如何利用CRM系统数据做用户画像

销帮帮CRM，为您解答，希望能帮到您~

CRM重要的作用之一就是大数据分析，建立企业CRM不仅可以实现高效的销售管理，更重要的是可以帮助企业更好营销。CRM将目标人群的信息根据需要划分成不同维度，让信息标签化，提炼出个体或整体的用户画像模型，为企业决策指明方向，助力企业迅速找到目标用户，从而转化成更多的价值。

CRM运用一段时间后，系统内就会积累大量的用户信息数据。

1、用成交客户模型挖掘潜在客户

对于成交客户，可用CRM挖掘出他们的共性特征，由此来指导对潜在客户的行为。在初始使用销帮帮CRM时，客户可自定义用户的标签，比如地域、所处阶段、来源等等。成交客户积累一定数量后，CRM会对成交的客户进行阶段平均周期、行业、来源、产品等共性方面统计，形成用户画像模型，让企业了解到哪个行业或地域机会最多，哪种产品最受客户喜爱

这些共性特征，可用来对潜在客户进行更好的挖掘和服务。例如，在销帮帮CRM机会分析应用中，直接对销售漏斗阶段进行了呈现，通过大量数据计算出每个阶段的平均停留时间，由此时间点来安排对潜在客户的跟进对策，更快赢单。

在营销推广应用中，CRM可以统计成交客户来源数据，通过和最终转化率相比对，提炼出合适的推广渠道，进行精准营销，让利益更大化。

2、个性特征指导个性化服务

对成交客户，要研究每个客户的自身数据，如对购买频率、产品购买喜好等进行分析，挖掘出客户购买行为规则，个性化为客户服务，提升客户的满意度和黏性，延长与客户的合作周期。

对未成交客户，对客户列表信息、跟进记录等整体情况仔细研究，挖掘出客户顾虑点，更好的为客户服务。

用户画像的核心就是数据，通过CRM深度认识企业的目标客户，不断完善客户模型，减少目标客户的流失率。

CRM行业的重要卖点之一是大数据挖掘，针对如何利用CRM系统进行数据挖掘来进行客户关系管理，这里以百会CRM为例，进行一个简单地说明。

客户识别

CRM开始于客户识别，这个阶段的目的就是找到最有可能成为企业的新客户;对企业来说最有价值的是老客户;本阶段还要识别出那些即将流失的客户并且研究如何挽回。百会CRM可以全方位地收集客户资料和信息，及时记录对应的客户线索，并将其进行关联，当客户联系销售人员时候，能够第一时间识别出来。

客户吸引

发现了潜在客户群后，企业可以采取相应的营销策略来吸引这些潜在客户群。吸引客户的一个有效方法就是直接营销，直接营销是企业向客户直接进行推销，通过多种多样的渠道刺激客户直接下单。百会CRM可通过线索表格，无论是从网站获取的，还是线下的研讨会获取的线索信息，百会CRM能够通过对数据的分析，对不同的营销对象来推出对应的营销活动，抓住客户的兴趣。

客户保留

客户满意度指的是客户对企业的期望值与客户本身所感知之间的比较，是企业能留住老客户很重要的条件。企业保留老客户的方法包括一对一营销、客户忠诚度项目和投诉管理。一对一营销指通过分析、发现和预测特定客户的行为，客户忠诚度项目的目的是企业和客户维持较长时间的业务联系。客户忠诚度项目包括客户流失的分析、信用评分、服务质量和对忠诚度项目的满意度。百会CRM可以为客户提供一对一的客户定制服务，对客户进行的有针对性的个性化营销活动，从而为更好的保留客户打下基础。

客户开发

客户开发的要素包括客户生命周期价值的分析，升级销售和交叉销售的市场分析。客户生命周期价值指企业从客户身上所获得的总净收益。升级销售指在合适的时间，为合适的客户提供合适的服务。交叉销售指将各种资源(时间，金钱、构想、活动等)整合，从而降低成本，通过多渠道使企业接触到更多的潜在客户。百会CRM的数据分析的主要目的是通过分析客户购买行为的数据，挖掘出隐藏在客户购买行为后面的规则，最大化客户交易强度和价值。

用户画像，是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌，可以看作是企业应用大数据技术的基本方式。用户画像为企业提供了足够的信息基础，能够帮助企业快速找到精准用户群体以及用户需求等更为广泛的反馈信息。

进行精准的用户画像分析，需进行对用户进行多维度划分，多维度划分，可以知道用户在不同维度下的不同用户使用场景。依据不同用户使用场景下的使用心理进行精准的用户产品设计，或者运营打造个性化推送，方便产品进行用户SKU收集，为用户分析动态建模提供维度和数据支持。

那么怎么样构建真实、动态的用户画像呢？

需要从四个维度构建：用户静态属性、用户动态属性、用户心理属性、用户消费属性。

1、静态属性

静态属性主要从用户的基本信息进行用户的划分。静态属性是用户画像建立的基础，最基本的用户信息记录。如性别、年龄、学历、角色、收入、地域、婚姻等。依据不同的产品，记性不同信息的权重划分。如果是社交产品，静态属性比较高的是性别性别、收入等。

2、动态属性

动态属性指用户在再互联网环境下的上网行为。信息时代用户出行、工作、休假、娱乐等都离不开互联网。那么在互联网环境下用户会发生哪些上网行为呢？动态属性能更好的记录用户日常的上网偏好。

3、消费属性

消费属性指用户的消费意向、消费意识、消费心理、消费嗜好等，对用户的消费有个全面的数据记录，对用户的消费能力、消费意向、消费等级进行很好的管理。这个动态属性是随着用户的收入等变量而变化的。在进行产品设计时对用户是倾向于功能价值还是倾向于感情价值，有更好的把握。

4、心理属性

心理属性指用户在环境、社会或者交际、感情过程中的心理反应，或者心理活动。进行用户心理属性得划分更好的依据用户的心理行为进行产品的设计和产品运营。

根据以上的用户画像维度划分，以大学生为例，进行用户画像的建模。把维度划分好之后，进行四个维度的桌面研究，如果可以的话，收集完资料之后进行定性研究。桌面研究，到各大网站收集数据质量：百度指数、艾瑞网、TalkingData、友盟、企鹅智库、　Dataeye等数据质量渠道收集数据。从这个维度去收集用户资料。经过个人整理，得出简单结论（只是流程走通，具体很多细节还需要细化，考虑篇幅问题，不做具体描述）。

举例：大学生

大学生消费属性下的消费需求、动态属性下的聊天、娱乐需求，心理属性下的交友需求。大学生消费属性消费意向：消费占比饮食、购物、通讯、恋爱、游玩、出游为比重较高的。消费意识：yhk、xyk、分期消费等消费意识。消费心理：理性消费仍为消费主流；消费嗜好：消费呈现向多元化发展，服饰装扮，恋爱费，聚会吃喝为主流。

大学生心理属性大一、二、三（18-23）主要心理特征：交际困难、学习压力、恋爱感情波动、人格缺陷。大四（24-25）心理特征：就业压力、感情波动大学生动态属性网上行为动态属性占比为：聊天、看电视剧、看、购物、微博、查资料。动态属性主要有量大需求：聊天需求、娱乐需求。根据大学生用户画像，如果是运营活动类可偏向于送票、送网站会员（爱奇艺、乐视、搜狐、腾讯等）、送聊天工具会员（如：QQ会员、迅雷会员、陌陌会员、YY会员等）。将需求和产品推广相结合。（只是流程走通，具体很多细节还需要细化，考虑篇幅问题，不做具体描述）。

结语

进行精准的用户画像分析，能更好的服务、满足用户的内心真实需求。不对用户进行多维度的剖析，哪能明白用户真是的想法。有句话怎么说来着？做产品，得知道窥探人的心理，窥探人的内心想法。以一颗单纯洁白的心，去走进用户的心里，把纯洁的心染上用户的颜色。最后，豌侠所说的，都是没用的，大家自行体会。

一个标签通常是人为规定的高度精炼的特征标识，如年龄段标签：25~35岁，地域标签：北京，标签呈现出两个重要特征：语义化，人能很方便地理解每个标签含义。这也使得用户画像模型具备实际意义。能够较好的满足业务需求。如，判断用户偏好。短文本，每个标签通常只表示一种含义，标签本身无需再做过多文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。
人制定标签规则，并能够通过标签快速读出其中的信息，机器方便做标签提取、聚合分析。所以，用户画像，即：用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。
31 数据源分析
构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。
对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类，高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期…所有的子分类将构成了类目空间的全部集合。
这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。
本文将用户数据划分为静态信息数据、动态信息数据两大类。
静态信息数据
用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。
动态信息数据
用户不断变化的行为信息，如果存在上帝，每一个人的行为都在时刻被上帝那双无形的眼睛监控着，广义上讲，一个用户打开网页，买了一个杯子；与该用户傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等一样都是上帝眼中的用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦很多，如上图所示：浏览凡客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“双十一大促给力”的微博消息。等等均可看作互联网用户行为。
本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差异）。
在互联网上，用户行为，可以看作用户动态信息的唯一数据来源。如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。
32 目标分析
用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。如，红酒 08、李宁 06。
标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。
权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。
33 数据建模方法
下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。
什么用户：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。
以上列举了互联网主要的用户标识方法，获取方式由易到难。视企业的用户粘性，可以获取的标识信息有所差异。
什么时间：时间包括两个重要信息，时间戳+时间长度。时间戳，为了标识用户行为的时间点，如，1395121950（精度到秒），1395121950083612（精度到微秒），通常采用精度到秒的时间戳即可。因为微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。
什么地点：用户接触点，Touch Point。对于每个用户接触点。潜在包含了两层信息：网址 + 内容。网址：每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。可以是PC上某电商网站的页面url，也可以是手机上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微信订阅号页面，某游戏的过关页。
内容：每个url网址（页面/屏幕）中的内容。可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，红酒，长城，干红，对于每个互联网接触点，其中网址决定了权重；内容决定了标签。
注：接触点可以是网址，也可以是某个产品的特定功能界面。如，同样一瓶矿泉水，超市卖1元，火车上卖3元，景区卖5元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不同体现出了权重差异。这里的权重可以理解为用户对于矿泉水的需求程度不同。即，愿意支付的价值不同。
标签 权重
矿泉水 1 // 超市
矿泉水 3 // 火车
矿泉水 5 // 景区
类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。
所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。
什么事：用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏 等等。
不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。如，购买权重计为5，浏览计为1
红酒 1 // 浏览红酒
红酒 5 // 购买红酒
综合上述分析，用户画像的数据模型，可以概括为下面的公式：用户标识 + 时间 + 行为类型 + 接触点（网址+内容），某用户因为在什么时间、地点、做了什么事。所以会打上标签。
用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：
标签权重=衰减因子×行为权重×网址子权重
如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。
标签：红酒，长城
时间：因为是昨天的行为，假设衰减因子为：r=095
行为类型：浏览行为记为权重1
地点：品尚红酒单品页的网址子权重记为 09（相比京东红酒单品页的07）
假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。
则用户偏好标签是：红酒，权重是09507 1=0665，即，用户A：红酒 0665、长城 0665。
上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。

---