
来源:接地气学堂微信公众号
作者:接地气的陈老师
分享一个B2B用户画像的做法。网上流传的资料大多是B2C相关的,导致在B2B企业的同学很困惑:”老师,说是RFM模型,可我们的客户都是n久没有一张单,一张订单几百万,怎么个RFM法呢?“是滴,有这种困惑,就初步领略到了B2B业务的蛋疼之处。开局一首诗,大家体会下B2B各种无奈。
越是大企业流程越长,越是大额采购牵扯的利益越多,越是技术型采购可以操作的空间越大。各种骚套路如下图:
在B2C里,电商为了诱惑大家买个几十块的东西,都会送个礼品,派个优惠券;B2B里为了诱惑客户下几百万上千万的订单,手段更是五花八门,无所不用其极。
各种明争暗斗,写本《采购部主任》或者《投标攻略》的书都够了。所以才有了开头的各种吐槽。我还跟那些做B2C企业项目的同事开玩笑:B2C业务的精准营销、个性推荐,最多是把地毯式轰炸换成火力覆盖。最后想打动用户,往往“代码千行,不如优惠券一张”,只要给点优惠用户就能来。做B2B的精准营销,则是靠各个身怀绝技,神通广大的销售。人家能精准到领导的裤裆下三寸。
O(╯□╰)o
之所以会这样,是B2B业务本身特点所决定的。(如下图)
回答里举的例子,都是软件定制开发的采购,流程会特别复杂。一般商品采购会稍微短一些,但复杂度也远远超过普通B2C业务。企业采购要按流程走,有流程就有各种规矩。
用户在京东买东西,不去淘宝买,可能淘宝砸一个优惠券人就回来了。但一旦乙方在甲方失去联系,甚至被打入采购黑名单,以后就永远失去了每年数以百万计的生意,就是这么残酷。丢失一个老客户惨过开发10个新客户,在B2B领域更成立。
所以,B2B企业会更需要做用户画像:一则为建立清晰的用户联系,把客户控制权从一线销售手里夺回来。二则,为了清楚掌握客户特征,识别用户需求,及时跟进服务。与B2C用户画像一样,B2B用户画像也可以分为用户名称,基本特征,消费行为,互动行为等维度,但要考察的内容完全不同(如下图)。
单纯看用户画像的维度,相似之处很多,但有着两个本质区别:个人VS组织,个人需求VS经营效果。
有些同学会想:需要哪些字段已经列好了,下边就和B2C用户画像一样,采集数据—打标签—做关联分析—做推荐算法,走起。对不对?大错特错!对B2B用户画像而言,列出需求字段只是万里长征第一步,真正的挑战从这里开始。
第一关:销售队伍管理
和B2C不同,做B2C用户画像的企业,不是淘宝、微信这种超级平台,就是有能直接沟通客户且有一定体量的公司(京东、饿了吗、滴滴)。用户登陆平台后,所有的操作在平台上完成。但B2B企业不同,用户的操作不是单纯依靠平台,而需要通过销售、商务、渠道一类人工工作。虽然有些大甲方(比如银行、运营商)会建供应商信息平台,但单纯通过平台收集的信息,也仅仅是企业资质一类的常规信息,与业务有关的核心字段(比如经营情况)很少有人提供。至于大量中小企业,就更难指望别人主动提供了。
这就产生一个巨大的隔阂:没有一个做B2B业务的销售,会乖乖把客户信息全部交出来。是滴,包括陈老师自己,都是把客户的信任当作私有财产。如果销售不配合,远在总部的职能部门根本连真实的客户是谁都不知道。这里有太多手段可以鱼目混珠(比如客户的采购部一个组5个人,销售只留一个最基层的职员的联系方式给公司,真正推动流程的主管的联系方式自己留),所以,用户画像的成功是建立在渠道管控之上的。渠道管不住,收回来的数据就是呵呵,后续的分析,也就是在烂泥巴里建高楼大厦了。
渠道管控,纪律是第一位的。除了纪律以外,我们可以通过工具来培养销售的习惯,固化销售的行为。比如用移动端销售助手代替PC端;比如用企业微信替代个人微信,用电子通讯录替代个人拜访记录;比如把发票报销(绝对刚需!)和拜访记录挂钩,没有拜访记录不能报销;比如需要征调专家资源的时候,必须录入使用目标,要解答的问题等等。这样让大家轻松打开企业微信做报销,录入客户信息,联系客户,即减少了销售们最讨厌的paper work,又提高了效率。有可能这样做,对于老奸巨猾的老销售很难起作用,但足以改变新进销售的习惯,从而使数据慢慢完善起来。
还可以通过交叉检验的方式,比如软件类产品打标,售前需要参与方案设计,开发需要制作demo,客服需要跟进使用满意度,这些非销售职能在反馈数据真实性上是大大优于销售的。可以利用这些职能参与的机会,效验销售提供的信息,丰富客户数据。当然也需要给这些对应部门开发便利的服务工具以记录数据。
第二关:用户行为分析
B2B业务的销售过程很长,但一旦销售完成,客户可能今年都没有需求。所以不存在所谓RFM(或者说只有M,没有R,F,越是大企业采购越是这样)所以销售行为分析的重点在售前,要关注每一次打标的进度(如下图所示)。
B2C的应用,核心是响应,像打僵尸模式,面对一堆僵尸练枪法。B2B的应用则像吃鸡,生存圈在不断缩小(交易时间有明显窗口期)初始位置不固定(不知道从哪个节点收到的需求)所以需要不断跟进!跟进!跟进!
B2B的用户行为是我们和客户共同创造的。不同于B2C业务,只要推一条广告,之后就等着顾客来点击的被动模式。B2B业务,客户发出采购需求后,我方销售需要及时跟进。因此数据分析的重点,就在于我方跟进了多少次,客户进度推进到什么程度。基于流程的分析,会比单纯等着招标结束一个结果:成功/失败要丰富很多。也比直接让销售自己填:失标原因。或者客户傻乎乎的再回访要准确。(所以说到底,还是第一步得做好,用尽全力让销售保存拜访记录与沟通记录)。
B2B用户也会有向上销售的机会,这个机会甚至比B2C的用户来的更刚性和直接。比如我今天心情好,上淘宝买个周黑鸭吃,明天可能不想吃了。但企业营业收入从100亿成长到200亿,需要的服务器,系统功能,licence数量都必然会增加。这个估算反而比B2C容易,只是要关注用户的经营情况和部门架构变动情况。
B2B用户也会有交叉销售的机会,但和B2C完全是两码事。B2C交叉销售是基于一个人的购物习惯,比如我买了周黑鸭八成还需要啤酒。但B2B业务,很有可能不同需求的负责部门都不一样。企业还是同一家,但需求方发生变化。这实际上已经是一个新问题了。
虽然乙方们都希望甲方上了我的CRM,再上我的BI,再上我的ERP。但甲方可不一定都这么认为。有时候乙方能搞掂下边的人,但大老板想平衡供应商关系,不想一家独大。有时候能搞掂大老板,但下边的人有私心,就是卡着不让你过。所以B2B的交叉销售,基本上还是把不同的用户角色当不同的项目来处理,更容易成功。(所以说到底,是第一步得做好,摸清客户组织架构,找到真正发力的点)。
第三关:用户分类
做B2C用户分类时,我们常用K均值聚类的做探索性分析,在海量用户中找分类准则。B2B的思路完全不同。客户需要我们提供服务,本质上还是想让自己经营的更好,而经营这件事会有风向标的。比如我们能拿下行业内的领头羊,肯定能带来很多其他企业竞相效仿。比如一些中小散客户,可能自己就是朝不保夕。所以在做用户分类上,更多是看我们的战略方向,根据我们的盈利目标与客户的盈利能力,做一些有强业务指导的分类(如下图所示)。毕竟业务是做出来的,不是算出来的。有明确的方向,大家才好做业务。
B2C面对的往往是大众日常需求,如吃饭,衣服,出行;B2B面对的企业需求,本质只有1个:经营效果。所以关注用户的经营效果,制定我们的经营方略,才是设计用户分类的出发点
基本的用户画像概念就如上做述。虽然流程是差不多的:
设计用户字段
采集用户数据
描述用户行为
进行用户分类
但业务模式不同,直接导致了项目做法,实施重点,实施方式的不同。和B2C用户画像,我们强调做埋点一样,B2B核心就是销售管理,是基于业务流程数据的采集,能搞掂了数据才有后续分析,不然就是巧妇难为无米之炊了。
于是回归到开头的问题,那个同学问我,为什么手上有企业最核心的销售数据,却分析不出来个啥?我一口气问了八个有没有:
有没有采集客户的行业、经营情况、行业排名、发展速度数据?
有没有预先客户分类,比如哪些是开拓重点,哪些是现金牛
有没有清晰的客户角色(不是企业名称)记录
有没有最初的销售线索来源、到达时间、可靠性记录
有没有销售跟进次数、时间的记录
有没有客户采购流程的进度记录
有没客户问题沟通的记录
有没有来自售前、客服交叉记录
这位可怜的同学茫然的回答了八个:“不知道”……虽然他是做这个传统企业的经营分析,但他手头只有可怜巴巴的销售成单记录。除了XX企业名称+成单金额+成单时间外一无所有。这就难怪他分析不出所以然了。打个比方,B2C业务里拿些销售数据分析,就像你在旁观比赛,并且看到比赛中间进了球。你可以根据进球当时双方球队的表现推测后续进球情况。但B2B业务里,销售数据,就好像比赛已经打到点球决胜负,你只看到了最后一个队的点球绝杀,是滴,虽然你看到绝杀了,但是比赛也结束了,你也只看到了最后一幕。分析个啥……
不过我安慰他:很多B2B企业做惯了传统企业的生意,没有好的流程和系统支持,管理能力也跟不上,确实是这样的了,不过这不耽搁我们自己往更全面,更优化的方向去思考。至于那些成功的企业,无一例外不是在销售流程管理上下足了功夫的。在这个方面,分析真的帮助有限,大家自己努力到位即好。限于篇幅,细节之处省略较多,有机会再一一详细分享。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
数据分析师的技能图谱:从数据到价值的桥梁 在数据驱动决策的时代,数据分析师如同 “数据翻译官”,将冰冷的数字转化为清晰的 ...
2025-07-17Pandas 写入指定行数据:数据精细化管理的核心技能 在数据处理的日常工作中,我们常常需要面对这样的场景:在庞大的数据集里精 ...
2025-07-17解码 CDA:数据时代的通行证 在数字化浪潮席卷全球的今天,当企业决策者盯着屏幕上跳动的数据曲线寻找增长密码,当科研人员在 ...
2025-07-17CDA 精益业务数据分析:数据驱动业务增长的实战方法论 在企业数字化转型的浪潮中,“数据分析” 已从 “加分项” 成为 “必修课 ...
2025-07-16MySQL 中 ADD KEY 与 ADD INDEX 详解:用法、差异与优化实践 在 MySQL 数据库表结构设计中,索引是提升查询性能的核心手段。无论 ...
2025-07-16解析 MySQL Update 语句中 “query end” 状态:含义、成因与优化指南 在 MySQL 数据库的日常运维与开发中,开发者和 DBA 常会 ...
2025-07-16如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10