品牌战略咨询公司对用户的洞察有什么优势？

聚焦品牌战略咨询，用思维和方法，带着问题的解决方案去做洞察。比如做用户画像，我们用的是用户画像的5类标签法身份标签、触点标签、、能力标签、需求标签、情感标签、这些标签都是触动用户行为的最重要的。这5类标签法也是腾讯、阿里，小米他们在做互联网产品研发和软件开发经常用的方法。因为我们在辅导小米的生态链的企业，我们把用户画像和消费者行为心智扫描相结合，最重要的是我们带着解决问题的 比如触点标签，一个词占据用户头脑，我们要找到这个词是什么？

彼得·德鲁克曾说，赢得竞争就要着眼于客户，企业的唯一目的就是创造顾客。

对企业来说，赚钱其实是一个副产品，是创造出顾客以后自然而然的结果。企业认为自己的产品是什么并不重要，对于企业的前途和成功尤其不那么重要，顾客认为他购买的是什么,他心中的 “价值”何在，却具有决定性影响。

企业成功的起点不是商业模式，而是机遇和需求，要满足用户什么样的需求和愿望，才是一家成功企业的商业模式的源头。我们要对客户充分观察，发现其模糊和潜在的需求，任何未满足的需求和服务的不足都是新业务起步的基础。

无数调研发现，以顾客为中心和企业收益增长是强正相关的。收益增长的企业往往有三个特征：

1: 它会在任何一个客户接触点，不论是线上还是线下，给用户提供一致的、有意义的体验；

2:它能满足用户不断变化的需求；

3:这个企业的团队永远把洞察用户作为一个企业未来生命线的增长引擎。

这三个特征都跟顾客相关，洞察用户主要从以下六个点来解析。

说起细分市场，大家常会用年龄、收入等进行描述。真正的细分市场不是按收入、地区、婚否、家庭、年龄等人口统计学特征划分的，它指的是有着相似需求和利益的一群人。还有人按照产品进行细分，说我是个精品商店或普通商店，这也不是细分市场的正确划分方法。

总之，不考虑用户需求是最大的错误。细分市场由特征顾客组成，而非产品和服务，只有把需求说清楚了，才有资格继续往下说有相似需求的这群人的年龄段、收入、婚否之类的特点。

如果你的定位就是卖给白领，100个顾客里67个白领33个非白领，就是卖给白领了吗？最后只有一条不归路，低价，天天搞促销。但是如果你把67个白领划分为5类人，情况就不同了。

第一种是高品牌忠诚度，有些白领天生就要买国际大品牌，无论如何国内品牌他是不会买的；

第二种对价格很敏感，管你什么品牌，超过500块（不一定特指500元，而是指消费者的心理承受价格）就不买，无论你的质量、服务有多好；

第三种是质量追求者，她可以不关注品牌，但关注面料、款式；

第四种是服务追求者，比如海底捞，它不一定好吃但服务到位；

第五种是追求方便，比如网购可以直接送到家。

这67个白领是一种人还是5种人？传统的思维是一种人，现在的思维是将其视为五种客户，要用不同方法去做。客户不同，产品、营销、渠道，甚至团队就都会不一样。只要客户不定，什么都定不下来，什么都会有偏差。

如何进行市场细分呢？

主要有四个方面标准。

1）人口、社会、经济收入

如果你问企业家们，其目标用户是谁，他们往往会说用户是25~35岁、收入在1万左右的白领；这种说法天生的缺点是你无法判断用户会不会买，这种描述下的目标人群跟未来的购买行为没有关系，但优点是比较容易量化。

2）行为消费标准

买什么、什么时候买、什么场合用、每次的数量、购买的方式、为谁买、定期买还是偶尔买等，这叫行为标准。最近很火的场景营销就是这个领域的要点。

3）产品品牌态度动机

品牌动机，往往是类别、价格、款式，种类，即用户购买产品的背后动机是什么。

4）生活方式，文化潮流

用户的生活方式决定了用户购物的动机，比如你是一个追求自由，有独立见解的人，那你购物的决定因素可能就不是品牌知名度，而是个性化的关注品质的品牌。很多品牌宣传的自我优势主要还是停留在产品功能层面，如质量，款式等，但其实这些很难差异化，因为容易复制，真正能深入人心的品牌都是重新塑造了生活方式，比如美国娃娃、哈雷、乐高等。

此外还要考虑一个问题，你是要抓小池塘的大鱼，还是要抓大池塘的小鱼？小池塘的鱼往往是同一种，你用同一种鱼钩，在同一个时间就能抓住；大池塘的鱼虽然很多，但是难度会非常高，你的鱼钩、时间、对象、鱼饵都是不一样的。比如，“卖给白领”就是到一个大池塘里面去挖各种不同的白领，这个容易还是卖给一种特定的白领容易呢？做生意应该做哪一种呢？这个需要好好思考。

即使购买同类产品，客户也有不同的需求，所以用户要去平均化。满足所有客户的产品往往是在浪费资源，需要围绕不同的细分客户，推出跟他需求相匹配的产品和服务。

美国波士顿交响乐团是一个经典案例，它们的音乐厅美轮美奂，演奏技巧精湛，音乐令人陶醉，碰到的最大问题是，很多人来了之后就再也不会来了。怎么办？

波士顿交响乐团对听众进行了分类，也就是去平均化。通过数据分析，他们发现听众是不同的：比如有一类是核心听众，他们经常来，占总人数的26%，但贡献了总收入的56%，五年内平均每个人贡献5000美元；再有一类是尝试听众，他们只听过一次，占总人数的37%，但贡献的收入只占11%，这些人群人数最多，流失最大；还有其他类别，比如一年来两三次的；还有的出席过很多次，但保护个人隐私，并没有注册个人信息，等等。

有了数据分析，针对主要矛盾点——只来过一次的“尝试听众”，美国交响乐团做了大量的调研，结果发现：绝大部分人不再来不是因为听不懂，不是因为演奏家水平不高，不是因为品牌没有声望，不是因为建筑不好，而是因为他们从郊区过来无法停车。于是他们提出了解决方法：找附近的停车场合作，让来的听众可以顺利停车。基于测试组（停车新政策）和对照组（没有改变）的实验数据，测试组的收入高了5倍。

后来，这个乐团还做了另外一些事情，比如发现古典音乐的受众平均年龄接近60岁，家庭数很少，他们希望降低听众平均年龄，增加家庭，重点是吸引40岁以下的人。为了实现这个目的，他们做了许多尝试，比如：提供适合家庭的围坐座位，举办主打较短乐曲的儿童日常音乐会；针对高中生、大学生提供特殊票价的定制服务；给40岁以下听众提供折扣票；将年轻人优先安排在前排……最后，注册家庭的数量从16000增加到45000，平均年龄从58岁降到48岁，收入提高了9倍。

不过个人建议，做这种市场活动最好一次改变一个变量，稳妥一点，不能这么多同时干。比如这个季度做儿童，下个季度做老人，最好不要同时针对各个不同的人群实施各种活动。

在《跨越鸿沟》这本经典书中，作者将用户分为了几个类型：其中5%是尝鲜者（innovator），他们偏爱创新的概念，对产品的质量、服务甚至价格都不是太关心，追求酷和新鲜；10%是早期采用者（early adopter），比如买苹果手机的人，从1代开始买的就是尝鲜者，从3代开始买的就可以算是早期采用者；大部分是主流人群，又可以分为两种，一是早期大众（early majority），一是晚期大众（late majority），他们对产品的性能、质量、服务的要求比较高；最后一种是落后者（laggard），产品进入衰退期时才跟风使用。

《需求》这本书中有一个案例，讲的是美国加州的一家医疗机构Caremore,它在挖掘客户痛点方面做得非常好。比如，他们发现三分之一的老年患者没有按照预约的时间来看病，分析原因发现40%的老人由于独自生活，不能开车，只能打急救电话；再如，他们发现糖尿病人截肢率高，很多是由小伤口引发的，但医院没有专门的门诊处理小伤口，等等。这家医院的创始人从行业服务的不足对用户痛点和背后的原因进行洞察，最后做了很多竞争对手不愿意干的事情。比如，他们免费用车接老人来医院看病，专门搞了个门诊部处理小伤口，等等。表面看上去好像增加了成本，但却增加了营收。

由于解决了竞争对手不愿意解决的问题，Caremore的患者推荐率是80%，总体医患成本比行业低18%，住院率比行业低24%，平均住院时间比其他医院低28%，结果是比任何医院都赚钱。它的创始人说的话值得每个创业者深思：我们要减少用户麻烦，而非减少成本，如果我们能把人的重要性放在盈利前面，我们就能盈利。

伟大的公司都是痛点解决者，成功的钥匙是以用户痛点为核心的，不是产品服务本身。应该问用户3个问题：

为什么需要这个产品；

为什么需要购买你的产品；

为什么现在就需要购买。

记住，用户买你的东西，你先不要直接卖你的产品，更不要先说打折、推销，你应该先问他对这个产品的需求是什么，你为什么需要一辆车，为什么需要一个手机，而不是先说我的手机怎么好，说现在可以打折。只有站在用户需求角度，才会忘记自己，真正站在用户需求的高度去对产品服务实施差异化的创新。

客户生命周期也是客户细分的一个新的思考维度，同一个用户如果按照生命周期划分，可以分为将信将疑、潜在、新顾客、回头客、主流顾客、休眠、流失客等7种，应该围绕用户不同生命周期实施不同的个性化的产品服务。

无论是做客户关系、做产品、做定价还是做品牌，如果理论脱离了用户生命周期都是没法用的。比如客户关系，对新客户来说，也许只是建一个档案；但对于老客户来说，你就应该数据建模、做数据清理，因为很可能他用了不同的邮件和不同的地址，但其实是同一个人。

再比如，围绕客户的生命周期要选择不同的促销方式。对新客户来说，跟他推荐一大堆产品没有用，他就想买一个产品试试看，这时候用合适的产品引流就可以了，可能要便宜一点；对于老客户来说，就给他推荐关联商品；对流失客户，不要推引流产品也不要推关联产品，因为他不再买了是因为你没有新产品了。

很多品牌不关心数据，而是凭经验和直觉来决策，无论是大数据还是企业用户的购物小数据，都可以帮助我们更好地洞察用户。

最后，真正严谨的科学的用户洞察方法是什么？首先要问问题，品牌的困惑是什么？然后要做行业背景研究，你可以先建立一个假设。比如，假设现在上新能够解决品牌转化率不高的问题。然后要做实验验证假设，构建流程，比如真的多少样本做问卷，等等。有正确的流程后，你再做数据分析，形成结论，如果验证下来结果跟假设是不对的，假设就应该放弃，意味着这个事情不能做，不能拍脑袋。

什么叫好的老师、专家？一定是当他告诉你某件事情好的时候，也提醒你限制性条件是什么？比如，这个结论仅仅在服装行业发现，不代表化妆品行业可以用，或者这个结论仅仅是样本数为300的时候得出的，不代表样本数是3000时也能得出一样的结论。这才是严谨科学负责任的专家。

第一，不要只以年龄收入来细分顾客，要记住细分市场的4个标准。

第二，客户要去平均化，围绕不同的细分客户推出与需求匹配的产品服务。

第三，重点扶持早期客户，精益创业，再复制。

第四，业务的起步基础是花最大力气先找到用户未满足的需求跟服务的不足。你的新业务将来成功的起点是对手没看到这个机会、问题，你看到了。

第五，同一个用户在固定生命周期应该有不同的产品或服务。

第六，客户洞察的时候借助数据辅助决策。

一什么是用户洞察

我们通常所说的用户数据的收集分析使用，用户数据挖掘，量化营销等概念，在埃森哲的价值框架中，都是用户洞察的一部分。

这样一种概括已经被越来越多的企业与专家认可。用户洞察不是指某个用户服务人员，用户接触人员个人对客户的熟悉与了解的能力，它指是在企业或部门层面对客户数据的全面掌握及在市场营销与客户互动各环节的有效应用。

二容易存在的误区

1仅用年龄、收入进行客户细分

说起细分市场，大家常会用年龄、收入等进行描述。真正的细分市场不是按收入、地区、婚否、家庭、年龄等人口统计学特征划分的，它指的是有着相似需求和利益的一群人。

如图~即使收入高的用户每个人的消费观的不同，也会购买不同的产品，100个顾客67个白领。33个非白领，产品就是都卖给非白领对了吗？最后只有天天促销。但是可以把67个白领用户细分。

第一种重视品牌，只认牌子不考虑价格

第二种重视价格，心中有一个价值点，超过心里的预设值就会不买，不管性能，服务如何如何的好~3000块预算进卡吧，价格加到八万八是不存在的，3000块钱进图吧~学校对面开网吧是极好的、

第三种是重视质量的，不管价格，不管牌子，只要好用品质至上

第四种是服务追求者，如海底捞~好不好吃不重要，服务到位就好~

第五种追求方便，网购可以直接到家最好~如狗东~

这67个白领是一种人还是5种人？传统思维下会认为只是一种人，现在改变思维，把他们视为五种人，针对他们制定相应的策略产品、营销、渠道，甚至团队就都会不一样。只要用户不定，什么都定不下来，什么都会有偏差、

如何进行市场细分

1人口社会、经济地理

如果你问企业家们，其目标用户是谁，他们往往会说用户是25~35岁、收入在1万左右的白领；这种说法天生的缺点是你无法判断用户会不会买，这种描述下的目标人群跟未来的购买行为没有关系，但优点是比较容易量化。

2行为 消费标准

清楚五个W一个H。就是

1what：了解消费者知道什么、购买什么。2who：了解消费者是哪些人。3where：了解消费者在哪购买，在哪用。4when：在消费和购买某类商品和服务的具体时间。5how：了解消费者怎样购买、喜欢什么样促销，如何用。6why：了解消费者行为的动机。

3产品品牌态度动机品牌动机，往往是类别、价格、款式，种类，即用户购买产品的背后动机是什么。

4生活方式。文化潮流用户的生活方式决定了用户的购物动机，消费关决定了消费能力很多品牌宣传的自我优势主要还是停留在产品功能层面，如质量，款式等，但其实这些很难差异化，因为容易复制，真正能深入人心的品牌都是重新塑造了生活方式，比如美国娃娃、哈雷、乐高等。

二关于客户谁是谁不是的界定错误

例如李宁，在以前主打二三线城市，与阿迪达斯、耐克、在一线城市，相安无事在01以后的奥运会以后，开始想要进军一线城市，放弃了只有李宁自己做代言人的做法，开始聘请其他明星。原本主要赞助中国传统体育项目体操，体操受众跟阿迪达斯和耐克的用户不太相关，但是后来开始跟阿迪达斯、耐克抢，也要赞助NBA，但是没有激发用户热情，还疏远了原来的客户群。

这样一来，原本面向二三线城市的老产品，老顾客，开始去一线跟耐克、阿迪抢，并且模仿耐克阿迪，这样一既让老用户觉得你变了~耐克。阿迪的老用户也觉得你学不像，无法取代耐克阿迪。

三没有从源头痛点上洞察客户需求

《需求》这本书中有一个案例，讲的是美国加州的一家医疗机构,它在挖掘客户痛点方面做得非常好。比如，他们发现三分之一的老年患者没有按照预约的时间来看病，分析原因发现40%的老人由于独自生活，不能开车，只能打急救电话；再如，他们发现糖尿病人截肢率高，很多是由小伤口引发的，但医院没有专门的门诊处理小伤口，等等。这家医院的创始人从行业服务的不足对用户痛点和背后的原因进行洞察，最后做了很多竞争对手不愿意干的事情。比如，他们免费用车接老人来医院看病，专门搞了个门诊部处理小伤口，等等。表面看上去好像增加了成本，但却增加了营收。由于解决了竞争对手不愿意解决的问题，这家医疗结构的患者推荐率是80%，总体医患成本比行业低18%，住院率比行业低24%，平均住院时间比其他医院低28%，结果是比任何医院都赚钱。

事例告诉我们  我们要减少用户麻烦，而非减少成本，如果我们能把人的重要性放在盈利前面，我们就能盈利。

4忽视客户生命周期差异

客户生命周期也是客户细分的一个新的思考维度，同一个用户如果按照生命周期划分，可以分为将信将疑、潜在、新顾客、回头客、主流顾客、休眠、流失客等7种，应该围绕用户不同生命周期实施不同的个性化的产品服务。

5没有数据辅助的用户洞察

很多品牌不关心数据，而是凭经验和直觉来决策，无论是大数据还是企业用户的购物小数据，都可以帮助我们更好地洞察用户

三总结

第一，不要只以年龄收入来细分顾客，要记住细分市场的4个标准。

第二，用市场吸引力跟支持能力纵横轴来选择自己最合适的细分市场，不要心太大，什么客户都要做。

第三，业务的起步基础是花最大力气先找到用户未满足的需求跟服务的不足。你的新业务将来成功的起点是对手没看到这个机会、问题，你看到了。

第四，同一个用户在固定生命周期应该有不同的产品或服务。

第五，客户洞察的时候借助数据辅助决策。

微博言论往往带有强烈的情感色彩,对微博言论的情感分析是获取用户观点态度的重要方法。许多学者都是将研究的重点集中在句子词性、情感符号以及情感语料库等方面,然而用户自身的情感倾向性并没有受到足够的重视,因此,提出了一种新的微博情感分类方法,其通过建模用户自身的情感标志得分来帮助识别语句的情感特征,具体地讲,将带有情感信息的微博语句词向量序列输入到长短期记忆网络(LSTM),并将LSTM输出的特征表示与用户情感得分进行结合作为全连接层的输入,并通过Softmax层实现了对微博文本的情感极性分类。实验表明,提出的方法UA-LSTM在情感分类任务上的表现超过的所有基准方法,并且比最优的基准方法MF-CNN在F1值上提升了34%,达到091。

关键词: 情感分析, 长短期记忆网络, 用户情感倾向

Abstract:

Micro-blog's speech often has strong sentimental color, and the sentiment analysis of Micro-blog's speech is an important way to get users' opinions and attitudes Many researchers conduct research via focusing on the parts of speech (POS), emotion symbol and emotion corpus This paper proposes a novel method for Micro-blog sentiment analysis, which aims to identify the sentiment features of a text by modeling user sentiment tendency Specifically, we construct a sentiment information embedded word embedding sequence, and input it into a long short term memory (LSTM) model to get a sentiment embedded output representation Then we merge both the user sentiment tendency score and the output representation of LSTM, and use it as the input of a fully connected layer which is followed by a softmax layer to get the final sentiment classification result The experiment shows that the performance of our proposed method UA-LSTM is better than all the baseline methods on the sentimental classification task, and it achieves the F1-score up to 091, with an improvement of 34% over the best baseline method MF-CNN