商务数据分析与应用+客户数据分析+先定量后定性的画像方法+原创.pptx

客户画像分析先定量后定性的画像方法

先定量后定性先定量后定性的画像方法并不是将先定性后定量验证的方法简单地反转过来。这里的定量主要以筛选定性所需的访谈客户为目标。为了让之后的画像更为精准和可信，通过定量的研究方法，先筛选出需要研究的目标对象，然后再进行定性的研究。当然这种方法要建立在有较大量级客户的产品基础上，否则会造成遗漏和偏差。

先定量后定性先定量后定性的研究过程：问卷收集和分析访谈数据挖掘定性画像可选择环节可选择环节一旦数据挖掘所产出的结论可以直接确定访谈的对象，就可以跳过问卷收集和分析。当然也可以直接用问卷来筛选客户访谈的样本。

案例分析以App为例——定量到定性前期客户筛选当App量级较大的情况下，针对不同类型的侧重点会细分成多个画像。App中有客户活跃度和注册时长，客户活跃度可以区分客户黏性，注册时长可以分辨新老客户。据此得到一个四象限。客户活跃度注册时长核心老客户活跃新增客户体验尝试客户有流失风险的老客户

案例分析通过Excel的工具可以轻松进行四象限中的两个维度的切分以每周打开次数为例，可以得到每周打开最大值和最小值。然后设置一下需要的分段数量，就可以轻松获得打开次数的区间。有了区间后，再对于活跃度简单定义一下，那么就产出了一个针对客户活跃度的大概区间范围。

案例分析接着需要定义不活跃、活跃和非常活跃的区间范围：在这里可以参考一个比较简单的线性公式。在使用时长和打开次数中，我们认为打开次数和活跃度更为紧密。将z定义为活跃度，x代表每天使用时长，y代表每周打开次数，因此产出专业这样一个公式：

案例分析接着需要定义不活跃、活跃和非常活跃的区间范围：将活跃度z的级别定义为1~10：z=1时，x=1,y=1；z＝10时，x=5，y=5。代入公式，得到方程组5a+25b=10，a+b=1。最后得出：定义活跃度z的区间：不活跃为1-4，活跃为4-8，活跃为≥9。定义新老客户的区间：注册客户大于3年的算老客户，1~2年的算普通客户，小于半年的算新客户。

案例分析数据层面的客户筛选完成可以得到9类标签客户人群：010203不活跃新客户不活跃普通客户不活跃老客户非常活跃新客户非常活跃普通客户非常活跃老客户活跃新客户活跃普通客户活跃老客户

案例分析接下来针对这批客户进行问卷发放：注意：在发出问卷的同时，尽量能在问卷链接中增加标签代号。例如你发放的是一个活跃的老客户，那么可以在问卷链接后缀代码中带上ActiveOld之类的代码。这样做的好处是在回收的样本中，可以轻松分辨对方的数据筛选类型。在样本数量需要相对公平的情況下，也可以通过标签的形式进行样本比例的挑选。在问卷发放的过程中，我们会碰到活跃客户问卷提交量一定远大于不活跃的客户。这也是问卷的局限性所造成的，因此需要格外珍惜那些不活跃客户所提交的问卷。

案例分析回收问卷后：经过分析得到刚才我们所说的9类不同标签的人群基础属性和社会属性的具体百分比占比，也可以得到产品总的基础属性和社会属性的百分比占比。

案例分析访谈数量有限的情况下，我们应该选择以下几个条件：(1)选择活跃的老客户、活跃新客户、不活跃新客户、不活跃老客户。由于活跃度和新老客户分类太细，筛选访谈客户的数量有限，因此我们只取以上4类标签作为访谈人群筛选的区间。(2)不活跃客户填写问卷的数量可能会比较少，我们可以定义活跃和不活跃占比为8：2。为什么强调不活跃？因为这类客户虽然不是活跃度高的客户，但是并不代表不是我们所关注的客户类型。因此在前期调研中，不能完全摒弃这部分客户。

案例分析(3)最终受访者名单尽量按照问卷中回收的基础属性占比来确定。例如，男女比例为7：3，那么挑选受访者男女比例应该按照了7：3来设计。在这当中，尤其重要的是年龄和性别等也应该严格按照比例分布来选择受访者。当然根据不同的App类型我们可以进行这些属性的删减和添加。到此我们就得到了受访者的名单。接下来的步骤就和之前的定性客户画像相似了。

谢谢观看