在電商的交易過程中，用戶從下單前的售前咨詢到下單完成后的產(chǎn)品評價，產(chǎn)生了大量的文本數(shù)據(jù)。通過NLP技術(shù)進行文本分析，可以幫助商家了解用戶需求，發(fā)現(xiàn)產(chǎn)品競爭優(yōu)劣勢，挖掘市場機會點，調(diào)整運營策略，提升用戶購買轉(zhuǎn)化率。具體怎么做呢？一起來文中看看吧。

一、什么是文本分析

1. NLP技術(shù)的介紹

自然語言處理(NLP，Natural Language Processing) 是研究人與計算機交互的語言問題的一門學(xué)科。我們平時使用的語言，中文、英語等即為自然語言，自然語言處理即為一種能讓計算機理解人類語言的技術(shù)。自然語言處理的應(yīng)用十分廣泛，例如：機器翻譯、手寫體和印刷體字符識別、語音識別及文語轉(zhuǎn)換、信息檢索、信息抽取與過濾、文本分類與聚類、輿情分析和觀點挖掘等。

文本分析應(yīng)用的就是NLP技術(shù)，市面上有很多應(yīng)用NLP技術(shù)研發(fā)的語義分析產(chǎn)品，基本原理都是通過文本數(shù)據(jù)處理，圈定關(guān)鍵詞，分析關(guān)鍵詞的詞頻，提煉用戶觀點。

2. 文本分析的價值

文本數(shù)據(jù)屬于非結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)信息更為復(fù)雜，具有不規(guī)則、不完整性特征，無法通過既定的數(shù)據(jù)模型直接分析。需要將文本數(shù)據(jù)進行預(yù)處理，輸出可以應(yīng)用數(shù)據(jù)庫二位邏輯表來表現(xiàn)的數(shù)據(jù)。

文本數(shù)據(jù)的來源很多，例如微博、小紅書、知乎、淘寶、論壇、視頻網(wǎng)站等等。在電商領(lǐng)域，本文數(shù)據(jù)來源主要來自電商直播的聊天窗口、客服咨詢界面、產(chǎn)品售后評價等。分析方法主要為文本數(shù)據(jù)預(yù)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(zhuǎn)化率，挖掘用戶觀點，發(fā)現(xiàn)產(chǎn)品機會點。

二、電商運營面臨的痛點

公域流量的獲取成本越來越高，提升私域流量的轉(zhuǎn)化成為了降本增效的有效途徑。淘寶店鋪每天進店人數(shù)、咨詢?nèi)藬?shù)過萬，能夠轉(zhuǎn)化的卻寥寥無幾，詢單未購人群和詳情頁跳出人群居高不下，是哪里出了問題？

是客服服務(wù)不到位？活動力度不夠大？還是產(chǎn)品賣點與用戶需求不匹配？

用戶在購買產(chǎn)品時總有2種力影響著他們的消費行為，一個是動力，即消費者需求與痛點，一個是阻力，即產(chǎn)品不能滿足消費者預(yù)期或信息不對稱。當(dāng)消費阻力大于消費動力時，用戶往往難以轉(zhuǎn)化。

商家在運營時同樣面臨著用戶需求無法準(zhǔn)確獲取，產(chǎn)品成交歸因無法分析，客服服務(wù)質(zhì)量無法評估，產(chǎn)品賣點無法精準(zhǔn)突出等問題。

通過文本分析，商家可以了解用戶的真實需求，對用戶進行精準(zhǔn)營銷，減少產(chǎn)品賣點與用戶需求的信息不匹配問題，從而促進交易的達成。

三、文本分析的實際應(yīng)用

1. 挖掘用戶需求

用戶往往會帶著需求瀏覽產(chǎn)品主圖和詳情頁，希望能夠直接從產(chǎn)品介紹中找到符合自己預(yù)期的產(chǎn)品賣點。當(dāng)產(chǎn)品賣點滿足用戶需求時，用戶就是直接靜默轉(zhuǎn)化，當(dāng)產(chǎn)品賣點與用戶需求不匹配時，用戶就會尋求客服幫助或直接流失。

那么是什么因素直接影響用戶的轉(zhuǎn)化？轉(zhuǎn)化的歸因問題一直是電商運營的一大痛點。我們以粉底產(chǎn)品為例，影響用戶購買粉底的主要原因是什么？

1. 是品牌傾向？——高價大牌還是低價平替
2. 是產(chǎn)品性質(zhì)？——遮瑕力、持久度還是防水控油
3. 是肌膚問題？——油性痘肌、沙漠干皮還是毛孔色斑
4. 是活動力度？——積分加倍、滿減折扣還是派樣禮贈

為了更好的分析用戶的真實需求和痛點，我們將售前咨詢的文本數(shù)據(jù)進行預(yù)處理，圈定出用戶的主要咨詢熱點，分類歸納出對應(yīng)的一級維度，再將一級維度細分拆解出二級維度，通過關(guān)鍵詞匹配各個維度的詢單人數(shù)和 轉(zhuǎn)化人數(shù)。例如：

• 一級維度：產(chǎn)品品質(zhì)、功效性能、肌膚問題、活動價格、包裝物流……
• 產(chǎn)品品質(zhì)對應(yīng)的二級維度：成分、效期、正品、規(guī)格……
• 功效性能對應(yīng)的二級維度：遮瑕度、貼合度、控油性、防水性、滋潤度、持久性、質(zhì)地……
• 肌膚問題對應(yīng)的二級維度：痘肌、毛孔、黑眼圈、暗沉、色斑、油皮、干皮、膚色、敏感肌……
• 活動價格對應(yīng)的二級維度：價格、贈品、積分、折扣……
• 包裝物流對應(yīng)的二級維度：包裝、物流、時效……

通過波士頓矩陣模型分析各個維度的咨詢率和轉(zhuǎn)化率，從而挖掘用戶的主要咨詢熱點和影響用戶轉(zhuǎn)化的主要因素。

• 高咨詢高轉(zhuǎn)化的維度：需要在內(nèi)容展示上重點突出，例如主圖標(biāo)題、詳情頁首頁等
• 高咨詢低轉(zhuǎn)化的維度：提升內(nèi)容展示的權(quán)重，并進一步優(yōu)化客服答疑或詳情頁介紹
• 低咨詢高轉(zhuǎn)化的維度：保持內(nèi)容展示的權(quán)重
• 低咨詢低轉(zhuǎn)化的維度：降低內(nèi)容展示的權(quán)重或進行內(nèi)容展示剔更

2. 提升客服服務(wù)質(zhì)量

用戶進行售前咨詢，往往是帶著疑慮的意向用戶，用戶是否轉(zhuǎn)化取決于用戶的疑慮是否能夠得到快速、精準(zhǔn)和滿意的解決。因此客服服務(wù)至關(guān)重要，客服響應(yīng)的及時性、答疑的準(zhǔn)確性和推薦的精準(zhǔn)性同時影響著用戶的轉(zhuǎn)化。

對于同一個咨詢熱點，不同客服的答疑話術(shù)和答疑效果是不同的。例如用戶咨詢：這款粉底遮瑕效果怎么樣？

• 客服A：親，這款粉底的遮瑕效果很好的呢。
• 客服B：親，這款粉底質(zhì)地較為輕薄，主打中度遮瑕。
• 客服C：親，這款粉底粉質(zhì)細膩，較為輕薄，中度遮瑕，可以遮住色斑、暗沉、紅血絲、痘印等肌膚問題，遮瑕效果持久。

顯而易見，主觀意識都會認為客服C的答疑效果更佳。通過分析客服答疑話術(shù)的轉(zhuǎn)化率，可以進行客服服務(wù)質(zhì)量評估，幫助優(yōu)化客服答疑標(biāo)準(zhǔn)化流程，提升客服轉(zhuǎn)化率。

3. 構(gòu)建用戶畫像標(biāo)簽

用戶進行售前咨詢常常會帶著自己的痛點和需求，依據(jù)用戶問題，商家可以構(gòu)建用戶專屬個人畫像。對于詢單未購人群，商家可以根據(jù)用戶個人畫像進行二次觸達，針對性制定合理的產(chǎn)品推薦方案，提升詢單未購人群轉(zhuǎn)化率。

• 人群屬性：職業(yè)、年齡、性別、婚姻狀態(tài)、肌膚問題……
• 產(chǎn)品屬性：品牌偏好、質(zhì)地成分、效期產(chǎn)地、包裝禮盒……
• 購買屬性：購買頻次、購買方式、了解渠道、節(jié)日送禮……

4. 產(chǎn)品滿意度分析

通過售后評價文本數(shù)據(jù)，分析已購人群的產(chǎn)品滿意度，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(xiàn)。

評價分析的作用：

• 產(chǎn)品定位：了解產(chǎn)品的市場定位和競爭優(yōu)劣勢，幫助企業(yè)進行產(chǎn)品研發(fā)和性能優(yōu)化，搶占市場機會點。
• 用戶偏好：了解用戶的品牌傾向和產(chǎn)品偏好，挖掘用戶的痛點和爽點，幫助商家進行產(chǎn)品運營策略調(diào)整，提高用戶滿意度。
• 售后服務(wù)：了解產(chǎn)品從物流運輸?shù)酱_認收貨再到售后服務(wù)的各個環(huán)節(jié)的優(yōu)劣表現(xiàn)，幫助提升售后服務(wù)質(zhì)量。

四、小結(jié)

在電商運營的過程中，通過文本分析，可以打通售前、運營和售后的銷售鏈路，解決商家售前無法準(zhǔn)確識別用戶需求，售中無法精準(zhǔn)解決用戶痛點，售后無法了解用戶產(chǎn)品滿意度的問題，幫助商家建立并優(yōu)化售前、售中和售后的標(biāo)準(zhǔn)化機制，進而提升各個銷售環(huán)節(jié)的購買轉(zhuǎn)化率。