大数据应用于市场与用户研究

笔落惊风雨

传统的用户研究包括品牌研究、客户满意度研究、商圈研究、市场细分、渠道研究、产品定价研究以及产品测试，这些研究大多数用市场调研的方法来实现。

市场调研由于调研方法带来的诸多问题，导致结果的代表性、准确性以及研究的效率都存在不同程度的挑战。

我们相信，随着大数据的发展，大数据将对市场与用户研究方法将带来革命性的变化。

本文将介绍大数据目前在市场与用户研究方面的应用与探索。

一、大数据用于品牌研究

品牌认知度、品牌形象和品牌满意度研究是品牌研究的三大重要部分。

1.品牌认知度是品牌资产的重要组成部分，品牌认知度是衡量消费者对品牌内涵及价值的认识和理解度的标准，同时也是公司竞争力的一种体现。

2.而品牌形象是品牌在公众心中所表现出的个性特征，它体现公众特别是消费者对品牌的评价与认知，以及对品牌所具有的一切联想。品牌形象分为三个层级的形象：产品或服务本身的形象、使用者的形象、产品或提供者的形象。

3.品牌满意度是消费者通过对一个品牌产品或服务的可感知效果与对比预期相比较后，所形成的愉悦或失望的状态，可以不满意、满意、满足、愉悦等四种情绪，一个拥有高满意度的品牌，其顾客的购买率及重复购买率也在相应提升，因此品牌满意度的研究也非常重要。

在传统的市场研究中，品牌认知、品牌形象和品牌满意度研究是通过市场调查的手段来实现。

在大数据时代，我们可以利用互联网大数据辅助品牌认知度、品牌形象和品牌满意度研究。

我们可以通过网络爬虫技术，对新闻媒体、社会化媒体等网站实时全网监测，实时掌握网民对品牌和竞品的品牌提及量、产品提及量以及提及量的趋势，掌握自己品牌和竞争的品牌形象评价；通过品牌和产品的正负面评论的监测，及时了解对品牌消费者对品牌的满意度情况，及时发现问题。

过去，进行品牌认知度、品牌形象以及品牌满意度的市场调研，从调查开始到报告产生，至少需要半个月到一个月，而且由于成本和操作性的限制，只能选取一些代表性的人群和地点做代表性的抽样不够全面。

利用大数据手段，我们可以实现更快更全面以及更真实的统计，这对我们及时的了解品牌认知度、品牌形象以及品牌满意度的现状和趋势非常有帮助。

二、大数据用于忠诚度研究

净推荐值研究方法是客户忠诚度研究中的重要方法。

净推荐值（NPS）研究方法由国际知名咨询公司贝恩咨询客户忠诚度业务的创始人佛瑞德·赖克霍徳（Fred Reichheld）在2003《哈佛大学商业评论》文章“你需要致力于增长的一个数字”的文章中首次提到。

该方法通过调查客户问题“您有多大可能向您的朋友或同事推荐我们公司的产品或服务？（0-10分）” 来获得，根据客户的回答分数分成三组：

1.第一组给公司9分或10分，称之为“推荐者”(promoters)；他们是对公司产品或服务满意度和忠诚度非常高的客户，在当今社会化媒体营销时代，他们是公司产品或服务免费营销人员，他们会推荐朋友和亲人来购买。

2.第二组给公司7分或8分，为“被动满意者”(passively satisfied)；他们对公司产品或服务既无不满意，也无满意的客户，较易被其他竞争者吸引。

3.第三组给0至6分，是“贬损者”(detractors)。他们对公司的产品或服务非常不满意，不仅仅停止购买公司的产品或服务，他们会尽一切可能劝周围的人不要买，同时会转向其他竞争者。

NPS值即为推荐者所占百分比与贬低者所占百分比的差值（如下图）。

NPS的业务逻辑是：推荐者会继续购买并且推荐给其他人来加速你的成长，而贬损者则能破坏你的名声，不仅仅停止购买，而且劝说周围朋友购买，让你在负面的口碑中阻止成长，NPS则是反映了这两股力量较量的结果。

Fred Reichheld实证研究证明NPS和长期利润成长有正相关性，NPS表现越好，未来企业利润的成长就会越好。

图：NPS计算方法

大家可能会问，NPS分数在多少为比较理想的状态。

实证研究表明，NPS分数在NPS的得分值在50%以上被认为是表现不错，得分值在70－80%之间则证明公司拥有一批高忠诚度的好客户（如苹果、Google等互联网公司的NPS超过70%），大部分公司的NPS值在5－10%之间，更差的公司NPS还可能是负值。

当然，我们仅了解NPS是不够的，NPS本身不能提供具体的改进意见，我们还需要结合影响满意度的原因深入研究，尤其是对贬损者指标进行深入的满意度研究，挖掘“贬损”背后的原因。

大数据技术革新传统NPS研究方式。

大部分NPS的研究其数据获取方式都采用调查问卷的方式，这种方式很容易受到抽样方式、客户心态甚至活动礼品等多方面的影响，导致数据失真。

在大数据时代，NPS的数据可以来源于客服系统的语音数据和评价文本数据、电商平台购物用户的打分及用户评论文本数据以及社会化媒体如微博、论坛等的评论文本数据，这些数据我们都称之为“用户反馈数据”。

我们可以利用语音分析技术、文本分析技术将这些非结构化的“用户反馈数据”结构化，从而更好的进行数据挖掘，识别“贬损者”和“推荐者”，全面和快速的计算NPS，并可以利用这些大数据，了解“贬损者”的“贬损”的原因。

如果还能够把业务系统和运营系统的“用户行为数据”关联整合进来，我们不仅仅通过“用户反馈数据”了解用户“贬损”原因，还可以了解“贬损者”的历史“用户行为数据，将更有利于我们更好的洞察用户，更全面、更及时优化“贬损者”的用户体验和改进方向；同时可以定向为“推荐者”展开更多的优惠促销或者附加增值服务。

通过大数据手段可以更好的实时掌握NPS，还可以洞察NPS“推荐”或“贬损”的原因，为市场推广、客户服务、业务运营等部门的关键应用场景提供决策支撑，有利于进一步提升用户亲密度和忠诚度。

三、大数据用于市场细分

市场细分是按照消费者在市场需求、购买动机、购买行为和购买能力方面的差异，运用系统方法将整体市场即全部顾客和潜在顾客划分为数个不同的消费者群（子市场），以便选择确定自己的目标市场。

市场细分的基础是购买者对产品需求的差异性。

但是，这种差异性一般很难直接度量，故常用其它比较容易度量以及和需求密切相关的变量来对市场进行细分。

这些变量包括地理、人口统计学属性、行为以及消费心态等变量：地理细分是将市场划分为不同的区域市场，例如可按下列地理特征将市场细分：行政区划、城市规模、资源状况和气候；人口统计学细分人口统计变量来细分市场，常用来细分市场的人口学变量有年龄、性别、民族、居住地、家庭规模与生命周期等；行为和态度细分是根据消费者对产品的购买动机、购买行为和使用情况来细分；心理细分是按消费者的社会阶层、生活方式、人格特征划分为不同的群体。

市场细分既可以按照以上单维度细分，也可以组合以上维度进行多重标准细分，同时按照多重标准可以将消费者分为比较小的、同质性更高的群体。