新零售时代，如何基于数据建立深度用户洞察能力？
全渠道零售企业，需要在全量用户数据积累的基础上，应用新兴技术来支撑全渠道业务模式的持续优化，将线上线下数据壁垒打破、用户行为与业务交易数据打通，从而建立起以消费者为中心的业务模式，实现全业务线与全场景的数据驱动。
（一）用户属性画像+用户行为画像
User Persona 和 User Profile是行业知悉的两种用户画像。
User Persona 用以描述用户需求，是产品和运营人员从用户群体中抽象出来的典型用户。
-
在调研阶段，产品经理通过调查问卷、客户访谈了解用户的共性与差异，汇总成不同的虚拟用户。User Persona是基于用户属性、静态标签的画像；
-
在产品原型设计、开发阶段，产品经理围绕这些虚拟用户的需求、场景，研究设计产品用户体验与使用流程；
-
当内部出现分歧时，产品经理能够借助这类用户画像，聚焦到目标用户来实现快速决策。
User Profile是根据用户行为数据、动态标签，产出描述用户画像。相比User Persona，User Profile更注重：
-
消费者真实需求：一些关注人口属性、生活状态等静态信息并不一定直接反应用户兴趣，零售企业更关注的往往是“最近哪些是吸引消费者的优质渠道”、“近期售点A的热销品类有哪些”等能够帮助企业精细化运营的动态信息；
-
时效性：用户的兴趣偏好随时都在发生变化，需要及时更新用户标签；
-
覆盖度：记录用户（不）感兴趣的内容等，实现最细粒度的画像。
（二）构建基于User Profile的消费者洞察力
回归全渠道零售，企业要围绕用户全生命周期构建消费者的用户画像（以下均指“User Profile”）。因为随着用户积累和产品的迭代，仅通过User Persona则难以量化地评估不断变化的消费者需求，无法进行数据证伪，无法确定用户画像（User Persona）所虚构的人物是不是真正的目标群体。
（三）完整的用户画像标签体系设计
用户画像通过一套标签体系落地，科学的标签体系能够反映消费者背后的购买逻辑，找到消费者决定买什么、不买什么的依据。同时，企业外部标签数据，比如人口属性、地理位置、品牌自有社会化媒体行为，可以进一步完善企业标签体系。
全渠道零售时代，消费者始终是企业践行数据驱动的研究根源。零售企业全部门全场景的数据驱动，是对消费者行为的数据采集、数据建模、数据分析的全过程。全渠道零售企业需要标准化的线上线下用户行为采集方案、自动化的用户行为建模、智能化的数据驱动运营。
神策数据为某零售企业提供的数据采集、建模、分析方案
（一）全渠道、全量数据采集
零售业对消费者的数据采集为后续需求分析、消费体验升级提供基础。对数据采集追求“大、全、细、时”，即追求更宏观、全量采集、多数据源与多维度数据，并注重数据的时效性。以便利店为例，要对消费者发生的每一次购买行为进行实时监控和分析。数据的采集应该包含基础数据采集、第三方数据库、POS 系统，用户支付环节的订单信息等；对于品牌商／经销商来说，要全面了解终端的消费情况，包括门店的进销行为、商品销售情况、门店商品结构、促销活动等，并对相关数据进行采集。
（二）打通业务数据、用户行为数据建模
1、关联多种业务数据，贯通多端行为数据。
第一，业务数据关联；
-
关联轨迹数据中，部分摄像头位置与货架信息，如商品类别等；
-
关联支付行为中，订单 ID、商品 ID与商品的库存信息、销量信息；
-
关联行为数据与天气信息、门店信息。
第二，行为数据贯通；
-
A、依据POS系统中记录的支付行为的时间戳，结合时间窗口内的摄像头采集的FaceID信息，打通用户 FaceID 与支付行为。
-
B、用户行为轨迹整合。将同一个用户在门店入口与出口、关键位置的人脸识别记录串联起来，形成一次进店购物的完整轨迹；根据订单信息，在轨迹中补充货架浏览行为；根据出入店铺的时间，在轨迹中补充店内停留时长。
-
C、根据支付行为的会员 ID 和 APP 中的会员 ID，打通 APP 与门店的购物行为。
2、建立用户行为主题仓库
主题仓库可以分为用户浏览和用户消费两大类。
（三）不同角色的数据驱动应用与实践
将数据分析方法论与零售行业领域知识结合，建立灵活的消费者行为分析指标体系，基于用户行为和机器学习算法，设计精细化用户标签体系，勾勒用户需求和画像。同时帮助不同角色解读指标并满足自身需求。
作者：张乔，神策数据内容营销高级经理，用户行为洞察研究院负责人。
#推荐阅读#
如果您想了解更多BI干货知识，欢迎访问36氪企服点评！
