1. 提升用户留存，减少流失
利用老用户池，对老用户做商品偏好分析，挖掘其需求，推断其感兴趣的商品，并将其感兴趣的商品推送给他。当你这里可持续满足用户需求时，用户对你的忠诚度自然会加深，可有效提升复购率，减少用户流失。
2. 节约推广成本，提升转化率
很多商家去做流量推广（钻展/直通车等）时，会出现转化率越来越低的情况，推广费用越来越高，而所带来的用户价值却越来越低。
这是为什么呢？
在内容电商的环境下，用户在购买商品的时候，并没有处在“我一定要购物”的强心态和场景下，而是更像一个喜欢热闹的看客。例如：很多人喜欢悠闲地看着美妆达人直播，浏览着那些自己没强烈需求的商品和信息，此时的用户虽然有一定潜在需求，但更多的是像一个看客
在用户浏览时，相比较各种五花八门的商品，如果你能将用户很感兴趣的商品推送在他眼前，将”看客“转化成“消费者”则会大幅提升其转化，提升推广ROI。
3. 个性化推荐，创造更多价值
个性化推荐能够在用户购买过程中/过程后，向用户提供其他有价值或关联的商品推荐。如买手机可推荐其关联商品：移动电源、耳机、手机壳等，而关联推荐的商品，则正是用户自己确实需要但在购买过程中没有想到的商品，从而有效提高商品的交叉销售。
三、如何利用大数据做商品偏好分析
做商品偏好的分析及应用，核心有5大步骤：
小结：通过存量用户的行为结果，倒推用户的需求偏好，通过不同人群需求偏好的集合归纳，及人群需求延展，推荐其可能感兴趣的信息。
再通过多次测试看效果来迭代，针对单人的特殊个性化需求，对给单人推荐的信息做补充。同时若单人需求偏好有较多的个性化信息，也会补充进人群包的需求中，以此实现不断的完善和迭代。
以上是商品偏好分析的整个逻辑，接下来，我们以一家电商彩妆店为例，讲述下如何去做商品偏好分析及应用。
四、案例实操：美妆品牌
背景：某美妆品牌的一次聚划算活动，打算对老用户做精准营销触达。
1. 从多维度构建不同商品的用户画像
要做商品偏好分析，首先一定要有用户基础分群，最常用的就是基于用户购买信息分群。
如下图所示，根据“购买数据”‘地址数据’“使用数据”“行为数据”我们将人群分为了16组初级人群画像：
分析思路：
如上图，这个画像是比较简单的，仅从这种单一的人群画像想要去判定用户的偏好，还比较粗糙的，例如购买了口红的人群，她有口红颜色收藏癖吗？是更注重口红的滋润度还是颜色，还是产品的价格？这些问题，仅从一个“购买了口红的人群”这样单一的人群画像，我们无法得知。
所以，接下来，我们需要通过用户画像做多重交集，将人群画像描绘的更清晰,对用户需求的判定也就更精准。
2. 基于用户画像交集，反推人群需求
商品偏好分析，是通过尽可能多的维度回溯用户的画像，塑造成一个个虚拟的人物。所以光基础分群不够，还要尽可能多的评估维度。
如下图，我们将用户分群划分成了”购买数据、电话号码列表 地址数据、使用数据、行为数据“等4个维度，将这4个维度的人群，做交集，得到更精准的人群画像，进而反推用户需求。
分析说明：
如上图，将2个1级人群画像：购买数据与使用数据做交集，得出了一个2级人群画像，然后根据人群画像，反推出了这个人群包的需求；
表格里面，只是将类别做了2组交集，当然了，为了更精准的判定用户的需求，将购买数据、地址数据、使用数据、行为数据做4重交叉后，对该组人群画像描绘越清晰，反推的需求越准确；
匹配的需求是根据以上分析的数据得来的，此需求需要后续的验证。如果能抓取到用户的行为数据、标签数据越多，越准确，所反推出的需求就越精准！
3. 根据人群画像需求，匹配沟通内容
得出2级人群画像并反推出其需求后，接下来，需根据反推出来的需求，匹配与用户沟通的信息，如下表所示：
经过层层的拆解，组合，反推，以及匹配，我们知晓了与用户沟通的内容，接下来就是对用户的触达。
4. 对目标用户的精准内容触达
用户触达的过程中，如果条件允许，可以做分组测试。
例如，我们根据一组人群画像，反推除了这个组人群3种需求，那么，如果单次的触达是短信，一般会受到文字的限制，也考虑到用户体验，一次不会推送太多信息。所以针对反推出来的3个需求，我们也不确定哪个需求是最准确的。