基于大数据精准营销(大数据分析与精准营销)

　　基于大数据精准营销(大数据分析与精准营销)、本站经过数据分析整理出基于大数据精准营销(大数据分析与精准营销)相关信息，仅供参考！

　　说到大数据精准营销，就不得不提精准营销的关键要素。今天我们就来分享一下大数据精准营销的七个要点！

　　，用户画像

　　用户画像是从用户的社交属性、生活习惯和消费行为中抽象出来的标签化用户模型。

　　包括以下维度

　　用户固定特征性别、年龄、地域、受教育程度、出生日期、职业、星座。

　　用户兴趣特征兴趣爱好、使用app、网站、浏览/收藏/评论内容、品牌偏好、产品偏好。

　　用户的社交特征生活习惯、婚恋、社交/资讯渠道偏好、宗教信仰、家庭构成。

　　消费者特征收入状况、购买力水平、商品种类、购买渠道偏好、购买频率。

　　用户动态特征如何基于当前时间、需求、你要去哪里、周边商户、周边人群、新闻事件生成用户精准画像，大致可以分为三步。

　　 1.收集整理数据用已知数据预测未知。

　　要掌握复杂的数据源。包括用户数据、各种活动数据、电子邮件订阅、在线或离线数据库和客户服务信息等。

　　这是累积数据库；这里最基本的是如何收集网站//APP用户行为数据。例如，如果您登录到一个网站，其Cookie会保留在浏览器中。当用户触摸动作、点击位置、按钮、喜欢、评论、粉丝、访问路径时，你可以识别并记录他/她的所有浏览行为，然后不断分析搜索到的关键词和页面，找出他/她的短期需求和长期兴趣。

　　通过分析朋友圈，可以非常清晰的了解对方的工作、爱好、学历等各方面情况，比个人填写的表格更加全面真实。

　　我们利用已知的数据寻找线索，不断挖掘素材，既能巩固老会员，又能分析未知的客户和需求，进一步开发市场。

　　 2.用户分组按类别标记。

　　描述是最基本的分析统计方法，分为数据描述和指标统计两部分。

　　 (1)数据描述用于描述数据的基本情况，包括数据的总量、范围和来源。

　　 (2)指标统计对分布、对比、预测指标进行建模。数据挖掘往往有一些数学模型，如响应率分析模型、面向客户模型等。这种聚类用Lift图，通过打分告诉你哪种客户接触和转化价值更高。

　　在分析阶段，将数据转换成影响指数，然后# 34；一对一# 34；精准营销。举个例子，一个80后的顾客喜欢在生鲜网站上上午10点订餐，下午6点回家做饭，周末喜欢在附近吃日本料理。经过收集和转换，会生成一些标签，包括# 34；80后# 34；新鲜# 34；烹饪# 34；日本料理# 34；等等，贴在消费者身上。

　　 3.制定策略优化调整。

　　有了用户画像，我们就能清楚地了解需求。在实践中可以深度管理客户关系，甚至找到传播口碑的机会。比如上面的例子，如果有新鲜的折扣券和日本餐厅的最新推荐，营销人员会精准地把适合该产品的相关信息推送到消费者的手机上；针对不同产品发送推荐信息，通过满意度调查、跟踪码确认等方式，不断掌握客户行为和喜好的方方面面。

　　除了客户聚类，营销人员还观察不间阶段的增长率和成功率，对比前期和后期，确认整体经营策略和方向是否正确。如果效果不好，应该用什么策略来应对？试错，调整模型，实现循环优化。

　　这个阶段的目的是提炼价值，然后根据客户需求精准营销，跟踪客户反馈信息，完成闭环优化。

　　我们从数据整合导入入手，汇总数据，分析挖掘数据。数据分析和挖掘还是有一些区别的。

　　数据分析侧重于观察数据、简单统计以及KPI的涨跌原因。

　　数据挖掘从细微和模型的角度研究数据，从学习集和训练集中发现知识规则。除了一些商业软件SAS和WEKA强大的数据分析挖掘软件，这里推荐R和Python，因为SAS和SPSS价格昂贵，很难做出页面和服务级别的API，而Python和R有丰富的库，可以和WEKA的差不多。

　　第二，数据细分受众。

　　在3小时的大数据分析内，可以轻松实现以下目标精准选择1%的VIP客户发送390份问卷，在问卷发出后3小时内收集全部问卷的35%，在比之前10%更少的时间和预算内，在5天内收集86%以上的目标问卷。

　　这是如何在问卷发出后3小时内实现35%回收的？那是因为数据已经到了发送时间# 34；一对一定制# 34；利用数据得出结论，A老师最有可能打开邮件的时候，会在那个时候发出调查问卷。

　　比如有的人上班路上会开邮件，但如果是司机就没时间填答案，而坐公共交通的人上班路上会玩手机，所以填答案的概率高。这些都是数据细分受众的好处。

　　三个。预报

　　 “预测”使您能够专注于一小组客户，但这组客户可以代表特定产品的大多数潜在买家。当我们收集分析用户画像，就可以实现精准营销。这是最直接最有价值的应用。广告主可以通过用户标签向想要触达的用户发布广告。这样他们就可以通过前面提到的后端CRM/供应链系统，以及搜索广告、社交广告、移动广告、营销分析、营销优化、一站式营销优化等多渠道营销策略，全面提升ROI。

　　先说营销时代的变化。大部分传统企业还停留在“营销1.0”时代，专注于产品满足传统消费者的需求，而进入“营销2.0”，以社会价值和品牌为使命，无法完全精准地满足个性化需求。营销3.0的数据时代，需要对每个消费者进行个性化匹配、一对一营销，甚至精准计算交易转化率，提高投资回报率。

　　第四，精准推荐

　　大数据最大的价值不是岗位分析，而是预测和推荐。我以电商为例，# 34；建议34；成为大数据改变零售行业的核心功能。

　　以服装网站Stitch fix为例。在个性化推荐机制方面，大部分服装订购网站采用用户提交身材和款式数据进行编辑，人工推荐的模式。拼接的不同之处在于，它还结合了机器算法推荐。这些客户提供身材比例、主观数据、销售记录的交叉核对，从而挖掘出每个人的专属服装推荐模型。这种一对一的营销就是最好的服务。

　　数据整合改变了企业的营销方式。现在经验不是在人身上积累，而是完全依靠消费者行为数据来做推荐。未来销售人员将不再只是销售人员，而是能够用专业的数据进行预测，用人性化的友好交互推荐产品，升级为顾问式销售。

　　动词(动词的缩写)技术工具

　　预测营销的技术能力有几种选择

　　 1.使用预测分析平台，然后通过某种方式将模型输入到活动管理工具中；

　　 2.将分析驱动的预测活动外包给市场服务提供商；

　　 3.评估和购买预测营销解决方案，如预测营销云和多渠道活动管理工具。

　　但无论哪种方式，都应该确定三种基本能力

　　 1)连接来自不同来源的客户数据，包括在线和离线，以准备用于预测和分析的数据；

　　 2)分析客户数据，利用系统和客户预测模型进行高级分析；

　　 3)在正确的时间，正确的客户，正确的场景，开始正确的行为，可能是交叉销售，跨不同的营销体系。

　　不及物动词预测模型

　　预测客户购买可能性的行业标准是RFM模型(最新消费R，消费频率F，消费金额M)，但这种模型的应用是有限的，本质上是一种没有统计和预测依据的尝试性方案。“过去的表现不能保证未来的表现。”RFM只关注过去，不会将客户当前的行为与其他客户的行为进行比较。这使得在购买产品之前无法识别高价值客户。

　　我们的关键预测模型是在最短的时间内对客户价值产生最大的影响。以下是其他一些模型参考

　　 1。参与倾向模型预测顾客参与一个品牌的可能性。参与的定义可以是多样的，比如参加一个活动，打开一个邮箱，点击访问某个页面。该模型可以确定电火花加工的发射频率。并预测趋势，是否增加或减少活动。

　　 2。预测每个客户最大可能支出的钱包模型，定义为单个客户购买产品的年度最大支出。然后看增长模式。如果目前的总目标市场比较小，但未来可能很大，我们需要找到这些市场。

　　 3。价格优化模型是一个可以最大化销售、销售额或利润的框架。每个客户通过价格优化模型定价。在这里，我们需要为你想要的产品开发不同的模型，或者开发一个通用的、可预测的客户价格敏感度模型，从而确定哪个报价对客户的影响最大。

　　 4。关键词推荐模型，关键词推荐模型可以根据一个客户的上网行为和购买记录来预测他对某个内容的喜欢程度，预测客户对什么热点和爆款感兴趣。营销人员使用这一预测结果来决定针对特定客户的内容营销主题。

　　 5。预测聚合模型，预测聚合模型是预测客户将属于哪个类别。

　　七个。人工智能在营销领域的应用

　　去年人工智能特别火爆，尤其是机器视觉、语言识别、游戏AI等深度学习的快速发展，让人们开始恐慌人工智能是否能接管人类的工作。我个人对新技术非常感兴趣，非常看好新技术、数据和现实的关系。

　　经常有人问我“你有礼品卡吗？”当我说没有收银员会赶紧劝我免费开的时候。如果有优惠，我只需要填写我的手机号和邮箱，然后就可以针对我的购买记录做营销活动了。下次我来，他们会让我报出我的电话号码，以便消费者识别。我以为刷脸支付会更方便。

　　这个场景去年也实验过。蚂蚁金服开发了一款名为Makemark的生物识别机器人。据说它的人脸识别能力已经超过了人眼。还有VR购物，亚马逊推出的免收银店Amazon Go，通过手势识别、物联网、后续数据挖掘等技术实现购物体验。

　　在营销领域，主要有以下三种预测营销技巧

　　 1.无监督学习技术

　　无监督学习技术可以在没有明确预测结果的情况下识别数据中的隐藏模式。比如在一群客户中寻找兴趣群体，也许是滑雪或者长跑，通常会放入聚类算法中，以揭示数据集中真正的潜在客户。这意味着聚类会自动发现重要的客户属性，并相应地对它们进行分类。

　　 2.监督学习技术

　　通过案例训练机器，学习识别数据，得到目标结果。一般这是对给定输入数据的预测，比如对客户生命周期价值的预测，客户与品牌互动的可能性，未来购买的可能性等。

　　 3.加强学习技术。

　　这就是利用数据中的潜在模式来准确预测最佳选择结果，比如应该提供什么产品给用户推广。与监督学习不同，强化学习算法不仅仅需要输入输出训练，学习过程是通过试错完成的。

　　在技术上，推荐模型使用了协同过滤、贝叶斯网络等算法模型。强化学习被谷歌大脑团队负责人杰夫迪恩(Jeff Dean)认为是最有前景的AI研究方向之一。最近，Goog

　　按照团队的话来说，叫做“学会学习”的能力，或者说是解决类似相关问题的归纳能力。除了强化学习，还是迁移学习。学习就是把一个通用的模型转移到一个小数据上，进行个性化处理，在新的领域产生结果，类似于举一反三。

　　作者三网融合大数据

　　版权归作者所有，本网站根据CC0协议授权转发。

　　商业转载请联系作者授权，非商业转载请注明出处。

　　联系人【运营琐事】编辑

　　更多关于基于大数据精准营销(大数据分析与精准营销)的请关注本站。