數(shù)據(jù)精準(zhǔn)營(yíng)銷的七個(gè)關(guān)鍵要素

說(shuō)到大數(shù)據(jù)精準(zhǔn)營(yíng)銷，不得不先提個(gè)性化的用戶畫像，我們針對(duì)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(lái)形成人群畫像。

01用戶畫像

用戶畫像是根據(jù)用戶社會(huì)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(ài)好，使用APP，網(wǎng)站，瀏覽/收藏/評(píng)論內(nèi)容，品牌偏好，產(chǎn)品偏好

用戶社會(huì)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(gòu)買力水平，商品種類，購(gòu)買渠道喜好，購(gòu)買頻次

用戶動(dòng)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(cè)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(dòng)數(shù)據(jù)、電子郵件訂閱數(shù)、線上或線下數(shù)據(jù)庫(kù)及客戶服務(wù)信息等。這個(gè)是累積數(shù)據(jù)庫(kù)；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(dòng)作，點(diǎn)擊的位置，按鈕，點(diǎn)贊，評(píng)論，粉絲，還有訪問(wèn)的路徑，可以識(shí)別并記錄他／她的所有瀏覽行為，然后持續(xù)分析瀏覽過(guò)的關(guān)鍵詞和頁(yè)面，分析出他的短期需求和長(zhǎng)期興趣。還可以通過(guò)分析朋友圈，獲得非常清晰獲得對(duì)方的工作，愛(ài)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(huì)員，也可以分析出未知的顧客與需求，進(jìn)一步開(kāi)發(fā)市場(chǎng)。

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(lái)對(duì)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(lái)源。指標(biāo)統(tǒng)計(jì)：把分布，對(duì)比，預(yù)測(cè)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(huì)轉(zhuǎn)換為影響指數(shù)，進(jìn)而可以做"一對(duì)一"的精準(zhǔn)營(yíng)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(guò)搜集與轉(zhuǎn)換，就會(huì)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(yíng)顧客關(guān)系，甚至找到擴(kuò)散口碑的機(jī)會(huì)。例如上面例子中，若有生鮮的打折券，日本餐館最新推薦，營(yíng)銷人員就會(huì)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(duì)不同產(chǎn)品發(fā)送推薦信息，同時(shí)也不斷通過(guò)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(yíng)銷人員也在不同時(shí)間階段觀察成長(zhǎng)率和成功率，前后期對(duì)照，確認(rèn)整體經(jīng)營(yíng)策略與方向是否正確；若效果不佳，又該用什么策略應(yīng)對(duì)。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(yíng)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(kāi)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(shí)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(yè)面和服務(wù)級(jí)別的API，而Python和R有豐富的庫(kù)，可以類似WEKA的模塊，無(wú)縫交互其他API和程序，這里還需要熟悉數(shù)據(jù)庫(kù)，Hadoop等。

02數(shù)據(jù)細(xì)分受眾

“顛覆營(yíng)銷”書中提到一個(gè)例子，可以引述一下，大家思考一個(gè)問(wèn)題：如果你打算搜集200份有效問(wèn)卷，依照以往的經(jīng)驗(yàn)，你需要發(fā)多少份問(wèn)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(lái)執(zhí)行？

以往的方法是這樣的：評(píng)估網(wǎng)絡(luò)問(wèn)卷大約是5%的回收率，想要保證收到200份的問(wèn)卷，就必須有20倍的發(fā)送量，也就是發(fā)出4000份問(wèn)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(wèn)卷，全部回收

問(wèn)卷寄出3小時(shí)內(nèi)回收35%的問(wèn)卷

5天內(nèi)就回收了超過(guò)目標(biāo)數(shù)86%的問(wèn)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(wèn)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(duì)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(kāi)郵件就在那個(gè)時(shí)間點(diǎn)發(fā)送問(wèn)卷。

舉例來(lái)說(shuō)，有的人在上班路上會(huì)打開(kāi)郵件，但如果是開(kāi)車族，并沒(méi)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(huì)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(cè)

“預(yù)測(cè)”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(yíng)銷。這是最直接和最有價(jià)值的應(yīng)用，廣告主可以通過(guò)用戶標(biāo)簽來(lái)發(fā)布廣告給所要觸達(dá)的用戶，這里面又可以通過(guò)上圖提到的搜索廣告，展示社交廣告，移動(dòng)廣告等多渠道的營(yíng)銷策略，營(yíng)銷分析，營(yíng)銷優(yōu)化以及后端CRM/供應(yīng)鏈系統(tǒng)打通的一站式營(yíng)銷優(yōu)化，全面提升ROI。

我們?cè)僬f(shuō)一說(shuō)營(yíng)銷時(shí)代的變遷，傳統(tǒng)的企業(yè)大多還停留在“營(yíng)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(yíng)銷2.0”，以社會(huì)價(jià)值與品牌為使命，也不能完全精準(zhǔn)對(duì)接個(gè)性化需求。進(jìn)入營(yíng)銷3.0的數(shù)據(jù)時(shí)代，我們要對(duì)每個(gè)消費(fèi)者進(jìn)行個(gè)性化匹配，一對(duì)一營(yíng)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(yíng)銷顛覆經(jīng)典的營(yíng)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(jìng)爭(zhēng)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(cè)下一次的購(gòu)買時(shí)間。 營(yíng)銷3.0時(shí)代關(guān)鍵詞就是“預(yù)測(cè)”。

預(yù)測(cè)營(yíng)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(yíng)銷活動(dòng)的目標(biāo)受眾鎖定為20萬(wàn)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(wàn)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(guò)去我們看數(shù)據(jù)可能是被動(dòng)的方式，但預(yù)測(cè)營(yíng)銷強(qiáng)調(diào)是決策價(jià)值，比如購(gòu)買時(shí)間，你該看的不是她最后的購(gòu)買日期，而是下次購(gòu)買的時(shí)間，看未來(lái)的存活概率，最后生成客戶終身價(jià)值（CLV）。預(yù)測(cè)營(yíng)銷催生了一種新的數(shù)據(jù)驅(qū)動(dòng)營(yíng)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(cè)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(gòu)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(duì)，挖掘每個(gè)人專屬的服裝推薦模型。 這種一對(duì)一營(yíng)銷是最好的服務(wù)。

數(shù)據(jù)整合改變了企業(yè)的營(yíng)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(lái)，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(cè)，搭配人性的親切互動(dòng)推薦商品，升級(jí)成為顧問(wèn)型銷售。

05技術(shù)工具

關(guān)于預(yù)測(cè)營(yíng)銷的技術(shù)能力，有幾種選擇方案：

1、使用預(yù)測(cè)分析工作平臺(tái)，然后以某種方法將模型輸入活動(dòng)管理工具；

2、以分析為動(dòng)力的預(yù)測(cè)性活動(dòng)外包給市場(chǎng)服務(wù)提供商；

3、評(píng)估并購(gòu)買一個(gè)預(yù)測(cè)營(yíng)銷的解決方案，比如預(yù)測(cè)性營(yíng)銷云和多渠道的活動(dòng)管理工具。

但無(wú)論哪條路，都要確定三項(xiàng)基本能力：

1）連接不同來(lái)源的客戶數(shù)據(jù)，包括線上，線下，為預(yù)測(cè)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(cè)模型，做高級(jí)分析 ；

3）在正確時(shí)間，正確客戶，正確的場(chǎng)景出發(fā)正確行為，可能做交叉銷售，跨不同營(yíng)銷系統(tǒng)。

06預(yù)測(cè)模型

預(yù)測(cè)客戶購(gòu)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(méi)有統(tǒng)計(jì)和預(yù)測(cè)依據(jù)。“過(guò)去的成績(jī)不能保證未來(lái)的表現(xiàn)”，RFM只關(guān)注過(guò)去，不去將客戶當(dāng)前行為和其他客戶當(dāng)前行為做對(duì)比。這樣就無(wú)法在購(gòu)買產(chǎn)品之前識(shí)別高價(jià)值客戶。

我們聚焦的預(yù)測(cè)模型，就是為了在最短時(shí)間內(nèi)對(duì)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(cè)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(dòng)，打開(kāi)電子郵件，點(diǎn)擊，訪問(wèn)某頁(yè)面?？梢酝ㄟ^(guò)模型來(lái)確定EDM的發(fā)送頻率。并對(duì)趨勢(shì)做預(yù)測(cè)，是增加還是減少活動(dòng)。

錢包模型，就是為每個(gè)客戶預(yù)測(cè)最大可能的支出，定義為單個(gè)客戶購(gòu)買產(chǎn)品的最大年度支出。然后看增長(zhǎng)模型，如果當(dāng)前的總目標(biāo)市場(chǎng)比較小，但未來(lái)可能很大，就需要去發(fā)現(xiàn)這些市場(chǎng)。

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(rùn)的架構(gòu)，通過(guò)價(jià)格優(yōu)化模型為每個(gè)客戶來(lái)定價(jià)，這里需要對(duì)你想要的產(chǎn)品開(kāi)發(fā)不同的模型，或者開(kāi)發(fā)通用，可預(yù)測(cè)的客戶價(jià)格敏感度的模型，確定哪一塊報(bào)價(jià)時(shí)對(duì)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(gòu)買記錄來(lái)預(yù)測(cè)對(duì)某個(gè)內(nèi)容的喜愛(ài)程度，預(yù)測(cè)客戶對(duì)什么熱點(diǎn)，爆款感興趣，營(yíng)銷者使用這種預(yù)測(cè)結(jié)果為特定客戶決定內(nèi)容營(yíng)銷主題。

預(yù)測(cè)聚集模型，預(yù)測(cè)聚集模型就是預(yù)測(cè)客戶會(huì)歸為哪一類。

07AI在營(yíng)銷領(lǐng)域的應(yīng)用

去年人工智能特別火，特別是深度學(xué)習(xí)在機(jī)器視覺(jué)，語(yǔ)言識(shí)別，游戲AI上的突飛猛進(jìn)，以至于人們開(kāi)始恐慌人工智能是不是已經(jīng)可以接管人類工作，我個(gè)人是對(duì)新技術(shù)有著強(qiáng)烈的興趣，也非常看好新科技，數(shù)據(jù)與現(xiàn)實(shí)的關(guān)聯(lián)。

我以前在國(guó)外零售店買單的時(shí)候經(jīng)常被詢問(wèn)“你有沒(méi)有購(gòu)物卡”，當(dāng)我說(shuō)沒(méi)有收銀員會(huì)趕緊勸我免費(fèi)開(kāi)通，有打折優(yōu)惠，只需要填個(gè)手機(jī)號(hào)和郵箱，后面就可以針對(duì)我的購(gòu)買記錄做營(yíng)銷活動(dòng)，而當(dāng)我下次進(jìn)來(lái)，他們就讓我報(bào)出電話號(hào)碼做消費(fèi)者識(shí)別，當(dāng)時(shí)我想如果做到人臉識(shí)別，豈不是更方便，刷臉就可以買單。而這個(gè)場(chǎng)景在去年也有了實(shí)驗(yàn)，螞蟻金服研發(fā)出了一個(gè)生物識(shí)別機(jī)器人，叫螞可Mark，據(jù)說(shuō)其認(rèn)臉能力已經(jīng)超越了人類肉眼的能力。還有VR購(gòu)物，Amazon推出的無(wú)收銀員商店Amazon Go，通過(guò)手勢(shì)識(shí)別，物聯(lián)網(wǎng)和后續(xù)數(shù)據(jù)挖掘等技術(shù)實(shí)現(xiàn)購(gòu)物體驗(yàn)。

針對(duì)營(yíng)銷領(lǐng)域，主要有以下三種預(yù)測(cè)營(yíng)銷技術(shù)：

1、無(wú)監(jiān)督的學(xué)習(xí)技術(shù)

無(wú)監(jiān)督學(xué)習(xí)技術(shù)能識(shí)別數(shù)據(jù)中的隱藏模式，也無(wú)須明確預(yù)測(cè)一種結(jié)果。比如在一群客戶中發(fā)現(xiàn)興趣小組，也許是滑雪，也許是長(zhǎng)跑，一般是放在聚類算法，揭示數(shù)據(jù)集合中 真實(shí)的潛在客戶。所謂聚類，就是自動(dòng)發(fā)現(xiàn)重要的客戶屬性，并據(jù)此做分類。

2、 有監(jiān)督的學(xué)習(xí)技術(shù)

通過(guò)案例訓(xùn)練機(jī)器，學(xué)習(xí)并識(shí)別數(shù)據(jù)，得到目標(biāo)結(jié)果，這個(gè)一般是給定輸入數(shù)據(jù)情況下預(yù)測(cè)，比如預(yù)測(cè)客戶生命周期價(jià)值，客戶與品牌互動(dòng)的可能性，未來(lái)購(gòu)買的可能性。

3、強(qiáng)化學(xué)習(xí)技術(shù)

這種是利用數(shù)據(jù)中的潛質(zhì)模式，精準(zhǔn)預(yù)測(cè)最佳的選擇結(jié)果，比如對(duì)某用戶做促銷應(yīng)該提供哪些產(chǎn)品。這個(gè)跟監(jiān)督學(xué)習(xí)不同，強(qiáng)化學(xué)習(xí)算法無(wú)須僅需輸入和輸出訓(xùn)練，學(xué)習(xí)過(guò)程通過(guò)試錯(cuò)完成。

從技術(shù)角度看，推薦模型應(yīng)用了協(xié)同過(guò)濾，貝葉斯網(wǎng)絡(luò)等算法模型。強(qiáng)化學(xué)習(xí)是被Google Brain團(tuán)隊(duì)的負(fù)責(zé)人Jeff Dean認(rèn)為是最有前途的AI研究方向之一。最近Google的一個(gè)AI團(tuán)隊(duì)DeepMind發(fā)表了一篇名為《學(xué)會(huì)強(qiáng)化學(xué)習(xí)》的論文。

按團(tuán)隊(duì)的話來(lái)說(shuō)，叫做“學(xué)會(huì)學(xué)習(xí)”的能力，或者叫做能解決類似相關(guān)問(wèn)題的歸納能力。除了強(qiáng)化學(xué)習(xí)，還在遷移學(xué)習(xí)。遷移學(xué)習(xí)就是把一個(gè)通用模型遷移到一個(gè)小數(shù)據(jù)上，使它個(gè)性化，在新的領(lǐng)域也能產(chǎn)生效果，類似于人的舉一反三、觸類旁通。

強(qiáng)化學(xué)習(xí)加上遷移學(xué)習(xí)，能夠把小數(shù)據(jù)也用起來(lái)，我認(rèn)為是很激動(dòng)人心的，通過(guò)AI來(lái)創(chuàng)造AI，數(shù)據(jù)科學(xué)家的部分工作也可以讓機(jī)器來(lái)實(shí)現(xiàn)了。