周宏明/文
單個渠道來源獲得的某個用戶的信息具有一些隨機性、偶然性，如果假以時日，積累了較大量的用戶信息，價值就慢慢顯現出來。那麼，你也許會問，這麼多來源，這麼多維度，這麼多品種的數據，哪些才是最關鍵，最值得重視的呢？
有了一定量的用戶數據之後，只是完成了第一步工作，我們需要進一步地對數據進行分析研究，得到用戶畫像之後，才算完成1CM階段的任務。
我們建議，對用戶數據進行分類打標籤，對每一個用戶都進行形象的標籤化。
我們認為，標籤是某一類用戶特徵的符號表達，每個標籤都規定了我們觀察、認識和描述用戶的一個角度，通過標籤對用戶進行細分，識別用戶的額興趣愛好、購物偏好等特徵，當然，用戶畫像是一個整體，各個維度不孤立，標籤之間有聯繫，可轉化。
面對紛繁複雜的原始數據，我們要通過分類和打標籤的形式去解讀用戶。
一般來看，有四類標籤是可以指導實踐的。
四類標籤
⊙人口屬性標籤，用戶的性別、年齡、行業、活動領域等
⊙消費指標標籤，是否有小孩，是否有寵物，喜歡參加什麼類型的聚會等
⊙業務標籤，會員價值高還是低，會員卡級別是金卡還是銀卡
⊙營銷標籤，喜愛什麼風格，感興趣的款式是什麼，消費檔次處於低中高等
打標籤的方法有很多，其目標就在於利用多種建模方式構建消費者標籤，核心模型為消費偏好分析模型。
一個行之有效的方法是將商品或者品牌標籤反打到消費者，根據消費者每次消費行為積累不同標籤權重，依賴權重進行標籤標定，動態生成精準的用戶標籤。
若某個用戶在消費某品牌商品超過N元，或者在某品牌商品前停留了超過20分鐘，就可以歸納出他的特徵偏好、品牌偏好和相應的消費檔次來。
我們看到的比較常規的方式是把整體用戶群體，按照年齡、性別、地域、收入水平等顯而易見的標籤進行分類，這叫人口屬性標籤，這樣的做法在一定意義上能夠對用戶畫像提供更加準確的參考，但對於洞察用戶的實際需求和向用戶推薦產品或服務的核心價值並無多少助力。
還有一種常見的方式，是業務標籤，是根據用戶過去的付費水平進行分類，比如付費超過一定額度，就可以視為VIP，在後續的服務中享受優惠折扣或額外服務，這一方式在金融、電信、航空等公共領域運用得特別普遍。
可以說，在老客戶運營和維護方面收到一些效果，但是，整體而言，這樣的做法簡單粗暴了些，客戶過去的付費能力並不等於未來的付費意願，在針對VIP客戶的服務上，投入更多、成本更高，卻因為折扣優惠而收費更低，相應的成本很可能是轉嫁在新客戶身上，因此，在新客戶挖掘方面常常顯得力不從心，其原因正在於此。
通過充分利用互聯網的工具，結合產品和服務的核心內容，按照用戶的興趣點分成不同的社群，使這些社群中的用戶能夠相互交流、相互影響，這樣的分類涉及到消費指標標籤和營銷標籤，明確這兩點才是最具有價值的。
比如，做戶外用品的品牌商，按照不同的旅遊方式，把客戶區分為“自駕遊”“窮遊”“跟團遊”；按照不同的旅遊目的地，分成“國內遊”“日韓旅行”“歐美旅行”等各種分類方式，在不同的社群中實時推送相關的旅遊路線和價格信息，鼓勵社群中的用戶實時交流和相互交流，根據不同的出行需求，可以實時植入不同的戶外產品信息。
又如，做減肥健康的品牌商，可以按照客戶的偏好，建立“跑步”“健身”“美食”“營養”等為標籤的社群，這些標籤都指向健身減肥和體重管理，平時在群裡推薦的都是相關的科學知識，再將自身的品牌理念和產品信息巧妙植入，可以起到潛移默化的宣傳作用。
我們建議以用戶的興趣點為維度對用戶進行分類，這種方式並非以過去看到的用戶的某個特質來簡單分類，而是基於興趣與需求是可以相互轉化的這一點，對用戶興趣點得把握，其實就是把握住了用戶未來的潛在需求方向，把握住了用戶未來的購買力。
我們建議這樣的社群應該是開放和透明的，要按照社群運營的思路來做，鼓勵用戶之間、好友之間實時互動和交流，更重要的不是轉化率，而是社群得活躍度。
運用打標籤的辦法，我們可以掌握用戶的精準畫像。
比如，通過上述標籤綜合分析，我們可以擁有這樣得用戶畫像：李女士，36歲，金融行業，活躍於北京朝陽區，有小孩，無寵物，常參加商務高端聚會，金卡會員，高價值會員，喜愛英倫風，對時尚短靴和平底單鞋感興趣，屬於高消費檔次人群。
又如，張先生，32歲，互聯網行業，活躍於杭州城西銀泰，最近三個月在京東消費超過20000元，已婚，有小孩，追求時尚品牌，喜好數碼產品，對手錶和西裝感興趣，屬於中高檔消費人群。有了這些信息，對於精準營銷和需求挖掘，就有很紮實的數據基礎。
【歡迎索取「用戶力提升項目導引白皮書」（公眾號即可獲取），一起加入成功提升用戶力的研究列隊中】
我們認為，1CM蒐集和分類的用戶數據，是任何一個品牌企業必須要構建完成的基礎設施。
更進一步，在品牌企業內部要將數據彙總在一個綜合的數據管理平臺上，要滿足三個要求：
一是，用戶數據模塊化，實現接口、部件、子系統、整體架構的全方位標準化和模塊化，達到基礎設施高利用率、低消耗、易於管理的目標；
二是，用戶數據要有效整合，藉助數據智能化項目推進，打破各個業務部門、各級經營部門數據使用的瓶頸，在決策層實現最大限度的數據共享；
三是，架構升級擴展。擴展現有平臺的HADOOP+HIVE架構，Hadoop是一個能夠對大量數據進行分佈式處理的軟件框架，以一種可靠、高效、可伸縮的方式進行數據處理，Hive是建立在 Hadoop 上的數據倉庫基礎構架，這種組合架構提供了一系列的工具，用來進行數據存儲、查詢和分析，增加數據流式計算和實時處理的能力。
同時，結合標籤化的用戶分類，我們還可以根據用戶的活躍度，設計不同的營銷方法，實現所謂的“千人千面”。
我們建議，在用戶活躍期，促銷力度可以稍微低一點，以會員專享和積分兌換等方式，提醒會員福利；在用戶靜默期，促銷力度可以中等，以會員專屬優惠，全年微折扣優惠券等，增加客戶粘性；在用戶沉睡期，採用較高的促銷力度，以雙倍會員積分促銷，低門檻提升轉化，實現用戶叫醒，激活生命週期。在我們掌握足夠多用戶標籤化信息之後，對於用戶的消費偏好能夠大致把握住，就可以進行精準營銷的動作了。
圖/來自網絡
閱讀更多 小數據研究中心 的文章
