数据精准营销的七个关键要素

数据精准营销的七个关键要素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 *** 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。

数据驱动运营是老生常谈了，但是有好多新手并不懂如何去做数据运营，本文则系统的介绍了如何分6步来实现数据运营。

1.目的

通过对运营数据进行分析，帮助我们进一步对用户进行差分运营。

2.核心

分析问题包含哪些方面，在占比高并且自己可以发力的点上去优化。

运营是一个包含了诸多琐碎事项的工作，运营人员要会拆分自己的工作项，并根据不同工作项的特点有针对地对特定的运营数据进行分析，才能事半功倍。

那么怎么 拆分工作项 呢？可以按照面对的用户群体分解，通常与用户分级联系在一起，将工作拆分成面向所有 普通用户、面向活跃用户、面向付费用户等等 。也可以按照项目将自己的工作进行拆分。还可以按照时间顺序确定不同阶段的目标，根据自己的目标来拆分工作项。

拆分完工作项后，针对每一个工作项有不同的指标，我们要根据工作项的特点进一步拆分和细化运营数据指标，然后通过对每一个指标的分析来判断运营问题并不断优化运营方案。

拆分的维度 可以按照数据的包含结构，也可以按照每一个工作项包含的子项进行拆分。

以用户运营为例，用户运营包含了用户的拉新、促活、留存、付费转化等方面。而就拉新来说，关键的指标有注册用户的规模、增长速度；渠道质量——注册渠道有哪些，渠道的注册转化率如何；注册流程质量——完成注册的用户数、注册流程中用户蹦失节点统计；注册用户行为追踪——完成注册后用户的行为统计。

细化分析目标是指根据运营目标，确定能够进行优化的数据点。 这一步是为接下来的数据提取处理分析奠基的。

举个简单的例子，假如现在做完一场活动，想知道下一次举办相同或相似活动时有哪些地方可以优化，需要关心的点除了最终参与效果还有：活动推广的渠道有哪些，每一个渠道的参与路径是怎样的，路径中的每一步参与人数有多少，转化率达到多少，等等。明确了分析目标后，就可以确定要提取的数据点有哪些。

在提取数据这里涉及一个数据埋点的问题，在产品设计的早期，运营人员就要规划好运营关键点，列出埋点清单提交给开发人员，以免后期运营过程中想要查看某一个数据但却没有数据记录信息。

此外，提取出来的数据要经过一系列的处理后方可进入分析阶段。

（1）数据分析方法

常见的数据分析方法有对比分析法、结构分析法、平均分析法、权重分析法、杜邦分析法等等。

1）对比分析法

指按照不同的维度进行对比，以探寻数据的变化，发现其中蕴含的规律或启示。

对比的维度包含了 ：与预期目标对比、不同时间段的对比、与同行对比、与运营前的效果对比、不同用户间的对比、不同 *** 作间的对比，等等。

接下来用一个 例子讲解如何通过对不同时间段数据的对比来进行用户画像并根据用户画像做出运营策略的调整。

上边这张折线图反应的是某产品的日活跃用户数变化规律。2016年4月初到7月初其基本是成周期变化，且周期为一个星期，数据较大的点主要是在周末，因此我们可以推测这个产品的主要用户是学生。而且在6月的时候日活跃数据略有所下降，7月中旬以后数据上升且变化这与学生期末考试和放假的时间也基本吻合，进一步佐证了用户画像。

2）结构分析法

被分析总体内的各部分与总体之间的对比分析，常用结构相对指标（=(部分/总体)*100%）来表示，这个数值越大表明该部分在整体中所占权重越大，其重要性越大，对整体的影响也就越大。

3）平均分析法

反映的是一定条件下，某个指标的一般水平，多用于衡量业务的健康度。

比方说某个商品有A、B、C三个销售渠道，假如想了解这三个销售渠道谁对营收贡献最大，可以统计这三个渠道的平均销售额。这个时候要注意，平均分析法的“平均”是有前提的，它必须建立在用来计算平均值的数据是否都是有效的。比方说现在A渠道有一天的销售数据突然骤减为0，这是很反常的，这个时候要去查问题到底出在哪，如果是因为比方说那天A渠道出现了某些突发故障，那么应该剔除这个数据再计算平均值。

那是不是平均值越高说明业务越健康呢？

不一定。比方说A卖的是羽绒服 ，B卖的是短裙，夏季的时候A的销售均值比B低，这并不能说明A的业务就比B的差。

平均分析法适用于双方的业务和所处的情况比较接近也即我们常说的，具有可比性时，才有意义。

4）权重分析法

将多个指标转化为一个能够反映综合情况的指标来进行分析评价，具体的做法是确定各个指标的权重，然后对处理后的指标进行汇总后计算出综合评价指数。常用以对处于并列关系的子类进行分析。

如图所示，某产品有三个推广渠道——A、B和C。这三个渠道又细分为通过购买母婴类产品的推荐转化、参加相关线下活动的转化 以及来自公众平台的转化。若要衡量A、B、C三个渠道的质量如何，可以给各个细分渠道设置某个权重，定义“渠道质量”这个指标对应的公式（如：渠道质量=购买了母婴类产品后的推荐转化人数*60%+线下活动转化人数*30%+公众号转化人数*10%），通过加权求和后比较这三个渠道的质量高低。

那权重的设置依据是什么呢？一个是要根据各个细分指标的重要性，另一个来自于以往的运营结果。还是以刚刚那个产品为例，假设产品是跟母婴类相关的，那么根据以往的运营经验，通过购买了母婴类商品后的推荐引流来的用户，后续转化为活跃用户的概率更高，那么这个渠道的权重就可以相应的设高点，而通过公众号导流来的用户流失率极高，其权重就可以比较低。

5）杜邦分析法

杜邦分析法是由美国杜邦公司创造并 最先采用的一种综合分析方法。利用各个指标间的内在联系，可以对自己的运营状况及效益进行综合分析评价。

如图所示，假设产品更新后最近的收入降低了，老板让分析下原因出在什么地方、可以做出哪些调整，那么我们可以 将收入拆分 ——收入=付费人数*ARPU（每用户平均收入）。接下来对付费人数进行拆分，付费人数=活跃人数*付费渗透率。据观察，付费渗透率几乎没有变化，而活跃人数下降了，进一步细分活跃人数。活跃人数=新用户中的活跃用户+老用户中的活跃用户，倘若老用户中的活跃人数上升了，而新用户的活跃人数下降了，可以进一步将其拆分。然后分析，新用户=推广覆盖人数*转化率，在转化率基本不变的情况下，将推广渠道细分，根据数据，渠道一下降了而渠道二上升了 ， 不断进一步拆分，直到指标不能再细分 后，针对细分后的指标分析其中哪些对最终的收入影响较大，产生变化的原因是什么，是否可以通过人为的调整方案后进行改善，等等。

（2）造成数据波动的原因

常见造成数据变化的原因：时间、推广与触达、运营活动、关联特性、用户属性和构成、故障、业界趋势。

前三个就不详细展开了，这里讲下后边几个要素。所谓关联特性其实就是刚刚通过杜邦分析法拆分出来的要素，而用户属性和构成要素是指针对不同的用户，同个产品或活动的日活、付费等数据是会发生变化的。业界趋势对运营数据的影响：举个去年很火的例子——O2O，去年O2O这个概念炒的特别火的时候，大量资本砸钱进入这个市场，在各种补贴的刺激下，用户激增，现在市场较为成熟后，用户数增长就比较平缓了。

仔细观察可以发现，以上数据分析流程实际上形成了一个闭环。总结汇报完毕，我们需要将得出的结论运用到实践中，继续观察数据的变化并不断优化我们的运营策略。

为了能够更好地帮助刚开始建立运营体系的企业解决一些日常工作中的痛点，推荐你上一门由作者总策划的课《互联网人的数据运营实践训练营》，由长年工作在大型互联网企业内部，踩过过无数的“数据坑”，平均经验都在十年以上，都符合格拉德威尔在“一万小时定律”中的描述的四位老师： 安琦、黄捷、黄一能、王晔传授 ！时间：2016年12月17日-18日 8:30-17:30，一定能有效地帮助你。

报名： http://event.3188.la/530802826

---