喜欢一个人的感觉，喜欢一个人的感觉经典句子喜欢一个人的感觉,喜欢一个人的感觉经典句子英文

作为产品经理领导总让我们挖掘用户需求咋个挖掘法特别是手头还没什么数据最多只有一个用户购货记录感觉挖不出东西本文对此系统解答一下做用户需求挖掘上有很多很流行的无解今天也一并澄清

用户需求挖掘的错误做法

这个段子很多人都听过

一个小哥来五金店买钉子

买钉子是因为他想挂一幅画

挂一幅画是因为他很孤单

他很孤单因为他很想找女朋友

所以他真正的需求是个女朋友

应该给他介绍个女朋友

故事很好听可却是大错特错从业务上看一个五金店老板如果不想着怎么卖金属器械而是研究牵线搭桥的话那小店离倒闭也就不远了

从数据上看想不想找女朋友估计连自己七姑八姨都懒得说又怎么会轻易告诉陌生人况且他还是个卖钢筋的这是个普遍的错误误以为用户需求挖掘非得挖到别人不知道的八卦奇闻才算有深度非得满足很深层的需求才算是真需求

实际上只有极少数行业能如此深度的了解用户能无限度的满足用户比如金融行业针对极高端客户的私人服务或许能做到这一点分行行长亲自开车送大客户儿子上学也不是啥新鲜事但大部分企业业务范围有限面对的是海量用户因此不能脱离业务实际做太细腻深刻的挖掘无论是业务上还是数据上都做不到也没有必要做到

所以用户需求挖掘的本质是从有限的数据里筛选关键区分维度提升用户响应概率我们要做的不是搞清楚每个用户的每个层次的需求而是通过区分提高用户响应概率识别核心用户群体让用户对我们的业务响应率比闭着眼睛瞎做要高每高出来一个百分点都是数据分析师对企业的贡献

用户需求挖掘的五个步骤

第一步区分核心用户

还拿五金店老板举例在精力有限的情况下先抓住大客户才是关键分类是很必要的

五金店的用户分类可能是

第一等物业维修部装修队工地B2B类客户

第二等装修改水电维修的客户B2C类大客户

第三等偶尔买一个灯泡插座钉子的散客B2C类小客户

问题在于当一个小哥进门五金店老板并不知道他到底是哪一类如果置之不理可能损失掉一个大生意但如果每个人都上来问一大堆问题估计会把客人吓跑这里就开始了第一步的用户需求挖掘挖掘的问题很简单您想买点什么

第二步对业务分类

小哥回答我想要买钉子你联想到了什么这个回答听起来很简单可透露了很多信息因为每一类业务可能有固定的商品组合和消费特点比如对五金店而言

工程类业务大量的钢筋各种物料不会零散采购

水类改造水管扳手防水胶带

电类改造电线开关插座

墙体维修水泥刷子油漆

物件维修钉子锤子钻机

这叫业务强相关性即使不做关联分析这些商品也是天生捆绑出现的并且根据业务规模大小有固定消费量做好事先业务分类非常重要当我们无法采集大量用户信息的时候可以通过仅有的一点点购货记录利用业务相关性去推断用户需求

比如这里老板听到小哥需要钉子可以很快推断不是B类用户和维修有关但是老板仍不知道小哥到底是C类大客户还是散客还需要第二步挖掘问题也非常简单您买钉子做什么

第三步抓关键信息

小哥回答我想要买钉子在墙上钉一副画听到这句你是不是马上想到要说什么了是滴我们可以看到做好用户分群和业务分类以后再做需求挖掘的时候是非常容易的

基于前边的分类读者们听到钉一幅画也能立即反映出来这是个散客价值不高钉子和锤子钻机是高度关联的有交叉销售机会这里借助2个简单的问题我们已经完成了抓关键信息

当然实际业务中传统企业靠销售导购业务员去抓关键信息互联网企业靠埋点推送反映问卷浏览频次等抓关键信息

第四步推送商品活动

现在有了假设我们可以尝试验证推一个商品活动试验下这时候五金店老板就不会花大力气去问小哥是不是想谈恋爱而是说你需要钉画的话用1寸小钉子比3寸的大钉子好看容易钉还不显眼这样就能锁定小哥的需求比那些不理不睬的老板成功几率高

同时还能做个交叉推荐你有锤子了吗可以买个小钻机比锤子省事修其他东西也能用如果推荐成功就能成功的把客单价从1块钱提升到200块也是小赚一笔

第五步验证推送效果

有推送就有成功和失败两种可能因此需要验证效果需求挖掘本质上是个概率问题需要通过数据验证我们推送进而验证我们选择的挖掘维度挖掘方向是否正确对五金店老板而言这里有两个维度要验证

钉墙推荐1寸钉子假设基于用户需求考虑更容易成交

钉墙的男性推荐风钻假设男性喜欢机械有机会成功

这实际上已经是个小型ABtest了如果有一个数据可记录的话老板会看到这两个假设可能成立也可能失败比如做了200组发现用户根本不考虑美观都是什么便宜买什么那以后的策略就是散客来了直接丢最便宜的东西给他

当然也有可能发现这个策略可行10单能交叉卖出3单钻机那以后就按这个策略走到这里我们的需求挖掘结束我们找到了一个区分方向验证了一个可提升成交的机会点从用户买钉子挖出了钻机的需求这么做可比天天琢磨小哥到底有没有女朋友是喜欢萝莉还是喜欢御姐要靠谱的多

虽然只是一个搞笑的例子实际上五金店老板才没这个耐心五金店也没有数据可以记录但是它很形象的展示出了挖掘用户需求的工作流程

区分用户类型

区分业务类型

抓关键信息

推送商品活动

验证推送效果

这套方法论事可以推广到各个行业的特别是数据记录较少的情况下注意这里先区分用户还是先区分业务是有行业差异的一般传统企业的业务类型比较固定倾向于先区分业务互联网企业业务比较灵活甚至能无中生有创造新场景往往倾向于先区分用户甚至有可能针对一个用户不同场景做文章

但无论怎么做区分用户与业务都是第一步预动作也是最重要的一步通过分类可以清晰后续挖掘的方向明确挖掘深度为验证挖掘是否有用提供标准

所以这一步下边会单独拿出来讲很多同学做用户需求挖掘毫无头绪都是因为缺少分类而很多同学陷于Abtest缺少整体判断也是因为缺少分类

用户业务区分的注意事项

一提用户分类很多文章都扯RFM这是非常错误的并非所有的业务都需要高频次消费也不是所有业务都累积高金额甚至有可能一个业务同村存在一次消费和高频消费

如果从频次和金额的角度来看常见的业务可以归纳如下

传统企业的业务相对聚焦在业务分类相对容易比如房子分置业投资置业再分首次二次改善养老二次改善又有面积改善环境改善配套改善资源改善等若干家装汽车贷款等等业务都有类似归类法文字太多先不展开了每一种对应的用户需求会很聚焦因此传统企业的用户需求挖掘没有那么依赖大数据更多是类似五金店老板做好业务分类在前端销售导购业务员做好关键信息采集

互联网公司需特别注意一个平台有可能同时融合多种业务这些业务看似相似可实际对应的用户需求相关的业务完全不同如上图红圈所示一个订票平台对商旅客人可能就是高频次高金额频繁发生的事这时候可以用RFM来进一步细分

但对新婚游可能就是个很低频的需求找的关联业务就是酒店租车回程以后休闲地出趟国十几二十天回来真的很累需要补假类似的电商平台卖的同时有零食手机充值卡电视等等在挖需求的时候也要区分常见而不是一锅炖了了事

用户分群的具体操作内容太多需要单独开一篇文章写这篇已经3000字了怕大家读着累

推送验证的注意事项

做产品经理的同学往往和做数据的同学一起做ABtest的很多但做的很被动往往是业务拿着方案数据只是机械操作自己提假设自己进行验证的能力差

这里关键是提假设很多同学对着交易数据没感觉数据库里评论需求浏览数据又太少这里举个简单的例子比如我们看到一个购物单我们可以大胆做假设

所以你看不需要特别多数据也能提假设当然不是所有假设都有必要投入ABtest我们可以先从数据上作区分比如从一个用户身上发现的假设点先看是否该用户有强烈的特征比如我们假设他是优惠驱动那么他参与优惠订单n次优惠力度50的活动参与率X总之他得真的表现出对优惠有特别兴趣再看是否有足够数量用户有类似特征如果用户数量太少那即使是个机会点也不一定被业务所用如果符合以上两点可以考虑提建议让业务做方案上Abtest了

需求挖掘做到多深合适

看到上边有的同学可能会问既然有这么多方向可以挖该从哪里挖起答从目前业务发展最紧迫的问题开始业务上需要

提升转化率挖用户首次购买的产品

提升客单价挖用户交叉品类需求

提升交易金额挖重度用户

提升复购率挖二次购货需求

有明确目标指引的情况下更容易找到答案当然也有可能挖了一圈发现没啥收货数据上找不到机会点但至少也能反向证明花里胡哨的砸钱营销没啥屁用那也能指导运营做一些节省成本的工作也是功劳一件

以上就是挖用户需求的基本思路大家可以看到它融合了用户分群假设检验ABTest等具体工作是个综合性很高的事同时也能看到它不是一蹴而就的而是需要大量基础工作打底再结合大量的尝试才能得到结论

挖用户需求不是像路边摆摊的算命师傅那样铜钱一丢就无所不知了去粗取精去伪存真反复迭代逼近真相这才是产品经理利用有限数据做需求挖掘的价值所在

专栏作家

接地气的陈老师接地气学堂人人都是产品经理专栏作家资深咨询顾问在互联网金融快消零售耐用美容等15个行业有丰富数据相关经验

本文原创发布于人人都是产品经理未经许可禁止转载

题图来自Unsplash基于CC0协议