如何搭建DMP分析体系?

DMP有三大核心业务模块:标签、人群、分析。我们之前介绍过《DMP系统之标签体系搭建》,《DMP系统之人群体系搭建》,今天我们来说下《DMP系统之分析体系搭建》。我将从以下3个部分进行阐述:分析模块的作用、构建分析体系、分析应用与呈现

如何搭建DMP分析体系?

01、分析模块的作用

我们通过“人群”模块可以精准定位到用户群,业务方可以对人群进行画像分析、活动精准触达和对外输出变现,而这三块最终都以“人群”全面分析得出达成一致的业务结论而结束。

所以,从产品完整性角度来说,分析模块是系统闭环的关键。

如何搭建DMP分析体系?

(图1:人群模块3大应用场景)

而从业务价值来说,分析的作用主要分为以下两块:

1. 检验活动效果

日常运营过程中,业务方会通过DMP系统进行精准圈人做活动,如果活动结果无法高效清晰地展示信息,系统业务价值则大打折扣。

所以,我们需要搭建完整的数据指标体系来衡量工作成果。比如:活动KPI达成率、人群目标符合程度等。

同时,业务方也可以通过分析模块发现问题,以便快速调整运营策略。

2. 挖掘增长价值

除了帮助快速发现问题,我们也希望能预测未来,挖掘出更多价值。

当我们采集下所有用户在任何时间、任何地点,发生的任何行为数据,然后进行数据处理(清洗、抽取和整合等),最后利用算法和模型进行预测分析。

那么,具体用户个人未来行为轨迹将大概率能够被预测到,既而驱动业务增长。

02、如何构建分析体系

新零售人,货,场角度出发,DMP的核心是对“人”进行分析,而“货”和“场”都需要围绕人发生的行为分析。

构建分析体系本质思维是“拆解”再“整合”。即通过拆解业务场景获取需要采集的数据,再基于采集的数据给用户赋予标签,最后基于业务场景搭建供各个业务方查看的分析维度。

如何搭建DMP分析体系?

(图2:构建分析体系的步骤)

1. 采集数据

在保证用户隐私的前提下,尽可能全的采集用户行为数据。

1)从哪里采集数据?

新零售的行为数据多而杂,需要从不同的源头终端进行采集,大致分为以下5类:

线上自有终端。e.g. App、H5等;

线下自有终端。e.g. 线下CPC、扫码购、自助收银机等;

社交传播渠道。e.g.微信公众号、微信小程序、企业微信、微博、抖音、支付宝等;

内部系统数据同步。e.g. 客服系统、社群管理系统、仓储配送系统等;

第三方销售渠道。e.g.天猫、京东、拼多多等。

2)采集哪些数据?

参考小学语文写作五要素:人物、时间、地点、事件、事件对象(物),数据也可以按照此五要素进行采集。采集的数据通常以客观事实数据为主。

一句话总结:某人在某个具体时间/地点下,针对某物产生具体某个(些)行为。

人物:某人是谁?相当于新零售“人”的概念。通常是用户的基础属性,一般不会随着时间发生变化。

姓名、性别、年龄、家庭/公司地址、用户兴趣等

使用手机号、唯一识别ID(device id、union id、open id、IMEI、手机号等,可用于定位并触达到该用户)、手机型号、系统类型、网络等

时间/地点:某人行为发生场景,相当于新零售“场”的概念。

场景作为人群事件发生特性,具有丰富性和多变性,通常很难全面定义。以下是新零售行业采集数据主要考虑的3个方向:

时间:记录用户行为发生的时间戳,基于时间戳后续可获得具体日期、年份、月份、星期X、618大促、春运期间、工作日/周末等时间类标签

物理地址:即用户的物理地址,一般以经度、纬度表示。经纬度具有唯一值,且可转化成中文地址名称。对于具备线上线下零售企业,基于用户地址后续又可以映射获取到用户所在门店,大区(东/南/西/北/中)等地理位置类标签

终端:即用户发生行为的终端。新零售基本上可划分为:APP、H5、小程序、线下门店(扫码购、自助收银机、CPC等)。对于精细化运营团队,还可记录页面上具体位置

事件:某人产生了某个(些)行为。即人在产品内主动/被动触发的动作,会随着时间发生变化。

决策行为:用户最感兴趣,付出成本最大的行为。e.g. 购买、下单;

主动行为:用户意图明确下产生的行为,量最大。e.g. 点击、加购、收藏、领券、用券、获得积分、兑换积分、搜索、关注、回复等;

被动(半主动)行为:用户意图较弱,价值一般。收到券、收到推送、广告/商品曝光、评论、分享等。

事件对象:某人行为发生的对象,相当于新零售“货”的概念

通常按照以下3类进行采集:

实物商品:采集商品ID、商品名称、售卖价、成本价、上架时间等。为了保证商品信息的全面性,具备条件的大型零售或者电商公司,还卷入卖家为平台商品打标签。除常见的品牌、品类(1/2/3/4级)外,还会基于商品特性聚合。比如:大小、品类特性(比如奶粉:脱脂/全脂)

虚拟商品:优惠券/代金券/购物卡等。通常会采集其ID、名称和有效期等;

特殊对象:关键词/广告位/订单等。通常会采集其ID、名称等。

2. 标签计算

采集到用户基础行为数据后,部分数据可以直接构建具备价值的分析表,比如:用户基础属性。但大部分数据,需要提炼加工成有意义的标签,才会产生价值。

通常分为以下3类标签:

1)平台赋予的识别ID,通常具备唯一性,且不随时间变化。e.g.会员卡号、积分码、uid码等;

2)平台赋予用户的身份属性,需要结合用户过去行为进行判断。具体划分规则需要根据业务情况和使用方式,进行不断调整和优化。e.g. 新客、老客、活跃/沉默/流失用户、高级/普通会员,母婴人群,白领人群等;

3)平台赋予用户的偏好属性,需要结合用户过去行为进行判断。打标需要根据业务情况,利用算法模型进行不断调整和优化,详情请查看下方表格。

3.搭建数据指标体系

基于采集好的数据和标签,结合业务目标及达成情况构建数据指标体系,并按照类型划分维度。

我根据所在的新零售行业,举例以下常用分析维度,需要根据实际公司性质和业务场景进行调整。

1)用户画像分析

基础事实信息和预测信息的集合,无活动时间概念。可用于对人群进行精细化洞察分析,通常用于帮助业务做决策,也是个性化推荐的前端应用。

e.g1. 人群性别/年龄/地域/人生阶段/兴趣爱好分布,使用手机型号分布

e.g2. 用户生命周期分布,新客来源渠道分布(新零售新客定义通常以首次购买为准)

e.g3. 品类/品牌/商品偏好top分布,偏好渠道分布

2)整体分析

通常为KPI相关指标。

e.g. 人群活动期间的ROI=增加销售额/增加活动投入、销售额、订单数、客单价、引入新客数、关注公众号人数等

3)行为分析

根据事件和事件对象的不同,主要区分以下4类分析:

人群BY品类/门店/品牌/商品购买分析。e.g. 人群在活动期间购买topx品类、购买topy品牌、购买topz商品、购买topw门店/省/市/大区、购买渠道,可支持按照销售额、订单数、购买人数、ROI排序

人群BY品类/门店/品牌/商品的非购买行为分析。e.g.人群在活动期间加购/点击/分享/评论topx品类、topy品牌、topz商品、topw门店/省/市/大区、可支持按照商品金额额、互动人数/次数排序

人群BY关键词的搜索行为分析。e.g.人群在活动期间搜索人数、搜索次数、归因成交订单数、归因成交金额,关于归因的解释可以查看part3部分

人群社交互动行为。e.g.人群在活动期间公众号回复关键词人/次数、关注公众号人数、关注来源分布等

4) 优惠券分析

人群BY优惠券领取使用分析。

e.g. 人群在活动期间关于指定优惠券的领取张数、使用张数、引入销售金额、引入购买订单数、引入购买商品数、ROI、券使用品类/品牌/商品/门店分布,可支持按照领取张数、使用张数排序。

5)用户增长分析

人群属性活动前后变化,一般跟用户运营KPI强相关。

e.g. 人群活动期间引入的新客数、引入关注公众号人数、引入的高级会员数、流失用户召回数、沉默用户唤醒数,用户生命周期前后分布等

6)积分分析

人群活动期间BY积分获得/兑换分析。

e.g. 人群活动期间获取积分数、兑换积分数、积分兑换奖品分布,可支持按照兑换次数、兑换人数排序

03、分析的呈现与应用

基于part2部分,已经完成了分析模块的基础搭建。

由于B端产品,主要目的是为了提效降本。所以,如何基于业务场景灵活清晰呈现给业务方成为DMP分析模块不可或缺的一部分。

1. 模型分析

1)漏斗分析

指定多个事件和指标组成漏斗节点,查看整体漏斗人群转化以及围绕漏斗路径节点下的人群分析

e.g1.以曝光-点击-加购-下单-购买为节点,可按照人数/次数呈现漏斗转化,并支持查看漏斗节点人群part2的表现情况

e.g2.以领券-用券为节点,可按照人数/张数呈现漏斗转化,并支持查看节点人群part2的表现情况

2)归因模型分析

指定发生非直接购买事件人群为对象,将其发生的购买成交归因成该事件成交

e.g. 搜索行为本身不能带来成交,但通过程序赋予搜索过指定关键词,且在其响应搜索结果页发生过加车行为的人群24h内成交即算搜索该关键词带来的成交。同样的形式可用于广告位成交归因分析。

3)交叉对比分析

指定1个人群在不同时间段指定指标对比分析,或者多个人群在同一个时间段指定指标对比分析。

某个人群在不同时间段指定指标对比分析。e.g1. 分析母婴人群在618和双11期间,用户画像具体差异

设定某个人群指定指标KPI值,查看活动期间的完成度。e.g2.设定人群618期间的ROI为1.3,活动结束后ROI为1.2,则KPI完成度92.3%

多个人群在同一个时间段指定指标对比分析。e.g3. 将新客分成3组人群分别进行灌券、短信触达和不做任何动作,对比3组人群7日内购买转化

2.数据可视化

为了让业务快速发现问题,可支持通过自定义指标搭建可视化报表,打造业务团队自主自助分析。

数据可视化呈现形式,典型的有:表格、折线图、柱状图、环形图、饼图、漏斗图等。

而新零售分析场景较为复杂,通常需要多种图组合分析,并实现图形之间的交互联动。

e.g1. 分析人群A线下门店购买路径转化。如下图所示,通过左侧漏斗转化可知道人群人数在“店外-店内-购买-高净值”节点转化情况,选择指定节点,如“店内人数”,在右侧可呈现该节点人群画像分布

(图3:数据分析可视化案例)

写在最后

上是咩咩基于自己所在新零售行业,整理关于【DMP系统之分析体系】搭建的思考,希望能给同行路上的你些许帮助与启发。下一篇我会重点介绍【DMP系统之权限管理体系】搭建思考。

愿你我在产品汪道路上,做些真正有意义和价值的事情。

本文由 新媒体之家 作者: 咩咩随手记 发表,其版权均为原作者所有,文章内容系作者个人观点,不代表 新媒体之家 对观点赞同或支持,未经许可,请勿转载,题图来自Unsplash,基于CC0协议。
0

发表评论