大数据精准营销的关键因素大数据营销知识点总结 _经验知识

在涉及大数据精准营销时。我们必须首先介绍个性化的用户图像。对于每种类型的数据实体。我们进一步分解可以着陆的数据维度。描绘TA的每个特征。并收集以形成群组肖像。

文章插图
一：用户肖像用户肖像是从诸如用户社交属性。生活习惯和消费者行为之类的信息中抽象出的标记用户模型。具体包括以下维度：
用户固定功能：性别。年龄。地区。教育程度。出生性格。职业。星座
用户兴趣特征：爱好。使用应用程序。网站。浏览/收集/评论内容。品牌偏好。产品偏好
用户社会特征：生活习惯。婚姻和爱情。社交/信息渠道偏好。宗教信仰。家庭构成
用户消费特征：收入状况。购买力水平。产品类型。购买渠道偏好。购买频率
用户动态特征：当前时间。需求。您要去的地方。周边商家。周围人群。新闻事件如何生成用户准确的肖像大致分为三个步骤。
1.收集和清理数据：已知预测未知
首先。您必须掌握复杂的数据源。包括用户数据。各种活动数据。电子邮件订阅。在线或离线数据库以及客户服务信息。这是一个累积数据库；最基本的部分是如何收集网站/app用户行为数据。例如。当您登录网站时。其cookie仍保留在浏览器中。当用户触摸动作时。点击位置。按钮。喜欢。评论。粉丝和访问路径。可以识别和记录他/她。所有浏览行为。然后继续分析查看的关键字和页面。以分析他的短期需求和长期利益。您还可以通过分析朋友圈来非常清楚地了解他人的工作。爱好。教育等。这比个人填写的表格更全面。更真实。
我们使用已知数据来寻找线索并不断挖掘材料。不仅要巩固旧成员。还要分析未知客户和需求。进一步开拓市场。
2.用户分组：按类别标记
描述分析是最基本的分析统计方法。描述统计分为两大部分：数据描述和指标统计数据描述：用来对数据进行基本情况的刻画。包括数据总数。范围。数据来源指标统计：把分布。对比。预测指标进行建模。这里常常是数据挖掘的一些数学模型。像响应率分析模型。客户倾向性模型。这类分群使用Lift图。用打分的方法告诉你哪一类客户有较高的接触和转化的价值。
在分析阶段。数据会转换为影响指数。进而可以做 '一对一' 的精准营销。举个例子。一个80后客户喜欢在生鲜网站上早上10点下单买菜。晚上6点回家做饭。周末喜欢去附近吃日本料理。经过搜集与转换。就会产生一些标签。包括'80后 '' 生鲜 '' 做饭 '' 日本料理'等等。贴在消费者身上。
3.制定战略：优化和调整
通过用户的肖像。您可以清楚地了解需求。在实际操作中。您可以深入管理客户关系甚至找到传播口碑的机会。例如。在上面的例子中。如果有新鲜的折扣优惠券。日本餐厅的最新推荐。营销人员将准确地将产品的相关信息推送到消费者的手机；发送不同产品的推荐信息。并通过满意度调查。跟踪代码确认等。掌握客户各方面的行为和偏好。
除了客户分组。营销人员还会观察不同时期的增长率和成功率。比较前后。确认整体业务策略和方向是否正确；如果效果不好。应该采用什么策略？重复试验和错误并调整模型以实现循环优化。
此阶段的目的是细化价值。然后根据客户需求准确上市。最后跟踪客户反馈信息。完成闭环优化。
我们从数据集成和导入数据开始。分析和挖掘数据。数据分析和挖掘之间仍然存在一些差异。数据分析的重点是观察数据。简单统计。并查看KPI上升和下降的原因。数据挖掘从细微和模型的角度研究数据。并从学习集和训练集中发现知识规则。除了一些商业软件SAS和WEKA强大的数据分析和挖掘软件外。建议使用R 。Python 。因为SAS 。SpsS本身比较贵。所以也很难做页面和服务级API 。而Python和R有一个丰富的库。可以类似于WEKA模块。与其他API和程序无缝交互。这里也需要熟悉数据库。Hadoop等。

文章插图
第二。数据段“颠覆营销”一书中提到了一个例子。您可以引用一个问题：如果您计划收集200份有效问卷。您需要根据过去的经验发送多少份问卷来实现这一目标？预计实施多少预算和时间？
以前的方法是：评估网络问卷的回收率约为5％。如果您想保证200份问卷。您必须有20倍的报告金额。即发送4000份问卷。如果您可以在一个月内回收。是一个很好的表现。