數位營銷：大數據精準營銷的七個關鍵要素

說到大數據精準營銷，不得不先提個性化的用戶畫像，我們針對每一類數據實體，進一步分解可落地的數據維度，刻畫他的每一個特徵，在聚集起來形成人群畫像。

 

一、用戶畫像

用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標籤化的用戶模型。具體包含以下幾個維度：

• 固定特徵：性別，年齡，地域，教育水平，生辰八字，職業，星座
• 興趣特徵：興趣愛好，使用APP，網站，瀏覽/收藏/評論內容，品牌偏好，產品偏好
• 社會特徵：生活習慣，婚戀，社交/信息渠道偏好，宗教信仰，家庭成分
• 消費特徵：收入狀況，購買力水平，商品種類，購買渠道喜好，購買頻次
• 動態特徵：當下時間，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畫像大致分成三步：

1.採集和清理數據：用已知預測未知

首先得掌握繁雜的數據源。包括用戶、各式活動、電子郵件訂閲數、線上或線下數據庫及客戶服務信息等。最基礎的就是如何收集網站／APP用戶的行為數據。

比如在登入某網站，其Cookie就一直駐留在瀏覽器中，從用戶觸及的動作，點擊的位置，路徑等方式，便可識別與記錄他的所有瀏覽行為，然後持續分析瀏覽過的關鍵詞和頁面，從分析出他的長短期需求、興趣、、朋友圈，皆可以清楚地獲得對方的工作，愛好，教育等方面較為全面與真實的資訊。

2.用戶分群：分門別類貼標籤

描述分析是最基本的分析統計方法，描述統計分為兩大部分：數據描述和指標統計。在分析階段，數據會轉換為影響指數，進而可以做"一對一"的精準營銷。舉個例子，一個80後客戶喜歡在生鮮網站上早上10點下單買菜，晚上6點回家做飯，週末喜歡去附近吃日本料理，經過蒐集與轉換，就會產生一些標籤，包括"80後""生鮮""做飯""日本料理"等等，貼在消費者身上。

3.制定策略：優化再調整

有了用戶畫像之後，便能清楚瞭解需求，在實際操作上，能深度經營顧客關係，甚至找到擴散口碑的機會。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品的相關信息，精準推送這個消費者的手機中；針對不同產品發送推薦信息，同時也不斷通過滿意度調查，跟蹤碼確認等方式，掌握顧客各方面的行為與偏好。

二、數據細分受眾

 

在執行大數據分析的3小時內，就可以輕鬆完成以下的目標：舉例來說，有的人在上班路上會打開郵件，但如果是開車族，並沒有時間填寫答案，而搭乘公共交通工具的人，上班路上的時間會玩手機，填寫答案的概率就高，這些都是數據細分受眾的好處。

 

三、預 測

 預測營銷能夠讓你專注於一小群客戶，而這群客戶卻能代表特定產品的大多數潛在買家。以上圖為例，你可以將營銷活動的目標受眾鎖定為20萬潛在客戶或現有客戶，其中包括特定產品的大多數買家（4萬人）。你還可以撥出部分預算用於吸引更小的客戶群（比如20% 的客戶），而不是整個客戶群，進而優化你的支出。

過去我們看數據可能是被動的方式，但預測營銷強調是決策價值，然而，大數據下的營銷顛覆經典的營銷4P理論，Product，Price，Place，Promotion，取而代之的是新的4P，People，Performance，Process，Prediction。而營銷時代關鍵詞就是“預測”。

 

四、精準推薦

大數據最大的價值不是事後分析，而是預測和推薦，我就拿電商舉例，"精準推薦"成為大數據改變零售業的核心功能。譬如大多數服裝訂購網站採用的是儲存客戶提供的個人資訊，形成數據以客製化的方式，進行專屬的服裝推薦。這種一對一營銷便是最好的服務。

數據整合改變了企業的營銷方式，現在經驗已經不是累積在人的身上，而是完全依賴消費者的行為數據去做推薦。未來，銷售人員不再只是銷售人員，而能以專業的數據預測，搭配人性的親切互動推薦商品，升級成為顧問型銷售。

 

五、技術工具

• 關於預測營銷的技術能力，有以下選擇方案：

1、使用預測分析工作平台，然後以某種方法將模型輸入活動管理工具；

2、以分析為動力的預測性活動外包給市場服務提供商。

3、評估併購一個預測營銷的解決方案，比如預測性營銷雲和多渠道的活動管理工具。

 

• 但無論哪條路，都要確定三項基本能力：

1）連接不同來源的客戶數據，包括線上，線下，為預測分析準備好數據 ；

2）分析客戶數據，使用系統和定製預測模型，做高級分析 ；

3）在正確時間，客戶，場景出發正確行為，可能做交叉銷售，跨不同營銷系統。

六、預測模型

預測客戶購買可能性的行業標準是RFM模型（最近一次消費R，消費頻率F，消費金額M），但模型應用有限，本質是一個試探性方案，沒有統計和預測依據。我們聚焦的預測模型，就是為了在最短時間內對客戶價值產生最大影響。這裡列舉一些其他模型參考：

• 參與傾向模型：預測客戶參與一個品牌的可能性，參與定義可以多元。可以通過模型來確定EDM的發送頻率。並對趨勢做預測，是增加還是減少活動。

• 錢包模型：每個客戶預測最大可能的支出，定義為單個客戶購買產品的最大年度支出。然後看增長模型，如果當前的總目標市場比較小，但未來可能很大，就需要去發現這些市場。

• 價格優化模型：能夠去最大限度提升銷售，銷量或利潤的架構，通過價格優化模型為每個客戶來定價，這裡需要對你想要的產品開發不同的模型，或者開發通用，可預測的客戶價格敏感度的模型，確定哪一塊報價時對客戶有最大的影響。

• 關鍵字推薦模型：可以基於一個客戶網絡行為和購買記錄來預測對某個內容的喜愛程度，預測客戶對什麼熱點，爆款感興趣，營銷者使用這種預測結果為特定客戶決定內容營銷主題。

• 預測聚集模型：預測客戶會歸為哪一類。

 

七、 AI在營銷領域的應用

• 針對營銷領域，主要有以下三種預測營銷技術：

1、無監督的學習技術

無監督學習技術能識別數據中的隱藏模式，也無須明確預測一種結果。比如在一群客戶中發現興趣小組，也許是滑雪或長跑，一般是放在聚類算法，揭示數據集合中真實的潛在客戶。所謂聚類，就是自動發現重要的客戶屬性，並據此做分類。

2、 有監督的學習技術

通過案例訓練機器，學習並識別數據，得到目標結果，這個一般是給定輸入數據情況下預測，比如預測客戶生命週期價值，客戶與品牌互動與未來購買的可能性。

3、強化學習技術

強化學習被認為是最有前途的AI研究方向之一。利用數據中的潛質模式，精準預測最佳的選擇結果，比如對某用戶做促銷應該提供哪些產品。這個跟監督學習不同，強化學習算法無須僅需輸入和輸出訓練，學習過程通過試錯完成。

 

整理 / Yunnie

參考資料：http://www.sohu.com/a/150588119_611422