浙江龙网

  1. 首页 > 生活百科 > >

阐述做大数据精准营销的6大要素 做大数据精准营销的要素有哪些？

文案策划问答

在涉及大数据精准营销时 ， 我们必须首先介绍个性化的用户图像 。 对于每种类型的数据实体 ， 我们进一步分解可以着陆的数据维度 ， 描绘TA的每个特征 ， 并收集以形成群组肖像 。
一：用户肖像
用户肖像是从诸如用户社交属性 ， 生活习惯和消费者行为之类的信息中抽象出的标记用户模型 。 具体包括以下维度：
用户固定功能：性别 ， 年龄 ， 地区 ， 教育程度 ， 出生性格 ， 职业 ， 星座
用户兴趣特征：爱好 ， 使用应用程序 ， 网站 ， 浏览/收集/评论内容 ， 品牌偏好 ， 产品偏好
用户社会特征：生活习惯 ， 婚姻和爱情 ， 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 ， 产品类型 ， 购买渠道偏好 ， 购买频率
用户动态特征：当前时间 ， 需求 ， 您要去的地方 ， 周边商家 ， 周围人群 ， 新闻事件如何生成用户准确的肖像大致分为三个步骤 。
1.收集和清理数据：已知预测未知
首先 ， 您必须掌握复杂的数据源 。 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；最基本的部分是如何收集网站/APP用户行为数据 。 例如 ， 当您登录网站时 ， 其cookie仍保留在浏览器中 。 当用户触摸动作时 ， 点击位置 ， 按钮 ， 喜欢 ， 评论 ， 粉丝和访问路径 ， 可以识别和记录他/她 。 所有浏览行为 ， 然后继续分析查看的关键字和页面 ， 以分析他的短期需求和长期利益 。 您还可以通过分析朋友圈来非常清楚地了解他人的工作 ， 爱好 ， 教育等 ， 这比个人填写的表格更全面 ， 更真实 。
我们使用已知数据来寻找线索并不断挖掘材料 ， 不仅要巩固旧成员 ， 还要分析未知客户和需求 ， 进一步开拓市场 。
2.用户分组：按类别标记
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 。 这里常常是数据挖掘的一些数学模型 ， 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.制定战略：优化和调整
通过用户的肖像 ， 您可以清楚地了解需求 ， 在实际操作中 ， 您可以深入管理客户关系甚至找到传播口碑的机会 。 例如 ， 在上面的例子中 ， 如果有新鲜的折扣优惠券 ， 日本餐厅的最新推荐 ， 营销人员将准确地将产品的相关信息推送到消费者的手机；发送不同产品的推荐信息 ， 并通过满意度调查 ， 跟踪代码确认等 ， 掌握客户各方面的行为和偏好 。
除了客户分组 ， 营销人员还会观察不同时期的增长率和成功率 。 比较前后 ， 确认整体业务策略和方向是否正确；如果效果不好 ， 应该采用什么策略？重复试验和错误并调整模型以实现循环优化 。
此阶段的目的是细化价值 ， 然后根据客户需求准确上市 ， 最后跟踪客户反馈信息 ， 完成闭环优化 。
我们从数据集成和导入数据开始 ， 分析和挖掘数据 。 数据分析和挖掘之间仍然存在一些差异 。 数据分析的重点是观察数据 ， 简单统计 ， 并查看KPI上升和下降的原因 。 数据挖掘从细微和模型的角度研究数据 ， 并从学习集和训练集中发现知识规则 。 除了一些商业软件SAS和WEKA强大的数据分析和挖掘软件外 ， 建议使用R ， Python 。 因为SAS ， SPSS本身比较贵 ， 所以也很难做页面和服务级API ， 而Python和R有一个丰富的库 ， 可以类似于WEKA模块 ， 与其他API和程序无缝交互 ， 这里也需要熟悉数据库 ， Hadoop等 。

推荐阅读


上一篇：分享做大数据精准营销的3个步骤 大数据精准营销该如何做？

下一篇：分享大数据精准营销的7种方法 大数据精准营销的方法有哪些？