大數(shù)據(jù)精準(zhǔn)營(yíng)銷：論如何和客戶談一場(chǎng)不分手的戀愛？

大數(shù)據(jù) 精準(zhǔn)營(yíng)銷數(shù)據(jù)采集用戶畫像

張磊 | 2016-07-19 15:44

【數(shù)據(jù)猿導(dǎo)讀】世界那么大，不管你是高富帥，還是矮搓窮，總會(huì)有一個(gè)人在默默等你。世界那么大，不管是逼格很高的奢侈品，還是性價(jià)比至上的淘寶仿品，總會(huì)有人愿意買單。每個(gè)產(chǎn)品都有它的特色，每個(gè)客戶都有他的偏好，精準(zhǔn)營(yíng)銷就像談戀愛，在合適的時(shí)間、合適的地點(diǎn)、將合適的產(chǎn)品以合適的方式提供給合...

大數(shù)據(jù)精準(zhǔn)營(yíng)銷：論如何和客戶談一場(chǎng)不分手的戀愛？

一數(shù)據(jù)驅(qū)動(dòng)大數(shù)據(jù)精準(zhǔn)營(yíng)銷

在移動(dòng)互聯(lián)網(wǎng)迅猛發(fā)展的背景下，用戶的網(wǎng)絡(luò)活動(dòng)所產(chǎn)生的海量數(shù)據(jù)，將會(huì)對(duì)消費(fèi)者和企業(yè)的行為帶來諸多的改變與重塑。一方面，消費(fèi)者的個(gè)性化需求不斷凸顯，已成為企業(yè)商業(yè)行為的主宰者;另一方面，企業(yè)對(duì)消費(fèi)者的特征偏好不再陌生，將日益聚焦于挖掘海量數(shù)據(jù)背后的價(jià)值。以互聯(lián)網(wǎng)公司為代表的很多企業(yè)，已逐漸覺察到大數(shù)據(jù)精準(zhǔn)營(yíng)銷所帶來的商業(yè)價(jià)值，不斷思考如何通過對(duì)海量數(shù)據(jù)的有效整合和充分利用，準(zhǔn)確地分析用戶的特征和偏好, 了解用戶此時(shí)此地所需所想，挖掘產(chǎn)品的潛在高價(jià)值用戶群體，幫助企業(yè)找到最精準(zhǔn)的受眾，實(shí)現(xiàn)市場(chǎng)營(yíng)銷的精準(zhǔn)化、場(chǎng)景化。電信運(yùn)營(yíng)商作為數(shù)據(jù)寶礦的生產(chǎn)者，擁有其他企業(yè)無法企及的海量數(shù)據(jù)資源，也在不斷探索基于大數(shù)據(jù)的新產(chǎn)品與應(yīng)用，充分挖掘企業(yè)的數(shù)據(jù)資產(chǎn)價(jià)值，推動(dòng)電信運(yùn)營(yíng)商在移動(dòng)互聯(lián)時(shí)代的產(chǎn)業(yè)升級(jí)和戰(zhàn)略轉(zhuǎn)型。今天，筆者將結(jié)合團(tuán)隊(duì)近期開展的一些大數(shù)據(jù)應(yīng)用工作，和大家分享如何進(jìn)行數(shù)據(jù)驅(qū)動(dòng)式的市場(chǎng)精準(zhǔn)營(yíng)銷。

二精準(zhǔn)營(yíng)銷，和客戶談一場(chǎng)不分手的戀愛

世界那么大，不管你是高富帥，還是矮搓窮，總會(huì)有一個(gè)人在默默等你。世界那么大，不管是逼格很高的奢侈品，還是性價(jià)比至上的淘寶仿品，總會(huì)有人愿意買單。每個(gè)產(chǎn)品都有它的特色，每個(gè)客戶都有他的偏好，精準(zhǔn)營(yíng)銷就像談戀愛，在合適的時(shí)間、合適的地點(diǎn)、將合適的產(chǎn)品以合適的方式提供給合適的客戶群體，讓顧客能夠一見傾心、二見如故、三定終生，實(shí)現(xiàn)產(chǎn)品功能、用戶偏好和用戶購(gòu)買力等多維度的高度契合。

精準(zhǔn)營(yíng)銷是大數(shù)據(jù)落地應(yīng)用的一個(gè)重要場(chǎng)景，在細(xì)分市場(chǎng)下可快速獲取潛在用戶并提高市場(chǎng)轉(zhuǎn)化率，堪稱“獲客神器”。它的本質(zhì)是根據(jù)用戶在不同階段的身份屬性，結(jié)合用戶特征和偏好，進(jìn)行不同目的針對(duì)性營(yíng)銷活動(dòng)，具體包括潛在客戶挖掘、價(jià)值客戶轉(zhuǎn)化、存量客戶互動(dòng)和流失客戶挽留等。其中，潛客挖掘和客戶挽留是精準(zhǔn)營(yíng)銷的重中之重，也是本文所討論的重點(diǎn)。

三大數(shù)據(jù)精準(zhǔn)營(yíng)銷模型構(gòu)建

基于大數(shù)據(jù)挖掘的精準(zhǔn)營(yíng)銷模型包括數(shù)據(jù)層，業(yè)務(wù)層和應(yīng)用層等，其中，業(yè)務(wù)層包括用戶畫像和模型構(gòu)建兩部分。該模型基于可采集的全量數(shù)據(jù)源，從人口屬性、金融征信、通信行為、興趣偏好、APP偏好、常駐區(qū)域等維度構(gòu)建用戶的全息畫像，基于對(duì)存量用戶的歷史數(shù)據(jù)挖掘出的典型特征，構(gòu)建預(yù)測(cè)模型來輸出產(chǎn)品的目標(biāo)用戶群體，并通過模型置信度以及預(yù)測(cè)效果的評(píng)估對(duì)模型進(jìn)行修正，最終得到目標(biāo)客戶群體，為市場(chǎng)營(yíng)銷策略提供有效支撐。具體模型如下圖所示。

1 數(shù)據(jù)采集

數(shù)據(jù)采集是大數(shù)據(jù)精準(zhǔn)營(yíng)銷平臺(tái)的基礎(chǔ)，數(shù)據(jù)類型的多樣性及數(shù)據(jù)來源的差異化是影響數(shù)據(jù)質(zhì)量乃至挖掘效果的重要因素。從數(shù)據(jù)的時(shí)效性來看，可將數(shù)據(jù)類型分為：

靜態(tài)數(shù)據(jù)包括人口屬性、商業(yè)屬性等，主要用于用戶的基本屬性分析和智能標(biāo)簽分類。通過性別、年齡、職業(yè)、學(xué)歷、收入等數(shù)據(jù)的關(guān)聯(lián)分析，知道“用戶是什么樣的人”。

近期數(shù)據(jù)主要為用戶一段時(shí)間內(nèi)的網(wǎng)絡(luò)行為數(shù)據(jù)，通過對(duì)用戶近期活躍應(yīng)用、內(nèi)容訪問、通信行為、常駐區(qū)域等具有一定時(shí)效性數(shù)據(jù)的分析，獲取用戶的興趣偏好和消費(fèi)習(xí)慣等，知道“用戶對(duì)什么感興趣”。

實(shí)時(shí)數(shù)據(jù)主要為用戶實(shí)時(shí)變化的網(wǎng)絡(luò)行為數(shù)據(jù)，包括搜索信息、購(gòu)物信息、實(shí)時(shí)地理位置等，通過地理位置信息實(shí)時(shí)捕獲用戶的潛在消費(fèi)場(chǎng)景，抓住營(yíng)銷機(jī)會(huì)，實(shí)時(shí)觸達(dá)目標(biāo)用戶，知道“用戶在哪里干什么”。

2 用戶畫像

用戶畫像是精準(zhǔn)營(yíng)銷模型的重中之重，其核心在于用高度精煉的特征來為用戶“打標(biāo)簽”，如年齡、性別、地域、用戶偏好、消費(fèi)能力等，最后綜合關(guān)聯(lián)用戶的標(biāo)簽信息，勾勒出用戶的立體“畫像”。用戶畫像可較完美地抽象出一個(gè)用戶的信息全貌，為進(jìn)一步精準(zhǔn)、快速地預(yù)測(cè)用戶行為、消費(fèi)意愿等重要信息，提供了全面的數(shù)據(jù)基礎(chǔ)，是實(shí)現(xiàn)大數(shù)據(jù)精準(zhǔn)營(yíng)銷的基石?；诖?，筆者建議從六個(gè)維度構(gòu)建基于大數(shù)據(jù)分析的用戶畫像，包括人口屬性、內(nèi)容偏好、APP偏好、通信行為、金融征信、常駐/實(shí)時(shí)位置等，各維度的具體指標(biāo)如圖3所示。

3 模型構(gòu)建

常用的數(shù)據(jù)挖掘方法主要是基于用戶畫像體系與結(jié)果，選取相關(guān)性較大的特征變量，通過分類模型、聚類模型、回歸模型、神經(jīng)網(wǎng)絡(luò)和關(guān)聯(lián)規(guī)則等機(jī)器算法進(jìn)行深度挖掘。常用算法的基本內(nèi)容如下：

分類和聚類

分類算法是極其常用的數(shù)據(jù)挖掘方法之一，其核心思想是找出目標(biāo)數(shù)據(jù)項(xiàng)的共同特征，并按照分類規(guī)則將數(shù)據(jù)項(xiàng)劃分為不同的類別。聚類算法則是把一組數(shù)據(jù)按照相似性和差異性分為若干類別，使得同一類別數(shù)據(jù)間的相似性盡可能大，不同類別數(shù)據(jù)的相似性盡可能小。分類和聚類的目的都是將數(shù)據(jù)項(xiàng)進(jìn)行歸類，但二者具有顯著的區(qū)別。分類是有監(jiān)督的學(xué)習(xí)，即這些類別是已知的，通過對(duì)已知分類的數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，找到這些不同類的特征，再對(duì)未分類的數(shù)據(jù)進(jìn)行分類。而聚類則是無監(jiān)督的學(xué)習(xí)，不需要對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)。常見的分類算法有決策樹分類算法、貝葉斯分類算法等;聚類算法則包括系統(tǒng)聚類，K-means均值聚類等。

回歸分析

回歸分析是確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計(jì)分析方法，其主要研究的問題包括數(shù)據(jù)序列的趨勢(shì)特征、數(shù)據(jù)序列的預(yù)測(cè)以及數(shù)據(jù)間的相關(guān)關(guān)系等。按照模型自變量的多少，回歸算法可以分為一元回歸分析和多元回歸分析;按照自變量和因變量間的關(guān)系，又可分為線性回歸和非線性回歸分析。

神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)算法是在現(xiàn)代神經(jīng)生物學(xué)研究的基礎(chǔ)上發(fā)展起來的一種模擬人腦信息處理機(jī)制的網(wǎng)絡(luò)系統(tǒng)，不但具備一般計(jì)算能力，還具有處理知識(shí)的思維、學(xué)習(xí)和記憶能力。它是一種基于導(dǎo)師的學(xué)習(xí)算法，可以模擬復(fù)雜系統(tǒng)的輸入和輸出，同時(shí)具有非常強(qiáng)的非線性映射能力?；谏窠?jīng)網(wǎng)絡(luò)的挖掘過程由數(shù)據(jù)準(zhǔn)備、規(guī)則提取、規(guī)則應(yīng)用和預(yù)測(cè)評(píng)估四個(gè)階段組成，在數(shù)據(jù)挖掘中，經(jīng)常利用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行預(yù)測(cè)工作。

關(guān)聯(lián)分析

關(guān)聯(lián)分析是在交易數(shù)據(jù)、關(guān)系數(shù)據(jù)或其他信息載體中，查找存在于項(xiàng)目集合或?qū)ο蠹现g的關(guān)聯(lián)、相關(guān)性或因果結(jié)構(gòu)，即描述數(shù)據(jù)庫(kù)中不同數(shù)據(jù)項(xiàng)之間所存在關(guān)系的規(guī)則。例如，一項(xiàng)數(shù)據(jù)發(fā)生變化，另一項(xiàng)也跟隨發(fā)生變化，則這兩個(gè)數(shù)據(jù)項(xiàng)之間可能存在某種關(guān)聯(lián)。關(guān)聯(lián)分析是一個(gè)很有用的數(shù)據(jù)挖掘模型，能夠幫助企業(yè)輸出很多有用的產(chǎn)品組合推薦、優(yōu)惠促銷組合，能夠找到更多的潛在客戶，真正的把數(shù)據(jù)挖掘落到實(shí)處。4市場(chǎng)營(yíng)銷大數(shù)據(jù)挖掘在精準(zhǔn)營(yíng)銷領(lǐng)域的應(yīng)用可分為兩大類，包括離線應(yīng)用和在線應(yīng)用。其中，離線應(yīng)用主要是基于用戶畫像進(jìn)行數(shù)據(jù)挖掘，進(jìn)行不同目的針對(duì)性營(yíng)銷活動(dòng)，包括潛在客戶挖掘、流失客戶挽留、制定精細(xì)化營(yíng)銷媒介等。而在線應(yīng)用則是基于實(shí)時(shí)數(shù)據(jù)挖掘結(jié)果，進(jìn)行精準(zhǔn)化的廣告推送和市場(chǎng)營(yíng)銷，具體包括DMP，DSP和程序化購(gòu)買等應(yīng)用。

四大數(shù)據(jù)精準(zhǔn)營(yíng)銷應(yīng)用成果

1 電信行業(yè)內(nèi)應(yīng)用成果

對(duì)于電信運(yùn)營(yíng)商來說，按服務(wù)對(duì)象的不同，大數(shù)據(jù)的應(yīng)用可分為對(duì)內(nèi)應(yīng)用和對(duì)外應(yīng)用兩種。典型對(duì)內(nèi)應(yīng)用包括內(nèi)部經(jīng)營(yíng)分析應(yīng)用、網(wǎng)絡(luò)優(yōu)化、客戶精準(zhǔn)營(yíng)銷等，例如通過適當(dāng)分離存量和增量用戶，通過不同群體用戶的特征和偏好，提高用戶轉(zhuǎn)化率和提升存量客戶的價(jià)值。下圖為基于中國(guó)聯(lián)通某城市的B側(cè)和O側(cè)數(shù)據(jù)，所構(gòu)建的潛在離網(wǎng)用戶預(yù)測(cè)和4G潛在用戶挖據(jù)模型及其應(yīng)用成果，與傳統(tǒng)算法相比該模型的營(yíng)銷效果提升顯著。

2 其他行業(yè)應(yīng)用成果

現(xiàn)階段，運(yùn)營(yíng)商依托自身數(shù)據(jù)優(yōu)勢(shì)所構(gòu)建的大數(shù)據(jù)精準(zhǔn)營(yíng)銷平臺(tái)已廣泛應(yīng)用于各個(gè)行業(yè)，基于用戶基本屬性及網(wǎng)絡(luò)行為的深度刻畫，結(jié)合客戶產(chǎn)品特點(diǎn)及目標(biāo)用戶群體，可生成潛在高價(jià)值用戶目標(biāo)群體，支撐汽車、保險(xiǎn)和廣告等合作伙伴進(jìn)行精準(zhǔn)營(yíng)銷服務(wù)，有效提高客戶轉(zhuǎn)化率和降低運(yùn)營(yíng)成本。本文中，筆者以某城市的數(shù)據(jù)樣本為基礎(chǔ)，針對(duì)汽車行業(yè)中高端汽車的精準(zhǔn)營(yíng)銷進(jìn)行了模型搭建，具體方案如下圖所示。

來源：通信大數(shù)據(jù)分析及應(yīng)用

收藏分享

聲明：數(shù)據(jù)猿尊重媒體行業(yè)規(guī)范，相關(guān)內(nèi)容都會(huì)注明來源與作者；轉(zhuǎn)載我們?cè)瓌?chuàng)內(nèi)容時(shí)，也請(qǐng)務(wù)必注明“來源：數(shù)據(jù)猿”與作者名稱，否則將會(huì)受到數(shù)據(jù)猿追責(zé)。