說到大數(shù)據(jù)精準(zhǔn)營銷，不得不提到精準(zhǔn)營銷的關(guān)鍵要素，今天我們就來分享一下大數(shù)據(jù)精準(zhǔn)營銷的七個(gè)關(guān)鍵點(diǎn)！

一、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，購買力水平，商品種類，購買渠道喜好，購買頻次

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)庫及客戶服務(wù)信息等。

這個(gè)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，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(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。

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)。

（1）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。

（2）指標(biāo)統(tǒng)計(jì)：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(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'一對一'的精準(zhǔn)營銷。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，營銷人員也在不同時(shí)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(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，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。

二、數(shù)據(jù)細(xì)分受眾

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。

三、預(yù)測

“預(yù)測”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)廣告等多渠道的營銷策略，營銷分析，營銷優(yōu)化以及后端CRM/供應(yīng)鏈系統(tǒng)打通的一站式營銷優(yōu)化，全面提升ROI。

我們再說一說營銷時(shí)代的變遷，傳統(tǒng)的企業(yè)大多還停留在“營銷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)對接個(gè)性化需求。進(jìn)入營銷3.0的數(shù)據(jù)時(shí)代，我們要對每個(gè)消費(fèi)者進(jìn)行個(gè)性化匹配，一對一營銷，甚至精確算清楚成交轉(zhuǎn)化率，提高投資回報(bào)比。

四、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，挖掘每個(gè)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(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，搭配人性的親切互動(dòng)推薦商品，升級(jí)成為顧問型銷售。

五、技術(shù)工具

關(guān)于預(yù)測營銷的技術(shù)能力，有幾種選擇方案：

1、使用預(yù)測分析工作平臺(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)測性活動(dòng)外包給市場服務(wù)提供商；

3、評(píng)估并購買一個(gè)預(yù)測營銷的解決方案，比如預(yù)測性營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)測模型，做高級(jí)分析 ；

3）在正確時(shí)間，正確客戶，正確的場景出發(fā)正確行為，可能做交叉銷售，跨不同營銷系統(tǒng)。

六、預(yù)測模型

預(yù)測客戶購買可能性的行業(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)測依據(jù)。“過去的成績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)前行為做對比。這樣就無法在購買產(chǎn)品之前識(shí)別高價(jià)值客戶。

我們聚焦的預(yù)測模型，就是為了在最短時(shí)間內(nèi)對客戶價(jià)值產(chǎn)生最大影響。這里列舉一些其他模型參考：

1.參與傾向模型，預(yù)測客戶參與一個(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。并對趨勢做預(yù)測，是增加還是減少活動(dòng)。

2.錢包模型，就是為每個(gè)客戶預(yù)測最大可能的支出，定義為單個(gè)客戶購買產(chǎn)品的最大年度支出。然后看增長模型，如果當(dāng)前的總目標(biāo)市場比較小，但未來可能很大，就需要去發(fā)現(xiàn)這些市場。

3.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)測的客戶價(jià)格敏感度的模型，確定哪一塊報(bào)價(jià)時(shí)對客戶有最大的影響。

4.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)行為和購買記錄來預(yù)測對某個(gè)內(nèi)容的喜愛程度，預(yù)測客戶對什么熱點(diǎn)，爆款感興趣，營銷者使用這種預(yù)測結(jié)果為特定客戶決定內(nèi)容營銷主題。

5.預(yù)測聚集模型，預(yù)測聚集模型就是預(yù)測客戶會(huì)歸為哪一類。

七、AI在營銷領(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)人是對新技術(shù)有著強(qiáng)烈的興趣，也非?？春眯驴萍?，數(shù)據(jù)與現(xiàn)實(shí)的關(guān)聯(lián)。

在零售店買單的時(shí)候經(jīng)常被詢問“你有沒有購物卡”，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，后面就可以針對我的購買記錄做營銷活動(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購物，Amazon推出的無收銀員商店Amazon Go，通過手勢識(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)購物體驗(yàn)。

針對營銷領(lǐng)域，主要有以下三種預(yù)測營銷技術(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，比如預(yù)測客戶生命周期價(jià)值，客戶與品牌互動(dòng)的可能性，未來購買的可能性。

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)測最佳的選擇結(jié)果，比如對某用戶做促銷應(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。