网络营销数据解读（九）客户族群细分（Segmentation）2-2by MarsOcean on April 19, 2010 写了这么久，发现包括的内容越来越广了，下次修改的时候打算把题目改成“数据驱动的电子商务运营和网络营销”：）建议先阅读本系列其他文章： 网络营销数据解读（一）事情不是你看到的那样 网络营销数据解读（二）事情不是你看到的那样 网络营销数据解读（三）那又怎么样呢？ 网络营销数据解读（四）目标和指标 网络营销数据解读（五）完善指标 网络营销数据解读（六）自顶向下，逐步求精 网络营销数据解读（七）客户族群细分（Segmentation）1 网络营销数据解读（八）客户族群细分（Segmentation）2-1上次列了一些案例给大家讨论，这次来公布答案答案的意思并不是说“这些案例就是一定得用这些方法来解决”，而是用案例来说明这些概念和方法可能可以用在什么方面：）。大家不用拘泥于这些案例的细节，呵呵，反正都是我瞎编的。没有仔细去研究理论，完全从实践出发的话，我所用过的客户族群细分的方法主要有三种： 按照客户属性细分：根据客户”是谁“来划分族群，例如把客户分成”男客户“、”女客户“ 按照客户行为来细分：根据客户上网行为来细分，例如把客户分成”浏览服装专区的客户“和”浏览数码专区的客户 “。很多时候”根据客户行为“和”根据客户属性“这两者会混在一起，比如一个客户的行为是”每个月都来买一次东西而且只买最贵的“，可能我们就会在数据库 里给他标记上”有钱人”，之后“有钱人”就成了这个客户的属性之一。 按照最终结果来细分：其实是“按照客户行为来细分”的一种，但是它适用性非常广，而且用起来非常方便，所以单独拿出来讲一下。再次建议先看一下网络营销数据解读（八）客户族群细分（Segmentation）2-1，自己思考一下那些例子再看这篇文章，因为： 只有自己思考过才能记得住，光是看看很容易产生“显然是这样啊，太弱智了“的感想，然后看完就忘了。 数据驱动的电子商务和网络营销是非常年轻的概念，没有谁是所谓专家（我也在不断学习），我说的东西也只是一家之言，我相信这里的读者里有很多都有非常深厚的经验，如果能够从自己经验出发思考一下那些例子，分享一下自己的想法的话，对我和对其他读者都是很好的学习资源：）回到那些例子，我们一个个来聊。案例一网站销售4个大类的产品：家电，笔记本，日韩时尚女装（中低端），日用百货（卫生纸、零食），用户平均访问周期是一周一次，停留时间为5分钟，转化率0.8%，平均订单金额340元。之前已经说过不能光看“平均数”，这里不再细说了。从Segment角度来说，我们可以把用户按照浏览行为来细分为“家电组”、“笔记本组”、“女装组”和“百货 组”（相互重合，没有关系），然后再去看每个组的访问周期、停留时间、转化率、订单金额。可能会发现“笔记本组”的访问周期是每天一次（但是只维持一个 月）、每次平均停留3分钟（可能只是查一下价格），转化率0.05%，平均订单金额5000；而“日用百货组”的访问周期是每两周一次，平均每次停留半小 时，转化率4%，平均订单金额120。除了可以用”浏览“行为（这个可以用GA的Advanced Segmentation实现，其他高级工具例如Omniture, Coremetirs或者WebTrends也都有很简单的工具可以帮你做这样的细分；刚看了传漾（Disclosure: 和作者有合作关系）新系统的Demo，他们也提供自定义的Segment功能）来做细分之外，我们也可以用“购买品类”来细分，例如分成“家电采购者”、“笔记本采购者”这里面不变的一点是“根据用户活动所在产品品类来细分”，因为每个品类都有自己的特点，逛或者买某个品类产品的用户也有自己的特点，这些特点只有按照品类把客户区隔开之后才能看清楚，而只有看清楚之后我们才能开始考虑说有没有可能用这些数据来做进一步的优化。案例二网站销售笔记本，SONY笔记本最近越卖越好，上个月卖了700万销售额，比上个月猛增20%，而Lenovo只卖了 400万，比上个月还下降了5%。应该考虑给负责SONY笔记本的产品经理发奖金，顺便把心里面把管Lenovo那条线的那个家伙画个叉，以后有机会就干 掉他。首先可以考虑的是把“付费流量”和“免费流量”分开来看，付费流 量就是我们需要花钱的流量，包括硬广告、搜索引擎关键词、网站联盟广告等等，而免费流量则包括直接输入网址访问、自然搜索流量和免费的交换链接流量等等。 这个例子里面，可能我们看到SONY笔记本产品访问流量有一半是付费的，而Lenovo只有10%是付费的，而最终的转化里SONY有60%是付费流量产 生的，而Lenovo只有8%，这时我们要考虑的就是：为了创造这些流量和转化，我们分别花了多少钱，赚了多少（钱和用户），然后再比较。如果 SONY700万销售额只有30万毛利，但是花掉了25万市场经费，而Lenovo产生了30万毛利，只花掉5万市场经费，或许我们的结论会有不同。哪怕 外部的投放差不多，内部的资源（例如首页Banner、主推活动里的Featured Iteam位置）分配不均也可能是销售不平衡的原因，如果不细分看的话可能会得出不够成熟的结论。这其实是个很常见的现象：我们在考评绩效的时候，常常没有能够将其他支持部门对相应绩效的支持成本合 理的算进来。比如说我们考评产品经理绩效，可能就没有把他们每个人所消耗的营销资源算上，也可能没有把相应的仓储成本算上（有些货很容易签收和发货，有些 很麻烦例如要记录每个盒子SN号或者需要特别储存环境），还可能没有把对应的RMA费用算上（比如一个产品卖很好，但是卖100个有20个坏掉，18 个用户退换货），以后有机会写数据驱动的电子商务运营的时候再详细说。另外可以考虑的是竞争情报，我们在运营电子商务的时候，眼睛不能光盯着自己的一亩三分地光看每天卖了多少东西，还得看看周遭的局势。具体的做法如果有机会在这个系列的后面几篇再说，大家可以点击这里订阅www.MarsOpinion.com， 这样就不用总来看有没有更新。在我长时间不更新又看到流量上涨的时候总是觉得很愧疚，呵呵。言归正传，这里我们先不说外部的信息采集，光从内部数据出发， 我们怎么能够知道市场的波动呢？正如读者所说，可能是因为SONY推出了新款，所以大家关注SONY，所以它才卖得好，跟产品经理没什么关系。比较粗略 的，我们可以根据浏览行为来细分，看这个月浏览两个品类的消费者数量有没有重大变化，例如如果SONY产品线浏览量翻 了一番，Lenovo没变，我们可以合理猜测说可能有些大的市场波动影响了最终的销量。更精准一些。更进一步，如果我们发现说”SONY浏览组“的转化率 比”Lenovo浏览组“的转化率还低的话，甚至可以怀疑说是不是SONY的产品经理没做好，没能把天上掉下来的流量转化成订单。这个做法的优点是简单易 行，缺点是很粗略（SONY产品经理可以说正是因为他辛勤工作，才让大家愿意浏览他的产品）。复杂一点，我们可以根据站内搜索的关键词来分组，有条件的就做语义分析细分，没有条件的就简单的把品牌关键词和最热门的3款产品关键词拼到一起做一个组，然后从中看用户对于不同产品线的兴趣是不是有了重大变化。更复杂更合理的，当时是根据站外关键词来做同样的事情。案例三网站销售4个大类的产品：家电，笔记本，日韩时尚女装（中低端），日用百货（卫生纸、零食），我们做了一个详细分析， 发现我们60%的订单是15%的顾客产生的，我们一定要把这部分客户服务好。在这里我们的市场部根据客户价值（过去一年购物金额）把客户按分成了5 组：VIP顾客，高价值顾客，平均顾客，待发掘顾客和低价值顾客。以后我们的客户关系维护重点要放在VIP和高价值客户上，客服接到他们电话也要提供更周 到的服务。在做CRM的时候，一定不要吃大锅饭把整个网站所有用户往里丢。不同产品类别的消费者行为特征完全不同，放一起分析往往会得到扭曲的结论。这个例子 里，那所谓15%的高价值用户很可能就是买家电和笔记本的用户，最终的关系维护里可能会把买女装的用户完全忽略掉虽然她们可能是更有价值的用户。根据 购物品类来细分一下流量对于分析很有帮助。案例四新设计了一整套网站页面和购物流程，搞了个比较贵的付费工具来随机挑选顾客 展示给他看不同版本的页面，10%看新版，90%看旧版，结果发现新版的转化率比旧版高0.04%，鉴于消费者对新版还不熟悉，我们认为消费者熟悉之后新 版数据会更好也就是说新版应该完胜旧版，我们应该马上把旧版替换掉。对于网站设计和Landing Page设计来说，最常用的还是按照新老客户分组看效果，看老用户使用是不是顺畅、转化率是否下降厉害（就算是，我们可能心里面也会有一丝期待说这个只是暂时的，等他们习惯就好了），看新用户使用起来是否比之前的新用户要顺利，转化率是否改变（如果一段时间后新版转化还是低，我们就很难找到理由说情况会变好）。做到更细呢？还可以根据用户对网站的使用习惯来分组，例如将用户 分成“搜索组”（来网站总是用站内搜索找东西），“导航组”（总是用目录导航），“闲逛组”（总是点击首页产品），“促销组”（总是点击广告），然后分开 看每个组在新旧版下的表现，这样细分之后可能会发现说”新版整体超过旧版，但是因为搜索框不够明显，对于搜索组的同学们来说转化率反倒下降了“，于是我们 可以不仅仅得出结论说”新版更好“，而且能够找到进一步改进的方向”试试看放大了搜索框的新版是不是更好“。更好的是，这样子往往可以为公司（和实际 执行的员工）积累下更多的知识财富，我们不仅仅知道了这次应该用什么版式，而且可以记录下来说”XXX样式的搜索框会对搜索组用户产生XXX的影响”、 “XXX的目录可以对导航组的用户产生XXX的影响”以后再做的时候就能有一个更好的基础。案例五分析数据时发现我们有四种很典型的访客行为，一种会浏览14个产品页面，然后什么也不买另一种则直接搜索产品名称，然后马上购物；第三种会随机看5-15个页面，其中多个页面被反复访问，然后购物；最后一种是浏览5-15个页面，然后什么也不买。为什么会这样呢？这个例子还真是纯粹瞎编出来演示理论的，呵呵。还有一种分割用户的方法就是按照访问时间来分组，比如我觉得我的 网站用户都是白领，我觉得她们的网上行为模式可能和她们的上班模式有关，所以我把用户分成“工作日访问者“和”周末访问者“去仔细看数据，发现果然有不 同，周末访问者大多会随机看5-15个页面，然后有1%左右买东西，而工作日访问者的行为模式则更为复杂。我们可以再把他们细分成”9:00 18:00访问者“（如果还要细分，也可以考虑把中午休息时间再分一两个小时出来）和”工作日晚间访客“，如果我们发现说”9:00 18:00访问者“就是“会浏览14个产品页面，然后什么也不买”的那群，而”工作日晚间访客“就是“接搜索产品名称，然后马上购物”的那群，我们就能够 更容易对这些奇特的访问行为提出自己的假说：”她们都是在上班时浏览网站，瞎逛，看到好看的记下来，晚上下单“（这个假说是不是正确还需要实践检验，但是 至少我们有了一些基础），基于此，我们可以考虑的事情有：白天时是不是要放更多促销引导的活动？网站上的”收藏夹“功能是不是要加强？按钮要不要做更 大？”最近浏览过的商品“列表是不是要在晚上显示更大？很多东西可以想。看到这里，大家可能会想说”神啊，我怎么要想到还要用时间来分Segment啊，你又没提示的“。很 多时候确实就是这样，数据乱七八糟，我们也不知道要怎么分组才能看清它们，所以能做的几件事情是：1. 加深对业务的理解，多和一些员工聊天，多和消费者聊天；2. 多试，