消费者洞察：数据化闭环洞察消费者

本文根据Stratifyd资深解决方案经理段鑫龙（Bruce Duan）在“如何洞察您的消费者”直播课主题演讲整理。上周我们通过“数据影响消费，消费营造数据”这篇文章了解了消费品行业的发展现状，新生代互联网消费者更乐于分享表达，然而消费者触点分散，对企业洞察消费者、了解消费者需求痛点增加了难度，这时需要借助数据技术的力量打造”以消费者为中心“的闭环洞察体系，这也正是文本要讲解的重点。

我们知道新生代互联网消费者更愿意分享表达，但是如此多的反馈触点如何选择，又如何收集数据内容？这就是消费者洞察的第一环节——数据收集与连接；数据收集来了，如何将多样化的数据类型格式化处理，更高效、精准地解读消费者的声音呢？自然过渡到消费者洞察第二环节——数据处理与分析；那么，分析完了，如何将分析结果最终赋能到业务，让业务人员读懂数据背后的故事，进而做出科学的决策方案，这就需要第三步——数据洞察探索；最后就是持续地监测聆听，持续监控数据发展趋势，及时捕捉预警信号，发现潜在隐患并及时处理，防患未然。

首先来谈谈数据的采集问题。对于不同类型的品牌，我们要考虑消费者数据在哪里产生，我们就在哪里采集。新生代消费者活跃的社交网络是数据的重要来源之一，包括微博、知乎这样的社交媒体平台，大众点评、小红书之类的生活体验分享型平台，携程、汽车之家这种垂直资讯型平台，以及快手、抖音等短视频平台。这些平台的共性特点是形式多样，主题分散，传播迅速且KOL现象突出。

除了社交网络，我们为品牌提供服务的另一个重要数据源是电商平台。近几年（尤其在疫情期间）很多品牌商的电商份额是在不断增加的。电商平台的数据共性特点在于产品的关联性很强，同时数据一致性相对社交网络也比较强，因为电商平台会通过一些预设问题引导大家发出高质量的评论，从而更好地了解用户关于产品、价格、物流等方面的体验，所以相对而言，消费者评论的主题聚合性也更高一些。跟社交网络的即时评论相比，电商评论相对偏体验后的使用分享，而这种体验后的分享会影响未来的购买者，因为用户购物的时候通常会参考其他买家的评论。不过，也不是所有商品都适合做电商评论的分析，比如，我之前接手的可口可乐数据分析项目经验发现，在电商平台很难收集到大量有关可口可乐经典款品牌的真实评价，因为大家对可口可乐的经典口味太熟悉了，购买的时候已经有了非常充分的心理预期，多数是定期的复购，这种情况就很难激起大家的评论欲望。相反，一些特殊口味的可乐，联名款的可乐以及可乐线下的其他商品很有话题性，评论质量很高。所以，在这里我想说的是，我们要采集一个数据源的时候，首先要了解数据源的优劣势、局限性以及特点，然后再看碟下菜，这是做项目之前要做的必要准备工作。

第三个重要的数据源是企业内部数据源，包括用户数据、客服数据、采访及销售渠道数据。这些是我们的自有数据，不需要重新采集。由于企业数字化发展历程不同，有的企业已经有了非常成熟的数据仓库，有的仍处于各个系统的搭建过程中，进、销、存数据还没有集中成为一个数据仓库或者数据中台，尽管数据存储阶段不同，但大家都面临一个共性问题，就是数据孤岛现象严重，没有得到统一管理和治理。

确认好数据以后再说分析。数据储存起来几乎是没有价值的，甚至价值是负的，只会给我们带来成本。数据的挖掘分析也会分几个层次。例如，数据量不太大的时候我可以用Excel来做销售的月报，再用PPT给业务部门进行分享，这是数据价值的一种挖掘和呈现方式。但是随着数据量的增大，数据类型越来越复杂，企业对数据的实时性要求越来越高，我们用office这种离线工具只能做一些相对而言不是那么复杂的事情。那么如果一旦出现我说的上述问题中的一个，我们就需要去寻找其他的解决方案。例如，我会去搭建一些高性能的数据仓库，我会用Echarts这种开放式前端界面或者成熟的BI工具去做进一步的可视化分析，但BI其实只是停留数字、分类这种结构化数据分析的层面，很难了解消费者深层次的想法。我们要做消费者洞察首先要知道他们在说什么，想什么。消费者所思所想的东西其实已经留在了社交网络、电商平台或企业内部的客服中心、呼叫中心里。所以，在结构化数据之外，我们还需要利用人工智能、机器学习等技术来挖掘非结构化数据的价值。我们需要NLU和NLP这样的技术来了解消费者的情感和观点。这里可以发现，在对数据价值挖掘要求不断增高的同时，对技能的要求也是水涨船高的。

例如我要分析消费者的文本评论数据，这些数据可能高达几百万条，我不可能靠人工逐一筛选阅读，即使我能人工阅读，也很难在客观的情况下去抽取出来所有评论观点。这里就需要通过非监督学习聚类算法，在数学层面客观聚类文本评论数据中的重要内容，结合焦点词云以及情感引擎，快速探知文本中的重要内容及背后代表的业务洞察。例如在电动牙刷的词云中，我们可以看到消费者对“牙龈出血”、“价格保护”这样的问题是持负面态度的，有了这些数据之后，我们就可以思考是否需要改变我们的产品价格，这就是我们讲的如何使用AI和NLU来了解我们的消费者，这些都是传统BI工具做不到的。

在一些情境下，我们希望把消费者评论中某些特定的话题抽取出来，每个部门关注的焦点不一样，例如，产品部门会关心消费者对产品外观、性能方面的评价，市场部门会关心消费者对品牌形象的评价，服务部门会关心消费者对物流、客服的评价。所以，针对同样一份消费者反馈，分析的角度可以是不一样的。这种情况下，可以通过Taxonomy文本标签化的方式对文本进行分类、贴标，基于人工关键词和AI的扩展去对数据进行分类，比如我们可以分别设定跟产品、用户体验、品牌促销相关的标签，通过这个工作，我们其实是完成了非格式化数据向格式化数据解析的过程，这样业务部门就可以快速获取他们想要的信息，而无需回到原始评论数据逐一解读。

上面我们介绍了数据的采集渠道和分析方法，其实在做消费者洞察的项目中最重要的还是对业务问题的理解，也就是说要明确分析的目标和框架。比如产品体验分析方面，要明确是分析产品的功能使用体验还是跟竞品的对比分析；服务体验的分析是要做自身的服务体验和感受分析还是跟竞品对比好差评分析；价格体验分析是要分析价格变动、性价比方面，还是跟竞品价格作对比；物流体验方面是分析配送方式还是退换货等等。

分析完成以后，我们要如何输出、呈现分析结论呢？传统的做法是由调研公司、咨询公司或企业内部的分析小组提供excel、word形式的静态报告去汇报，这种静态报告信息是非常有限的，是平面化的，结论化信息为主。但是在当下快速变化的市场环境下，人们想了解数据的实时动态变化，这种情况更适合用可交互的动态报表去立体化呈现信息的变化，这样可以去做一些非假设性问题的洞察探索，也就是说我可能并不知道结论，我要经过多指标、多维度的尝试探索才能找到这个结论。例如，新品上市后我发现市场反馈不是很好，那我想知道是价格所致，还是产品功能亦或其他因素导致，在探索的过程我们又会发现新的问题，所以，这是一个立体式的信息呈现。我们呈现给业务方的并不是一个简单的纸面报告，而是呈现一个立体式交互系统，同时它的实时性和可变更性也相对来说优于静态报告，因此在这样一个市场多变的竞争环境下，我们的分析方法绝对不是一成不变的。对于交互式报表，我们需要建立一种探索式思维，通过观察异常、定位原因、虚招方案的循环，让数据活起来。

了解了消费者洞察的闭环方法论，接下来大家很肯定好奇这套方法论是如何在实际项目中落地实施的呢？关注Stratifyd微信公众号（公众号ID：Stratifyd）推出的本系列「下篇」——“案例透视消费者洞察实践与收益”，在「下篇」内容里我们会结合实际服务的项目案例，代入式讲解如果通过数据技术赋能业务场景，助力企业数智化提升竞争力，敬请关注。