中年|进击的数据分析:像炒菜一样做策略( 三 )


3. 问题三传统方法下 , 谁是竞品需要看图说话 。
那么问题来了 , 就拿图里的逍客和途观来说 , 看上去跟奇骏都比较近 , 到底哪个才是最强劲的竞争对手?
中年|进击的数据分析:像炒菜一样做策略
本文插图

我们要做的就是像剥洋葱一样 , 从表象到本质 , 从用户的行为、抽象到数据轨迹、最后到轨迹中的核心元素 。
对一个用户的连续搜索行为来说 , 它就是一连串的搜索关键词 , 最底层本质的元素 , 就是顺序、位置、次数和内容了 。
中年|进击的数据分析:像炒菜一样做策略
本文插图

四、重新构建模型
当我们掌握了最核心的4个元素之后 , 就可以依据它们来重新构建模型了 。 这里有很多种方法 , 之前跟算法同学沟通时 , 他们天然想到的就是对时序列向量做相似性计算这类的高大上算法模型 。
但实际上呢?依据奥卡姆剃刀原则 , 越简单的、越好解释的 , 从某种程度上也就是最好的 。

一切都可以联系到实际场景 , 以谈恋爱为例打个比方 , 假设你有过很多个女友 , 现在也有女友:
1. 顺序如果你现在要分手 , 想找个新女友 , 你觉得你现任会觉得新女友威胁更大 , 还是前任旧女友威胁更大?
在搜索场景也是一样 , 我先搜了一个竞品再搜本品 , 那是弃暗投明 , 这个竞品有一定威胁 , 但不足为患;可要是我先搜了本品 , 再搜别的竞品 , 那就是移情别恋了 , 这性质可都变了 。
2. 位置你觉得你现任 , 是更在乎你前任呢?还是前前前任呢?是对你的下一任新女友难以释怀呢?还是对你的下下任女友在意呢?
搜索也一样 , 离本品越近 , 竞争关系越强 。
3. 次数这个更刺激了 , 你要是有个前女友 , 反反复复分分合合好几次 , 你说你现任心里膈应不膈应?
同理 , 一个竞品反复搜索过多次 , 说明真的有在认真考虑啊 。
4. 内容你过往或者未来认识的每一个女性 , 有些是同事、有些是朋友、有些是女友 。
定位不同 , 在你现任女友眼里的待遇也就不同;同时 , 就算都是前女友 , 你跟她们分别都谈到什么程度 , 这也都是不同的待遇 。
搜索关键词也是 , 有些搜索内容就没有竞品的事儿 , 是搜一些八卦娱乐 , 不足为虑 。

即便是搜竞品 , 搜的内容程度也不同 。 有些就是打听下价格 , 有些都到了打听哪儿有4S店可以预约试驾的地步了 , 这竞争强度可就更强了 。
中年|进击的数据分析:像炒菜一样做策略
本文插图

五、设计模型

  1. 如果竞品出现在本品之前 , 那么竞争强度就减弱一些;如果出现在本品之后 , 竞争强度就增强一些;
  2. 如果离本品距离越近 , 竞争强度就越强;
  3. 如果一次连贯的搜索行为序列中 , 出现的次数越多 , 竞争强度就越强;
  4. 如果搜索内容明确出现了竞品的名称 , 甚至出现了一些离购买行为很接近的关键词 , 竞争强度就越强 。
按照这个标准 , 模型应该是一个分段函数(体现顺序特征) 。 在每段里应该是一个单调递减函数(体现位置/距离特征) , 应该是可以累加的 , 应该能根据具体的关键词给每次搜索行为打上本品和竞品的标签 , 甚至根据关键词赋予不同的权重 。
符合上述要求的模型其实有很多种 , 我们可以结合实际经验进行测算尝试 , 最后择优录用 。
中年|进击的数据分析:像炒菜一样做策略
本文插图

最后对比一下新旧策略的计算结果 , 可以很明显的发现 , 新模型把最开始列举的那些问题都解决了 。 它可以直接量化的给出排名 , 而且还不限制输入的范围 。


推荐阅读