現(xiàn)代商業(yè)中大數(shù)據(jù)的價(jià)值體現(xiàn)在哪

大數(shù)據(jù)最大的價(jià)值不是事后分析，而是預(yù)測(cè)和推薦我們可以看到”精準(zhǔn)推薦”在電商中的運(yùn)用，預(yù)測(cè)性分析成為大數(shù)據(jù)在零售業(yè)的主流。

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(xiāo)售記錄的交叉核對(duì)，挖掘每個(gè)人專(zhuān)屬的服裝推薦模型。 這種一對(duì)一營(yíng)銷(xiāo)是最好的服務(wù)。

數(shù)據(jù)整合改變了企業(yè)的營(yíng)銷(xiāo)方式，現(xiàn)在經(jīng)驗(yàn)已經(jīng)不再是單純地人去一步步試錯(cuò)，而是通過(guò)消費(fèi)者的行為數(shù)據(jù)做推薦，幫助有經(jīng)驗(yàn)的營(yíng)銷(xiāo)人員進(jìn)行更高效準(zhǔn)確的決策。未來(lái)，銷(xiāo)售人員不再只是銷(xiāo)售人員，而能以專(zhuān)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(xiāo)售。

下面舉個(gè)例子說(shuō)明精準(zhǔn)營(yíng)銷(xiāo)的好處。

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)：

1. 精準(zhǔn)挑選出1%的VIP顧客

2. 發(fā)送390份問(wèn)卷，全部回收

3. 問(wèn)卷寄出3小時(shí)內(nèi)回收35%的問(wèn)卷

4. 5天內(nèi)就回收了超過(guò)目標(biāo)數(shù)86%的問(wèn)卷數(shù)

5. 所需時(shí)間和預(yù)算都在以往的10%以下

怎么做到在問(wèn)卷發(fā)送后的3個(gè)小時(shí)就回收35%? 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。

比如有些人在上班路上會(huì)打開(kāi)郵件，但如果是開(kāi)車(chē)族，并沒(méi)有時(shí)間填寫(xiě)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(xiě)答案的概率就高，這些都是數(shù)據(jù)細(xì)分受眾的好處。

生成用戶的精準(zhǔn)畫(huà)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

首先要掌握繁雜的數(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，這個(gè)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(xiě)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(mén)別類(lèi)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(huà)，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(lèi)分群使用Lift圖，用打分的方法告訴你哪一類(lèi)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(xiāo)。比如一個(gè)80后客戶喜歡在生鮮網(wǎng)站上早上10點(diǎn)下單買(mǎi)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(huà)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(xiāo)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(xiāo)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(xiāo)，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。由于SAS，SPSS本身比較昂貴，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(lèi)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。