大数据技术在精准营销中的应用_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
大数据技术在精准营销中的应用
阅读已结束，下载本文需要
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，同时保存到云知识，更方便管理
还剩3页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢一篇文章读懂汽车行业的大数据与精准营销
汽车行业是大数据时代的淘金梦想之地，如何利用大数据做精准营销，也许你已经听过了各种专家的分析，但我们仍要强烈推荐这一篇。
编者按：当大数据已经变成一个路人皆知，每个人都可以谈上两嘴的概念，它的本质和内涵也往往容易误入他途。在T行神州北京站的活动上，上海纽约大学杰出全球商学讲席教授陈宇新博士发表了题为《汽车行业的大数据与精准营销》的演讲，全面总结了大数据微时代营销的特点、现状以及方法、陷阱。如何利用大数据做精准营销，也许你已经听过了各路专家的分析总结展望，但车云菌仍要强烈推荐这一篇。上海纽约大学杰出全球商学讲席教授 陈宇新博士我们今天的主题是大数据、电商和精准营销。《中欧商业评论》曾经提出一个概念叫大数据微时代，一方面我们数据越来越多，另一方面正因为数据多了以后，可以看到各体系细节，互联网和大数据使得对个体顾客测量优化和营销传播变成可能，这样可以用大数据做精准营销。汽车行业正是我们大数据微时代淘金梦想之地。这里边有很多原因，一个车联网有很多数据聚集在里边，另外买得起车的人往往在中产阶级以上，买车消费者也是电商理想目标人群，因为他的收入已经达到非常高的水平，这两个一结合商机就非常可观。大数据微时代营销有哪些特点？1、依据顾客行为而非想法的营销决策模式。以前传统做营销要做调查，问你喜欢什么，现在不需要问，通过他们的搜索行为，比如想购买什么、想搜什么反馈出来他们的偏好。2、个性化。以前抽样几千人最多上万人，不可能做到每个人都抽样，现在行为大数据手段可以做每个人个体性。3、连续性。互联网时代技术让连续性的营销变得非常可行。4、实时性。一上电商网站马上可以知道他拥有什么车，可以实时做一些推介。5、互动性。6、可测性。顾客方方面面可以做到可测性。7、可试验性。以前我们做一下比如降价、推送广告更多是判断，现在不需要做判断，可以试一下，有一些人给一批广告信息，反映不好换一批信息，非常快速做实验，通过试验得到优化的结果。8、数据积累的正反馈效应。做得越精准消费者越多，数据就越准确，大数据成为市场准入的一个门槛，像BAT、Google、苹果、脸书为什么势不可当？就是数据带来的震撼效果，以前所谓做大不一定做强，在数据时代做强和做大变成正相关关系，这是非常大的战略趋势，BAT大量的并购在发生，目的就是为了做大，数据来源就比较广泛、数据精度就好，可以变着更强，正反馈效应不断积累当中，这也是大数据微时代营销非常重要的特点。从这个角度说，电商与汽车大数据的结合，将是大势所趋。中国有非常大的电商像阿里50%电商体量，汽车也是非常重量级、有实力的企业，这样的结合带来精准营销的前景。虽然前景非常好，但是丰满的理想和骨感现实还有一些问题存在。接下来让我们看看大数据营销应用的现状：1、说的比投的多。2、投的比做的多。很多时候投入但是并没有继续做，特别是大型的国企投入很多资金，建立部门、雇佣很多海归的博士，但是并没有真正做什么。有一个企业雇三十多个海归，但是一年下来没有看到数据。3、做的比懂得多。有时候取得很多大数据、也有很多数据报告，是不是理解数据背后到底给我们什么信息，不一定。4、懂的比赚的多。虽然很懂，但是目前刚刚起步大家都是投入，赚的并不那么多，我们T行神州懂的多，但是活动办下来，人均每人亏了800多。5、今后我们赚的比现在想的多。为什么？因为大数据外溢性非常强，一个数据可能从汽车搜起来，但是会用到电商、下次用保险、下次用到医疗，一旦数据被取得以后，它的应用方面往往超出我们想象，今天想不到数据以后在什么角度、什么方面产生价值，今后赚的比现在要想象的多得多。为什么大家拼命讲、拼命投、拼命理解它，拼命做一点事情，因为有无限的商机在背后。根据这样的现状，我们怎么样成功实现基于大数据的精准营销？这就是我今天想讲的重点，特别是汽车行业如何做到这一点？有三个方面想讲一下：1、养成大数据的思维方式。从100多年前到现在，整个管理领域创新思维演变过程，都是先把思维进行跨越才能谈创新。100多年前美国和近20年中国，我们管理进入传统官位思维，就是看目标、绩效、成本、用户，就是泰勒科学管理一套，最早汽车工业得到非常好的应用。当年福特公司用流水线管理，丰田用六希格玛管理。传统经验思维和管理思维的区别一个是定性，一个是定量，但是都是从内到外思考方式，我企业想做什么，从内部出发把管理、质量做好。现在我们进入到互联网时代，互联网思维在我看来是从外到内的思维方式。不是我们需要什么东西？而是顾客需要什么东西？不是我们能开发什么东西？而是我们能整合哪些资源？我想用技术，但是不一定有这个技术，可以从网上、从合作伙伴得到这样的技术开发这样的产品。但是互联网思维从目前程度是经验思维从内到外的跳跃，本身更多定性的思维。具体来讲大数据思维有四个纬度：定量思维，一切皆可测；跨界思维，一切或可联；操作思维，一切要可行；实验思维，一切应可试。这是四个思维的纬度。（1）定量思维。传统营销数据就是一些访谈、问卷调查等，现在我们大数据环境下就不一样，都是一些非常定量化的，从POS机到网上购物、到社交媒体、到各种各样的卡，都是定量商业信息的获取。信息获取有很多可以创新的地方，比如迪斯尼最近做了一项10亿美金投资，就是在迪斯尼乐园里给每一个进去的人腕上绑一个绑带，绑带有一个芯片可以追踪你的定位，这样他就规划哪些地方人多、哪些地方排队长，全部变成定量，进行迪斯尼乐园的优化。对于汽车行业的大数据，定量思维表现为人、车、环境三个来源。所谓汽车大数据人不一定就是车主或驾驶者，还应该包括乘客，很多时候车里并不是一个人，乘客可能无事可做，掌握乘客数据同样非常重要，包括这些人是谁？做什么事情？想什么？通过他们行为判断偏好。基于车的数据，还有车外环境，不光路面，还有经过什么地方，旁边有什么餐馆、旁边有什么加油站，或者旁边有哪些旅游景点，这些都是需要我们采集的可能性。（2）跨界思维。有各种跨界方法，一种不同媒介、不同渠道之间的跨界，比如基于地理位置的营销；不光渠道、媒介之间跨界，还可以有一些商业模式跨界，或者数据应用的跨界。这个网站GrubHub几十亿美元的估值，他的做法本来很简单的商业模式订餐，可以送外卖，但是他多想一步，送外卖过程当中，提供给加盟的饭店一个小的跟踪装置，跟地图相结合，变成餐馆行业物流和运营咨询公司。通过订餐情况就知道大概什么东西卖得好，告诉你星期二进什么原料，星期三应该做什么餐，告诉你要送餐走什么路最好。从简单的第三方订餐平台，变成对餐馆行业起很大的作用的运营咨询服务商，把估值一下上去。这就是跨界思维带来的价值提升。这是另外的例子，GoPro是可以穿戴式、便携式照相机，在跳伞、滑雪的时候，他可以拍出一般人拍不出的照片和录像，这本来是个卖照相机的公司，但他们公司搞一个团队，帮你剪辑加工这些录像，在美国开电视频道，整天放这个东西，形成巨大的粉丝团队集合。照相机硬件商变成媒体的频道，而且具有大量忠臣粉丝的媒体频道，这也是跨界思维。GoPro马上上市，可以想象广告商对他们用户的偏好，价位非常高端的人群。还有一家公司把微博、汽车之家等汽车网站综合起来进行文本分析挖掘，比如四款SUV，把消费者信息进行文本分析，比如外观体验，不同车型正面有多少条，负面有多少条，再同社交媒体、电商结合起来，对整个用户的了解就会更加全面、更加深入。（3）操作思维。就是可行性，比如说有一家公司在视频当中做精准营销，根据你看视频的过程、怎么看决定推送什么广告。算法可能比较简陋，但是速度非常快。这个也是可行性考虑，有时候不一定完全借助计算机技术，可以把人和机器结合起来。还有一家公司做视频分析，通过店内摄像头分析消费者走动情况，如果销售人员过去得太早，消费者还没有买东西就跟我说话，可能不太好意思就走了。于是就把视频拍下来，请最有经验的销售人员过来看这个视频，分析是应该上前说话了，还是应该等一等，再把这些记下来，变成计算机专家系统，根据这个判断运用在其他地方。新的销售人员只要给一个手机装置，就可以做出决策。万宝龙用这个方法实现单店销售提升20%，一个有经验的销售的价值扩展到整个集团里边。我采访一些电商，发现数据做大之后，各部门KPI有矛盾的。比如营销部门考核是销售多少？但是运营部门考核是我给你一个总的运营成本，能省多少钱？省的越多考核指标越好，往往卖出去越多可能导致运营成本的很大提高，这时候就要用大数据方法强调怎么样把不同部门的利益配合。一号店他们的做法是每天有一个会议，每天做协调。今后的发展方向是用大数据本身研究出真正对利润的贡献在什么地方，这样形成整个公司全局的优化。（4）实验思维。一个企业的销售有30%来自推荐引擎，是不是说明推荐就是有效？不一定，30%销售来自于推荐，但是不知道不推荐是不是就少于30%，有的时候你不推荐也会买这个东西，真正效果在什么地方？我们做一个实验，消费者上网站的时候，一半消费者给他看推荐的东西，另外一半消费者不给他推荐，我们发现短期这两批人销售没有多大区别，总的消费不变。但是半年之后长期跟踪，哪些没有给他推荐的人半年之后来网站频率减少、今后购买减少。这说明推荐短期效益不那么明显，长期效益非常明显。这也是从数据看顾客心理，原来推荐除了当场起效果之外，还会增加你购物的体验。大数据情况下实验可以做得非常快，有些一天功夫就可以比较知道效果出来。2、避免大数据精准营销三大陷阱目前大数据应用当中也有潜在的问题，不是数据越多越好，不是有了数据一定能赚钱、产生商业价值。（1）有数不一定有据。看中文解释，数和据解释不一样，问题根源在于数据的代表性和潜在的样本误差，很多时候数据虽然大，但是我们看到还是有误差。车主年龄分布不一定完全一致，大不一定表明代表性，这是容易进入的误区。这要靠常识、逻辑、统计分析解决。我们应用大数据需要什么样统计或者逻辑背景，跟三层境界相关的，一个描述，看这些人做什么事情，我们描述的这些人跟心中理想的目标人群是不是一群人；第二进入预测，对相关性做理解；第三境界就是优化，优化必须要理解因果性。大家都知道冰淇淋销量跟一个国家火灾频率成正比，但是不能提供优化，优化需要因果性，预测需要相关性，描述关键在样本的代表性，应用大数据的时候要有这个概念。（2）大而不全的问题。往往我们收集数据的时候，自己的数据收集非常多，但是竞争对手数据非常少，你买上汽，你是干嘛的知道很多，但是这些人买上汽之后是不是选择通用？不知道。解决办法就需要做到跨界，收集企业之外的数据，补充自己企业的数据，或者网上评论拿一些数据，企业内部数据的打通，从营销到销售、库存数据共享来解决这样的问题。当年美国花旗银行看顾客的刷卡量，五类顾客年刷卡金额，第一和第四比较好，但你不知道其他家怎么样？买全类卡数据之后，理解不一样，通过大数据建模的方法测出他们总花费，可以看到花旗的总比例。光看自己一类一四挺好，看总的栏二三潜力非常高。哪些客户需要瞄准概念发生变化，整个营销策略都会有非常不同。（3）内生变量模糊因果关系。这是在大数据营销里边特别容易陷入的陷阱，就是我们大数据介入消费者购买过程当中，对消费者真实偏好和价值测量变得越来越困难，大数据用得越多，大数据价值在某种程度上变着越来越小。测量本人干扰数据的真实度，使数据变得更小。曾经有顾客投诉《纽约时报》，我不是同性恋朋友，但是整天受到同性恋推荐，跟内生变量模糊因果关系有关，他怎么做的？你看一个同性恋电影，我觉得你可能有这样偏好，下次再推荐同性恋影片，消费者想既然你推荐我肯定有道理，又看一部，从分析角度你看了两部，说明我判断很准确，再推荐第三部。但消费者看了第三部，又来了第四部、第五部，他就选择不看了。在做推荐的时候，需要区分偏好是自发情况下形成的，还是由你激发出来。这个模糊关系，使精准营销发生偏差，这是也是非常重要的陷阱，解决办法是定期使用试验手段。3、对未来预测现在是群雄并起的时代，车商、电商、保险公司、第三方从移动运营商、智能手机开发商等，很多很多行业进入汽车大数据运用中来，最后到底谁会胜出？哪一个行业是汽车大数据运用的执牛而者？这是我们想探讨的。要理解这个问题，大数据赢家至少具备以下资源优势其中之一：产品优势，或者产品大家喜欢，或者你对客户了解特别了解，还有数据来源特别多，还有平台优势，你平台必须别人不能替代。必须四分之一成为汽车的大数据运用最终赢家。我之前做汽车电商模式研究，99年把文章做好，当时投到杂志说你的判断错的，第三方网站汽车电商不会崩溃，但是到2002年确实商业模型崩溃，马上邀请我赶快把这个文章发表出来。其中代表性公司，99年股价250元到现在13块。当时他们在网上提供汽车销售模式，在网上报价通过网上下单做，确实增长不错。我们研究发现，开始做的时候把价格敏感的消费者吸引网上，网下竞争不那么激烈，而且把把价格敏感者从网下抽走以后，线下整个价格是往上的趋势，4S店、渠道很愿意配合。当网上人群不断增加，到一个点开始反转，网上变成价格竞争的洼地，行业利润就下去了。作为第三方汽车销售的提供者利润也就减少，到一个点上商业模式崩溃了。回到前边讲的，在现在汽车大数据营销方面，最终谁是赢家？电商优势显而易见，因为数据非常大，第二电商有平台的优势，有各种各样的东西在电商上卖，而且集中度很高。但是车商机会在哪里？车商特点相对分散、每个车商份额不是像电商那么集中，行业当中跟电商议价能力、垄断能力没有那么强，车商潜在优势是产品优势，你要把产品做的特别好，比如特斯拉做法，我买车，就买车背后互联网服务，背后数据属于车商。还有保险公司，保险公司有客户的优势，对个人信息、财务状况非常全、非常多，从保险公司角度说，他们想切入的办法是从人出发，不管你上不上网法律规定必须买保险，用户代表性非常强，弱点保险公司集中度不是高，如果进一步增强，在这个领域切入实力比较大。美国几家保险公司非常强，最大在车险有50%份额，有非常强的竞争能力在里边，实际客户的优势在背后。还有其他方能否出奇制胜的问题，比如苹果从手机这一端进入，车上互联网做的水平能不能超过智能手机水平，用手机更加便利，车内互联网没有便利就竞争不过手机。还有地图的应用也有很大的潜力，包括运营商、搜索引擎都是潜在竞争者，搜索引擎掌握很多顾客的数据，特别是当搜索引擎跟地图结合，车和环境之间互动都是优势所在，甚至像大众点评看似跟车比较远的提供商都有潜力。目前来看在中国电商这一块跑得比较快，主要是大数据做得比较强，车商应该是第二位，他们非常现实、非常直接，保险公司是传统思维，在中国动作慢一些，第三方有些动作，但是不是很明显，目前来看以电商为主导还是车商为主导是今后方向。自己感觉电商比车商赢面大一点，很难说未来有其他方脱颖而出的可能。不管如何，谁是赢家，笑到最后应该是消费者，特别是新一代以网络为家的消费者，90后为代表的顾客最后得意的。
相关标签：数字营销:大数据精准营销的七个关键要素
稿源：亿邦动力网
说到大数据精准营销，不得不先提个性化的用户画像，我们针对每一类数据实体，进一步分解可落地的数据维度，刻画TA的每一个特征，在聚集起来形成人群画像。01用户画像用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。具体包含以下几个维度：用户固定特征：性别，年龄，地域，教育水平，生辰八字，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，产品偏好用户社会特征：生活习惯，婚恋，社交/信息渠道偏好，宗教信仰，家庭成分用户消费特征：收入状况，购买力水平，商品种类，购买渠道喜好，购买频次用户动态特征：当下时间，需求，正在前往的地方，周边的商户，周围人群，新闻事件如何生成用户精准画像大致分成三步。1.采集和清理数据：用已知预测未知首先得掌握繁杂的数据源。包括用户数据、各式活动数据、电子邮件订阅数、线上或线下数据库及客户服务信息等。这个是累积数据库；这里面最基础的就是如何收集网站／APP用户行为数据。比如当你登陆某网站，其Cookie就一直驻留在浏览器中，当用户触及的动作，点击的位置，按钮，点赞，评论，粉丝，还有访问的路径，可以识别并记录他／她的所有浏览行为，然后持续分析浏览过的关键词和页面，分析出他的短期需求和长期兴趣。还可以通过分析朋友圈，获得非常清晰获得对方的工作，爱好，教育等方面，这比个人填写的表单，还要更全面和真实。我们用已知的数据寻找线索，不断挖掘素材，不但可以巩固老会员，也可以分析出未知的顾客与需求，进一步开发市场。2.用户分群：分门别类贴标签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Data mining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.制定策略：优化再调整有了用户画像之后，便能清楚了解需求，在实际操作上，能深度经营顾客关系，甚至找到扩散口碑的机会。例如上面例子中，若有生鲜的打折券，日本餐馆最新推荐，营销人员就会把适合产品的相关信息，精准推送这个消费者的手机中；针对不同产品发送推荐信息，同时也不断通过满意度调查，跟踪码确认等方式，掌握顾客各方面的行为与偏好。除了顾客分群之外，营销人员也在不同时间阶段观察成长率和成功率，前后期对照，确认整体经营策略与方向是否正确；若效果不佳，又该用什么策略应对。反复试错并调整模型，做到循环优化。这个阶段的目的是提炼价值，再根据客户需求精准营销，最后追踪客户反馈的信息，完成闭环优化。我们从数据整合导入开始，聚合数据，在进行数据的分析挖掘。数据分析和挖掘还是有一些区别。数据分析重点是观察数据，单纯的统计，看KPI的升降原因。而数据挖掘从细微和模型角度去研究数据，从学习集、训练集发现知识规则，除了一些比较商业化的软件SAS，WEKA功能强大的数据分析挖掘软件，这边还是更推荐使用R，Python，因为SAS，SPSS本身比较昂贵，也很难做页面和服务级别的API，而Python和R有丰富的库，可以类似WEKA的模块，无缝交互其他API和程序，这里还需要熟悉数据库，Hadoop等。02数据细分受众“颠覆营销”书中提到一个例子，可以引述一下，大家思考一个问题：如果你打算搜集200份有效问卷，依照以往的经验，你需要发多少份问卷，才能达到这个目标？预计用多少预算和时间来执行？以往的方法是这样的：评估网络问卷大约是5%的回收率，想要保证收到200份的问卷，就必须有20倍的发送量，也就是发出4000份问卷，一个月内如果可以回收，就是不错的表现。但现在不一样了，在执行大数据分析的3小时内，就可以轻松完成以下的目标：精准挑选出1%的VIP顾客发送390份问卷，全部回收 问卷寄出3小时内回收35%的问卷 5天内就回收了超过目标数86%的问卷数 所需时间和预算都在以往的10%以下 这是怎么做到在问卷发送后的3个小时就回收35%？那是因为数据做到了发送时间的"一对一定制化"，利用数据得出，A先生最可能在什么时间打开邮件就在那个时间点发送问卷。举例来说，有的人在上班路上会打开邮件，但如果是开车族，并没有时间填写答案，而搭乘公共交通工具的人，上班路上的时间会玩手机，填写答案的概率就高，这些都是数据细分受众的好处。03预 测“预测”能够让你专注于一小群客户，而这群客户却能代表特定产品的大多数潜在买家。当我们采集和分析用户画像时，可以实现精准营销。这是最直接和最有价值的应用，广告主可以通过用户标签来发布广告给所要触达的用户，这里面又可以通过上图提到的搜索广告，展示社交广告，移动广告等多渠道的营销策略，营销分析，营销优化以及后端CRM/供应链系统打通的一站式营销优化，全面提升ROI。我们再说一说营销时代的变迁，传统的企业大多还停留在“营销1.0”时代，以产品为中心，满足传统的消费者需求，而进入“营销2.0”，以社会价值与品牌为使命，也不能完全精准对接个性化需求。进入营销3.0的数据时代，我们要对每个消费者进行个性化匹配，一对一营销，甚至精确算清楚成交转化率，提高投资回报比。大数据下的营销颠覆经典的营销4P理论，Product，Price，Place，Promotion，取而代之的是新的4P，People，Performance，Process，Prediction。在大数据时代，线下地理的竞争边界早就不存在，比的是早一步的先知能力，利用大数据，从顾客真实交易数据中，预测下一次的购买时间。 营销3.0时代关键词就是“预测”。预测营销能够让你专注于一小群客户，而这群客户却能代表特定产品的大多数潜在买家。以上图为例，你可以将营销活动的目标受众锁定为20万潜在客户或现有客户，其中包括特定产品的大多数买家（4万人）。你还可以拨出部分预算用于吸引更小的客户群（比如20% 的客户），而不是整个客户群，进而优化你的支出。过去我们看数据可能是被动的方式，但预测营销强调是决策价值，比如购买时间，你该看的不是她最后的购买日期，而是下次购买的时间，看未来的存活概率，最后生成客户终身价值（CLV）。预测营销催生了一种新的数据驱动营销方式，就是以客户为中心，核心在于帮助公司完成从以产品或渠道为中心到以客户为中心的转变。04精准推荐大数据最大的价值不是事后分析，而是预测和推荐，我就拿电商举例，"精准推荐"成为大数据改变零售业的核心功能。譬如服装网站Stitch fix例子，在个性化推荐机制方面，大多数服装订购网站采用的都是用户提交身形、风格数据+编辑人工推荐的模式，Stitch Fix不一样的地方在于它还结合了机器算法推荐。这些顾客提供的身材比例，主观数据，加上销售记录的交叉核对，挖掘每个人专属的服装推荐模型。 这种一对一营销是最好的服务。数据整合改变了企业的营销方式，现在经验已经不是累积在人的身上，而是完全依赖消费者的行为数据去做推荐。未来，销售人员不再只是销售人员，而能以专业的数据预测，搭配人性的亲切互动推荐商品，升级成为顾问型销售。05技术工具关于预测营销的技术能力，有几种选择方案：1、使用预测分析工作平台，然后以某种方法将模型输入活动管理工具；2、以分析为动力的预测性活动外包给市场服务提供商；3、评估并购买一个预测营销的解决方案，比如预测性营销云和多渠道的活动管理工具。但无论哪条路，都要确定三项基本能力：1）连接不同来源的客户数据，包括线上，线下，为预测分析准备好数据 ；2）分析客户数据，使用系统和定制预测模型，做高级分析 ；3）在正确时间，正确客户，正确的场景出发正确行为，可能做交叉销售，跨不同营销系统。06预测模型预测客户购买可能性的行业标准是RFM模型（最近一次消费R，消费频率F，消费金额M），但模型应用有限，本质是一个试探性方案，没有统计和预测依据。“过去的成绩不能保证未来的表现”，RFM只关注过去，不去将客户当前行为和其他客户当前行为做对比。这样就无法在购买产品之前识别高价值客户。我们聚焦的预测模型，就是为了在最短时间内对客户价值产生最大影响。这里列举一些其他模型参考：参与倾向模型，预测客户参与一个品牌的可能性，参与定义可以多元，比如参加一个活动，打开电子邮件，点击，访问某页面。可以通过模型来确定EDM的发送频率。并对趋势做预测，是增加还是减少活动。钱包模型，就是为每个客户预测最大可能的支出，定义为单个客户购买产品的最大年度支出。然后看增长模型，如果当前的总目标市场比较小，但未来可能很大，就需要去发现这些市场。价格优化模型，就是能够去最大限度提升销售，销量或利润的架构，通过价格优化模型为每个客户来定价，这里需要对你想要的产品开发不同的模型，或者开发通用，可预测的客户价格敏感度的模型，确定哪一块报价时对客户有最大的影响。关键字推荐模型，关键字推荐模型可以基于一个客户网络行为和购买记录来预测对某个内容的喜爱程度，预测客户对什么热点，爆款感兴趣，营销者使用这种预测结果为特定客户决定内容营销主题。预测聚集模型，预测聚集模型就是预测客户会归为哪一类。07AI在营销领域的应用去年人工智能特别火，特别是深度学习在机器视觉，语言识别，游戏AI上的突飞猛进，以至于人们开始恐慌人工智能是不是已经可以接管人类工作，我个人是对新技术有着强烈的兴趣，也非常看好新科技，数据与现实的关联。我以前在国外零售店买单的时候经常被询问“你有没有购物卡”，当我说没有收银员会赶紧劝我免费开通，有打折优惠，只需要填个手机号和邮箱，后面就可以针对我的购买记录做营销活动，而当我下次进来，他们就让我报出电话号码做消费者识别，当时我想如果做到人脸识别，岂不是更方便，刷脸就可以买单。而这个场景在去年也有了实验，蚂蚁金服研发出了一个生物识别机器人，叫蚂可Mark，据说其认脸能力已经超越了人类肉眼的能力。还有VR购物，Amazon推出的无收银员商店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。针对营销领域，主要有以下三种预测营销技术： 1、无监督的学习技术无监督学习技术能识别数据中的隐藏模式，也无须明确预测一种结果。比如在一群客户中发现兴趣小组，也许是滑雪，也许是长跑，一般是放在聚类算法，揭示数据集合中 真实的潜在客户。所谓聚类，就是自动发现重要的客户属性，并据此做分类。2、 有监督的学习技术通过案例训练机器，学习并识别数据，得到目标结果，这个一般是给定输入数据情况下预测，比如预测客户生命周期价值，客户与品牌互动的可能性，未来购买的可能性。3、强化学习技术这种是利用数据中的潜质模式，精准预测最佳的选择结果，比如对某用户做促销应该提供哪些产品。这个跟监督学习不同，强化学习算法无须仅需输入和输出训练，学习过程通过试错完成。从技术角度看，推荐模型应用了协同过滤，贝叶斯网络等算法模型。强化学习是被Google Brain团队的负责人Jeff Dean认为是最有前途的AI研究方向之一。最近Google的一个AI团队DeepMind发表了一篇名为《学会强化学习》的论文。按团队的话来说，叫做“学会学习”的能力，或者叫做能解决类似相关问题的归纳能力。除了强化学习，还在迁移学习。迁移学习就是把一个通用模型迁移到一个小数据上，使它个性化，在新的领域也能产生效果，类似于人的举一反三、触类旁通。强化学习加上迁移学习，能够把小数据也用起来，我认为是很激动人心的，通过AI来创造AI，数据科学家的部分工作也可以让机器来实现了。
有好的文章希望站长之家帮助分享推广，猛戳这里
本网页浏览已超过3分钟，点击关闭或灰色背景，即可回到网页