数字营销-大数据精准营销的七个关键要素

【2018-01-17】

  数字营销:大数据精准营销的七大要素

  当涉及到大数据的精确营销时,我们不得不提到个性化的用户肖像。对于每种类型的数据实体,我们进一步分解可以登陆的数据维度,描绘TA的每个特征,并聚集在一起形成人物肖像。 01用户头像用户头像是从用户的社交属性,生活方式,消费者行为等信息中抽象出来的一个标签用户模型,具体包括以下几个维度:用户固定特征:性别,年龄,地理位置,用户兴趣特征:爱好,使用APP,网站,浏览/收集/评论内容,品牌偏好,产品偏好用户社交特征:生活习惯,婚姻,社交/信息偏好,宗教信仰,家庭组成用户消费特征:收入状态,购买力水平,产品类型,购买渠道偏好,购买频率用户动态功能:当前时间,需求,周边商家,周边人群,新闻事件如何生成用户精确的人像可大致分为三个步骤。 1.收集和清除数据:了解预测的未知首先,你必须m查看复杂的数据源。包括用户数据,各种类型的活动数据,电子邮件订阅,在线或离线数据库和客户服务信息。这是一个累积数据库;其中最基本的就是如何收集网站/ APP用户的行为数据。例如,当您登录到网站时,Cookie将始终驻留在浏览器中。当用户触摸动作,点击位置,按钮等,评论,粉丝和访问路径时,他/她可以识别和记录所有浏览行为,然后继续分析浏览关键字和页面来分析他的短期需求和长远利益。你也可以分析朋友圈子,得到很清楚的访问彼此的工作,兴趣爱好,教育等等,这些比个人填充的形式更多,也更全面和真实,我们使用已知数据找到线索,不断挖掘材料,不仅可以巩固老员工,还可以分析未知客户和需求,进一步开拓市场。2.用户群:分类标注说明分析是统计方法最基本的分析,描述统计分为两部分:数据描述和指标统计数据描述:用于描述数据的基本情况,包括数据总数,范围,数据来源。统计指标:分布,对比度,预测指标建模,下面是一些数据挖掘的数学模型,如响应率分析模型,客户定位模型,使用Lift图表和使用评分方法来告诉你哪些客户的pe具有较高的曝光率和转换价值。在分析阶段,将数据转化为影响指数,然后进行一对一的精准营销。例如,80后的客户喜欢在新鲜的网站上点餐,并在下午6点钟回家做饭。她喜欢周末在附近吃日本料理。经过收集和转换后,会生产一些标签,包括80后新鲜烹饪的日本食品等贴在消费者身上。 3.制定策略:优化和重新调整用户的肖像,可以清楚地了解实际操作的需要,客户关系管理的深度,甚至找到传播口碑的机会。 ,在上面的例子中,如果有新鲜的折扣券,日本餐馆的最新建议,营销人员会把相应的产品相关信息,精确推送消费者的手机;发送不同产品的建议,还要继续通过满意度调查,跟踪代码确认等,掌握客户行为和偏好的各个方面。除了客户细分之外,营销人员还可以观察不同阶段的成长率和成功率,比较前期和后期阶段,以确认整体业务战略和方向是否正确。如果结果不好,应该采取什么策略?反复试错,调整模型,做到循环优化。这个阶段的目的是细化价值,然后根据客户的需求进行准确的营销,最后跟踪客户反馈,完成闭环优化。我们从数据整合入手,综合分析数据挖掘中的数据。数据分析和挖掘之间还是有一些区别的。数据分析的重点是观察数据,简单统计,查看KPI上升的原因。但是,数据挖掘从微妙和模型的角度研究数据。从学习集和训练集中,找到知识规则。除了比较商业化的软件SAS和WEKA的强大的数据分析和挖掘软件之外,仍然推荐使用R,Python,因为SAS,SPSS本身相对昂贵,页面和服务级别很难做到API,而Python和R有一个丰富的库,可以与其他API和程序无缝地与WEKA模块进行交互,还需要熟悉数据库,Hadoop等02数据段读者Subversion Marketing Book中引用了一个例子,其中引用了一个问题:如果您计划根据以往的经验收集200份有效问卷,您需要发送多少份问卷才能达到这个目标?预计需要多少预算和时间来执行?以前的方法是:评估网络问卷约为回收率的5%,要确保200人收到问卷,必须有20倍的发送量,发出4000份问卷,如果在一个月就能恢复,是一个不错的表现。但现在情况并非如此,在进行大数据分析的3个小时内,您可以轻松实现以下目标:从3位VIP顾客中选择1位发送390份问卷,3份回收3份问卷回收超过86%您的目标人数在5天之内所需的时间和预算在过去10%以下如何在发送问卷后的3小时内恢复35%?这是因为发送时间的一对一定制是通过数据完成的,用这些数据找出哪个A先生最有可能在那个时间打开邮件发送问卷。例如,有些人会在上班途中打开邮件,但如果他们开车,他们将没有时间填写答案。使用公共交通工具的人会按时玩手机,答案的概率很高。划分受众群体的好处03预测“预测”可让您专注于代表特定产品的大多数潜在买家的一小部分客户。当我们收集和分析用户肖像时,我们可以实现精确的营销。这是最直接和最有价值的应用,广告主可以使用用户标签向用户发布广告,以达到上述目的,也可以用来搜索上面提到的广告,展示社交广告,移动广告等渠道营销策略,营销分析营销优化和后台CRM /供应链系统一站式营销优化,全面提升投资回报。让我们来谈谈营销时代的沧桑,大部分传统企业还停留在“1.0时代的营销,以产品为中心,满足消费者的传统需求,并进入”营销2.0“以社会价值以品牌为使命,无法完全准确地对接个性化需求,进入营销3.0的数据时代,我们必须个性化每个消费者匹配,一对一的营销,甚至准确计算交易周转率,提高回报在大数据营销颠覆传统营销4P理论下,产品,价格,地点,推广,取而代之的是一个新的4P,人,绩效,流程,预测,在大数据时代,竞争的离线地理边界有与先知利用大数据预测客户实际交易数据的下一次采购时间的能力相比,市场营销3.0关键词是“预测”。预测性营销a让您专注于代表特定产品的大多数潜在买家的一小部分客户。例如,您可以针对20万个潜在客户或现有客户的营销受众,其中包括特定产品的大多数买方(40,000)。您还可以预留一部分预算来吸引较小的客户群(比如20%的客户),以优化您的支出。以前我们看的数据可能是被动的,但营销的预测强调决策的价值,比如购买时间,你不应该看到她上次购买的日期,而是下次购买的时候,看未来生存的概率,最终代客户终身价值(CLV)。预测性营销产生了一种新的以数据为导向的以客户为中心的营销方法,其核心是帮助公司从产品或渠道中心转向以客户为中心。 04准确地推荐大数据的最大价值并不是经过价值分析,而是预测和推荐,我以电商为例,精确推荐大数据改变零售业的核心功能。例如,针对服装网站的修补实例,在个人推荐机制中,大部分的服装订购网站都是由用户体形,风格数据+编辑推荐的人工模式提交的,针脚修复不同之处在于它还结合了机算法推荐。这些客户提供的主体数据,主观数据,交叉检查的销售记录,挖掘每个人的服装推荐模式,这种一对一的营销是最好的服务,数据整合改变了公司“现在的经验不是在体内积累的,而是完全依赖消费者行为的数据建议。将来,销售人员不再只是销售人员,而是能够用专业数据预测他们的产品,并推荐他们与人类互动,以升级到咨询销售。 05技术工具预测市场营销的技术能力有以下几种选择:1.使用预测分析工作台,然后以某种方式将模型放入活动管理工具中。 2.将分析驱动的预测活动外包给市场服务提供商; 3,评估和购买预测性营销解决方案,如预测性营销云和多渠道事件管理工具。但无论如何,我们必须确定三个基本功能:1)连接不同来源的客户数据,包括在线和离线,准备数据进行预测分析; 2)分析客户数据,使用系统和定制的预测模型,做高级分析; 3)在正确的时间正确的行为,正确的客户,正确的情景,不同的营销系统可能的交叉销售。 06预测模型预测客户购买可能性的行业标准是RFM模型(最后一个消费者R,消费者频率F,消费量M),但是模型的有限应用本质上是一个试探性的模型,没有统计和预测基础。 “过去的成就不能保证未来的表现”,RFM只关注过去,不把目前的客户行为与其他现有的客户行为进行比较。这使得在购买产品之前无法识别高价值的客户。我们专注的预测模型是在尽可能最短的时间内最大化客户价值。以下是其他模型参考:参与概率模型预测客户参与品牌的可能性。参与定义可以是多种多样的,例如参与活动,打开电子邮件,点击,访问页面。该模型可以用来确定EDM传输的频率。并预测趋势,就是增加或减少活动。钱包模型预测每个客户的最大可能花费,定义为单个客户购买产品的最大年度花费。再看增长模式,如果目前的总体目标市场相对较小,但未来可能会很大,我们需要找到这些市场。价格优化模型是可以最大化销售,销售或利润的模型。通过价格优化模型为每个客户定价需要为您想要的产品开发不同的模型,或者开发一个通用的,可预测的客户价格敏感度模型来确定哪一段报价对客户影响最大。关键词推荐模型中,关键词推荐模型可以基于客户网络行为和购买记录预测内容的喜好程度,预测客户对哪些热点和爆炸模型感兴趣,并且营销人员使用预测结果来决定特定客户内容营销主题。预测聚合模型,预测聚合模型是预测哪类客户将被分类。 07AI在市场营销中的应用去年,人工智能尤其是深度学习的特殊火力在机器视觉,语音识别和游戏AI领域飙升,人们开始惊慌失措。人工智能能够接管人类工作吗?就个人而言,有很强的兴趣,也很看好新技术,数据和现实。我曾经问过:“你在外国零售商付款时,是否有购物卡?”当我说没有收银员会很快建议我免费打开它,有一个折扣,只需填写电话号码和电子邮件地址,你可以定位它以后我的购买记录做营销活动,当我下一次,他们让我给客户打一个电话号码。那时候,我觉得如果脸部识别已经完成了,那么付钱的方式会比较方便。而且这个场景去年也有实验,蚂蚁金服开发出一种名叫Mark的生物识别机器人,据说它的识别能力已经超过了肉眼。还有VR购物和亚马逊的无收银店Amazon Go,通过手势识别,物联网和后续数据挖掘等技术实现购物体验。对于营销,有三种主要类型的预测性营销技巧:1.无监督学习技术无监督学习技术识别数据中的隐藏模式,不需要明确预测结果。例如,在一组客户中寻找兴趣小组,可能是滑雪或者长距离奔跑,一般都是基于聚类算法,这个算法揭示了数据收集中真正的潜在客户。所谓集群,就是自动找到重要的客户属性,并相应地进行分类。 2.监督学习技术培训机器学习,识别和识别数据以获得期望的结果。这通常以输入数据为基础,如客户生命周期的价值,客户与品牌互动的可能性,未来购买数量的可能性等。3,强化学习技术这是数据的使用潜在模型,准确预测最佳选择,比如用户做产品提供的促销活动,这种监督学习是不同的,强化学习算法只需要输入输出训练,学习过程是通过反复试验来完成的。从技术角度看,所提出的模型使用了协作过滤和贝叶斯网络等算法,Google Brain团队负责人Jeff Dean认为强化学习是最有希望的AI研究方向之一,最近发布的一个Google DeepMind AI团队一篇名为“学习加强学习”的文章,从团队的角度来看,“学习学习”的能力或解决类似问题的归纳能力除了st加强学习,还在学习。迁移学习是将通用模型迁移到一个小数据,对其进行个性化处理,并在新的领域产生结果,类似于人们的一对一比喻,绕过类比。强化学习与迁移学习相结合也可以用于小数据,我认为通过AI创建AI令人兴奋,数据科学家的工作部分可以通过机器完成。