大數據應用于市場與用戶研究_數據分析師

傳統的用戶研究包括品牌研究、客戶滿意度研究、商圈研究、市場細分、渠道研究、產品定價研究以及產品測試，這些研究大多數用市場調研的方法來實現。市場調研由于調研方法帶來的諸多問題，導致結果的代表性、準確性以及研究的效率都存在不同程度的挑戰。我們相信，隨著大數據的發展，大數據將對市場與用戶研究方法帶來革命性的變化。本文將介紹大數據目前在市場與用戶研究方面的應用與探索。

一、大數據用于品牌研究

?品牌認知度、品牌形象和品牌滿意度研究是品牌研究的三大重要部分。

?品牌認知度是品牌資產的重要組成部分，品牌認知度是衡量消費者對品牌內涵及價值的認識和理解度的標準，同時也是公司競爭力的一種體現。

?而品牌形象是品牌在公眾心中所表現出的個性特征，它體現公眾特別是消費者對品牌的評價與認知，以及對品牌所具有的一切聯想。品牌形象分為三個層級的形象：產品或服務本身的形象、使用者的形象、產品或提供者的形象。

?品牌滿意度是消費者通過對一個品牌產品或服務的可感知效果與對比預期相比較后，所形成的愉悅或失望的狀態，可以不滿意、滿意、滿足、愉悅等四種情緒，一個擁有高滿意度的品牌，其顧客的購買率及重復購買率也在相應提升，因此品牌滿意度的研究也非常重要。

在傳統的市場研究中，品牌認知、品牌形象和品牌滿意度研究是通過市場調查的手段來實現。在大數據時代，我們可以利用互聯網大數據輔助品牌認知度、品牌形象和品牌滿意度研究。 我們可以通過網絡爬蟲技術，對新聞媒體、社會化媒體等網站實時全網監測，實時掌握網民對品牌和競品的品牌提及量、產品提及量以及提及量的趨勢，掌握自己品牌和競爭的品牌形象評價；通過品牌和產品的正負面評論的監測，及時了解對品牌消費者對品牌的滿意度情況，及時發現問題。過去，進行品牌認知度、品牌形象以及品牌滿意度的市場調研，從調查開始到報告產生，至少需要半個月到一個月，而且由于成本和操作性的限制，只能選取一些代表性的人群和地點做代表性的抽樣不夠全面。利用大數據手段，我們可以實現更快更全面以及更真實的統計，這對我們及時的了解品牌認知度、品牌形象以及品牌滿意度的現狀和趨勢非常有幫助。

二、大數據用于忠誠度研究

凈推薦值研究方法是客戶忠誠度研究中的重要方法。凈推薦值（NPS）研究方法由國際知名咨詢公司貝恩咨詢客戶忠誠度業務的創始人佛瑞德·賴克霍徳（Fred Reichheld）在2003《哈佛大學商業評論》文章“你需要致力于增長的一個數字”的文章中首次提到。該方法通過調查客戶問題“您有多大可能向您的朋友或同事推薦我們公司的產品或服務？（ 0-10分）”來獲得，根據客戶的回答分數分成三組：

?第一組給公司9分或10分，稱之為“推薦者”(promoters)；他們是對公司產品或服務滿意度和忠誠度非常高的客戶，在當今社會化媒體營銷時代，他們是公司產品或服務免費營銷人員，他們會推薦朋友和親人來購買。

?第二組給公司7分或8分，為“被動滿意者”(passively satisfied)；他們對公司產品或服務既無不滿意，也無滿意的客戶，較易被其他競爭者吸引。

?第三組給0至6分，是“貶損者”(detractors)。他們對公司的產品或服務非常不滿意，不僅僅停止購買公司的產品或服務，他們會盡一切可能勸周圍的人不要買，同時會轉向其他競爭者。

NPS值即為推薦者所占百分比與貶低者所占百分比的差值（如下圖）。NPS的業務邏輯是：推薦者會繼續購買并且推薦給其他人來加速你的成長，而貶損者則能破壞你的名聲，不僅僅停止購買，而且勸說周圍朋友購買，讓你在負面的口碑中阻止成長，NPS則是反映了這兩股力量較量的結果。Fred Reichheld實證研究證明NPS和長期利潤成長有正相關性，NPS表現越好，未來企業利潤的成長就會越好。

圖：NPS計算方法

　　大家可能會問，NPS分數在多少為比較理想的狀態。實證研究表明，NPS分數在NPS的得分值在50%以上被認為是表現不錯，得分值在70－80%之間則證明公司擁有一批高忠誠度的好客戶（如蘋果、Google等互聯網公司的NPS超過70%），大部分公司的NPS值在5－10%之間，更差的公司NPS還可能是負值。當然，我們僅了解NPS是不夠的，NPS本身不能提供具體的改進意見，我們還需要結合影響滿意度的原因深入研究，尤其是對貶損者指標進行深入的滿意度研究，挖掘“貶損”背后的原因。

大數據技術革新傳統NPS研究方式。大部分NPS的研究其數據獲取方式都采用調查問卷的方式，這種方式很容易受到抽樣方式、客戶心態甚至活動禮品等多方面的影響，導致數據失真。在大數據時代，NPS的數據可以來源于客服系統的語音數據和評價文本數據、電商平臺購物用戶的打分及用戶評論文本數據以及社會化媒體如微博、論壇等的評論文本數據，這些數據我們都稱之為“用戶反饋數據”。 我們可以利用語音分析技術、文本分析技術將這些非結構化的“用戶反饋數據”結構化，從而更好的進行數據挖掘，識別“貶損者”和“推薦者”，全面和快速的計算 NPS，并可以利用這些大數據，了解“貶損者”的“貶損”的原因。如果還能夠把業務系統和運營系統的“用戶行為數據”關聯整合進來，我們不僅僅通過“用戶反饋數據”了解用戶“貶損”原因，還可以了解“貶損者”的歷史“用戶行為數據，將更有利于我們更好的洞察用戶，更全面、更及時優化“貶損者”的用戶體驗和改進方向；同時可以定向為“推薦者”展開更多的優惠促銷或者附加增值服務。通過大數據手段可以更好的實時掌握NPS，還可以洞察NPS“推薦”或“貶損”的原因，為市場推廣、客戶服務、業務運營等部門的關鍵應用場景提供決策支撐，有利于進一步提升用戶親密度和忠誠度。

三、大數據用于市場細分

市場細分是按照消費者在市場需求、購買動機、購買行為和購買能力方面的差異，運用系統方法將整體市場即全部顧客和潛在顧客劃分為數個不同的消費者群（子市場），以便選擇確定自己的目標市場。市場細分的基礎是購買者對產品需求的差異性。但是，這種差異性一般很難直接度量，故常用其它比較容易度量以及和需求密切相關的變量來對市場進行細分。這些變量包括地理、人口統計學屬性、行為以及消費心態等變量：地理細分是將市場劃分為不同的區域市場，例如可按下列地理特征將市場細分：行政區劃、城市規模、資源狀況和氣候；人口統計學細分人口統計變量來細分市場，常用來細分市場的人口學變量有年齡、性別、民族、居住地、家庭規模與生命周期等；行為和態度細分是根據消費者對產品的購買動機、購買行為和使用情況來細分；心理細分是按消費者的社會階層、生活方式、人格特征劃分為不同的群體。市場細分既可以按照以上單維度細分，也可以組合以上維度進行多重標準細分，同時按照多重標準可以將消費者分為比較小的、同質性更高的群體。

區別于傳統的市場細分，大數據應用于市場細分在以下方面起到更為重要的作用：

?數據采集的維度更為全面，數據采集更為實時，尤其是在行為數據的采集更為及時、細膩和全方位；

?用大數據算法進行細分模型建模，可以吸納更多的細分維度，從而可以細分出更小、同質性更高的細分群體；

?數據更新更快，計算速度更快，市場細分模型更新速度更快，更能及時反映用戶需求的變化，從而可以做出更準確、及時細分；

市場細分可以和營銷渠道、營銷活動進行實時關聯和調優，通過大數據算法判定的細分群體可以實時的進行最有效營銷活動推薦，并可以用大數據計算最為有效推廣渠道觸達這些細分群體。

四、大數據用于產品測試

產品測試指的是企業運用專業的技術手段和研究方法進行以獲得目標消費者（或用戶）對相關產品的認知或評價，以測試新產品的接受度或改進現有產品。產品測試在產品的各生命周期均有應用：

?在產品的開發期，產品處于研發和概念階段，此時可以對已有產品進行測試，以了解消費者認為需要改進的方面；或者對尚未成型的產品進行概念性的測試，指導產品經理對正在開放的產品做調整和改進；

?在產品介紹期，產品準備投放市場以及剛剛投放市場不久，企業可以通過產品測試以了解最有效的銷售渠道和促銷方式，以及對產品的包裝、價格進行測試；

?在產品的成長期和成熟期，企業可以通過自身產品和競爭產品進行對比測試，及時掌握消費者（或用戶）對產品的評價和態度；

?在產品的衰退期，為了延長產品生命周期，企業會進行產品的改進或者產品新方向的測試。

以上不同階段的產品測試，傳統的實施方法一般是通過市場調查方式來實現，通常是對消費者（或用戶）進行調查或者訪問，利用多種訪問或調查工具來實現。 在大數據和互聯網時代，我們可以用更快和更為準確的方式來進行產品測試：

在產品的開發期，我們可以通過電商平臺或者微博、論壇等社會化媒體對現有產品的網上評論進行收集，通過自然語言處理和數據挖掘手段，以了解消費者的不滿和產品改進方向；或者灰度測試來了解新版本的效果，即讓一部分用戶繼續用老版本，一部分用戶開始用新版本，如果用戶對新版本沒有什么反對意見，那么逐步擴大范圍，把所有用戶都遷移到新版本上面來?；叶葴y試和發布可以保證整體產品系統的穩定，在初始灰度的時候就可以發現、調整問題。在產品的介紹期，產品的包裝、外觀設計和價格等也可以通過灰度測試和發布的方式來掌握消費者的反饋以進行相關的調優。在產品的成長期和成熟期，我們同樣可以通過大數據手段對電商平臺和社會化媒體收集消費者對自身產品和競爭產品的評論，通過自然語言處理和數據挖掘掌握消費者對產品的不滿，以改進我們自己的產品。像寶潔這種對傳統市場調查非常重視的企業，目前已經逐漸開始利用大數據方式進行產品測試，尤其是通過電商平臺對每一個產品都能收集評價和反饋，幫助產品的改進和創新。

五、大數據與商圈研究以及空間商業智能

商圈是指商店以其所在地點為中心沿著一定的方向和距離擴展所能吸引顧客的范圍。按照離商店的距離，商圈分為三層，包括核心商圈，次級商圈和邊緣商圈。核心商圈是離商店最近，顧客密度最高，約占商店顧客的55%－70%；次級商圈是指位于核心商圈外圍的商圈，顧客分布較為分散，約占商店顧客的15-20%；邊緣商圈是于商圈的最外緣，包含商圈剩下的客戶，此商圈顧客最為分散，數量最少。按照商圈的性質，商圈可以分為六大類，包括：（1）商業區，商業集中的地區；（2）住宅區，住宅區住戶數量至少1000戶以上；（3）文教區，其附近有一所或以上的學校；（4）辦公區，辦公大樓較多的地區；（5）工業區，即工廠較多的地區；（6）混合區，以上5類的混合，如住商混合、住教混合、工商混合等。

影響商圈的因素可以分為內部因素和外部因素。內部因素包括：

?店鋪經營商品的種類。經營傳統商品、日常用品的店鋪吸引顧客的區域范圍較小，商圈范圍??；經營非常用品，吸引顧客的能力強，商圈范圍廣。

?店鋪的經營規模。隨著店鋪經營規模的擴大，其商圈也在隨之擴大，但增大到一定規模時，商圈范圍也不會擴大；

?店鋪的經營特征。經營同類商品的兩個店鋪即便同處一地的同一條街道，其對顧客的吸引力也會有所不同，相應的商圈規模也不一樣。經營靈活、商品齊全、服務周到，在顧客中留有良好形象的店鋪，顧客競爭力強，自然商圈規模相對也會較其他同行業店鋪大；

?店鋪的主體設計，包括店鋪所在樓層構成及配置，吸引顧客的設施狀況，如停車場停車位的多少以及其所處位置等。

影響商圈的外部因素包括：

?店鋪的促銷手段。利用人員推銷與營業推廣活動等可以吸引更多的次級以及邊緣商圈的顧客，可以更好擴張商圈范圍；

?競爭店鋪的位置。相互競爭的兩店之間距離越大，它們各自的商圈也越大。如潛在顧客居于兩家同行業店鋪之間，各自店鋪分別會吸引一部分潛在顧客，造成客流分散，商圈都會因此而縮小。但有些相互競爭的店鋪毗鄰而設，顧客因有較多的比較、選擇機會而被吸引過來，則商圈反而會因競爭而擴大；

?人口流動性。人口流動是指在交通要道、繁華商業區、公共場所過往的人口。一個地區的流動人口越多，在這一地區經營的店鋪的潛在顧客就越多。

?交通地理狀況。交通地理條件與商圈規模密切相關。在商業繁華地帶，交通條件發達，人口流動性強，有大量的潛在顧客，因而商圈范圍也就越大；反之，店鋪設在交通偏僻地區，顧客主要是分布在店鋪附近的居住人口，其商圈范圍一般較小。

?人口統計學特征和消費特征。包括商圈的客戶性別、年齡、收入、家庭規模、消費支出能力等。

基于商圈的地理信息和數據挖掘可以應用于商鋪選址、銷售區域分配、物流配送路徑優化、潛在消費者空間分布、線下廣告投放優化、城市規劃等數據可以通過大數據的手段進行獲取。在這些應用中，商鋪選址應用最多，尤其是應用于銀行、快消、電信、醫藥、家具等行業。

傳統的商圈相關信息獲取是通過市場調查的手段獲得。在大數據時代，商圈相關的位置、客流和消費者信息是可以通過大數據獲取的，尤其是通過電信運營商或具有地圖服務能力的互聯網企業。如中國聯通推出的商鋪選址大數據應用服務，中國聯通可以把城市區域進行柵格化處理，分析每個柵格（不同位置）的用戶群信息、客流信息等，為零售商進行店鋪選址的決策依據，并且已經成功的應用到煙草直營零售終端的分析和選址優化中。而國內的一些城市的相關企業也在啟動智慧商圈的基礎服務。他們借助為公眾提供免費WiFi服務的同時，把商圈人流數據收集成為城市大數據，建立智慧商圈大數據分析平臺和應用服務，通過智慧商圈服務數據分析平臺的應用服務于城市管理，比如了解商圈人流、客流，為城市規劃和交通線路設計提供依據和參考，也可以為商家選址和廣告促銷提供依據。在國外，一家名為PiinPoint的企業，他們提供基于網絡的分析工具，可以幫助企業和商鋪選址進行優化，它能夠收集各種數據，包括人口、稅率、交通信息和房產信息等，對不同的待選地址進行深度分析，并吸引了許多有擴張計劃的美國零售商。

對于大數據與商圈信息的結合研究，無論是工業界還是學術界都在積極探索，甚至這些研究發展已經逐步發展為空間商業智能的探索。美國密西根大學中國信息研究中心主任鮑曙明是這樣界定的空間商業智能：空間商業智能是商業智能服務的一種擴展，涉及到空間和網點的分布，周邊的人口、環境、地理等等之間的關系。大數據、移動技術以及云計算是未來發展趨勢，如何將這些新技術和空間商業智能有機整合，提升應用的能力，并將地理智慧普及到更廣泛的商業領域，目前還處于探索階段，還需要業界同仁共同努力。

近兩年興起的室內定位技術ibeacon將會對空間商業智能的發展有著更為積極的促進作用。iBeacon是蘋果公司2013年9月發布的移動設備用OS（iOS7）上配備的新功能，通過軟件和硬件的結合，從而大大提高室內精度，從原來的幾百米或者幾十米的定位精度提高到一米以內的定位精度。這種能力將極大的強化購物體驗，如當客戶走到某個商品前，手機應用自動跳出商品的介紹和促銷信息。對于商家，也可以更加精準的判別潛在消費者，及時的向消費者進行精準營銷。隨著iBeacon的發展，商家位置信息將更為精準，線下商品信息更為豐富，尤其是極大彌補室內定位的數據源，這對空間商業智能的發展是極大的利好。

總之，大數據應用于市場和用戶研究仍仍處于探索階段，依然面臨著諸多的挑戰，尤其是數據采集的不全面的問題、數據質量的問題以及數據處理和分析技術有待加強尤其是非結構化數據的處理和分析技術。但我們不可否認的是， 大數據應用與市場和用戶研究將帶來研究速度和效率的極大提升。隨著大數據相關技術的發展和成熟，我們有理由相信，利用大數據進行更好的市場洞察和用戶洞察洞察。市場與用戶研究的同仁，我們一起擁抱大數據吧。