大數(shù)據(jù) 發(fā)表時(shí)間:2017/8/17??
大數(shù)據(jù) 發(fā)表時(shí)間:2017/8/17??
說到大數(shù)據(jù)精準(zhǔn)營銷，不得不先提個(gè)性化的用戶畫像，我們針對每一類數(shù)據(jù)實(shí)體，進(jìn)一步分解可落地的數(shù)據(jù)維度，刻畫TA的每一個(gè)特征，在聚集起來形成人群畫像。
01用戶畫像
用戶畫像是根據(jù)用戶社會屬性、生活習(xí)慣和消費(fèi)行為等信息而抽象出的一個(gè)標(biāo)簽化的用戶模型。具體包含以下幾個(gè)維度：
用戶固定特征：性別，年齡，地域，教育水平，生辰八字，職業(yè)，星座
用戶興趣特征：興趣愛好，使用APP，網(wǎng)站，瀏覽/收藏/評論內(nèi)容，品牌偏好，產(chǎn)品偏好
用戶社會特征：生活習(xí)慣，婚戀，社交/信息渠道偏好，宗教信仰，家庭成分
用戶消費(fèi)特征：收入狀況，購買力水平，商品種類，購買渠道喜好，購買頻次
用戶動態(tài)特征：當(dāng)下時(shí)間，需求，正在前往的地方，周邊的商戶，周圍人群，新聞事件如何生成用戶精準(zhǔn)畫像大致分成三步。
1.采集和清理數(shù)據(jù)：用已知預(yù)測未知
首先得掌握繁雜的數(shù)據(jù)源。包括用戶數(shù)據(jù)、各式活動數(shù)據(jù)、電子郵件訂閱數(shù)、線上或線下數(shù)據(jù)庫及客戶服務(wù)信息等。這個(gè)是累積數(shù)據(jù)庫；這里面最基礎(chǔ)的就是如何收集網(wǎng)站／APP用戶行為數(shù)據(jù)。比如當(dāng)你登陸某網(wǎng)站，其Cookie就一直駐留在瀏覽器中，當(dāng)用戶觸及的動作，點(diǎn)擊的位置，按鈕，點(diǎn)贊，評論，粉絲，還有訪問的路徑，可以識別并記錄他／她的所有瀏覽行為，然后持續(xù)分析瀏覽過的關(guān)鍵詞和頁面，分析出他的短期需求和長期興趣。還可以通過分析朋友圈，獲得非常清晰獲得對方的工作，愛好，教育等方面，這比個(gè)人填寫的表單，還要更全面和真實(shí)。
我們用已知的數(shù)據(jù)尋找線索，不斷挖掘素材，不但可以鞏固老會員，也可以分析出未知的顧客與需求，進(jìn)一步開發(fā)市場。
2.用戶分群：分門別類貼標(biāo)簽
描述分析是最基本的分析統(tǒng)計(jì)方法，描述統(tǒng)計(jì)分為兩大部分：數(shù)據(jù)描述和指標(biāo)統(tǒng)計(jì)。數(shù)據(jù)描述：用來對數(shù)據(jù)進(jìn)行基本情況的刻畫，包括數(shù)據(jù)總數(shù)，范圍，數(shù)據(jù)來源。指標(biāo)統(tǒng)計(jì)：把分布，對比，預(yù)測指標(biāo)進(jìn)行建模。這里常常是Data mining的一些數(shù)學(xué)模型，像響應(yīng)率分析模型，客戶傾向性模型，這類分群使用Lift圖，用打分的方法告訴你哪一類客戶有較高的接觸和轉(zhuǎn)化的價(jià)值。
在分析階段，數(shù)據(jù)會轉(zhuǎn)換為影響指數(shù)，進(jìn)而可以做"一對一"的精準(zhǔn)營銷。舉個(gè)例子，一個(gè)80后客戶喜歡在生鮮網(wǎng)站上早上10點(diǎn)下單買菜，晚上6點(diǎn)回家做飯，周末喜歡去附近吃日本料理，經(jīng)過搜集與轉(zhuǎn)換，就會產(chǎn)生一些標(biāo)簽，包括"80后""生鮮""做飯""日本料理"等等，貼在消費(fèi)者身上。
3.制定策略：優(yōu)化再調(diào)整
有了用戶畫像之后，便能清楚了解需求，在實(shí)際操作上，能深度經(jīng)營顧客關(guān)系，甚至找到擴(kuò)散口碑的機(jī)會。例如上面例子中，若有生鮮的打折券，日本餐館最新推薦，營銷人員就會把適合產(chǎn)品的相關(guān)信息，精準(zhǔn)推送這個(gè)消費(fèi)者的手機(jī)中；針對不同產(chǎn)品發(fā)送推薦信息，同時(shí)也不斷通過滿意度調(diào)查，跟蹤碼確認(rèn)等方式，掌握顧客各方面的行為與偏好。
除了顧客分群之外，營銷人員也在不同時(shí)間階段觀察成長率和成功率，前后期對照，確認(rèn)整體經(jīng)營策略與方向是否正確；若效果不佳，又該用什么策略應(yīng)對。反復(fù)試錯(cuò)并調(diào)整模型，做到循環(huán)優(yōu)化。
這個(gè)階段的目的是提煉價(jià)值，再根據(jù)客戶需求精準(zhǔn)營銷，最后追蹤客戶反饋的信息，完成閉環(huán)優(yōu)化。
我們從數(shù)據(jù)整合導(dǎo)入開始，聚合數(shù)據(jù)，在進(jìn)行數(shù)據(jù)的分析挖掘。數(shù)據(jù)分析和挖掘還是有一些區(qū)別。數(shù)據(jù)分析重點(diǎn)是觀察數(shù)據(jù)，單純的統(tǒng)計(jì)，看KPI的升降原因。而數(shù)據(jù)挖掘從細(xì)微和模型角度去研究數(shù)據(jù)，從學(xué)習(xí)集、訓(xùn)練集發(fā)現(xiàn)知識規(guī)則，除了一些比較商業(yè)化的軟件SAS，WEKA功能強(qiáng)大的數(shù)據(jù)分析挖掘軟件，這邊還是更推薦使用R，Python，因?yàn)镾AS，SPSS本身比較昂貴，也很難做頁面和服務(wù)級別的API，而Python和R有豐富的庫，可以類似WEKA的模塊，無縫交互其他API和程序，這里還需要熟悉數(shù)據(jù)庫，Hadoop等。
02數(shù)據(jù)細(xì)分受眾
“顛覆營銷”書中提到一個(gè)例子，可以引述一下，大家思考一個(gè)問題：如果你打算搜集200份有效問卷，依照以往的經(jīng)驗(yàn)，你需要發(fā)多少份問卷，才能達(dá)到這個(gè)目標(biāo)？預(yù)計(jì)用多少預(yù)算和時(shí)間來執(zhí)行？
以往的方法是這樣的：評估網(wǎng)絡(luò)問卷大約是5%的回收率，想要保證收到200份的問卷，就必須有20倍的發(fā)送量，也就是發(fā)出4000份問卷，一個(gè)月內(nèi)如果可以回收，就是不錯(cuò)的表現(xiàn)。
但現(xiàn)在不一樣了，在執(zhí)行大數(shù)據(jù)分析的3小時(shí)內(nèi)，就可以輕松完成以下的目標(biāo)：
精準(zhǔn)挑選出1%的VIP顧客
發(fā)送390份問卷，全部回收
問卷寄出3小時(shí)內(nèi)回收35%的問卷
5天內(nèi)就回收了超過目標(biāo)數(shù)86%的問卷數(shù)
所需時(shí)間和預(yù)算都在以往的10%以下
這是怎么做到在問卷發(fā)送后的3個(gè)小時(shí)就回收35%？那是因?yàn)閿?shù)據(jù)做到了發(fā)送時(shí)間的"一對一定制化"，利用數(shù)據(jù)得出，A先生最可能在什么時(shí)間打開郵件就在那個(gè)時(shí)間點(diǎn)發(fā)送問卷。
舉例來說，有的人在上班路上會打開郵件，但如果是開車族，并沒有時(shí)間填寫答案，而搭乘公共交通工具的人，上班路上的時(shí)間會玩手機(jī)，填寫答案的概率就高，這些都是數(shù)據(jù)細(xì)分受眾的好處。
03預(yù) 測
“預(yù)測”能夠讓你專注于一小群客戶，而這群客戶卻能代表特定產(chǎn)品的大多數(shù)潛在買家。
當(dāng)我們采集和分析用戶畫像時(shí)，可以實(shí)現(xiàn)精準(zhǔn)營銷。這是最直接和最有價(jià)值的應(yīng)用，廣告主可以通過用戶標(biāo)簽來發(fā)布廣告給所要觸達(dá)的用戶，這里面又可以通過上圖提到的搜索廣告，展示社交廣告，移動廣告等多渠道的營銷策略，營銷分析，營銷優(yōu)化以及后端CRM/供應(yīng)鏈系統(tǒng)打通的一站式營銷優(yōu)化，全面提升ROI。
我們再說一說營銷時(shí)代的變遷，傳統(tǒng)的企業(yè)大多還停留在“營銷1.0”時(shí)代，以產(chǎn)品為中心，滿足傳統(tǒng)的消費(fèi)者需求，而進(jìn)入“營銷2.0”，以社會價(jià)值與品牌為使命，也不能完全精準(zhǔn)對接個(gè)性化需求。進(jìn)入營銷3.0的數(shù)據(jù)時(shí)代，我們要對每個(gè)消費(fèi)者進(jìn)行個(gè)性化匹配，一對一營銷，甚至精確算清楚成交轉(zhuǎn)化率，提高投資回報(bào)比。大數(shù)據(jù)下的營銷顛覆經(jīng)典的營銷4P理論，Product，Price，Place，Promotion，取而代之的是新的4P，People，Performance，Process，Prediction。在大數(shù)據(jù)時(shí)代，線下地理的競爭邊界早就不存在，比的是早一步的先知能力，利用大數(shù)據(jù)，從顧客真實(shí)交易數(shù)據(jù)中，預(yù)測下一次的購買時(shí)間。 營銷3.0時(shí)代關(guān)鍵詞就是“預(yù)測”。
預(yù)測營銷能夠讓你專注于一小群客戶，而這群客戶卻能代表特定產(chǎn)品的大多數(shù)潛在買家。以上圖為例，你可以將營銷活動的目標(biāo)受眾鎖定為20萬潛在客戶或現(xiàn)有客戶，其中包括特定產(chǎn)品的大多數(shù)買家（4萬人）。你還可以撥出部分預(yù)算用于吸引更小的客戶群（比如20% 的客戶），而不是整個(gè)客戶群，進(jìn)而優(yōu)化你的支出。
過去我們看數(shù)據(jù)可能是被動的方式，但預(yù)測營銷強(qiáng)調(diào)是決策價(jià)值，比如購買時(shí)間，你該看的不是她最后的購買日期，而是下次購買的時(shí)間，看未來的存活概率，最后生成客戶終身價(jià)值（CLV）。預(yù)測營銷催生了一種新的數(shù)據(jù)驅(qū)動營銷方式，就是以客戶為中心，核心在于幫助公司完成從以產(chǎn)品或渠道為中心到以客戶為中心的轉(zhuǎn)變。
04精準(zhǔn)推薦
大數(shù)據(jù)最大的價(jià)值不是事后分析，而是預(yù)測和推薦，我就拿電商舉例，"精準(zhǔn)推薦"成為大數(shù)據(jù)改變零售業(yè)的核心功能。譬如服裝網(wǎng)站Stitch fix例子，在個(gè)性化推薦機(jī)制方面，大多數(shù)服裝訂購網(wǎng)站采用的都是用戶提交身形、風(fēng)格數(shù)據(jù)+編輯人工推薦的模式，Stitch Fix不一樣的地方在于它還結(jié)合了機(jī)器算法推薦。這些顧客提供的身材比例，主觀數(shù)據(jù)，加上銷售記錄的交叉核對，挖掘每個(gè)人專屬的服裝推薦模型。 這種一對一營銷是最好的服務(wù)。
數(shù)據(jù)整合改變了企業(yè)的營銷方式，現(xiàn)在經(jīng)驗(yàn)已經(jīng)不是累積在人的身上，而是完全依賴消費(fèi)者的行為數(shù)據(jù)去做推薦。未來，銷售人員不再只是銷售人員，而能以專業(yè)的數(shù)據(jù)預(yù)測，搭配人性的親切互動推薦商品，升級成為顧問型銷售。
05技術(shù)工具
關(guān)于預(yù)測營銷的技術(shù)能力，有幾種選擇方案：
1、使用預(yù)測分析工作平臺，然后以某種方法將模型輸入活動管理工具；
2、以分析為動力的預(yù)測性活動外包給市場服務(wù)提供商；
3、評估并購買一個(gè)預(yù)測營銷的解決方案，比如預(yù)測性營銷云和多渠道的活動管理工具。
但無論哪條路，都要確定三項(xiàng)基本能力：
1）連接不同來源的客戶數(shù)據(jù)，包括線上，線下，為預(yù)測分析準(zhǔn)備好數(shù)據(jù) ；
2）分析客戶數(shù)據(jù)，使用系統(tǒng)和定制預(yù)測模型，做高級分析 ；
3）在正確時(shí)間，正確客戶，正確的場景出發(fā)正確行為，可能做交叉銷售，跨不同營銷系統(tǒng)。
06預(yù)測模型
預(yù)測客戶購買可能性的行業(yè)標(biāo)準(zhǔn)是RFM模型（最近一次消費(fèi)R，消費(fèi)頻率F，消費(fèi)金額M），但模型應(yīng)用有限，本質(zhì)是一個(gè)試探性方案，沒有統(tǒng)計(jì)和預(yù)測依據(jù)。“過去的成績不能保證未來的表現(xiàn)”，RFM只關(guān)注過去，不去將客戶當(dāng)前行為和其他客戶當(dāng)前行為做對比。這樣就無法在購買產(chǎn)品之前識別高價(jià)值客戶。
我們聚焦的預(yù)測模型，就是為了在最短時(shí)間內(nèi)對客戶價(jià)值產(chǎn)生最大影響。這里列舉一些其他模型參考：
參與傾向模型，預(yù)測客戶參與一個(gè)品牌的可能性，參與定義可以多元，比如參加一個(gè)活動，打開電子郵件，點(diǎn)擊，訪問某頁面。可以通過模型來確定EDM的發(fā)送頻率。并對趨勢做預(yù)測，是增加還是減少活動。
錢包模型，就是為每個(gè)客戶預(yù)測最大可能的支出，定義為單個(gè)客戶購買產(chǎn)品的最大年度支出。然后看增長模型，如果當(dāng)前的總目標(biāo)市場比較小，但未來可能很大，就需要去發(fā)現(xiàn)這些市場。
價(jià)格優(yōu)化模型，就是能夠去最大限度提升銷售，銷量或利潤的架構(gòu)，通過價(jià)格優(yōu)化模型為每個(gè)客戶來定價(jià)，這里需要對你想要的產(chǎn)品開發(fā)不同的模型，或者開發(fā)通用，可預(yù)測的客戶價(jià)格敏感度的模型，確定哪一塊報(bào)價(jià)時(shí)對客戶有最大的影響。
關(guān)鍵字推薦模型，關(guān)鍵字推薦模型可以基于一個(gè)客戶網(wǎng)絡(luò)行為和購買記錄來預(yù)測對某個(gè)內(nèi)容的喜愛程度，預(yù)測客戶對什么熱點(diǎn)，爆款感興趣，營銷者使用這種預(yù)測結(jié)果為特定客戶決定內(nèi)容營銷主題。
預(yù)測聚集模型，預(yù)測聚集模型就是預(yù)測客戶會歸為哪一類
