本文根據Stratifyd資深解決方案經理段鑫龍（Bruce Duan）在“如何洞察您的消費者”直播課主題演講整理。上週我們通過“資料影響消費，消費營造資料”這篇文章瞭解了消費品行業的發展現狀，新生代網際網路消費者更樂於分享表達，然而消費者觸點分散，對企業洞察消費者、瞭解消費者需求痛點增加了難度，這時需要藉助資料技術的力量打造”以消費者為中心“的閉環洞察體系，這也正是文字要講解的重點。

我們知道新生代網際網路消費者更願意分享表達，但是如此多的反饋觸點如何選擇，又如何收集資料內容？這就是消費者洞察的第一環節——資料收集與連線；資料收集來了，如何將多樣化的資料型別格式化處理，更高效、精準地解讀消費者的聲音呢？自然過渡到消費者洞察第二環節——資料處理與分析；那麼，分析完了，如何將分析結果最終賦能到業務，讓業務人員讀懂資料背後的故事，進而做出科學的決策方案，這就需要第三步——資料洞察探索；最後就是持續地監測聆聽，持續監控資料發展趨勢，及時捕捉預警訊號，發現潛在隱患並及時處理，防患未然。

首先來談談資料的採集問題。對於不同型別的品牌，我們要考慮消費者資料在哪裡產生，我們就在哪裡採集。新生代消費者活躍的社交網路是資料的重要來源之一，包括微博、知乎這樣的社交媒體平臺，大眾點評、小紅書之類的生活體驗分享型平臺，攜程、汽車之家這種垂直資訊型平臺，以及快手、抖音等短視訊平臺。這些平臺的共性特點是形式多樣，主題分散，傳播迅速且KOL現象突出。

除了社交網路，我們為品牌提供服務的另一個重要資料來源是電商平臺。近幾年（尤其在疫情期間）很多品牌商的電商份額是在不斷增加的。電商平臺的資料共性特點在於產品的關聯性很強，同時資料一致性相對社交網路也比較強，因為電商平臺會通過一些預設問題引導大家發出高質量的評論，從而更好地瞭解使用者關於產品、價格、物流等方面的體驗，所以相對而言，消費者評論的主題聚合性也更高一些。跟社交網路的即時評論相比，電商評論相對偏體驗後的使用分享，而這種體驗後的分享會影響未來的購買者，因為使用者購物的時候通常會參考其他買家的評論。不過，也不是所有商品都適合做電商評論的分析，比如，我之前接手的可口可樂資料分析專案經驗發現，在電商平臺很難收集到大量有關可口可樂經典款品牌的真實評價，因為大家對可口可樂的經典口味太熟悉了，購買的時候已經有了非常充分的心理預期，多數是定期的復購，這種情況就很難激起大家的評論慾望。相反，一些特殊口味的可樂，聯名款的可樂以及可樂線下的其他商品很有話題性，評論質量很高。所以，在這裡我想說的是，我們要採集一個數據源的時候，首先要了解資料來源的優劣勢、侷限性以及特點，然後再看碟下菜，這是做專案之前要做的必要準備工作。

第三個重要的資料來源是企業內部資料來源，包括使用者資料、客服資料、採訪及銷售渠道資料。這些是我們的自有資料，不需要重新採集。由於企業數字化發展歷程不同，有的企業已經有了非常成熟的資料倉庫，有的仍處於各個系統的搭建過程中，進、銷、存資料還沒有集中成為一個數據倉庫或者資料中臺，儘管資料儲存階段不同，但大家都面臨一個共性問題，就是資料孤島現象嚴重，沒有得到統一管理和治理。

確認好資料以後再說分析。資料儲存起來幾乎是沒有價值的，甚至價值是負的，只會給我們帶來成本。資料的挖掘分析也會分幾個層次。例如，資料量不太大的時候我可以用Excel來做銷售的月報，再用PPT給業務部門進行分享，這是資料價值的一種挖掘和呈現方式。但是隨著資料量的增大，資料型別越來越複雜，企業對資料的實時性要求越來越高，我們用office這種離線工具只能做一些相對而言不是那麼複雜的事情。那麼如果一旦出現我說的上述問題中的一個，我們就需要去尋找其他的解決方案。例如，我會去搭建一些高效能的資料倉庫，我會用Echarts這種開放式前端介面或者成熟的BI工具去做進一步的視覺化分析，但BI其實只是停留數字、分類這種結構化資料分析的層面，很難了解消費者深層次的想法。我們要做消費者洞察首先要知道他們在說什麼，想什麼。消費者所思所想的東西其實已經留在了社交網路、電商平臺或企業內部的客服中心、呼叫中心裡。所以，在結構化資料之外，我們還需要利用人工智慧、機器學習等技術來挖掘非結構化資料的價值。我們需要NLU和NLP這樣的技術來了解消費者的情感和觀點。

例如我要分析消費者的文字評論資料，這些資料可能高達幾百萬條，我不可能靠人工逐一篩選閱讀，即使我能人工閱讀，也很難在客觀的情況下去抽取出來所有評論觀點。這裡就需要通過非監督學習聚類演算法，在數學層面客觀聚類文字評論資料中的重要內容，結合焦點詞雲以及情感引擎，快速探知文字中的重要內容及背後代表的業務洞察。例如在電動牙刷的詞雲中，我們可以看到消費者對“牙齦出血”、“價格保護”這樣的問題是持負面態度的，有了這些資料之後，我們就可以思考是否需要改變我們的產品價格，這就是我們講的如何使用AI和NLU來了解我們的消費者，這些都是傳統BI工具做不到的。

在一些情境下，我們希望把消費者評論中某些特定的話題抽取出來，每個部門關注的焦點不一樣，例如，產品部門會關心消費者對產品外觀、效能方面的評價，市場部門會關心消費者對品牌形象的評價，服務部門會關心消費者對物流、客服的評價。所以，針對同樣一份消費者反饋，分析的角度可以是不一樣的。這種情況下，可以通過Taxonomy文字標籤化的方式對文字進行分類、貼標，基於人工關鍵詞和AI的擴充套件去對資料進行分類，比如我們可以分別設定跟產品、使用者體驗、品牌促銷相關的標籤，通過這個工作，我們其實是完成了非格式化資料向格式化資料解析的過程，這樣業務部門就可以快速獲取他們想要的資訊，而無需回到原始評論資料逐一解讀。

上面我們介紹了資料的採集渠道和分析方法，其實在做消費者洞察的專案中最重要的還是對業務問題的理解，也就是說要明確分析的目標和框架。比如產品體驗分析方面，要明確是分析產品的功能使用體驗還是跟競品的對比分析；服務體驗的分析是要做自身的服務體驗和感受分析還是跟競品對比好差評分析；價格體驗分析是要分析價格變動、價效比方面，還是跟競品價格作對比；物流體驗方面是分析配送方式還是退換貨等等。

分析完成以後，我們要如何輸出、呈現分析結論呢？傳統的做法是由調研公司、諮詢公司或企業內部的分析小組提供excel、word形式的靜態報告去彙報，這種靜態報告資訊是非常有限的，是平面化的，結論化資訊為主。但是在當下快速變化的市場環境下，人們想了解資料的實時動態變化，這種情況更適合用可互動的動態報表去立體化呈現資訊的變化，這樣可以去做一些非假設性問題的洞察探索，也就是說我可能並不知道結論，我要經過多指標、多維度的嘗試探索才能找到這個結論。例如，新品上市後我發現市場反饋不是很好，那我想知道是價格所致，還是產品功能亦或其他因素導致，在探索的過程我們又會發現新的問題，所以，這是一個立體式的資訊呈現。我們呈現給業務方的並不是一個簡單的紙面報告，而是呈現一個立體式互動系統，同時它的實時性和可變更性也相對來說優於靜態報告，因此在這樣一個市場多變的競爭環境下，我們的分析方法絕對不是一成不變的。對於互動式報表，我們需要建立一種探索式思維，通過觀察異常、定位原因、虛招方案的迴圈，讓資料活起來。

瞭解了消費者洞察的閉環方法論，接下來大家很肯定好奇這套方法論是如何在實際專案中落地實施的呢？關注Stratifyd微信公眾號（公眾號ID：Stratifyd）推出的本系列「下篇」——“案例透視消費者洞察實踐與收益”，在「下篇」內容裡我們會結合實際服務的專案案例，代入式講解如果通過資料技術賦能業務場景，助力企業數智化提升競爭力，敬請關注。