作為產品經理領導總讓我們挖掘用戶需求咋個挖掘法特別是手頭還沒什么數據最多只有一個用戶購貨記錄感覺挖不出東西本文對此系統解答一下做用戶需求挖掘上有很多很流行的無解今天也一并澄清

用戶需求挖掘的錯誤做法

這個段子很多人都聽過

一個小哥來五金店買釘子

買釘子是因為他想掛一幅畫

掛一幅畫是因為他很孤單

他很孤單因為他很想找女朋友

所以他真正的需求是個女朋友

應該給他介紹個女朋友

故事很好聽可卻是大錯特錯從業務上看一個五金店老板如果不想著怎么賣金屬器械而是研究牽線搭橋的話那小店離倒閉也就不遠了

從數據上看想不想找女朋友估計連自己七姑八姨都懶得說又怎么會輕易告訴陌生人況且他還是個賣鋼筋的這是個普遍的錯誤誤以為用戶需求挖掘非得挖到別人不知道的八卦奇聞才算有深度非得滿足很深層的需求才算是真需求

實際上只有極少數行業能如此深度的了解用戶能無限度的滿足用戶比如金融行業針對極高端客戶的私人服務或許能做到這一點分行行長親自開車送大客戶兒子上學也不是啥新鮮事但大部分企業業務范圍有限面對的是海量用戶因此不能脫離業務實際做太細膩深刻的挖掘無論是業務上還是數據上都做不到也沒有必要做到

所以用戶需求挖掘的本質是從有限的數據里篩選關鍵區分維度提升用戶響應概率我們要做的不是搞清楚每個用戶的每個層次的需求而是通過區分提高用戶響應概率識別核心用戶群體讓用戶對我們的業務響應率比閉著眼睛瞎做要高每高出來一個百分點都是數據分析師對企業的貢獻

用戶需求挖掘的五個步驟

第一步區分核心用戶

還拿五金店老板舉例在精力有限的情況下先抓住大客戶才是關鍵分類是很必要的

五金店的用戶分類可能是

第一等物業維修部裝修隊工地B2B類客戶

第二等裝修改水電維修的客戶B2C類大客戶

第三等偶爾買一個燈泡插座釘子的散客B2C類小客戶

問題在于當一個小哥進門五金店老板并不知道他到底是哪一類如果置之不理可能損失掉一個大生意但如果每個人都上來問一大堆問題估計會把客人嚇跑這里就開始了第一步的用戶需求挖掘挖掘的問題很簡單您想買點什么

第二步對業務分類

小哥回答我想要買釘子你聯想到了什么這個回答聽起來很簡單可透露了很多信息因為每一類業務可能有固定的商品組合和消費特點比如對五金店而言

工程類業務大量的鋼筋各種物料不會零散采購

水類改造水管扳手防水膠帶

電類改造電線開關插座

墻體維修水泥刷子油漆

物件維修釘子錘子鉆機

這叫業務強相關性即使不做關聯分析這些商品也是天生捆綁出現的并且根據業務規模大小有固定消費量做好事先業務分類非常重要當我們無法采集大量用戶信息的時候可以通過僅有的一點點購貨記錄利用業務相關性去推斷用戶需求

比如這里老板聽到小哥需要釘子可以很快推斷不是B類用戶和維修有關但是老板仍不知道小哥到底是C類大客戶還是散客還需要第二步挖掘問題也非常簡單您買釘子做什么

第三步抓關鍵信息

小哥回答我想要買釘子在墻上釘一副畫聽到這句你是不是馬上想到要說什么了是滴我們可以看到做好用戶分群和業務分類以后再做需求挖掘的時候是非常容易的

基于前邊的分類讀者們聽到釘一幅畫也能立即反映出來這是個散客價值不高釘子和錘子鉆機是高度關聯的有交叉銷售機會這里借助2個簡單的問題我們已經完成了抓關鍵信息

當然實際業務中傳統企業靠銷售導購業務員去抓關鍵信息互聯網企業靠埋點推送反映問卷瀏覽頻次等抓關鍵信息

第四步推送商品活動

現在有了假設我們可以嘗試驗證推一個商品活動試驗下這時候五金店老板就不會花大力氣去問小哥是不是想談戀愛而是說你需要釘畫的話用1寸小釘子比3寸的大釘子好看容易釘還不顯眼這樣就能鎖定小哥的需求比那些不理不睬的老板成功幾率高

同時還能做個交叉推薦你有錘子了嗎可以買個小鉆機比錘子省事修其他東西也能用如果推薦成功就能成功的把客單價從1塊錢提升到200塊也是小賺一筆

第五步驗證推送效果

有推送就有成功和失敗兩種可能因此需要驗證效果需求挖掘本質上是個概率問題需要通過數據驗證我們推送進而驗證我們選擇的挖掘維度挖掘方向是否正確對五金店老板而言這里有兩個維度要驗證

釘墻推薦1寸釘子假設基于用戶需求考慮更容易成交

釘墻的男性推薦風鉆假設男性喜歡機械有機會成功

這實際上已經是個小型ABtest了如果有一個數據可記錄的話老板會看到這兩個假設可能成立也可能失敗比如做了200組發現用戶根本不考慮美觀都是什么便宜買什么那以后的策略就是散客來了直接丟最便宜的東西給他

當然也有可能發現這個策略可行10單能交叉賣出3單鉆機那以后就按這個策略走到這里我們的需求挖掘結束我們找到了一個區分方向驗證了一個可提升成交的機會點從用戶買釘子挖出了鉆機的需求這么做可比天天琢磨小哥到底有沒有女朋友是喜歡蘿莉還是喜歡御姐要靠譜的多

雖然只是一個搞笑的例子實際上五金店老板才沒這個耐心五金店也沒有數據可以記錄但是它很形象的展示出了挖掘用戶需求的工作流程

區分用戶類型

區分業務類型

抓關鍵信息

推送商品活動

驗證推送效果

這套方法論事可以推廣到各個行業的特別是數據記錄較少的情況下注意這里先區分用戶還是先區分業務是有行業差異的一般傳統企業的業務類型比較固定傾向于先區分業務互聯網企業業務比較靈活甚至能無中生有創造新場景往往傾向于先區分用戶甚至有可能針對一個用戶不同場景做文章

但無論怎么做區分用戶與業務都是第一步預動作也是最重要的一步通過分類可以清晰后續挖掘的方向明確挖掘深度為驗證挖掘是否有用提供標準

所以這一步下邊會單獨拿出來講很多同學做用戶需求挖掘毫無頭緒都是因為缺少分類而很多同學陷于Abtest缺少整體判斷也是因為缺少分類

用戶業務區分的注意事項

一提用戶分類很多文章都扯RFM這是非常錯誤的并非所有的業務都需要高頻次消費也不是所有業務都累積高金額甚至有可能一個業務同村存在一次消費和高頻消費

如果從頻次和金額的角度來看常見的業務可以歸納如下

傳統企業的業務相對聚焦在業務分類相對容易比如房子分置業投資置業再分首次二次改善養老二次改善又有面積改善環境改善配套改善資源改善等若干家裝汽車貸款等等業務都有類似歸類法文字太多先不展開了每一種對應的用戶需求會很聚焦因此傳統企業的用戶需求挖掘沒有那么依賴大數據更多是類似五金店老板做好業務分類在前端銷售導購業務員做好關鍵信息采集

互聯網公司需特別注意一個平臺有可能同時融合多種業務這些業務看似相似可實際對應的用戶需求相關的業務完全不同如上圖紅圈所示一個訂票平臺對商旅客人可能就是高頻次高金額頻繁發生的事這時候可以用RFM來進一步細分

但對新婚游可能就是個很低頻的需求找的關聯業務就是酒店租車回程以后休閑地出趟國十幾二十天回來真的很累需要補假類似的電商平臺賣的同時有零食手機充值卡電視等等在挖需求的時候也要區分常見而不是一鍋燉了了事

用戶分群的具體操作內容太多需要單獨開一篇文章寫這篇已經3000字了怕大家讀著累

推送驗證的注意事項

做產品經理的同學往往和做數據的同學一起做ABtest的很多但做的很被動往往是業務拿著方案數據只是機械操作自己提假設自己進行驗證的能力差

這里關鍵是提假設很多同學對著交易數據沒感覺數據庫里評論需求瀏覽數據又太少這里舉個簡單的例子比如我們看到一個購物單我們可以大膽做假設

所以你看不需要特別多數據也能提假設當然不是所有假設都有必要投入ABtest我們可以先從數據上作區分比如從一個用戶身上發現的假設點先看是否該用戶有強烈的特征比如我們假設他是優惠驅動那么他參與優惠訂單n次優惠力度50的活動參與率X總之他得真的表現出對優惠有特別興趣再看是否有足夠數量用戶有類似特征如果用戶數量太少那即使是個機會點也不一定被業務所用如果符合以上兩點可以考慮提建議讓業務做方案上Abtest了

需求挖掘做到多深合適

看到上邊有的同學可能會問既然有這么多方向可以挖該從哪里挖起答從目前業務發展最緊迫的問題開始業務上需要

提升轉化率挖用戶首次購買的產品

提升客單價挖用戶交叉品類需求

提升交易金額挖重度用戶

提升復購率挖二次購貨需求

有明確目標指引的情況下更容易找到答案當然也有可能挖了一圈發現沒啥收貨數據上找不到機會點但至少也能反向證明花里胡哨的砸錢營銷沒啥屁用那也能指導運營做一些節省成本的工作也是功勞一件

以上就是挖用戶需求的基本思路大家可以看到它融合了用戶分群假設檢驗ABTest等具體工作是個綜合性很高的事同時也能看到它不是一蹴而就的而是需要大量基礎工作打底再結合大量的嘗試才能得到結論

挖用戶需求不是像路邊擺攤的算命師傅那樣銅錢一丟就無所不知了去粗取精去偽存真反復迭代逼近真相這才是產品經理利用有限數據做需求挖掘的價值所在

專欄作家

接地氣的陳老師接地氣學堂人人都是產品經理專欄作家資深咨詢顧問在互聯網金融快消零售耐用美容等15個行業有豐富數據相關經驗

本文原創發布于人人都是產品經理未經許可禁止轉載

題圖來自Unsplash基于CC0協議