1. 首頁 > 生活百科 > >

闡述做大數據精準營銷的6大要素 做大數據精準營銷的要素有哪些？

文案策劃問答

在涉及大數據精準營銷時 ， 我們必須首先介紹個性化的用戶圖像 。 對于每種類型的數據實體 ， 我們進一步分解可以著陸的數據維度 ， 描繪TA的每個特征 ， 并收集以形成群組肖像 。
一：用戶肖像
用戶肖像是從諸如用戶社交屬性 ， 生活習慣和消費者行為之類的信息中抽象出的標記用戶模型 。 具體包括以下維度：
用戶固定功能：性別 ， 年齡 ， 地區 ， 教育程度 ， 出生性格 ， 職業 ， 星座
用戶興趣特征：愛好 ， 使用應用程序 ， 網站 ， 瀏覽/收集/評論內容 ， 品牌偏好 ， 產品偏好
用戶社會特征：生活習慣 ， 婚姻和愛情 ， 社交/信息渠道偏好 ， 宗教信仰 ， 家庭構成
用戶消費特征：收入狀況 ， 購買力水平 ， 產品類型 ， 購買渠道偏好 ， 購買頻率
用戶動態特征：當前時間 ， 需求 ， 您要去的地方 ， 周邊商家 ， 周圍人群 ， 新聞事件如何生成用戶準確的肖像大致分為三個步驟 。
1.收集和清理數據：已知預測未知
首先 ， 您必須掌握復雜的數據源 。 包括用戶數據 ， 各種活動數據 ， 電子郵件訂閱 ， 在線或離線數據庫以及客戶服務信息 。 這是一個累積數據庫；最基本的部分是如何收集網站/APP用戶行為數據 。 例如 ， 當您登錄網站時 ， 其cookie仍保留在瀏覽器中 。 當用戶觸摸動作時 ， 點擊位置 ， 按鈕 ， 喜歡 ， 評論 ， 粉絲和訪問路徑 ， 可以識別和記錄他/她 。 所有瀏覽行為 ， 然后繼續分析查看的關鍵字和頁面 ， 以分析他的短期需求和長期利益 。 您還可以通過分析朋友圈來非常清楚地了解他人的工作 ， 愛好 ， 教育等 ， 這比個人填寫的表格更全面 ， 更真實 。
我們使用已知數據來尋找線索并不斷挖掘材料 ， 不僅要鞏固舊成員 ， 還要分析未知客戶和需求 ， 進一步開拓市場 。
2.用戶分組：按類別標記
描述分析是最基本的分析統計方法 ， 描述統計分為兩大部分：數據描述和指標統計數據描述：用來對數據進行基本情況的刻畫 ， 包括數據總數 ， 范圍 ， 數據來源指標統計：把分布 ， 對比 ， 預測指標進行建模 。 這里常常是數據挖掘的一些數學模型 ， 像響應率分析模型 ， 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化的價值 。
在分析階段 ， 數據會轉換為影響指數 ， 進而可以做 '一對一' 的精準營銷 。 舉個例子 ， 一個80后客戶喜歡在生鮮網站上早上10點下單買菜 ， 晚上6點回家做飯 ， 周末喜歡去附近吃日本料理 ， 經過搜集與轉換 ， 就會產生一些標簽 ， 包括'80后 '' 生鮮 '' 做飯 '' 日本料理'等等 ， 貼在消費者身上 。
3.制定戰略：優化和調整
通過用戶的肖像 ， 您可以清楚地了解需求 ， 在實際操作中 ， 您可以深入管理客戶關系甚至找到傳播口碑的機會 。 例如 ， 在上面的例子中 ， 如果有新鮮的折扣優惠券 ， 日本餐廳的最新推薦 ， 營銷人員將準確地將產品的相關信息推送到消費者的手機；發送不同產品的推薦信息 ， 并通過滿意度調查 ， 跟蹤代碼確認等 ， 掌握客戶各方面的行為和偏好 。
除了客戶分組 ， 營銷人員還會觀察不同時期的增長率和成功率 。 比較前后 ， 確認整體業務策略和方向是否正確；如果效果不好 ， 應該采用什么策略？重復試驗和錯誤并調整模型以實現循環優化 。
此階段的目的是細化價值 ， 然后根據客戶需求準確上市 ， 最后跟蹤客戶反饋信息 ， 完成閉環優化 。
我們從數據集成和導入數據開始 ， 分析和挖掘數據 。 數據分析和挖掘之間仍然存在一些差異 。 數據分析的重點是觀察數據 ， 簡單統計 ， 并查看KPI上升和下降的原因 。 數據挖掘從細微和模型的角度研究數據 ， 并從學習集和訓練集中發現知識規則 。 除了一些商業軟件SAS和WEKA強大的數據分析和挖掘軟件外 ， 建議使用R ， Python 。 因為SAS ， SPSS本身比較貴 ， 所以也很難做頁面和服務級API ， 而Python和R有一個豐富的庫 ， 可以類似于WEKA模塊 ， 與其他API和程序無縫交互 ， 這里也需要熟悉數據庫 ， Hadoop等 。

推薦閱讀