摘要：汽車行業(yè)市場(chǎng)競(jìng)爭(zhēng)日益加劇，很多汽車企業(yè)打造了私域直面用戶的平臺(tái)，希望通過(guò)私域直連用戶，挖掘更多用戶價(jià)值，實(shí)現(xiàn)破局增長(zhǎng)。但目前大部分車企仍然認(rèn)為自身私域平臺(tái)的營(yíng)銷模式并沒(méi)有充分挖掘用戶價(jià)值，轉(zhuǎn)化困難。在此背景下，本研究從用戶需求出發(fā)建立精細(xì)化運(yùn)營(yíng)體系，以幫助企業(yè)更精準(zhǔn)了解用戶，低成本獲取線索，提升企業(yè)轉(zhuǎn)化效率。

關(guān)鍵詞：線索挖掘；私域；用戶分層；精細(xì)化運(yùn)營(yíng)；標(biāo)簽；培育轉(zhuǎn)化中圖分類號(hào)： F272 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

隨著智能化不斷推進(jìn)，汽車行業(yè)飛速發(fā)展，加之汽車消費(fèi)需求也日趨放緩，我國(guó)乘用車市場(chǎng)模式從增量切換到存量模式[1]。汽車企業(yè)獲得用戶線索的方式，也逐漸從通過(guò)垂媒采買轉(zhuǎn)變?yōu)閺乃接蛉胧执蛟熘泵嬗脩舻钠脚_(tái)，充分挖掘用戶價(jià)值。而且，私域平臺(tái)挖掘線索的成本也遠(yuǎn)遠(yuǎn)低于公域平臺(tái)。

不過(guò)調(diào)研發(fā)現(xiàn)，雖然很多車企打造了私域平臺(tái)，但大部分沒(méi)有在用戶購(gòu)車、用車的全生命周期中做好用戶運(yùn)營(yíng)，使得用戶價(jià)值無(wú)法充分被挖掘，難以轉(zhuǎn)化，投放效果與線索轉(zhuǎn)化率普遍仍然偏低[2]。

1 私域提升變現(xiàn)效率解決方案

研究分析發(fā)現(xiàn)，私域平臺(tái)之所以變現(xiàn)能力低，很大原因是運(yùn)營(yíng)模式?jīng)]有站在用戶購(gòu)車用車的需求場(chǎng)景出發(fā)，沒(méi)有挖掘出用戶愿意為之買單的動(dòng)機(jī)。企業(yè)要提升私域轉(zhuǎn)化效率，可以搭建私域分層運(yùn)營(yíng)體系，根據(jù)用戶標(biāo)簽將用戶劃分層級(jí)，針對(duì)不同級(jí)別人群的需求點(diǎn)，進(jìn)行全生命周期培育和精準(zhǔn)促進(jìn)。

2 私域分層運(yùn)營(yíng)體系整體設(shè)計(jì)

私域分層運(yùn)營(yíng)體系主要由行為數(shù)據(jù)采集處理、用戶分級(jí)和培育轉(zhuǎn)化三大模塊構(gòu)成（圖1）。其中，行為收集模塊主要是對(duì)用戶在客戶端產(chǎn)生的行為動(dòng)作進(jìn)行采集、數(shù)據(jù)清洗和實(shí)時(shí)入庫(kù)，是后續(xù)工作開展的基礎(chǔ)。用戶分級(jí)模塊主要針對(duì)入庫(kù)后的數(shù)據(jù)進(jìn)行特征提煉，形成數(shù)據(jù)標(biāo)簽，再利用意向算法對(duì)用戶進(jìn)行意向分級(jí)評(píng)分，完成用戶意向分級(jí)。培育轉(zhuǎn)化模塊主要負(fù)責(zé)對(duì)不同用戶所處的不同意向級(jí)別進(jìn)行精細(xì)化的運(yùn)營(yíng)，從而提升私域轉(zhuǎn)化效率，最終完成私域變現(xiàn)。

2.1 行為收集分析

該模塊主要負(fù)責(zé)收集和清洗用戶在私域空間內(nèi)產(chǎn)生的行為數(shù)據(jù)，主要在Hadoop 平臺(tái)上實(shí)現(xiàn)。Hadoop 是一個(gè)開源分布式計(jì)算平臺(tái)，以Hadoop 分布式文件系統(tǒng)（Hadoop DistributedFile System，HDFS） 和MapReduce 分布式計(jì)算框架為核心，為用戶提供了底層細(xì)節(jié)透明的分布式基礎(chǔ)設(shè)施以及極其可靠的共享分析和存儲(chǔ)系統(tǒng)[3]。HDFS 的高容錯(cuò)性和高伸縮性等優(yōu)點(diǎn)，允許用戶將Hadoop 部署在廉價(jià)的硬件上，構(gòu)建分布式系統(tǒng)。MapReduce 分布式計(jì)算框架則允許用戶在不了解分布式系統(tǒng)底層細(xì)節(jié)的情況下開發(fā)并行和分布的應(yīng)用程序，解決傳統(tǒng)高性能單機(jī)無(wú)法解決的大數(shù)據(jù)處理問(wèn)題[4]。用戶在客戶端上產(chǎn)生行為后，數(shù)據(jù)被實(shí)時(shí)采集。系統(tǒng)對(duì)某些特殊數(shù)據(jù)進(jìn)行清洗，完成后實(shí)時(shí)入庫(kù)，作為后續(xù)用戶分級(jí)的基礎(chǔ)輸入。

2.2 用戶分級(jí)

用戶數(shù)據(jù)被系統(tǒng)采集入庫(kù)后，是龐大而沒(méi)有明顯規(guī)律的。為了令數(shù)據(jù)具有識(shí)別性，需要引入用戶標(biāo)簽體系。標(biāo)簽體系可以從基礎(chǔ)標(biāo)簽、興趣標(biāo)簽、行為標(biāo)簽和價(jià)值標(biāo)簽幾個(gè)維度入手進(jìn)行設(shè)計(jì)，標(biāo)簽設(shè)計(jì)的精細(xì)化程度會(huì)直接影響到用戶運(yùn)營(yíng)的效果（圖2）。

2.2.1 標(biāo)簽變量選取

用戶標(biāo)簽數(shù)據(jù)是隱含的、事先未知且具備潛在商業(yè)價(jià)值的信息[5]。如今用戶行為方式各種各樣，龐大的用戶標(biāo)簽數(shù)據(jù)中，該選擇哪些行為標(biāo)簽表示為用戶的意向級(jí)別。為此，首先要找到目標(biāo)用戶的共性行為。項(xiàng)目團(tuán)隊(duì)從購(gòu)車前就在線上平臺(tái)注冊(cè)的用戶中選取成功購(gòu)車的案例進(jìn)行行為分析，挖掘其中有共性的行為特點(diǎn)及規(guī)律，確定了主要標(biāo)簽變量。

項(xiàng)目團(tuán)隊(duì)將2 萬(wàn)個(gè)購(gòu)車前注冊(cè)的用戶案例放入樣本池，統(tǒng)計(jì)這些用戶在購(gòu)車前行為標(biāo)簽以及頻率（圖3）。行為特征出現(xiàn)頻率高的，表示用戶在購(gòu)車前在私域內(nèi)產(chǎn)生的共性行為，出現(xiàn)頻率低的表示沒(méi)有形成共性規(guī)律的行為標(biāo)簽，選取其中形成共性的行為標(biāo)簽確定具體變量。從2 萬(wàn)個(gè)樣本的行為標(biāo)簽中，可以識(shí)別出如“瀏覽時(shí)長(zhǎng)、優(yōu)惠政策和購(gòu)車直播”等在成功購(gòu)車用戶群體中存在較明顯的共性（圖4）。那么，后續(xù)存在這些相似行為標(biāo)簽的用戶，可以識(shí)別為具備潛在購(gòu)車意向的線索進(jìn)行培育。

2.2.2 數(shù)據(jù)所處范圍定位

雖然確認(rèn)模型變量，但由于不同變量各自維度不同，有不同的計(jì)量標(biāo)準(zhǔn)，無(wú)法直接用于意向濃度的比較，所以需要進(jìn)一步將各自變量值轉(zhuǎn)化到同一計(jì)量標(biāo)準(zhǔn)開展使用。對(duì)此，項(xiàng)目團(tuán)隊(duì)采取變量映射到具體范圍進(jìn)行分級(jí)評(píng)分的思路轉(zhuǎn)化變量。但是，范圍邊界如何定義，這可以使用聚類算法推出，并通過(guò)實(shí)踐數(shù)據(jù)不斷驗(yàn)證調(diào)整。聚類算法是將特定對(duì)象的集合有效地劃分為多個(gè)組的一種方法。通過(guò)將抽象的或物理的對(duì)象有效地分為幾個(gè)大類，并且每個(gè)獨(dú)立的類中，對(duì)象都有相似的特性。而各組之間的對(duì)象不具備相似性。

將變量值對(duì)應(yīng)的分?jǐn)?shù)分為3 個(gè)分值等級(jí)（3 分、2 分和1 分），3 個(gè)等級(jí)的范圍邊界依據(jù)企業(yè)自身域平臺(tái)的運(yùn)營(yíng)情況聚類分析之后定義，以近7 天的瀏覽次數(shù)pv_m 為例。

pv_m ∈ [12，+ ∞），index_pv=3

pv_m ∈ [7，12），index_pv=2

pv_m ∈ [3，7），index_pv=1

當(dāng)一個(gè)用戶近7 天活躍頻率pv_m=15 次，該變量獲得分值index_pv=3。當(dāng)用戶pv_m=3 次，則index_pv=1。

同理，近7 天瀏覽時(shí)長(zhǎng)timespan 依據(jù)平臺(tái)運(yùn)營(yíng)情況區(qū)分3個(gè)分值等級(jí)。

timespan ∈ [15，20），index_timespan=3

timespan ∈ [10，15），index_timespan=2

timespan ∈ [5，10），index_timespan=1

當(dāng)用戶7 天瀏覽時(shí)長(zhǎng)timespan=10 min，該變量對(duì)應(yīng)到特定范圍區(qū)間時(shí)獲得特定分值index_timespan=2。

需要特別注意的是，變量對(duì)應(yīng)的分值范圍并不是一成不變的，需要根據(jù)業(yè)務(wù)變化及時(shí)更新調(diào)整才能保證評(píng)分的合理準(zhǔn)確。

2.2.3 變量加權(quán)系數(shù)

變量值對(duì)于意向濃度的貢獻(xiàn)不一定是等同的。同樣的分?jǐn)?shù)，可能變量的組成不同，這會(huì)直接影響挖掘線索的有效率。此時(shí)就需要對(duì)變量進(jìn)行加權(quán)處理。mn 表示變量加權(quán)系數(shù)，其中n 表示變量，如瀏覽時(shí)長(zhǎng)、優(yōu)惠政策和車型評(píng)價(jià)等。通過(guò)樣本抽樣，計(jì)算變量點(diǎn)的有效率占比，根據(jù)變量點(diǎn)中有效率排名進(jìn)行加權(quán)系數(shù)配置（表1）。

根據(jù)變量對(duì)線索有效率的影響， 可以設(shè)計(jì)加權(quán)系數(shù)如下：m 瀏覽時(shí)長(zhǎng)＞ m 優(yōu)惠＞ m 評(píng)價(jià)＞ m 試駕。

2.2.4 意向綜合得分

當(dāng)確認(rèn)好變量以及各變量的加權(quán)系數(shù)后，可以將其相加進(jìn)行綜合評(píng)分。

user_score=index_timespan·m時(shí)長(zhǎng)+index_coupon·m優(yōu)惠+……

式中：user_score 為用戶行為綜合得分；index_n 為單個(gè)變量得分；mn 為變量的加權(quán)系數(shù)。

綜合得分可以反映用戶購(gòu)買意向以及用戶價(jià)值，算出綜合得分后，可以按需結(jié)合注冊(cè)周期和會(huì)員等級(jí)等輔助標(biāo)簽將用戶所在階段對(duì)應(yīng)為圈粉期、成長(zhǎng)期、成熟期、衰退期和脫粉期。

2.3 培育轉(zhuǎn)化

2.3.1 培育轉(zhuǎn)化思路

根據(jù)數(shù)據(jù)挖掘和洞察分析完成潛客分層，基于用戶場(chǎng)景的全周期運(yùn)營(yíng)才是精準(zhǔn)運(yùn)營(yíng)的發(fā)力點(diǎn)。用戶在購(gòu)車前進(jìn)入平臺(tái)的契機(jī)通常是在線下或其他平臺(tái)種草后，希望獲得更詳細(xì)的品牌資訊、優(yōu)惠信息、車友生活和平臺(tái)服務(wù)。從用戶需求場(chǎng)景出發(fā)，線上私域平臺(tái)可以在每個(gè)階段進(jìn)行針對(duì)性的促進(jìn)動(dòng)作，不斷增強(qiáng)意向等級(jí)。并且，培育轉(zhuǎn)化需線上線下雙管齊下，同步促進(jìn)，提高產(chǎn)品轉(zhuǎn)化效率。

2.3.2 培育轉(zhuǎn)化方法

面對(duì)不同層級(jí)的用戶，需進(jìn)行針對(duì)性的培育轉(zhuǎn)化（圖5）。

（1）圈粉期。此時(shí)用戶剛接觸產(chǎn)品，通過(guò)各種拉新方式引流進(jìn)入私域平臺(tái)，處在新手階段，不知道該做什么或者可以做什么。這時(shí)需要降低用戶的門檻，用直接、傻瓜的方式進(jìn)行動(dòng)線設(shè)計(jì)，引導(dǎo)用戶對(duì)品牌形成認(rèn)知，體驗(yàn)核心功能，加深品牌與用戶之間互相的了解，比如新人專屬限時(shí)禮包、內(nèi)容種草等。該階段運(yùn)營(yíng)指標(biāo)可以重點(diǎn)關(guān)注用戶活躍時(shí)長(zhǎng)、交互步驟和互動(dòng)頻次。

（2）成長(zhǎng)期。用戶對(duì)品牌或某個(gè)車型有了初步了解與興趣，此時(shí)需要加強(qiáng)用戶的互動(dòng)頻次以喚起他們的興趣，加深連接和引導(dǎo)高價(jià)值動(dòng)作。這個(gè)時(shí)期的用戶在內(nèi)容上也需要有更多深層次的車輛細(xì)節(jié)和種草內(nèi)容來(lái)輔助了解興趣車型。此時(shí)可以給用戶推送連續(xù)簽到、試駕禮包、車友活動(dòng)和車友生活等內(nèi)容。該階段的運(yùn)營(yíng)指標(biāo)可以重點(diǎn)關(guān)注用戶訪問(wèn)頻次、互動(dòng)頻次、興趣偏好和活動(dòng)參與數(shù)。

（3）成熟期。用戶深入了解產(chǎn)品并對(duì)產(chǎn)品產(chǎn)生下單的想法，此時(shí)的用戶更關(guān)注優(yōu)惠信息，開始比較擇優(yōu)，是促進(jìn)成交的關(guān)鍵階段。該階段適合進(jìn)行臨門一腳的促進(jìn)，例如限時(shí)直播優(yōu)惠、限時(shí)下定禮包、限時(shí)定向優(yōu)惠券以及專屬顧問(wèn)促進(jìn)等。該階段的運(yùn)營(yíng)指標(biāo)可以重點(diǎn)關(guān)注留資數(shù)和成交數(shù)。

（4）衰退期。這個(gè)時(shí)期用戶活躍度開始下降，此時(shí)可以參考RFM 模型和會(huì)員等級(jí)，區(qū)分識(shí)別出高價(jià)值用戶。針對(duì)這部分活躍度下降的用戶可以進(jìn)行針對(duì)性的用戶召回，例如對(duì)價(jià)格敏感用戶推送限時(shí)優(yōu)惠，組建會(huì)員福利群，增加1 對(duì)1 服務(wù)頻次以了解活躍度下降原因等。該階段的運(yùn)營(yíng)指標(biāo)可以重點(diǎn)關(guān)注召回情況。

（5）脫粉期。該階段用戶活躍度持續(xù)下降，如果是高價(jià)值值得維護(hù)的用戶，可以增加電話回訪了解用戶需求，針對(duì)用戶痛點(diǎn)進(jìn)行調(diào)整。

3 實(shí)施驗(yàn)證

為驗(yàn)證模型有效率，項(xiàng)目團(tuán)隊(duì)用連續(xù)3 個(gè)月時(shí)間觀察驗(yàn)證，期間使用控制變量驗(yàn)證并逐次調(diào)整模型變量及評(píng)分標(biāo)準(zhǔn)。該項(xiàng)目自2023 年3 月、開始通過(guò)上述方案對(duì)用戶行為進(jìn)行評(píng)分，完成用戶分層，針對(duì)每個(gè)層級(jí)的用戶進(jìn)行精細(xì)化的運(yùn)營(yíng)促進(jìn)。截止至2023 年6 月，私域平臺(tái)通過(guò)算法挖掘到的線索量較3 個(gè)月前提升1 倍，線索有效率提升5%，挖掘的線索成交量提升2.6 倍，提升效果明顯。

實(shí)踐表明，相較傳統(tǒng)的運(yùn)營(yíng)方案，汽車行業(yè)私域平臺(tái)使用精細(xì)化培育促進(jìn)方案能夠更大限度地挖掘用戶需求，創(chuàng)造更大的用戶價(jià)值，幫助汽車企業(yè)提升私域轉(zhuǎn)化效率。

4 結(jié)束語(yǔ)

本文基于汽車行業(yè)對(duì)于私域平臺(tái)運(yùn)營(yíng)的需求分析，發(fā)現(xiàn)當(dāng)前行業(yè)私域轉(zhuǎn)化困難的問(wèn)題現(xiàn)狀并提出解決方案。通過(guò)私域精細(xì)化運(yùn)營(yíng)平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)，并且在品牌私域APP 進(jìn)行為期3 個(gè)月的實(shí)踐驗(yàn)證，可以看出基于用戶全生命周期的精細(xì)化運(yùn)營(yíng)模式對(duì)線索的挖掘和促進(jìn)起到有效的提升作用。下一步項(xiàng)目團(tuán)隊(duì)將持續(xù)優(yōu)化用戶綜合評(píng)分的評(píng)分標(biāo)準(zhǔn)，以及各生命階段運(yùn)營(yíng)的動(dòng)線設(shè)計(jì)，幫助企業(yè)更進(jìn)一步提升業(yè)務(wù)轉(zhuǎn)化效率。

【參考文獻(xiàn)】

[1] 月狐數(shù)據(jù). 2022 年汽車行業(yè)數(shù)字化營(yíng)銷趨勢(shì)洞察報(bào)告[EB/OL].（2022-12-29） [2023-5-26]. https：//www.xdyanbao.com/doc/i2azy94ois？bd_vid=8953677717986050035.

[2] 中國(guó)汽研， 騰訊廣告. 察形勢(shì)· 化痛點(diǎn)· 促變革：新型消費(fèi)趨勢(shì)下車企的營(yíng)銷數(shù)字化轉(zhuǎn)型[EB/OL].（2023-02-12）[2023-05-26]. https：//www.sohu.com/a/639332579_120801328.

[3] 吳愷， 蘇新寧， 鄧三鴻. 大數(shù)據(jù)、云計(jì)算與用戶行為分析[J]. 數(shù)字圖書館論壇，2013（06）：19-23.

[4] 蔡斌， 陳湘萍.Hadoop 技術(shù)內(nèi)幕：深入解析Hadoop Common 和HDFS 架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)原理[M]. 北京： 機(jī)械工業(yè)出版社，2013.

[5] 維克托·邁爾- 舍恩伯格， 肯尼思·庫(kù)克耶. 大數(shù)據(jù)時(shí)代[M]. 盛楊燕， 周濤，譯. 杭州： 浙江人民出版社，2015.

作者簡(jiǎn)介：

李思江，本科，工程師，研究方向?yàn)樗接蚱脚_(tái)產(chǎn)品設(shè)計(jì)和運(yùn)營(yíng)。