系和大家分享一下。选人体系样例具备功能： （1）特征的可视化； （2）选人可推送-对接营销系统（短信营销、EDM营销）； （3）实时追踪并评估效果； 大家可以看下这个页面，是我们的一个特征可视化，这个页面的主要功能是解决运营人员解决用户群体特征的判断，用来判断具备相同特种用户的量及共同行为特点，从而方便选出目标群体，并且执行可视化功能。因为运营人员判断用户群体的量没有预估量，会造成营销资源的浪费。 这个界面是我们选人的界面，之前提过我们有基础数据，我们通过用户基础行为（会员等级、消费等）进行选择操作。 开始选人后，了解群体特征，并且通过查看结果，可以看到群体的特诊，针对营销活动会有更针对性的进行设计，这个时候我们的营销系统，更好的运营结果。 最后一项功能，就是我们的效果评估。通过我们的营销活动结果，来判断结果，总体我们采用A/B测试进行效果评估，从而形成经验，迭代我们的营销活动。 三、选人体系的应用
针对活动通过选人体系发挥作用，通过选人体系确定群体特征制作营销活动。 End. |
|
|
