自然語(yǔ)言處理(NLP,Natural Language Processing) 是研究人與計算機交互的語(yǔ)言問(wèn)題的一門(mén)學(xué)科。我們平時(shí)使用的語(yǔ)言,中文、英語(yǔ)等即為自然語(yǔ)言,自然語(yǔ)言處理即為一種能讓計算機理解人類(lèi)語(yǔ)言的技術(shù)。自然語(yǔ)言處理的應用十分廣泛,例如:機器翻譯、手寫(xiě)體和印刷體字符識別、語(yǔ)音識別及文語(yǔ)轉換、信息檢索、信息抽取與過(guò)濾、文本分類(lèi)與聚類(lèi)、輿情分析和觀(guān)點(diǎn)挖掘等。
文本分析應用的就是NLP技術(shù),市面上有很多應用NLP技術(shù)研發(fā)的語(yǔ)義分析產(chǎn)品,基本原理都是通過(guò)文本數據處理,圈定關(guān)鍵詞,分析關(guān)鍵詞的詞頻,提煉用戶(hù)觀(guān)點(diǎn)。
文本數據屬于非結構化數據,數據信息更為復雜,具有不規則、不完整性特征,無(wú)法通過(guò)既定的數據模型直接分析。需要將文本數據進(jìn)行預處理,輸出可以應用數據庫二位邏輯表來(lái)表現的數據。
文本數據的來(lái)源很多,例如微博、小紅書(shū)、知乎、淘寶、論壇、視頻網(wǎng)站等等。在電商領(lǐng)域,本文數據來(lái)源主要來(lái)自電商直播的聊天窗口、客服咨詢(xún)界面、產(chǎn)品售后評價(jià)等。分析方法主要為文本數據預處理,提煉出主要分析維度和細分維度,匹配維度下的關(guān)鍵詞,輸出各維度的詞頻和轉化率,挖掘用戶(hù)觀(guān)點(diǎn),發(fā)現產(chǎn)品機會(huì )點(diǎn)。
公域流量的獲取成本越來(lái)越高,提升私域流量的轉化成為了降本增效的有效途徑。淘寶店鋪每天進(jìn)店人數、咨詢(xún)人數過(guò)萬(wàn),能夠轉化的卻寥寥無(wú)幾,詢(xún)單未購人群和詳情頁(yè)跳出人群居高不下,是哪里出了問(wèn)題?
是客服服務(wù)不到位?活動(dòng)力度不夠大?還是產(chǎn)品賣(mài)點(diǎn)與用戶(hù)需求不匹配?
用戶(hù)在購買(mǎi)產(chǎn)品時(shí)總有2種力影響著(zhù)他們的消費行為,一個(gè)是動(dòng)力,即消費者需求與痛點(diǎn),一個(gè)是阻力,即產(chǎn)品不能滿(mǎn)足消費者預期或信息不對稱(chēng)。當消費阻力大于消費動(dòng)力時(shí),用戶(hù)往往難以轉化。
商家在運營(yíng)時(shí)同樣面臨著(zhù)用戶(hù)需求無(wú)法準確獲取,產(chǎn)品成交歸因無(wú)法分析,客服服務(wù)質(zhì)量無(wú)法評估,產(chǎn)品賣(mài)點(diǎn)無(wú)法精準突出等問(wèn)題。
通過(guò)文本分析,商家可以了解用戶(hù)的真實(shí)需求,對用戶(hù)進(jìn)行精準營(yíng)銷(xiāo),減少產(chǎn)品賣(mài)點(diǎn)與用戶(hù)需求的信息不匹配問(wèn)題,從而促進(jìn)交易的達成。
用戶(hù)往往會(huì )帶著(zhù)需求瀏覽產(chǎn)品主圖和詳情頁(yè),希望能夠直接從產(chǎn)品介紹中找到符合自己預期的產(chǎn)品賣(mài)點(diǎn)。當產(chǎn)品賣(mài)點(diǎn)滿(mǎn)足用戶(hù)需求時(shí),用戶(hù)就是直接靜默轉化,當產(chǎn)品賣(mài)點(diǎn)與用戶(hù)需求不匹配時(shí),用戶(hù)就會(huì )尋求客服幫助或直接流失。
那么是什么因素直接影響用戶(hù)的轉化?轉化的歸因問(wèn)題一直是電商運營(yíng)的一大痛點(diǎn)。我們以粉底產(chǎn)品為例,影響用戶(hù)購買(mǎi)粉底的主要原因是什么?
為了更好的分析用戶(hù)的真實(shí)需求和痛點(diǎn),我們將售前咨詢(xún)的文本數據進(jìn)行預處理,圈定出用戶(hù)的主要咨詢(xún)熱點(diǎn),分類(lèi)歸納出對應的一級維度,再將一級維度細分拆解出二級維度,通過(guò)關(guān)鍵詞匹配各個(gè)維度的詢(xún)單人數和 轉化人數。例如:
通過(guò)波士頓矩陣模型分析各個(gè)維度的咨詢(xún)率和轉化率,從而挖掘用戶(hù)的主要咨詢(xún)熱點(diǎn)和影響用戶(hù)轉化的主要因素。
用戶(hù)進(jìn)行售前咨詢(xún),往往是帶著(zhù)疑慮的意向用戶(hù),用戶(hù)是否轉化取決于用戶(hù)的疑慮是否能夠得到快速、精準和滿(mǎn)意的解決。因此客服服務(wù)至關(guān)重要,客服響應的及時(shí)性、答疑的準確性和推薦的精準性同時(shí)影響著(zhù)用戶(hù)的轉化。
對于同一個(gè)咨詢(xún)熱點(diǎn),不同客服的答疑話(huà)術(shù)和答疑效果是不同的。例如用戶(hù)咨詢(xún):這款粉底遮瑕效果怎么樣?
顯而易見(jiàn),主觀(guān)意識都會(huì )認為客服C的答疑效果更佳。通過(guò)分析客服答疑話(huà)術(shù)的轉化率,可以進(jìn)行客服服務(wù)質(zhì)量評估,幫助優(yōu)化客服答疑標準化流程,提升客服轉化率。
用戶(hù)進(jìn)行售前咨詢(xún)常常會(huì )帶著(zhù)自己的痛點(diǎn)和需求,依據用戶(hù)問(wèn)題,商家可以構建用戶(hù)專(zhuān)屬個(gè)人畫(huà)像。對于詢(xún)單未購人群,商家可以根據用戶(hù)個(gè)人畫(huà)像進(jìn)行二次觸達,針對性制定合理的產(chǎn)品推薦方案,提升詢(xún)單未購人群轉化率。
通過(guò)售后評價(jià)文本數據,分析已購人群的產(chǎn)品滿(mǎn)意度,比較與競爭品牌產(chǎn)品的好評率差異,幫助商家了解自身產(chǎn)品優(yōu)劣勢表現。
評價(jià)分析的作用:
在電商運營(yíng)的過(guò)程中,通過(guò)文本分析,可以打通售前、運營(yíng)和售后的銷(xiāo)售鏈路,解決商家售前無(wú)法準確識別用戶(hù)需求,售中無(wú)法精準解決用戶(hù)痛點(diǎn),售后無(wú)法了解用戶(hù)產(chǎn)品滿(mǎn)意度的問(wèn)題,幫助商家建立并優(yōu)化售前、售中和售后的標準化機制,進(jìn)而提升各個(gè)銷(xiāo)售環(huán)節的購買(mǎi)轉化率。