数据精准营销的七大要素

说到大数据精准营销，就不得不先提到个性化的用户画像。对于每一类数据实体，我们进一步分解可以落地的数据维度，刻画ta的每一个特征，聚集在一起形成人群画像。

01用户画像

用户画像是从用户的社交属性、生活习惯、消费行为等信息中抽象出来的标签化用户模型。具体而言，它包括以下维度:

用户的固定特征:性别，年龄，地区，教育水平，出生日期，职业，星座。

用户兴趣特征:兴趣爱好、使用APP、网站、浏览/收藏/评论内容、品牌偏好、产品偏好。

用户的社交特征:生活习惯、婚姻、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、商品种类、购买渠道偏好、购买频率。

用户动态特征:如何在当前时间、需求、要去的地方、周边商家、周边人群、新闻事件中生成用户的精准画像，大致分为三步。

1.收集和清理数据:用已知预测未知。

首先要掌握复杂的数据来源。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；这里最基本的就是如何收集网站//APP的用户行为数据。例如，当你登录一个网站时，它的Cookie会一直留在浏览器中。当用户触摸动作，点击位置，按钮，喜欢，评论，粉丝，访问路径，你就可以识别和记录他/她的所有浏览行为，然后不断分析浏览的关键词和页面，分析他/她的短期需求和长期兴趣。还可以通过分析朋友圈对对方的工作、爱好、学历等各方面有非常清晰的了解，比个人填写的表格更全面、真实。

我们利用已知数据寻找线索，不断挖掘素材，既能巩固老会员，又能分析未知客户和需求，进一步开发市场。

2.用户分组:分类标签。

描述性分析是最基本的分析统计方法，描述性统计分为数据描述和指标统计两部分。数据描述:用于描述数据的基本情况，包括数据的总数、范围和来源。指标统计:对分布、比较和预测指标进行建模。这里经常会有一些数据挖掘的数学模型，如回复率分析模型、客户倾向模型等。这种分组用Lift图，通过打分告诉你哪类客户接触和转化价值更高。

在分析阶段，数据会转化为影响指数，然后就可以做“一对一”的精准营销了。比如一个80后客户，喜欢早上10点餐，晚上6点回家做饭，周末去附近吃日本料理。收集转化后会生成一些标签，包括“80后”、“生鲜”、“料理”、“日本料理”，贴在消费者身上。

3.制定策略:优化和重新调整。

有了用户画像，我们就能清楚地了解需求，在实践中，我们就能深度管理客户关系，甚至找到传播口碑的机会。比如上面的例子，如果有一家日本餐厅的生鲜折扣券和最新推荐，营销人员会精准地将适合该产品的相关信息推送到消费者手机上；发送不同产品的推荐信息，同时通过满意度调查和跟踪码确认，及时了解客户的行为和喜好。

除了客户分组，营销人员还观察不同阶段的增长率和成功率，前后对比，确认整体经营策略和方向是否正确；如果效果不好，应该用什么策略来应对。反复试错，调整模型，实现循环优化。

这个阶段的目的是提炼价值，然后根据客户的需求精准营销，最后跟踪客户的信息反馈，完成闭环优化。

我们从数据集成和导入开始，汇总数据，分析和挖掘数据。数据分析和挖掘还是有一些区别的。数据分析的重点是观察数据，简单统计一下，看看KPI涨跌的原因。而数据挖掘是从细微和模型的角度研究数据，从学习集和训练集中发现知识规律。除了一些商业软件SAS和WEKA强大的数据分析挖掘软件，这里推荐R和Python，因为SAS和SPSS价格昂贵，很难做出页面和服务级的API，而Python和R有丰富的库，可以类似WEKA的模块，与其他API和程序无缝交互。在这里，你需要熟悉数据库。

02数据细分受众

《颠覆式营销》一书中提到一个例子，可以引用。我们来思考一个问题:如果你计划回收200份有效问卷，根据以往的经验，你需要发出多少份问卷才能达到这个目标？预计实施需要多少预算和时间？

以前的方法是这样的:网络问卷回收率在5%左右。要保证收到200份问卷，就要发出20倍的问卷，也就是发出4000份问卷。如果能在一个月内恢复，就是不错的表现。

但现在不同了。在执行大数据分析的3小时内，您可以轻松实现以下目标:

精准选择1% VIP客户。

共发出问卷390份，全部收回。

邮寄后3小时内收回35%的问卷。

五天之内，超过目标数量86%的问卷被退回。

所需时间和预算都低于之前的10%。

这是如何在问卷发出后3小时内实现35%回收的？那是因为数据已经被一对一地定制了。利用数据可以得出，A先生最有可能打开邮件的时候，他会在那个时候发问卷。

比如有的人上班路上会打开邮件，但如果是司机就没时间填答案，而坐公交的人上班路上会玩手机，填答案的概率高。这些就是数据分段的好处。

03预测试

预测使您可以专注于一小组客户，但这组客户可以代表特定产品的大多数潜在买家。

当我们收集分析用户画像，就可以实现精准营销。这是最直接最有价值的应用。广告主可以通过用户标签向想要触达的用户发布广告。在这种情况下，他们可以通过前面提到的后端CRM/供应链系统，通过多渠道营销策略、营销分析、营销优化、一站式营销优化，全面提高ROI。

先说营销时代的变化。传统企业大多还停留在“营销1.0”时代，以产品满足传统消费需求为主，进入“营销2.0”，以社会价值和品牌为使命，无法全面精准满足个性化需求。在营销3.0的数据时代，我们要对每个消费者进行个性化定制，进行一对一的营销，甚至精确计算交易转化率，提高投资回报率。

大数据下的营销颠覆了经典的营销4P理论，产品、价格、场所、促销，取而代之的是新4P、人、绩效、过程、预测。大数据时代，线下地域的竞争边界早已消失。比一个早期预言家利用大数据从客户真实的交易数据中预测下一次购买时间的能力要好。营销3.0时代的关键词是“预测”。

预测营销可以让你专注于一小群客户，但这一群客户可以代表特定产品的大多数潜在买家。以上图为例。你可以将营销活动定位于200，000个潜在客户或现有客户，包括特定产品的大部分购买者(40，000人)。你也可以分配一部分预算来吸引更小的客户群(比如20%的客户)，而不是整个客户群，从而优化你的支出。

在过去，我们可能会被动地看数据，但预测营销强调决策价值，如购买时间。你要看的不是她上一次购买日期，而是下一次购买时间，看未来的生存概率，最终产生客户终身价值(CLV)。预测营销催生了一种新的数据驱动的营销方式，以客户为中心。核心是帮助企业完成从以产品或渠道为中心到以客户为中心的转变。

04准确推荐

大数据最大的价值不是事后分析，而是预测和推荐。我就以电商为例，“精准推荐”已经成为大数据改变零售业的核心功能。以服装网站Stitch fix为例，在个性化推荐机制方面，大部分服装订购网站采用的是用户提交体型和款式数据+编辑人工推荐的模式。Stitch Fix的不同之处在于，它还结合了机器算法推荐。这些客户提供身体比例，主观数据，交叉核对销售记录，挖掘每个人独特的服装推荐模型。这种一对一的营销就是最好的服务。

数据整合改变了企业的营销模式。现在经验不是积累在人身上，而是完全依靠消费者行为数据来做推荐。未来销售人员将不再只是销售人员，而是能够以专业的数据预测和人性化的友好互动推荐产品，升级为顾问式销售。

05技术工具

预测营销的技术能力有几种选择:

1.使用预测分析工作平台，然后通过某种方式将模型输入到活动管理工具中；

2.由分析驱动的预测活动外包给市场服务提供商；

3.评估并购买预测营销解决方案，如预测营销云和多渠道活动管理工具。

但无论哪种方式，我们都必须确定三个基本能力:

1)连接不同来源的客户数据，包括线上和线下，为预测和分析准备数据；

2)分析客户数据，使用系统并定制预测模型，做高级分析；

3)在正确的时间，在正确的客户，在正确的场景开始正确的行为，并可能跨不同的营销体系交叉销售。

06预测模型

预测客户购买可能性的行业标准是RFM模型(最新消费R，消费频率F，消费金额M)，但该模型的应用是有限的，本质上是一种没有统计和预测依据的尝试性方案。“过去的成就不能保证未来的业绩”，RFM只关注过去，不把客户当前的行为与其他客户的行为进行比较。这使得在购买产品之前无法识别高价值客户。

我们重点关注的预测模型是在最短的时间内对客户价值产生最大的影响。以下是其他一些模型参考:

参与倾向模型预测顾客参与一个品牌的可能性，参与的定义可以是多样化的，比如参加一个活动，打开一封邮件，点击访问一个页面。该模型可以确定电火花加工的传输频率。并预测趋势，是否增加或减少活动。

钱包模型是预测每个客户的最大可能支出，定义为单个客户购买产品的年度最大支出。然后看增长模型，如果目前的总目标市场比较小，但未来可能很大，我们需要找到这些市场。

价格优化模型是能使销售额、销售量或利润最大化的结构。通过价格优化模型为每个客户定价。在这里，你需要为你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，以确定哪个报价对客户的影响最大。

关键词推荐模型，可以根据客户的网络行为和购买记录来预测客户对某个内容的喜欢程度，预测客户对什么热点和爆款感兴趣。营销人员使用这一预测结果来决定特定客户的内容营销主题。

预测聚合模型，预测聚合模型就是预测客户会属于哪一类。

07AI在营销领域的应用

去年人工智能特别火，尤其是机器视觉、语言识别、游戏AI等深度学习的快速发展，让人们开始恐慌人工智能是否能接管人类的工作。我个人对新技术有浓厚的兴趣，非常看好新技术、数据和现实之间的关系。

以前在国外零售店买单的时候会被问“你有购物卡吗”？我说没有收银员，就会赶紧劝我免费开，还有优惠。我只需要填写我的手机号码和电子邮件地址，然后我就可以为我的购买记录做营销活动。当我下次来的时候，他们让我报出我的电话号码作为消费者识别。当时我觉得做人脸识别会更方便，刷脸就能买单。而这个场景去年也有过一次实验。蚂蚁金服开发了一款名为迈克·马克的生物识别机器人，据说已经超过了人眼识别人脸的能力。还有VR购物，亚马逊推出的无收银店Amazon Go，通过手势识别、物联网以及后续的数据挖掘实现购物体验。

对于营销领域，主要有以下三种预测营销技术:

1，无监督学习技术

无监督学习技术可以在不明确预测结果的情况下识别数据中的隐藏模式。比如在一群客户中寻找兴趣群体，也许是滑雪或者长跑，通常会放入聚类算法中，以揭示数据集中真正的潜在客户。所谓聚类，就是自动发现重要的客户属性，并据此进行分类。

2.监督学习技术

通过案例训练机器，学习识别数据，得到目标结果。这一般是给定输入数据的预测，比如预测客户的生命周期价值，客户与品牌互动的可能性，未来购买的可能性。

3.强化学习技巧。

这是利用数据中的潜在模式来准确预测最佳选择结果，例如应该为某个用户的推广提供哪些产品。这与监督学习不同。强化学习算法不仅仅需要输入输出训练，学习过程是通过试错完成的。

从技术角度来说，推荐模型使用了协同过滤、贝叶斯网络等算法模型。强化学习被谷歌大脑团队负责人杰夫·迪恩(Jeff Dean)认为是最有前途的AI研究方向之一。近日，Google的AI团队DeepMind发表了一篇名为《学习强化学习》的论文。

按照团队的话来说，叫做“学会学习”的能力，或者是解决类似相关问题的归纳能力。除了强化学习，也是转移学习。迁移学习就是把一个通用的模型转移到一个小的数据上使之个性化，在新的领域也能产生效果，类似于人的类比。

强化学习和迁移学习也可以用小数据，我觉得很刺激。通过AI创造AI，也可以让数据科学家的一些工作被机器实现。