现在都流行讲大数据，但对于大部分人来说，会觉得那是个很复杂很难研究的事物。其实并不是，对于我们这些用户运营者来说，其实已经可以利用大数据的简单应用来帮助我们做好精准化的营销了。尤其是利用大数据做商品偏好分析，从而对用户进行精准推荐。
一、商品偏好数据在行业的简单应用
当你逛淘宝、美团点外卖、刷抖音视频的时候，有没有发现，每次一打开这些应用大概率出现的都会是你会感兴趣，或者是你曾浏览过的相关内容：
例：你在一家线上店铺买了一根鱼竿，然后在其他地方逛的时候，就会给你推送相关的鱼钩，渔夫帽，遮阳伞等商品。
这就是用户需求/偏好数据的应用。知道用户需要或者喜欢什么，对其做精准推送，提升转化。
现在，用户商品偏好分析的数据，已经应用在非常多的行业及场景。
二、大数据做商品偏好分析的价值
对于单个企业、店铺来说，在流量达到一定瓶颈时，老用户的转化留存，就显得非常重要，不然辛苦建立起来的用户池就像一个大漏勺，在快速流失。
那么，做好用户商品偏好分析，具体有哪些价值呢？
1. 提升用户留存，减少流失
利用老用户池，对老用户做商品偏好分析，挖掘其需求，推断其感兴趣的商品，并将其感兴趣的商品推送给他。当你这里可持续满足用户需求时，用户对你的忠诚度自然会加深，可有效提升复购率，减少用户流失。
2. 节约推广成本，提升转化率
很多商家去做流量推广（钻展/直通车等）时，会出现转化率越来越低的情况，推广费用越来越高，而所带来的用户价值却越来越低。
这是为什么呢？
在内容电商的环境下，用户在购买商品的时候，并没有处在“我一定要购物”的强心态和场景下，而是更像一个喜欢热闹的看客。例如：很多人喜欢悠闲地看着美妆达人直播，浏览着那些自己没强烈需求的商品和信息，此时的用户虽然有一定潜在需求，但更多的是像一个看客
在用户浏览时，相比较各种五花八门的商品，如果你能将用户很感兴趣的商品推送在他眼前，将”看客“转化成“消费者”则会大幅提升其转化，提升推广ROI。
3. 个性化推荐，创造更多价值
个性化推荐能够在用户购买过程中/过程后，向用户提供其他有价值或关联的商品推荐。如买手机可推荐其关联商品：移动电源、耳机、手机壳等，而关联推荐的商品，则正是用户自己确实需要但在购买过程中没有想到的商品，从而有效提高商品的交叉销售。
三、如何利用大数据做商品偏好分析
做商品偏好的分析及应用，核心有5大步骤：
小结：通过存量用户的行为结果，倒推用户的需求偏好，通过不同人群需求偏好的集合归纳，及人群需求延展，推荐其可能感兴趣的信息。
再通过多次测试看效果来迭代，针对单人的特殊个性化需求，对给单人推荐的信息做补充。同时若单人需求偏好有较多的个性化信息，也会补充进人群包的需求中，以此实现不断的完善和迭代。
以上是商品偏好分析的整个逻辑，接下来，我们以一家电商彩妆店为例，讲述下如何去做商品偏好分析及应用。
四、案例实操：美妆品牌
背景：某美妆品牌的一次聚划算活动，打算对老用户做精准营销触达。
1. 从多维度构建不同商品的用户画像
要做商品偏好分析，首先一定要有用户基础分群，最常用的就是基于用户购买信息分群。
如下图所示，根据“购买数据”‘地址数据’“使用数据”“行为数据”我们将人群分为了16组初级人群画像：
分析思路：
如上图，这个画像是比较简单的，仅从这种单一的人群画像想要去判定用户的偏好，还比较粗糙的，例如购买了口红的人群，她有口红颜色收藏癖吗？是更注重口红的滋润度还是颜色，还是产品的价格？这些问题，仅从一个“购买了口红的人群”这样单一的人群画像，我们无法得知。
所以，接下来，我们需要通过用户画像做多重交集，将人群画像描绘的更清晰,对用户需求的判定也就更精准。
2. 基于用户画像交集，反推人群需求
商品偏好分析，是通过尽可能多的维度回溯用户的画像，塑造成一个个虚拟的人物。所以光基础分群不够，还要尽可能多的评估维度。
如下图，我们将用户分群划分成了”购买数据、地址数据、使用数据、行为数据“等4个维度，将这4个维度的人群，做交集，得到更精准的人群画像，进而反推用户需求。
分析说明：
- 如上图，将2个1级人群画像：购买数据与使用数据做交集，得出了一个2级人群画像，然后根据人群画像，反推出了这个人群包的需求；
- 表格里面，只是将类别做了2组交集，当然了，为了更精准的判定用户的需求，将购买数据、地址数据、使用数据、行为数据做4重交叉后，对该组人群画像描绘越清晰，反推的需求越准确；
- 匹配的需求是根据以上分析的数据得来的，此需求需要后续的验证。如果能抓取到用户的行为数据、标签数据越多，越准确，所反推出的需求就越精准！
3. 根据人群画像需求，匹配沟通内容
得出2级人群画像并反推出其需求后，接下来，需根据反推出来的需求，匹配与用户沟通的信息，如下表所示：
经过层层的拆解，组合，反推，以及匹配，我们知晓了与用户沟通的内容，接下来就是对用户的触达。
4. 对目标用户的精准内容触达
用户触达的过程中，如果条件允许，可以做分组测试。
例如，我们根据一组人群画像，反推除了这个组人群3种需求，那么，如果单次的触达是短信，一般会受到文字的限制，也考虑到用户体验，一次不会推送太多信息。所以针对反推出来的3个需求，我们也不确定哪个需求是最准确的。
这时，我们可以做分组测试：
5. 根据营销效果，优化人群画像
前期通过多组人群画像的交集，我们得出一个较为清晰的人群画像，也根据画像特点，反推出了这组用户的需求，并对用户推送了相关信息，下一步就是需要对各组人群效果做统计与分析，验证前期反推出的需求是否正确，根据数据不断优化人群画像。
分析思路：
（1）从上图中，可以看到，人群1，反推用户需求时，推断用户有2个需求，在不确定哪个需求更精准的群聊下，我们做了分组测试，从“下单转化率”这个指标中，可以看到给同利益点“5元优惠券”条件下，给这组用户推送润唇膏的转化率更高。所以，对这组人群画面的描述可以加速“相比滋润型口红更喜欢滋润型唇膜”。
对于只分析出单个需求的，可以抽取小部分做空白对照组，看效果对比。
所以，在做用户商品偏好分析时，需要根据所掌握的标签信息和效果数据的结果，不断优化人群画像，最终形成典型人群画像，在后续对这类用户的分析，以及商品推荐时，也就更得心应手了~
以上的案例，是从一个比较完整但简单的思维，告诉大家如何去做商品偏好的分析以及分析的数据应用场景。
用户商品偏好分析的数据应用场景，可不仅仅就是给用户发短信推送用户喜欢的商品哦，其应用场景非常广。这里用一个趣味小视频告诉你，用户商品偏好分析到底有多强大！希望也能激发大家的灵感！
当然了，对于电商店铺，商品偏好数据的常用应用场景还有千人千面首页、专属二级页、、流失用户召回、关联商品推荐等。
具体的大家还需要结合实际情况，去发挥及使用，相信一定会有收获！
五、所以思考
看完以上内容，对于商品偏好数据的应用相应大家也有了一定的想法，再给大家所以一下，两个层次的应用：
1. 浅层商品偏好数据应用：同类商品推荐
这种同类商品推荐的应用最为常见，例如你买了洗发水，就会给你推荐护发素，还可以结合行为数据、订单数据等做更精准的推送。它的好处在于就算获取的用户数据比较浅或者少，但是也可以快速上手，应用起来。
2. 深层商品偏好数据应用：关联商品推荐
这里说的深层次关联商品推荐，区别于同类商品推荐，它更注重挖掘用户深层次的需求。核心主要是通过用户数据回溯形成一个虚拟的人，人的需求是多种多样的，但一定会有其偏好，我们就可以洞察其偏好，预先在其视野中准备信息曝光。
经典案例：
尿不湿与啤酒的故事：有家超市，通过大数据的应用分析，发现有一群喜欢喝啤酒看比赛的奶爸下班后来买尿不湿，所以超市大胆的把尿不湿和啤酒放摆放在一起，结果啤酒和纸尿裤的销量都有提升。
上过营销课的童靴应该听过这个故事，姑且不论这个案例的可信度，但他所传递的核心是挖掘用户商品偏好的思维以及应用，将这种思维，运用在线上企业，也是一样的逻辑。
展开全文
