數(shù)據(jù)精準(zhǔn)營(yíng)銷的七個(gè)關(guān)鍵要素
說到大數(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)分析瀏覽過的關(guān)鍵詞和頁面,，分析出他的短期需求和長(zhǎng)期興趣,。還可以通過分析朋友圈，獲得非常清晰獲得對(duì)方的工作，愛好,，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)問題：如果你打算搜集200份有效問卷，依照以往的經(jīng)驗(yàn),，你需要發(fā)多少份問卷,，才能達(dá)到這個(gè)目標(biāo)？預(yù)計(jì)用多少預(yù)算和時(shí)間來執(zhí)行,？
以往的方法是這樣的：評(píng)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(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份問卷,，全部回收
問卷寄出3小時(shí)內(nèi)回收35%的問卷
5天內(nèi)就回收了超過目標(biāo)數(shù)86%的問卷數(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)間打開郵件就在那個(gè)時(shí)間點(diǎn)發(fā)送問卷,。
舉例來說，有的人在上班路上會(huì)打開郵件,，但如果是開車族,，并沒有時(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,，廣告主可以通過用戶標(biāo)簽來發(fā)布廣告給所要觸達(dá)的用戶,，這里面又可以通過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一說營(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,，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。
但無論哪條路,，都要確定三項(xiàng)基本能力：
1）連接不同來源的客戶數(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，沒有統(tǒng)計(jì)和預(yù)測(cè)依據(jù),?！斑^去的成績(jī)不能保證未來的表現(xiàn)”，RFM只關(guān)注過去,，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)，打開電子郵件,，點(diǎn)擊,，訪問某頁面?？梢酝ㄟ^模型來確定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),，通過價(jià)格優(yōu)化模型為每個(gè)客戶來定價(jià),，這里需要對(duì)你想要的產(chǎn)品開發(fā)不同的模型，或者開發(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)買記錄來預(yù)測(cè)對(duì)某個(gè)內(nèi)容的喜愛程度,，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，語言識(shí)別,，游戲AI上的突飛猛進(jìn),，以至于人們開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?？春眯驴萍迹瑪?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“你有沒有購(gòu)物卡”,，當(dāng)我說沒有收銀員會(huì)趕緊勸我免費(fèi)開通，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，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推出的無收銀員商店Amazon Go,，通過手勢(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、無監(jiān)督的學(xué)習(xí)技術(shù)
無監(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)算法無須僅需輸入和輸出訓(xùn)練，學(xué)習(xí)過程通過試錯(cuò)完成。
從技術(shù)角度看,，推薦模型應(yīng)用了協(xié)同過濾,，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)的話來說，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,，我認(rèn)為是很激動(dòng)人心的，通過AI來創(chuàng)造AI,，數(shù)據(jù)科學(xué)家的部分工作也可以讓機(jī)器來實(shí)現(xiàn)了,。