京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在Python数据分析中,Pandas库的DataFrame是最核心、最常用的结构化数据表对象,类似于Excel的二维表格,具备规整的行列结构、字 ...
2026-09-07在数据分析、经营复盘、业绩预测与经济统计工作中,平均增速(平均增长率)是衡量数据长期变化趋势、业务发展快慢的核心指标。不 ...
2026-09-07 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-09-07随着大数据技术的快速发展,商业竞争逐步从传统的经验式经营转变为数据驱动的精细化运营。海量的用户行为数据、交易数据、运营数 ...
2026-09-04CDA数据分析师 出品 作者:李诗怡 1. 波士顿矩阵(BCG Matrix) 定义: BCG于1970年提出的业务组合分析工具,以"市场增长率"(纵 ...
2026-09-04 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-09-04数据透视表是Excel与Power BI中最核心的数据分析工具,具备快速汇总、维度拆分、动态筛选的能力,可高效完成数据归类与统计展示 ...
2026-09-03在Power BI数据分析可视化场景中,堆积柱状图+折线图是最常用的复合图表组合。堆积柱状图适合展示各细分维度当期数值、结构占比 ...
2026-09-03 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-09-03CDA数据分析师 出品 作者:李诗怡 一、8个核心数据清洗函数 1. TRIM:一键清除多余空格(最常用) 作用:仅保留文本中"单词/字 ...
2026-09-02数据分析的核心并非单纯操作工具、整理报表或绘制图表,而是依靠科学的思维逻辑挖掘数据价值、解释业务现象、指导经营决策。在完 ...
2026-09-02在社会经济、产业研究、区域治理与大数据实证分析中,面板数据是最具研究价值的数据类型。面板数据同时包含截面维度与时间维度信 ...
2026-09-02 很多数据分析师能熟练计算均值、标准差,但当被问到“如何用一张图让业务方3秒内看懂核心结论”“面对不同数据类型该怎么选 ...
2026-09-02在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28