1. 数据分析网首页
  2. 大数据
  3. 数据分析

人群识别的常见错误,一种方法就可避免

如何利用数据分析来得出这些消费者洞察,并避免数据分析中的一些常见错误。

Data Knows,用分析师的观点解答一切关于数据的疑问,以第一财经商业数据中心(CBNData)专业的数据研究成果为载体,告诉你如何利用大数据协助日常商业决策。

写在前面

一般说来,商家在进行决策时,尤其是在进行市场细分决策时,往往会看到这样的描述:某高端女性护肤品牌A的目标消费群体是一二线城市,年龄在30-40岁间,高消费档次的女性消费者(此处应有都市女金领配图)。那么,具有以上属性的目标消费者是如何从消费群体中被识别出来的?这些描述的背后,是经过数据分析得出的消费者洞察。而年龄、性别、地域、消费档次、消费深度等便是用来区分消费者人群的常用属性。为了达到更精准的消费者细分,就需要不同维度属性的交叉分析,这个过程中往往会出现一些常见的错误,其实有一种方法就可以避免。

本期Data Knows就要告诉你如何利用数据分析来得出这些消费者洞察,并避免数据分析中的一些常见错误

人群识别如此简单?

Sooo Naive!—基数偏见,人群识别中的常见问题之一深夜,上海市区某甲级写字楼仍灯火通明,A品牌营销同学小A看到数据分析师D仔拉出的A品牌“按消费者年龄层分布的线上销售额柱状图”后,小A得出以下结论:A品牌最主要的消费群体应该是23-28岁的消费人群,然后是29-35岁消费人群。

人群识别的常见错误,一种方法就可避免

其实,小A恰恰产生了数据分析中最易产生的偏见之一,基数偏见,即在不知道基数的情况下做出的判断。此时D仔拍醒了沉浸在“人群识别如此简单”幻想中的小A,给她亮出加入了低端护肤品牌B、所有护肤品,以及线上消费大盘后的柱状图:

人群识别的常见错误,一种方法就可避免

小A立刻注意到,好像对于低端品牌B、所有的护肤品、乃至整个线上消费的大盘而言,主要的消费群体都是23-28岁人群,其次才是29-35岁人群。

难道所有护肤品牌商的目标客群都是23-35岁人群吗?

正当小A面对屏幕陷入迷思之际,D仔在其身后幽幽说道:“其实,缘于23-35岁的年轻人群是线上消费人群中人数占比最多,因此,在大多数的类目消费中,23-35岁的人群均为占比最大的人群。不可否认,这群人是品牌最大的销售额贡献人群,但考虑到在人数众多的23-35岁人群中找到目标消费者,如同大海捞针,而且并不能与其他品牌的消费目标人群产生区隔。因此,通过对比其他护肤品牌会有不一样的发现。如上图,加入了B品牌后,我们发现A品牌的36岁以上人群消费占比明显高于B品牌及护肤品整体,所以正确的结论应该是36岁以上人群才是A品牌的目标消费群体。

在这里我要教你一种算法。迎着小A眼中的小星星,D仔在白板上写下“TGI”三个字符。

换个算法,还你真相!

通过TGI算法识别结果:同样的数据,相反的结论!“TGI代表着Target Group Index,直译为目标人群指数,也经常被称为偏好度或重要性。一般常被用于统计中,用以判定特定群体的强势或弱势,算法多样。而我们用来判别人群的TGI算法则被称为人群TGI,人群TGI指数=目标群体中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例*标准数100。 ”D仔在白板上写完公式后,回头看着眼睛有些发直的小A接着说道:

人群识别的常见错误,一种方法就可避免

“如果在这次案例中应用TGI算法,我们可以看出对于A品牌来说,36-50岁与50岁以上人群才是人群TGI指数最高的消费人群,换句话说,也是对A品牌最偏好的人群,而原定的23-35岁人群其实对于A品牌并不偏好。35岁以上人群的消费能力更强,客单价高,也更符合我们A品牌的高端定位,因此将这群人定为目标消费者才是最有效的营销策略。同时对比我们的竞品B品牌,人群TGI指数显示18-28岁的青少年群体更偏好定位低端的B品牌,因此他们的目标消费者应该定为更年轻的人群。”

潜在客户才最重要!

人群TGI指数-减法,找到更大的潜在偏好人群D仔摇了摇没什么反应的小A,接着说道:“其实还没完呢,从这种人群TGI算法得出的结论应该是50岁以上人群才是最偏好我们A品牌的客户,但其实我们最应该关注的是人群TGI指数第二高的36-50岁人群。”

此时此刻,小A一脸懵……

D仔接着说道:“从数学原理判断,50岁以上人群基数较小,占大盘4%,而36-50岁人群基数相对较大,占大盘17%,基数小的人群更容易在人群TGI计算中出现较大的偏好度,因此仅仅按照偏好度作为依据,容易错误地把小基数群体作为目标人群,从而忽略更大的潜在偏好人群。为了克服这种偏见,我们可以采取减法的方式来计算人群TGI指数,算法为人群TGI指数=目标群体中具有某一特征的群体所占比例-总体中具有相同特征的群体所占比例。缘于原数值能够体现具体场景中的差异度,因此在减法TGI算法中无需标准化计算。”

人群识别的常见错误,一种方法就可避免

D仔说着又重新拉出一张柱状图,这次36-50岁人群成为了最偏好A品牌人群。小A恍然大悟道:“这次的结果我理解啦,就是36-50岁人群比起其他人群占整体销售额5%的偏好度,而50岁以上人群有2%的偏好度,因此如果能抓住36岁以上人群,我们至少能抓住品牌总销售额的7%!”

听完后,D仔一脸鄙视:“额,简单来说可以这么理解吧。总之,TGI的使用也是有规则和前提的。”接着,D仔在白板上写下一行大字:人群TGI算法使用须知。写完后D仔头也不回的走出办公室大门,深藏功与名,只留下小A一个人在空荡荡的办公室,呆呆地看着黑板上的使用须知,二脸懵逼……

敲黑板划重点时间!

人群TGI算法使用须知

  1. 人群TGI使用前提是拥有全量大盘数据作为参照;
  2. 人群TGI算法的大盘参照的选择:在业务场景下,优先使用大类目的大盘,例如A品牌使用护肤品消费大盘而非线上消费整体大盘,这样便于理解基于特定类目消费的特殊性;
  3. 人群TGI算法中减法与除法的选择:a)除法:强调相对值差异,适用场景:各分组间占比差异较大,需突出占比小分组b)减法:强调绝对值差异,适用场景:各分组间占比差异较小,需突出占比大分组

    在决定目标消费人群的场景下,我们需突出占比大人群,因此需选择减法;

  4. 除了人群TGI算法外还有品类TGI算法,用于判断特定群体对于购物篮中各品类的偏好度,且听下回分解。

本文由 第一财经商业数据中心 投稿至数据分析网,并经编辑发布,版权归原作者所有,转载请与作者联系。

本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请给「我们」留言处理。

发表评论

登录后才能评论

联系我们

如有建议:>>给我留言

QR code