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

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

服裝網(wǎng)站Stitch Fix例子，在個性化推薦機制方面，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)驗已經(jīng)不再是單純地人去一步步試錯，而是通過消費者的行為數(shù)據(jù)做推薦，幫助有經(jīng)驗的營銷人員進(jìn)行更高效準(zhǔn)確的決策。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。

下面舉個例子說明精準(zhǔn)營銷的好處。

如果你打算搜集200份有效問卷，依照以往的經(jīng)驗，你需要發(fā)多少份問卷，才能達(dá)到這個目標(biāo)?預(yù)計用多少預(yù)算和時間來執(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，一個月內(nèi)如果可以回收，就是不錯的表現(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份問卷，全部回收

3. 問卷寄出3小時內(nèi)回收35%的問卷

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

5. 所需時間和預(yù)算都在以往的10%以下

怎么做到在問卷發(fā)送后的3個小時就回收35%? 因為數(shù)據(jù)做到了發(fā)送時間的”一對一定制化”，利用數(shù)據(jù)得出，A先生最可能在什么時間打開郵件就在那個時間點發(fā)送問卷。

比如有些人在上班路上會打開郵件，但如果是開車族，并沒有時間填寫答案，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(shù)據(jù)細(xì)分受眾的好處。

生成用戶的精準(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

首先要掌握繁雜的數(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，這個Cookie就一直駐留在瀏覽器中，當(dāng)用戶觸及的動作，點擊的位置，按鈕，點贊，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，這比個人填寫的表單，還要更全面和真實。

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)計方法，描述統(tǒng)計分為兩大部分：數(shù)據(jù)描述和指標(biāo)統(tǒng)計。

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：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。比如一個80后客戶喜歡在生鮮網(wǎng)站上早上10點下單買菜，晚上6點回家做飯，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)推送這個消費者的手機中;針對不同產(chǎn)品發(fā)送推薦信息，同時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)試錯并調(diào)整模型，做到循環(huán)優(yōu)化。

這個階段的目的是提煉價值，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)分析重點是觀察數(shù)據(jù)，單純的統(tǒng)計，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。