电商产品如何依靠用户画像做个性化推荐
电商产品如何依靠用户画像做个性化推荐
编辑日期： 字体：
了解和分析用户最好的办法就是建立persona（人物角色或者用户画像），它是产品最重要的设计工具和沟通工具。但很多用户研究更多针对的是在产品设计初期对潜在用户的需求定义，persona所代表的是某类人群，一个产品通常会设计3～6个角色代表所有的用户群体。
在用户画像的过程中有一个很重要的概念叫做颗粒度，就是我们的用户画像应该细化到哪种程度。颗粒度太大，对于产品设计的指导意义就会变小，如果太细，无疑是在压缩潜在用户的范围。
但对于电商产品设计及来说，尽量丰富用户画像是最重要也是最需要细致打磨的环节，也就是要做到具象的定量个体描述才能够基于用户数据提供个性化推荐，个性化推荐既是节省用户成本，提升，也是电商产品提升产品转化率与促进商品交叉销售的重要手段。
所以，依靠用户数据创建用户画像在当前热议大数据的时代越来越受到重视。如何依靠用户数据构建用户画像？这里引用百分点技术总监郭志金《用户画像数据建模方法》一文中所述。
数据源分析
构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。
对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类，高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期……所有的子分类将构成了类目空间的全部集合。
这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。
本文将用户数据划分为静态信息数据、动态信息数据两大类。
静态信息数据
用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。
动态信息数据
用户不断变化的行为信息，一个用户打开网页，买了一个杯子；与该用户傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等都是用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦很多，如上图所示：浏览凡客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“双十一大促给力”的微博消息。等等均可看作互联网用户行为。
本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差异）。
在互联网上，用户行为，可以看作用户动态信息的唯一数据来源。如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。
用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。如，红酒0.8、李宁0.6。
标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。
权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。
数据建模方法
下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。
什么用户：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。
以上列举了互联网主要的用户标识方法，获取方式由易到难。视企业的用户粘性，可以获取的标识信息有所差异。
什么时间：时间包括两个重要信息，时间戳+时间长度。时间戳，为了标识用户行为的时间点，如，（精度到秒），.083612（精度到微秒），通常采用精度到秒的时间戳即可。因为微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。
什么地点：用户接触点，Touch Point。对于每个用户接触点。潜在包含了两层信息：网址 + 内容。网址：每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。可以是PC上某电商网站的页面url，也可以是手机上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微信订阅号页面，某游戏的过关页。
内容：每个url网址（页面/屏幕）中的内容。可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，红酒，长城，干红，对于每个互联网接触点，其中网址决定了权重；内容决定了标签
注：接触点可以是网址，也可以是某个产品的特定功能界面。如，同样一瓶矿泉水，超市卖1元，火车上卖3元，景区卖5元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不同体现出了权重差异。这里的权重可以理解为用户对于矿泉水的需求程度不同。即，愿意支付的价值不同。
矿泉水 1 // 超市
矿泉水 3 // 火车
矿泉水 5 // 景区
类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。
所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。
什么事：用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏等等。
不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。如，购买权重计为5，浏览计为1。
红酒 1 // 浏览红酒
红酒 5 // 购买红酒
综合上述分析，用户画像的数据模型，可以概括为下面的公式：用户标识 + 时间 + 行为类型 + 接触点（网址+内容），某用户因为在什么时间、地点、做了什么事。所以会打上**标签。
用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：
标签权重=衰减因子×行为权重×网址子权重
如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。
标签：红酒，长城
时间：因为是昨天的行为，假设衰减因子为：r=0.95
行为类型：浏览行为记为权重1
地点：品尚红酒单品页的网址子权重记为 0.9（相比京东红酒单品页的0.7）
假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。
则用户偏好标签是：红酒，权重是0.95*0.7 * 1=0.665，即，用户Ａ：红酒 0.665、长城 0.665。
上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。
本文并未涉及具体算法，更多的是阐述了一种分析思想，在计划构建用户画像时，能够给您提供一个系统性、框架性的思维指导。
核心在于对用户接触点的理解，接触点内容直接决定了标签信息。内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。模型举例偏重电商，但其实，可以根据产品的不同，重新定义接触点。
比如影视产品，我看了一部电影《英雄本色》，可能产生的标签是：周润发 0.6、枪战 0.5、港台 0.3。
最后，接触点本身并不一定有内容，也可以泛化理解为某种阈值，某个行为超过多少次，达到多长时间等。
比如游戏产品，典型接触点可能会是，关键任务，关键指数（分数）等等。如，积分超过1万分，则标记为钻石级用户。钻石用户 1.0。
来源：微信公众号【IXDC】
本文固定链接:
转载请注明:
分享知识，分享快乐，运营路上你我他，携手共谈运营事！
专栏作者：爱运营
在爱运营交流各自运营知识，让我们的运营能力在沟通中得到提升。官方微信账号：iyunyingorg。欢迎关注微信。
您可能还会对这些运营文章感兴趣！基于天池数据的用户行为分析报告；摘要；电商每天都面临着大量的用户访问行为数据信息，这些；【关键词】：大数据；相关分析；聚类分析；目录；1前言.....................；2数据介绍...................；3数据分析...................；3.1描述统计分析...............；3.1.1用户行为描述统计
基于天池数据的用户行为分析报告
电商每天都面临着大量的用户访问行为数据信息，这些看似零散的数据，其实隐藏着巨大的商业逻辑。本报告基于阿里巴巴集团的大数据科研平台――“天池”中的4月15日至8月15日这四个月之间的用户行为数据，分别从用户角度和品牌角度对这些数据进行了数据描述，数据相关分析、聚类分析、预测分析。
【关键词】：大数据；相关分析；聚类分析
1 前言 .............................................................................................................................................. 5
2 数据介绍....................................................................................................................................... 5
3 数据分析....................................................................................................................................... 6
3.1 描述统计分析 .................................................................................................................... 6
3.1.1 用户行为描述统计 ................................................................................................. 6
表3.1 用户行为统计表 ................................................................................................... 6
3.1.2 关于品牌的用户行为描述统计 ............................................................................. 6
表3.2 关于品牌的用户行为统计表 ............................................................................... 6
表3.3 被购买排名前十的品牌 ....................................................................................... 7
3.2 相关分析 ............................................................................................................................ 8
3.2.1 用户行为的相关分析 ............................................................................................. 8
表3.4 用户行为相关性分析 ........................................................................................... 8
3.2.2 关于品牌的用户行为的相关分析 ......................................................................... 9
表3.5 关于品牌的用户行为相关性分析 ....................................................................... 9
3.3 聚类分析 .......................................................................................................................... 10
3.3.1 用户行为的聚类分析 ........................................................................................... 10
表3.6 用户购买次数分组统计 ..................................................................................... 10
3.3.2 关于品牌的用户行为的聚类分析 ....................................................................... 11
表3.6 最终聚类中心 ..................................................................................................... 11
3.4 预测分析 .......................................................................................................................... 11
3.4.1 简单模型预测 ....................................................................................................... 11
表3.7 购买时间模型描述 ............................................................................................. 12
表3.8 购买时间模型统计量 ......................................................................................... 12
4 总结 ............................................................................................................................................ 12
表3.2 关于品牌的用户行为统计表 ............................................................................................... 6
表3.3 被购买排名前十的品牌 ....................................................................................................... 7
表3.4 用户行为相关性分析 ........................................................................................................... 8
表3.5 关于品牌的用户行为相关性分析 ....................................................................................... 9
表3.6 用户购买次数分组统计 ..................................................................................................... 10
表3.6 最终聚类中心 ..................................................................................................................... 11
表3.7 购买时间模型描述 ............................................................................................................. 12
表3.8 购买时间模型统计量 ......................................................................................................... 12
图3.2 在4月15日到8月15日之间用户购物次数图 ............................................................. 11
图3.3 以星期为周期的购买模型 ................................................................................................. 12
这几年，电商的价格战打得不亦乐乎，继去年的“双 11 大促”和“6?18 狂欢节”之后，电商之间以价格为主要诉求的大规模促销层出不穷，几乎要把所有能够用来造势的节日都用上了，就今年5月份来说，不仅有“五一疯狂促”、“母亲节活动促销”，还有“520促销”，即使不是节日，电商们仍有层出不穷的名目来促销。而消费者们作为这场游戏中的弱者，不断地被这些真假价格战挑逗着和引导着。然而，在当今的商场上，还有另外一类企业不是通过简单粗暴的价格战，而是通过对数据的充分使用和挖掘而在商战中获胜的。
电商每天都面临着大量的用户访问行为数据信息，这些看似零散的数据，其实隐藏着巨大的商业逻辑，哪些品牌吸引到了这些受众？哪些用户是有潜力客户？访问行为数据的分析评估随着电商行业竞争趋势的加强，电商在数据处理能力上的强弱已经成为发展核心命脉，电商期待通过数据挖掘将电商网站的用户、内容、营销进行有效的连接，既能数据化客观地评估和分析营销的效果，又能发掘出真正潜在的客户。合作伙伴通过这类数据分析，就能获悉自己的产品在各区域、各时间段、各消费群的详细情况，进而判断市场趋势，有的放矢地刺激用户需求。
2 数据介绍
本报告中使用的数据来自于阿里巴巴集团的“天池”，一共有182880条数据，数据真是有效，记录了用户在4月15日到8月15日这4个月之间在天猫的行为日志，其中涉及到884位天猫用户，涉及到的天猫品牌有9531个。用户行为分为4类，其中“0”代表“点击”，“1”代表“购买”，“2”代表收藏，“3”代表加购物车。
表2.1 大数据的内容
visit_datetime 记录内容 用户 品牌号 用户操作行为 用户行为发生时间
包含各类专业文献、外语学习资料、应用写作文书、文学作品欣赏、幼儿教育、小学教育、高等教育、中学教育、37基于大数据的用户行为预测等内容。　
　基于大数据的用户行为分析技术、 个性化 推送服务技术天津大学机械工程学院机械工程...帮助城市预防犯罪,例如,洛 杉矶警察局和加利福尼亚大学合作利用大 数据预测犯罪... 　也产 生了大量用户信息记录, 如何利用大数据来了解移动用户行为与习惯特征的研究...数据作为研究的基础,分析挖掘移动用户的需求、行为、兴趣,甚至是通过 预测用户的... 　4、大数据预测的规律性。大数据预测与传统的基于抽样的预测不同之处在于,其...4、用户行为预测 基于用户搜索行为、浏览行为、评论历史和个人资料等数据,互联网... 　基于联网直报用户行为的宏观数据预测研究_法律资料_人文社科_专业资料。2014年...关键字:联网直报大数据交叉验证熵权评价法行为预测 4 ABSTRACT To study the ... 　基于互联网大数据的宏观经济监测预测研究:理论与 ...人们在互联网上购物、交流、搜索、浏览的各种行为所...[26]因此,基于国内主流电商平台的用户消费行为数据... 　我们先说说用户行为分析的方式: 1、 网站数据分析。...问题,有助于产品优化和进行用户对产品的态度预测等...相应时间与使用率:当响应时间超过 8 秒, 大部分... 　浅谈电力用户用电信息采集系统大数据在用户行为研究中的应用_周嵩__电力...总的来说, “预测型”和“优化型”研究课题都是基于采集系 统采集回的全样... 　3.基于个性化服务的客户体验提升 大数据时代对于运营...预测客户可能在何时手机会出现故 障、何时会产生换机...包含大量有价值的用户行为和位置信息,这 样的信息...SICAS：数字时代的用户行为消费模型
我的图书馆
SICAS：数字时代的用户行为消费模型
人群在迁徙，行为在变化，触点在分散，路径在泛化，传播营销的生态基础发生了根本改变，品牌商家的商业活动向何方移动？是因循守旧在大众传播时代，还是紧紧跟随微众步伐，向数字时代全面转移?&&&&&&&&&&&&&&& DCCI即将发布的中国互联网蓝皮书系列，其中最重要的内容之一是：基于长期以来对用户的行为追踪、消费测量、触点分析和数字洞察，提出了2.0+移动互联的“"数字时代的行为消费模型——SICAS"，以此对较为陈旧的AISAS理论进行系统革新。在此通过博客第一时间解读，与大家分享。&&&&&&& 起因在于，用户、消费者的信息触点-用户行为-消费路径在改变。&&&&&&&& 网络-数字时代，用户接触、获取信息的媒介-渠道-场景-方式，以及与品牌-商家产生交互、购买行为的媒介-渠道-场景-方式，以及用户之间形成意见-产生交流-体验分享的媒介-渠道-场景-方式，都在发生全面深刻的改变。所有这些改变，是业者需要重新理解、建立新的行为消费模式的根源。&&&&&&& 理解新的传播/营销生态，建立与用户行为匹配的行为消费模型，是提高企业商务营销活动成本效率的关键。在Mass Media、Mass Market阶段业已形成的广播式的营销系统，以及与之相应的AIDMA用户行为消费模型，早已经不能跟随消费者的步伐。而基于1.0阶段网络数字环境认知的AISAS用户行为消费模型，也已经不能跟得上2.0、社会化网络、移动互联、全数字化大潮下的消费者步伐，因为在该阶段，不仅媒介、信息更加碎片化，媒介本身也在泛化甚至湮灭，消费者的注意力发生了新的大范围转移、扩散，感知-接触-交互-决策-购买-体验-分享的行为与路径更为开放、复杂，线性模型已经不能跟得上用户的非线性行为步伐，技术创新已经能够在品牌商家与用户之间建立更为紧密的双向互动、有效连接，而非单向传播、单向获取的传统过程。所有这些，都意味着业者需要重新理解生态之变，建立新的非线性、多点双向的用户行为消费模型，以此指导决策商业决策。&&&&&&&& DCCI通过技术手段对用户的长期、连续性、实时监测发现，用户行为消费模式，正在由AIDMA、AISAS模式转变为SICAS模式。（详见后图，典型用户路径分析，iPhone品牌触点分析）。&&&&&&& 最初的AIDMA（Attention -Interest -Desire - Memory -Action）模式下，消费者由注意商品，产生兴趣，产生购买愿望，留下记忆，做出购买行动，整个过程主要由传统广告、活动、促销等营销手段所驱动，而广播式的广告是AIDMA的核心驱动。品牌企划、大众媒体、受众、Mass Media、Mass Market、媒介计划与采购是这个阶段营销业者的关键词，覆盖率、收视率、Reach等是这个阶段营销成效的关键。品牌商家要做的最关键事是：把自己成功的广而告之出去。&&&&&&& 在第二阶段的消费行为模式AISAS之下（Attention -Interest -Search - Action -Share），消费者从被动接受商品信息、营销宣传，开始逐步转变为主动获取、认知，AISAS强调消费者在注意商品并产生兴趣之后的信息搜集（Search），以及产生购买行动之后的信息分享（Share）。AISAS将信息搜集和信息分享作为两个重要环节来考量，而这两个环节都离不开消费者对互联网的应用。互联网为消费者主动获取信息提供了条件，使消费者有机会从多种渠道获得详尽的专业信息，进行相对“明白”的消费。但是在AISAS模式之下，虽然有了针对搜索的SEO&SEM，但是营销活动的核心驱动依然是广告，营销活动的关键词依然是品牌Display、impression，只不过多了点击、行动、Landing page转化等这样一些效果维度，品牌商家与用户之间的关系虽然开始互动，但是只是基于链接的简单的碎片化的反馈，而不是基于连接的多点双向的系统交互。品牌商家对消费者的感知不够实时、敏捷，营销决策很大程度上依赖非实时、抽样式的切片调查，用户也经常不能够在他们会出现会关心相关消费信息的地方，及时的感知到品牌商家及其消费信息的存在。AISAS模式究其根本，还是以广告产生Attention，线性单向的营销传播过程以及行为消费过程，多于非线性、网状、多点双向、基于感知连接的SICAS过程，且品牌商家在Share阶段的影响力远远不够，而其实Share、体验分享正在成为真正意义上的消费源头。&&&&&&& 随着互联网渗透率日益提高，网民和非网民，正在越来越大的程度上成为同一个集合。报纸、杂志尤其是电视等传统媒体过去有着互联网无法比拟的覆盖率，但是这一状况正在发生改变，互联网尤其是移动互联网的用户覆盖率超越电视将为时不久，而互联网在用户拥有（Own）、分享（Share）方面的巨大优势，使得它成为效率更高和更具影响力的信息、消费、影响力源头，这样的影响力甚至扩散到互联网之外。互联网正在成为体量最大的、最具效率的那个主生态系统。营销业者需要思考的是如何跟随这样一场变革及时迁徙，把商务营销的主场转移到互联网，而不是在传统媒体与互联网之间寻求结合。在这样一场转移过程中，需要考虑的是如何将Mass Media广播式的广告系统，转变为基于实时感知、多点双向、对话连接的交互系统。&&&&&&&& 从广告、营销到对话的转变，也就是从AIDMA、AISAS到SICAS的转变（Sense-Interest & Interactive-Connect & Communication-Action-Share）。&&&&&&& 数字时代，Web2.0、移动互联网创造了传统媒体乃至传统互联网媒体无法比拟的全新传播、营销生态——基于用户关系网络，基于位置服务，用户与好友、用户与企业相互连接的实时对话——用户不仅可以通过社会化关系网络、通过分布在全网的触点主动获取信息，还可以作为消费源、发布信息的主体，与更多的好友共同体验、分享。企业也可以通过技术手段在全网范围内感知用户、响应需求。消费信息的获得甚至不再是一个主动搜索的过程，而是关系匹配-兴趣耦合-应需而来的过程。传播的涵义甚至也在发生改变，不是广而告之你想要告诉别人的信息，而是你在响应、点燃那些人们已经蕴含在内心、表达在口头、体现在指尖的需要。与新生态对应的消费轨迹、行为模型——SICAS模型正在产生。&&&&&&& 而SICAS阶段商务营销活动的核心驱动是基于连接的对话，并非广播式的广告营销。对话、微众、利基市场、耦合、应需、关系、感知网络是营销的关键词。如何在快速移动的碎片化环境中如何动态实时感知、发现、跟随、响应一个个“人”，能够理解他们，并且与他们对话，成为提高品牌商家营销成本效率的关键。而基于LBS位置服务随时随地的感知响应能力、基于社会化网络的沟通能力、基于重Ad Network的覆盖-感知-交互-连接能力、基于开放平台商务协同数据建立交互连接的能力、基于实时数据流的需求实时响应能力、基于各路数据汇聚的开放CRM的运营能力，基于分布式电子商务与营销过程无缝对接的能力，企业领导者基于数字化过程的快速实时的理解力洞察力决策力，成为品牌商家必须具备的8个核心能力。Digital在此成为生态网络，营销的全部，而不仅仅只是一个通路、一种手段。&&&&&&&& SICAS模型，是全景模型，用户行为、消费轨迹在这样一个生态里是多维互动过程，而非单向递进过程。品牌-用户互相感知（Sense），产生兴趣-形成互动（Interest & Interactive），用户与品牌-商家建立连接-交互沟通（Connect & Communication），行动-产生购买（Action），体验-分享（Share）。&&&&&&&&&Sense，品牌-用户互相感知：在SICAS生态里，通过分布式、多触点，在品牌-商家与用户之间建立动态感知网络（Sense Network）是非常重要的基础。关于触点，既有去向impression的产生，更有来向的on demand需求响应，对话过程无时无刻、随时随地，广告网络、智能语义技术、社交网络、移动互联网LBS位置服务等，是互动感知网络的基础。对品牌商家来讲，实时全网的感知能力变成第一要义，建立遍布全网的Sensor，及时感知需求、理解取向、发现去向、动态响应以及充分有效的Reach变得非常重要。对用户的感知最为重要，而能够被用户感知到同等重要，这两点是品牌商家建立感知网络的两个关键。对于用户来说，关注、分享、订制、推送、自动匹配、位置服务等，都是其有效感知的重要通路，品牌商家所需要做的，就是以最恰当的方式能够被用户通过这些通路感知。当然，不同通路的效率、特性也是下一步需要研究的。站在用户行为、消费路径角度观察，在Sense阶段，有6个衡量企业感知能力的基本指标：&&&&&&& ——感知率：以某种或某些组合手段所能够感知到有效人群与目标市场总体人群之间的比率；&&&&&&& ——感知量：能够感知到的信息范围的多寡，用户人口信息-兴趣需求内容-网络地址信息-现实位置信息-关系链-沟通联系方式等；&&&&&&& ——到达率：营销活动最终到达的人口与能够感知到的人口的比率；&&&&&&& ——理解力：是否能够基于感知到的信息进行分析、理解、响应；&&&&&&& ——感知效率：到达单位人口的目标客户，所发生的成本；&&&&&&& ——被感知率：根据抽样或者全数据实测原则，所了解到的被潜在用户能够感知到的人口比例；&&&&&&& ——回馈率：是否具有双向回路的感知人口在所有目标感知人口中的比率。&&&&&&&&&Interest & Interactive，产生兴趣-互动：形成互动不仅仅在于触点的多寡，更在于互动的方式、话题、内容和关系。这方面，曝光、印象的效率在降低，而理解、跟随、响应用户的兴趣和需求成为关键，这也是为什么社会化网络越来越成为最具消费影响力的风尚、源头的原因。此阶段的用户，正在产生或者已经形成一定程度的心理耦合、兴趣共振。站在用户行为、消费路径角度观察，关于Interest阶段，我们将在下一步研究三个方面的指标，以此来帮助企业明晰、优化SICAS环境下的营销布局：&&&&&&& ——兴趣互动成本效率指标：互动Action行动量、单位互动成本、二跳率、点击率、转化率、播放完成率等；&&&&&&& ——兴趣互动内容特性指标：关系、话题、声量、关注点、好评度、好评点等；&&&&&&& ——兴趣互动品牌服务指标：品牌气质、产品功能、价格评价、使用体验等。&&&&&&&&&Connect & Communication，建立连接-交互沟通：意味着必须基于广告、内容、关系的数据库和业务网络，基于Open API、Network、分享、链接，将移动互联网和PC互联网结合，将企业运营商务平台和Web、App打通，在COWMALS的互联网服务架构之下，建立与用户之间由弱到强的连接，而非链接。不同广告系统打通、广告系统与内容、服务系统打通，以及Social CRM等，成为其中的关键。站在用户行为、消费路径角度观察，关于Connect阶段，我们下一步将会研究以下关键指标，帮助企业建立有效的Connect架构，评估不同方面Connect的成本效率：&&&&&&& ——Social Connect：企业是否建立了与主要社会化网络的品牌对话、互动连接通路；&&&&&&& ——Ad Connect：企业是否自身或者通过Agence实现了广告系统的数据互联、业务协同；&&&&&&& ——App Connect：企业是否通过自有App及第三方App建立与消费者的互动连接通路；&&&&&&& ——LBS Connect：企业是否具有通过位置服务为消费者匹配产品服务的能力；&&&&&&& ——EC Connect：企业是否将上述通路与电子商务打通，使得消费者可以直达、购买；&&&&&&& ——CRM Connect：企业是否实现了原有CRM系统、Social CRM系统互联互通，甚至彻底打通为一体，以及具备将感知网络数据流汇聚到CRM中进行动态实时管理、响应、对话的能力；&&&&&&& ——SCM Connect：企业是否已经将后端物流供应链与前段电子商务、客户关系管理打通；&&&&&&&&&Action，行动-购买：在行动-产生购买（Action）阶段，用户的行为不仅发生在电子商务网站之中，O2O、App、社交网络等，都可能成为购买的发起地点。站在用户行为、消费路径角度观察，关于Action阶段，我们下一步将会研究以下关键指标，帮助企业优化销售、电子商务布局，评估不同方面关键指标对于销售转化的价值和意义：&&&&&&& ——电商率：线上销售以及通过O2O带来的销售额在总销售额中的比率；&&&&&&& ——分布率：企业电子商务是一战之内的自主电子商务，还是分布式的电子商务，及其占比；&&&&&&& ——接通率：企业线下销售网店、线上电子商务中与感知网络的接通量、打通率；&&&&&&& ——个性率：是否具备对用户个性化需求的采集、响应、定制、服务能力，及其占比；&&&&&&& ——移动率：企业电子商务在移动终端的部署量以及交易达成量以及在总量中的比率；&&&&&&& ——社会化率：社会化网络来源的流量、声量、购买量在企业商务总量中的比率。&&&&&&&&&Share，体验-分享：体验-分享（Share）的原始理解在于社会化网络，但是实际过程中，互联网的开放分享会实现对用户体验分享碎片的自动分发和动态聚合，且一切远非口碑营销那么简单。体验、分享并非消费的末尾，很大程度上正在成为消费的源头，且体验分享的关键信息的发现能力，不仅是满足个性化需求的关键，也会成为消费生产力的重要来源。在体验、分享阶段进行互动、引导，其营销价值甚至大过于以广告制造最初的Attention。这是一个消费者主体、用户主权的时代。站在用户行为、消费路径角度观察，关于Share阶段，我们会和企业一起来研究、评估以下指标的价值与方法：&&&&&&& ——体验分享内容指标：话题、关注点、好评度、好评点、传播圈、关键节点等，Interest互动阶段也有相关指标；&&&&&&& ——体验分享互动指标：参与者量、声量、话题数等；&&&&&&& ——体验分享对话指标：企业与进行体验分享活动的用户之家的对话量、响应度；&&&&&&& ——体验分享转化指标：从用户体验分享环境转化到企业品牌社区、官微、官网、电商网站等营销环境的用户的比率；&&&&&&&& 总之，SICAS模型是DCCI在2.0、全数字营销环境到来之际，所提出的建设性的行为消费模型，是对AIDMA、AISAS的全面革新和替代；互联网在变革，商业生态在变，用户在迁徙，我们对于商业、营销活动的理解，也必须切换到全景、多点互动、非线性的场景之中来。企业必须将自身融入场景的各个微点之中，以感知、对话的方式和用户互动，逐步放弃成本效率越来越差的广告营销模式。&&&&&&&& SICAS模型不仅与社会化网络相关，而是全网、全数字环境下的行为消费模型。&&&&&&& SICAS模型的提出只是第一步，DCCI还将不断优化、深入架构SICAS模型的方方面面，这样一个优化、拓展的过程是开放的，DCCI将与互联网、营销业界国内外各方一起，在意见、批评中不断进步，通过SICAS模型的探索过程，与大家一起，跟随消费者，跟随用户，向数字时代的营销生态迁徙。&&&&&&&& 注：从下图可以看出，用户、消费者的行为、路径远非AISAS模型所概括的那么线性、简单。&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& SICAS模型不仅与社会化网络相关，而是全网、全数字环境下的行为消费模型。但是单就社会化网络而言，会是什么样的状况？&&&&&&& 与其他媒介相比，社会化平台在消费者决策的引起注意阶段、产生兴趣阶段与在线分享阶段效果均显著优于其他媒介。以iPhone品牌接触点为例，DCCI Netmontior 网络监测数据显示，社会化平台已经成为用户接触iPhone品牌的最关键触点，2011年社会化平台的品牌PV占有率、品牌到达率和浏览时长均超越门户网站，品牌到达力、品牌占有力和品牌黏着力都更加突出，对用户的购买决策产生深远影响，成品牌接触的重要触点和未来发展趋向。& & & & 对于品牌广告主，为了更好的提高受众对活动或对品牌的体验，可与社会化平台合作，更加有效的提高受众的卷入度，提高品牌的口碑传播。但要注意的是，购买行为是消费的开始而非结束，社会化平台成为用户购买行为后分享购买心得与体验的重要途径。这种分享一方面是对所购买产品或服务的肯定与认知的加强，另一方面是影响其他人的购买行为的开始。另外，社会化营销还有很多亟需解决的问题：比如说，怎么构建可规模化的社会化的广告产品，最小化社会化广告产品制作成本？如何消除信息孤岛，构建社会化平台的数据挖掘？构建品效合一的社会化广告营销体系？对于定位，社会化营销在营销上应如何与其他营销方式配合，最大化跨媒介整合营销优势？最后一个问题如何构建简单可行的广告效果评估体系。营销需要拥抱社会化网络。&&&&&&& 数据结尾：2011年社会化平台的品牌PV占有率、品牌到达率和浏览时长均超越门户网站，品牌到达力、品牌占有力和品牌黏着力都更加突出。
发表评论：
TA的推荐TA的最新馆藏