激情总合网,91在线亚洲,成年人一级片

個性化營銷，有哪些坑是千萬不能踩的？

于曉

2019-06-19 10:40:59

[ 導讀 ] 個性營銷的實質是選取20%的用戶去貢獻80%的銷售轉化。

"沒有哪一家公司具有全面的資源和技術平臺。品牌商要積極尋找適合自己的資源，并且串聯起來為自己服務。企業學會運用第三方技術和數據資源會成為一種核心競爭力。"

在技術主導的今天，個性化營銷不再是奢侈品。數據庫技術被各行業使用，也走進了中小企業，成為推動收入和贏得市場份額的重要手段。研究表明相關的用戶溝通可以創造持久的忠誠度，并推動收入增長10％至30％。

個性化營銷的思維是把每個用戶當作個人來進行溝通，期望因此能夠改善用戶體驗，推動銷售收入。個性營銷是對某一類用戶的營銷。用戶分類是一個相對的概念，可以是某一群用戶，也可以具體到某一個人。

如何描述某一類用戶的特征呢？在過去，用戶屬性和心理屬性分類是最常見的描述方法。屬性分類和心理分類數據來源于“手工”收集的問卷數據，只能在宏觀的層面描述用戶，不能滿足更高程度的個性化營銷的需求。大數據基于用戶的行為，其豐富程度和實效性是以前不能想象的。受眾分類變得越來越動態，越來越細，到了以個人為分類標準的“粉碎”化程度，定義用戶的方式從“分類”走向“粉碎”。“用戶標簽”，“千人千面”，“動態創意”等成為網紅詞匯。個性化營銷有必要需要重新去理解，跟上時代的步伐。

從筆者服務客戶的經驗看來，品牌商應用個性化營銷的效果是幾家歡喜幾家愁。雖然個性化帶來了好處，但如果營銷人員弄錯了，也需要付出代價，而且失敗的成本是相當高。效果不好的重要原因是企業還在沿用過去的思維方式去理解個性化營銷，這就容易闖入“營銷誤區”。本文試圖總結個性化營銷常見的誤區。

誤區1：選人OR選媒介？

大眾營銷時代，受眾是根據屬性分類等粗獷的方法界定的，個性化的首要任務在溝通層面。但在大數據時代，確定誰是受眾是營銷的首要問題。

市場上所有的人都可以是受眾，受眾之間差別是購買產品的可能性。有的受眾不看廣告也會買你的產品，有的看再多次廣告也不會買，所以給這兩種用戶做銷售廣告都是浪費。

假設市場上一共有200個潛在用戶，而且你能算出其中一組100個用戶購買產品的可能性為70%，另一組的100個用戶可能性為30%。營銷預算只允許你展示100次廣告，你會怎么辦呢？自然的做法就是對可能性高的100個人去分別展示一次廣告，完全放棄另外一組用戶。所以營銷的重要的問題是如何挑選出那100個可能性更大的用戶。

個性化營銷是針對最可能對你廣告有回應的一群用戶。至于是否需要對這群人“千人千面“地溝通，是個次要的問題。即使是廣告內容單一的傳統廣告也一直在說要針對不同的人群做廣告，可以看出選人的重要性。但傳統時代選用戶要通過媒介。品牌商先要看媒介吸引什么樣的用戶，然后去購買媒介。如果是戶外或樓宇廣告，就要看周邊人流特征。數字媒體中按內容分類的垂直媒體，比如汽車專欄，具有一定的人群精準性。但按照媒介特點去選受眾畢竟是間接的，所以精準性很有限。

收益于大數據工具，如今廣告主可以先選用戶，再選傳播媒介，實現按“人”投放廣告的目的。做法是當一個人訪問媒體的時候，品牌商會用數據判斷這個用戶是否達到自己選擇的標準。如果不是，就不投廣告。有了這樣的目標人群后，品牌商就有更大的選擇媒介渠道的自由。

當今盛行的語音識別、人臉識別、文本識別技術，和機器深度學習，把用戶識別能力推上另一個臺階。此外，品牌商還能得益于數據整合能力，運用第3方數據資源來提升選擇用戶的能力。某酒店品牌要提升網上的訂房率。過去是依靠媒體投放和轉化數據去判斷人群，數據標簽上是有限的。如今這個客戶可以用其他數據源，包含線下數據、語音文本數據等等去“撞庫”，就能讓用戶的畫像更清晰，從而提升選取用戶的質量。

誤區2：用戶定義與產品特點沒有關聯

定義用戶就是給用戶打上“標簽”，比如男性女性等。也許是受傳統營銷的影響，品牌商在給用戶打標簽的時候，沒有去考慮產品的特征。例如，傳統的RFM用戶定義法，就是用戶上一次購買的時間（Recency）、購買頻率（Frequency）和過去購買商品的價值（Monetary value）去給用戶打標簽，然后用這三種數據把用戶分層，每一層的用戶推薦不同的產品?！癡IP”用戶通常就是三種數據價值都比較高，給他們推薦和溝通的方式區別于別的用戶。RFM沒有用到大數據，對用戶價值的描述雖然比屬性分類更實用，仍存在不少局限。RFM認為上次購買時間越近的用戶，再購買的可能性更高。這其實不一定。當一個用戶剛買了一件衣服，她再買一樣的衣服可能性反而降低了。所以，如果你能看出用戶與產品購買的關系，就能提升銷售轉化。

要靠技術算出用戶與產品的關系，有幾個關鍵。一是要有人群庫，二是要建立產品或品牌的知識庫。建立兩個庫之間的聯系，依靠“模型”。提升模型的準確度的過程叫做“模型訓練”。當一個用戶搜索一個汽車品牌名字時，你就要迅速預測他是要找車系、配件還是汽車價格。如果輸入的是一個具體車型，你就要預測他要找外觀圖片還是視頻，是試駕還是上市時間等等，并且把這些需求進行排序。產品庫包含所有產品的特征描述。拿汽車來講，它可以有品牌、車系、車型、價格、動力、內飾外觀等。最后，建立產品庫的目的是為了實現與用戶需求的匹配。匹配可以是雙向的，可以用戶匹配溝通信息，也可以按信息去匹配用戶。這里舉一個2B行業的實例來描述匹配模型的建立。某廠商產品是多種廚房用調料，要賣給全國各個餐館的廚師。數據庫中記錄了3個不同餐館的廚師購買4種產品的行為。廚師a買過產品2和3，廚師3買過所有產品，這個歷史關系由下面示意圖中紅色箭頭表示。

廚師a和c有共同屬性（左圖雙向箭頭所示），廚師a卻沒有購買過產品1和4，推薦模型就建議向廚師a推薦產品1和4（左圖黑色虛線箭頭表示推薦關系），這個過程就是基于用戶去匹配產品。基于任何一個產品，我們看應該推薦給哪個用戶。產品2是每個廚師都買了的。既然廚師b只用過產品2，產品3和產品2都是湯調料（右圖雙向箭頭所示），可以給給廚師b推薦產品3（右圖黑色虛線箭頭）。這就是算法和機器學習中基于用戶的協同過濾法（Collaborative Filtering）。哪種匹配方式效果更好呢，這需要用銷售結果去比較和優化。還有其他建立推薦模型分方法，比如基于內容的推薦模型（Content based filtering），有興趣的讀者可以去研究。

誤區3，把品牌營銷的方式應用到銷售上

品牌宣傳的用戶標簽一般采用屬性標簽，比銷售用的標簽更粗獷。品牌傳播用戶的分類和銷售傳播的分類會很不一樣。在用戶屬性層面，你會發覺寶馬和奔馳車的用戶都長得一樣，對賣車缺乏指導意義。但如何用更好的方式去區分他們呢？這就需要更多、更細的行為標簽。

從事數字運營的人員都體會數據實時對優化的重要性，所以這些用戶標簽要有很高的時效性。如果一個用戶去過奔馳的官網，從概率上講，他買奔馳的可能性也許大于買寶馬，可以考慮投放奔馳廣告。如果他最近還去了奔馳車展，那簡直就成為重點溝通對象了。但如果這個用戶剛剛購買了一輛奔馳車，你還會針對他做賣車的廣告嗎？

對于數據整合，幾個流量巨頭具有先天的優勢，阿里的BrandDatabank，京東九數平臺，相信美團、大眾點評等推薦和銷售都有不錯的整合數據，這是因為他們的業務自然擁有用戶線上和線下數據。有的還擁有用戶媒體數據，就更能幫助營銷。品牌商自己的數據資源是有限的，就需要聯合行業上下游的伙伴一起來實現數據整合，大的媒體，比如新浪微博、微信等等，都有用戶標簽。有些用戶標簽是開放的，廣告主可以用。除此以外，市場上還有不少包括筆者公司在內的，具有自然語言和圖像采集能力和機器學習能力的資源。沒有哪一家公司具有全面的資源和技術平臺。品牌商要積極尋找適合自己的資源，并且串聯起來為自己服務。企業學會運用第三方技術和數據資源會成為一種核心競爭力。

誤區4，過分依賴第三方數據，在營銷中采用別人的數據庫

第3方數據有用，但不能完全依賴。天貓、京東、微博等大型平臺都有用戶標簽供品牌廣告主使用，用戶被“城市白領”，“旅行人群”等之類的名稱做好了標記，方便廣告主運營使用。你用了就會發覺，第3方數據標簽的效果時好時壞，并不統一。更大的問題是，你還不知道影響效果好壞的原因。況且標簽是通用的，你的競爭對手也在用同樣的標簽，所以你很難跑贏“大盤”。大電商平臺的數據標簽不是為某一個品牌商專門設置的，而是為了服務自己的商業目的，比如賣掉更多流量。所以說，當你的用戶是被別人定義的時候，效果很快就會出現瓶頸。

大的數據平臺數據標簽并不能滿足品牌商個性化的需要。品牌商，包括他們的營銷代理機構，希望得到更底層的用戶“基礎”數據，他們能夠用這些基礎數據去形成自己的標簽。這樣能夠進一步解放數據資源的價值。當然，平臺商應該收取相關的費用。媒體費用和數據費用有時可以分開，如果仍然是媒介收費而數據免費，就會象醫院看病免費而靠賣藥賺錢一樣，第3方數據就不能按照廣告主需求多元化、個性化。

誤區5：用戶的定義與營銷目的沒有關聯

在化妝品品牌傳播活動當中，聚焦女性用戶沒有錯。但在銷售活動中只瞄準女性用戶就有問題了。我本人就常常為妻子購買化妝品。遺憾的是，我幾乎沒有收到過女性用產品的個性信息。營銷具有很強的目的性，是提升知名度還是偏好度？是要拉新還是提升銷售轉化率？公司需要根據營銷目的去定義受眾。

筆者舉一個自己公司的案例來試圖說明如何避免營銷誤區?？蛻羰且粋€服裝行業的品牌。我們運用用戶的歷史購買數據建模，去預判購買服裝的可能性。做法是把服裝產品知識庫標簽化，然后與用戶數據建立聯系。服裝的款式多達數千，加上用戶數量也有幾百萬，數據量龐大，需要借助機器學習的手段來“訓練”模型。我們要求客戶明確營銷目標是要提升產品的銷售轉化，（如果是要提升用戶參與度等就不一樣了，避免誤區5）。

我們的方案是把目標聚焦在選擇用戶身上，而不追求溝通中要“千人千面“的個性化（避免誤區1）。針對每一款服裝，挑選出購買意愿最強的用戶去做傳播。當然“購買意愿最強”的人群數量界定，是要根據營銷預算來計算的，這可以是購買可能性排在前10%的用戶，也可以是排在前50%的用戶。如果只推薦前10%的用戶，轉化率就高，但用戶數量會少。如果你給所有用戶（100%的用戶）都推薦，你就獲得一個市場平均值，這就跟大眾廣告沒什么兩樣了。如何挑選用戶呢？我們運用用戶購買的歷史銷售數據去觀察他們購買產品的特征（避免誤區2），這些特征會是由產品圖片、文字描述（休閑褲、套頭、圓領等）、品牌銷售內容文本等建立的。企業會銷售新產品，或把產品交叉銷售給不同的用戶。結果是機器會給出每種用戶一個購買意愿的評分。品牌商只需要決定推薦用戶的比例，就能從數據庫中提取相應的人群包了，無論是用在線上還是線下營銷渠道。

值得一提的是，我們并不把用戶戴上一個“小資白領”之類的帽子。而只關心對于某一款服裝，這個用戶購買意愿有多高。既然營銷目標是提升產品的銷售轉化，機器會按照預算給出最可能轉化的人群ID，營銷時品牌就只針對這些用戶進行溝通。所以模型鏈接了銷售目標、用戶和產品三種關系，形成一個完全定制的標簽體系。模型開始建立時對于買還是沒買判斷的準確率可能不夠高，但通過增加樣本就能不斷學習和提升準確值。

人工智能需要人和機器協同工作。人做的事情是設定目標和建立規則，比如確定標簽的制定原則。人在數據訓練過程中還要做一定干預，比如調整某個標簽的權重，或者淘汰一些不適合的樣本等等，是創造性質的；機器是提升規模和速度，是重復性質。一旦模型準確度達到要求，個性化營銷需要的用戶數據分析和匹配就都是機器的事情了。使用推薦系統后，有效商品瀏覽量得到提升，無效瀏覽量下降。雖然推薦的用戶只占數據庫全部用戶的30%，他們的購買量占到實際購買用戶中的67.3%，取得了比較理想的轉化效果（見下圖）

在過去，個性化營銷由品牌商自己的市場部門就可以操作了。今天的個性化營銷不但需要多方數據資源，而且需要與懂得數據商業應用的數據科學家或分析師一起協作。個性營銷的實質是選取20%的用戶去貢獻80%的銷售轉化，這是依靠運用數據模型和機器學習建立品牌和用戶的之間的個性關系。個性化營銷的“二八原則”沒有變，改變的是操作的方式。

作者：北京愛茵智能科技創始人兼CEO

更多干貨、市場分析、重磅案例、實戰課程歡迎訂閱 [農業行業觀察]公眾號：nyguancha

收藏 0 贊 0

聲明：網尊重行業規范，每篇文章都注明有明確的作者和來源；農業行業觀察網站的原創文章，請轉載時務必注明文章作者和"來源"，不尊重原創的行為將受到本網站的追責。