大数据营销知识点总结

大数据的特征（4V）：

1.  数据的规模性

2.   数据结构多样性

3.   数据传播高速性

4.   大数据的真实性、价值性、易变性；

结构化数据、半结构化数据、非结构化数据

大数据处理的基本流程图

大数据关键技术：

1.  大数据采集

2.   大数据预处理

3.  大数据存储及管理

4.   大数据安全技术

5.  大数据分析与挖掘

6.   大数据展现与应用

二、大数据营销概论

Target 百货客户怀孕预测案例

大数据营销的特点：

1.   多样化、平台化数据采集： 多平台包括互联网、移动互联网、广电网、智能电视等

2.   强调时效性： 在网民需求点最高时及时进行营销

3.   个性化营销： 广告理念已从媒体导向转为受众导向

4.   性价比高： 让广告可根据时效性的效果反馈，进行调整

5.   关联性： 网民关注的广告与广告之间的关联性

大数据运营方式：

1.   基础运营方式

2.   数据租赁运营方式

3.   数据购买运营方式

大数据营销的应用

1.   价格策略和优化定价

2.   客户分析

3.   提升客户关系管理

4.   客户相应能力和洞察力

5. 智能嵌入的情景营销

6.   长期的营销战略

三、产品预测与规划

整体产品概念与整体产品五层次

整体产品概念： 狭义的产品： 具有某种特定物质形态和用途的物体。

产品整体概念（广义）：向市场提供的能够满足人们某种需要的

                      一切物品和服务。

整体产品包含：有形产品和无形的服务                          

整体产品五层次：潜在产品、延伸产品、期望产品、形式产品、核心产品

大数据新产品开发模型：

1.   需求信息收集及新产品立项阶段

2.  新产品设计及生产调试阶段

3.  小规模试销及反馈修改阶段

4.   新产品量产上市及评估阶段

产品生命周期模型

传统产品生命周期划分法：

（1）销售增长率分析法

  销售增长率=（当年销售额-上年销售额）/上年销售额×100%

销售增长率小于10%且不稳定时为导入期；

销售增长率大于10%时为成长期；

销售增长率小于10%且稳定时为成熟期；

销售增长率小于0时为衰退期。

（2）产品普及率分析法

    产品普及率小于5%时为投入期；

    普及率在5%—50%时为成长期；

    普及率在50%—90%时为成熟期；

    普及率在90%以上时为衰退期。

大数据对产品组合进行动态优化

产品组合

       销售对象、销售渠道等方面比较接近的一系列产品项目被称为产品线。产品组合是指一个企业所经营的不同产品线和产品项目的组合方式，它可以通过宽度、长度、深度和关联度四个维度反映出来

四、产品定价与策略

大数据定价的基本步骤：

1.   获取大数据

2.   选择定价方法

3.   分析影响定价因素的主要指标

4.  建立指标体系表

5.   构建定价模型

6.  选择定价策略

定价的3C模式：成本导向法、竞争导向法、需求导向法

影响定价的主要指标与指标体系表的建立

影响定价因素的主要指标：

1.  个人统计信息：家庭出生、教育背景、所在地区、年龄、感情状况、家庭关系等。

2.   工作状况：行业、岗位、收入水平、发展空间等

3.  兴趣：健身与养生、运动和户外活动、娱乐、科技、购物和时尚等

4. 消费行为：消费心理、购买动机等。

定价策略：

精算定价： 保险、期货等对风险计算要求很高的行业

差异定价： 平台利用大数据对客户建立标签，分析对产品的使用习惯、需求判断客户的忠诚度，对不同客户进行差别定价

动态定价： 即根据顾客认可的产品、服务的价值或者根据供需状况动态调整服务价格，通过价格控制供需关系。动态定价在提高消费者价格感知和企业盈利能力方面起着至关重要的作用。

价格自动化 ：根据商品成本、市场供需情况、竞争产品价格变动、促销活动、市场调查投票、网上协商、预订周期长短等因素决定自身产品价格

用户感知定价 ：顾客所能感知到的利益与其在获取产品或服务中所付出的成本进行权衡后对产品或服务效用所做出的整体评价。

协同定价： 是大数据时代企业双边平台多边协同定价策略

价格歧视：

一级 ：就是每一单位产品都有不同的价格，即商家完全掌握消费者的消费意愿，对每个消费者将商品价格定为其能够承受的最高出价；

二级 ：商家按照客户的购买数量，对相同场景提供的、同质商品进行差别定价；

三级 ：可视为市场细分后的定价结果，根据客户所处的地域、会员等级等个人属性进行差别定价，但是对于同一细分市场的客户定价一致。

五、销售促进与管理

    促销组合设计概念

大数据促销组合设计流程

精准广告设计与投放

[if !supportLists]l [endif] 广告设计5M：任务（Mission），预算（Money），信息（Message），媒体（Media），测量（Measurement）。

通过用户画像的进一步挖掘分析，企业可以找出其目标消费群体的广告偏好，如平面广告的配色偏好，构图偏好，视频广告的情节偏好，配乐偏好，人物偏好等，企业可以根据这些偏好设计出符合目标消费群体审美的广告创意，选择消费者喜欢的广告代言人，做出能在目标消费群体中迅速传播开来的广告。

在媒体决策方面，利用大数据综合考虑其广告目的、目标受众覆盖率、广告信息传播要求、购买决策的时间和地点、媒体成本等因素后，有重点地采用媒体工具。企业可以在确定前述影响变量后，通过大数据的决策模型，确定相对最优的媒体组合。

六、客户管理

    大数据在客户管理中的作用

1.   增强客户粘性

2.   挖掘潜在客户

3.   建立客户分类

    客户管理中数据的分类、收集及清洗

数据分类：

描述性数据： 这类数据是客户的基本信息。

如果是个人客户，涵盖了客户的姓名、年龄、地域分布、婚姻状况、学历、所在行业、职业角色、职位层级、收入水平、住房情况、购车情况等；

如果是企业客户，则包含了企业的名称、规模、联系人和法人代表等。

促销性数据： 企业曾经为客户提供的产品和服务的历史数据。

包括：用户产品使用情况调查的数据、促销活动记录数据、客服人员的建议数据和广告数据等

交易性数据： 这类数据是反映客户对企业做出的回馈的数据。

包括历史购买记录数据、投诉数据、请求提供咨询及其他服务的相关数据、客户建议数据等。

收集：

清洗：

首先，数据营销人需要凭借经验对收集的客户质量进行评估

其次，通过相关字段的对比了解数据真实度

最后，通过测试工具对已经确认格式和逻辑正确数据进行测试

客户分层模型

客户分层模型 是大数据在客户管理中最常见的分析模型之一，客户分层与大数据运营的本质是密切相关的。在客户管理中，出于一对一的精准营销要求针对不同层级的客户进行区别对待，而客户分层则是区别对待的基础。

RFM客户价值分析模型

时间（Rencency）：

     客户离现在上一次的购买时间。

频率（Frequency）：

     客户在一定时间段内的消费次数。

货币价值（MonetaryValue）：

    客户在一定的时间内购买企业产品的金额。

七、 跨界营销

利用大数据跨界营销成功的关键点

1.   价值落地

2.  杠杠传播

3.   深度融合

4.   数据打通

八、精准营销

    精准营销的四大特点

1.   可量化

2.   可调控

3.  保持企业和客户的互动沟通

4.  简化过程

精准营销的步骤

1.  确定目标

2.  搜集数据

3.   分析与建模

4.  制定战略

九、商品关联营销

       商品关联营销的概念及应用

关联营销：

关联营销是一种建立在双方互利互益的基础上的营销，在交叉营销的基础上，将事物、产品、品牌等所要营销的东西上寻找关联性，来实现深层次的多面引导。

关联营销也是一种新的、低成本的、企业在网站上用来提高收入的营销方法。

       关联分析的概念与定义

最早的关联分析概念： 是1993年由Agrawal、Imielinski和Swami提出的。其主要研究目的是分析超市顾客购买行为的规律，发现连带购买商品，为制定合理的方便顾客选取的货架摆放方案提供依据。该分析称为购物篮分析。

电子商务领域： 关联分析可帮助经营者发现顾客的消费偏好，定位顾客消费需求，制定合理的交叉销售方案， 实现商品的精准推荐 ；

保险公司业务： 关联分析可帮助企业分析保险索赔的原因，及时甄别欺诈行为；

电信行业： 关联分析可帮助企业发现不同增值业务间的关联性及对客户流失的影响等

简单关联规则及其表达式

事务：简单关联分析的分析对象

项目：事务中涉及的对象

项集：若干个项目的集合

简单关联规则 的一般表示形式是：前项→后项（支持度＝s％，置信度＝c％）

或表达为：X→Y（S＝s％，C＝c％）

例如：面包->牛奶(S=85%,C=90%)

            性别（女）∩收入（＞5000元）→品牌（A）（S＝80％，C＝85％）

支持度、置信度、频繁项集、强关联规则、购物篮分析模型

置信度和支持度

support(X→Y)= P(X∩Y)                  

confidence(X→Y)= P(Y|X)

十、评论文本数据的情感分析

       商品品论文本数据挖掘目标

电商平台激烈竞争的大背景下，除了提高商品质量、压低商品价格外，了解更多消费者的心声对于电商平台来说也变得越来越有必要，其中非常重要的方式就是对消费者的文本评论数据进行内在信息的数据挖掘分析。评论信息中蕴含着消费者对特定产品和服务的主观感受，反映了人们的态度、立场和意见，具有非常宝贵的研究价值。

针对电子商务平台上的商品评论进行文本数据挖掘的目标一般如下：

分析商品的用户情感倾向，了解用户的需求、意见、购买原因；

从评论文本中挖掘商品的优点与不足，提出改善产品的建议；

提炼不同品牌的商品卖点。

商品评论文本分析的步骤和流程

商品评论文本的数据采集、预处理与模型构建

数据采集：

1、“易用型”：八爪鱼、火车采集器

2、利用R语言、Python语言的强大程序编写来抓取数据

预处理：

1文本去重

检查是否是默认文本

是否是评论人重复复制黏贴的内容

是否引用了其他人的评论

2机械压缩去词

例如： “好好好好好好好好好好”->“好”

3短句删除

原本过短的评论文本      例如：很“好好好好好好好好好好”->“好”

机械压缩去词后过短的评论文本   例如：“好好好好好好好好好好”->“好”

4评论分词

文本模型构建包括三方面：情感倾向分析、语义网络分析、基于LDA模型的主体分析

情感倾向分析：

基于情感词进行情感匹配

对情感词的倾向进行修正

对情感分析结果进行检验

语义网络分析：

基于LDA模型的主体分析

十一、大数据营销中的伦理与责任

       大数据的安全与隐私保护

数据安全：一是保证用户的数据不损坏、不丢失；二是要保证数据不会被泄露或者盗用

大数据营销中的伦理风险：用户隐私、信息不对称下的消费者弱势群体、大数据“杀熟”

大数据伦理困境的成因：

用户隐私意识淡薄

用户未能清晰认知数据价值

企业利益驱使

] 管理机制不够完善

大数据伦理构建的必要性：企业社会责任、用户与社会群体的维系

这些是我按照老师讲的课本上的内容结合PPT总结出来的《大数据营销》的重点。

企业大数据构建需要做到定位准确、标签鲜明、内容刷新、体验真切、情感链接、数据驱动等六大方面，造就以数据为核心的营销闭环，即消费——数据——营销——效果——消费。

在互联网技术高速崛起的期间，互联网也让数据应用真正走向全新的高度。其中，最明显的就是营销领域。期指一算，距离“大数据”的概念距问世大概接近40年了，但关于大数据营销的概念却在前几年才得以普及开来。时至今日，这种基于数据协同和深度计算的个性化营销正在用其巨大而全面的影响力改变着营销的格局和战略方向。

那么，什么是大数据营销？

基于多平台的大量数据，依托大数据技术的基础上，应用于互联网广告行业的营销方式。其核心在于让网络广告在合适的时间，通过合适的载体，以合适的方式，投给合适的人。

1、以用户为中心。

不管什么时候，营销的核心都是围绕用户展开的。大数据的作用就是把用户怀想实实在在的展现出来，企业才能够根据这些数据构建用户画像，礼节用户的消费习惯、购物需求等特性，进而做出精准的分析与判断。

2、深度洞察。

在构建出用户画像的基础上，深度分析用户心理，挖掘用户的潜在需求，一直是大数据营销的根本。比如企业从用户的消费习惯得知他曾经买过房产，那么他就有购买家居的需求，企业可以根据需求来适当推广相关的产品，会比撒网式投放更精准。简单来说，就是企业根据数据标签人群画像，能够精确获知用户的潜在消费需求。

总之，自从有了营销大数据，人们就不只是简单粗暴地打广告、做推广，而是更趋向于数据营销降低成本获来提高产品转化率，最终实现真正意义上的流量变现。随着互联网不断的推行和普及，未来几年，大数据营销带来的颠覆性变革也侧面证实了大数据的意义以及应用。对于企业来说，必须学会把握这个大趋势，面对未知的机遇和挑战。

企业常用的大数据营销策略

对于企业来说，精准地找到客户，推送个性化的广告内容来打动客户，最终产生销售是顺理成章的营销目的。因此，不少企业都遵循了以下四个方面来实施精准化营销策略：

1、注重搜集用户数据，提升命中率。

大数据时代，数据就是企业的“命根子”。可以说，没有数据做支撑，企业就会缺乏对目标用户群体的洞察，自然也无法找到对的用户，后期的投放可能就会陷入“投放远远大于转化率”的尴尬境地。

2、双线渠道为先，提高用户信任感。

想要用户能“看到”你的广告，那么不管是传统的线下渠道，比如电梯广告、地铁广告等，还是新媒体时代下的线上传播渠道，比如微博、微信、抖音、快手等社交类平台，企业都需要有深刻的了解，以便于在营销推广时能快速找准契合自身的场地或平台，做到精准投放，提升用户的信任感。当然，如果你不差钱，那全覆盖也可以。

3、内容为王永不过时，增加用户黏度。

经过各类公众号的轰炸，“内容为王”这个词估计企业都听吐了。但即使这个词再烂大街，它仍然是企业提高销售转化率的关键。一个好渠道或许可以把你的广告信息传播出去，但好内容可以帮助企业圈定人群的特征兴趣爱好，针对性的给到用户想要看的内容，从而引导产品成交，还能迅速增加用户黏度。可见一个好的内容足以让你事半功倍。

综上所述，现在，大数据营销的技术已经发展到能实时整合多平台数据，精准的识别客户，就连后期的客户接触也能做到实时性和个性化。BUT……转折来了，企业想要真正打动客户，只做到以上这些还远远不够。有时候，或许企业还会被数据蒙骗了。

纵观当今的大数据营销，许多企业就只会两招：

第一，通过年龄、性别、兴趣爱好、习惯、人生阶段给消费者贴上不同的标签；第二，确定营销信息瞄准哪类消费者，直接触达。

虽然其中不乏成功企业，但更多没能达到预期效果的企业依然很多。因为大数据营销也有弊端：

1、数据来源容易出问题。

虽说大数据是无差别地获取目标消费者的行为记录，但是当我们在局部环境运用这些数据的时候，还是有很大可能受到数据来源不准确的干扰。比如曾经有企业针对针对线上的购买人群做了大数据分析，数据显示在此次促销中有超过50%的交易是来自于男性消费者的账户。于是，该企特意针对男士消费人群做了活动，结果收效甚微。后来发现，原来那些男性账号买的都是女性用品，事实上，只不过是女性用了男朋友或者老公的账号买单才造成的假象。这就是过于轻信数据而带来的错误策略。

2、为了控制市场而忽略用户体验。

虽然说用数据确实能实现企业的精准定位，进而高效变现，但在用户体验上，不少企业或多或少会有不恰当的行为发生。有不少用户就投诉类似的情况，比如当你在短视频平台浏览了美妆类产品后，你就会在其他社交平台上也看到类似的内容，或者说只是浏览了某种病，那么可能在搜索引擎上就会自动出现治疗该病的医药类产品，简直是细思极恐。

3、正确的推送内容遇上错误的推送时间。

从消费者行为来说，有时候，即使企业的用户找对了，但是在不恰当的时间和地点去推送广告信息，那么这次的传播依然是无效的。比如当一个新生儿妈妈被大数据刻下了精确的标签，于是你就开始不停地向她推送奶粉和尿布，这个用户不会随时随地都会买，甚至可能产生反感的情绪，反而不利于企业的传播。再比如一个美妆达人，即使他爱美妆，也不可能无时无刻的花钱去购买推送的产品。这时候，这种信息推送其实就变成了骚扰，还是企业不自知的那种。

4、精准定位目标用户，也意味着放弃了非目标用户。

简单来说，大数据营销的最大弊端就是降低了非目标客群标签的人购买自己产品的可能性。比如一位爱学习的学生，可能也是一个运动爱好者，除了喜欢的书籍，可能他对心仪的运动装备更感兴趣。这就是消费者的购买动机具备多样性的典型代表。

教你如何正确的运用大数据营销！

时趣首席科学家王绪刚认为，在银屏时代，营销的核心是品牌形象传递在互联网门户时代，营销的核心是数字化媒介购买而在以移动，社会化代表的互联网3.0时代，营销的核心是实现“大规模的个性化互动”。

而狂人认为，大数据营销等同于精准营销，或是精准营销是大数据营销的一个核心方向和价值体现。因此，企业想要更好的运用大数据营销，可以从营销场景入手，针对不同的人设置不同的场景，以便满足不同的消费需求。因为现在的企业卖产品，更多的是卖用户体验，而用户体验就是用户在接触你的所有触点中综合起来的感受，即企业可以做到用最直接的方式去激发其购买欲望。

1、购买场景。

越来越多的报告证明，消费者逐渐回归线下零售。如何在线下应用好大数据？那就是多触点、场景化，以氛围来烘托，打动用户内心的情感，这也是线下店铺使用的最让人感兴趣、最容易理解和验证的方式。比如当你去宜家买东西，假如单件的家居堆成山放在一边，你连挑选的欲望都没有，可如果把沙发、靠枕、茶几、杯盏装饰成一间客厅，你身临其境，就会觉得这几件物品搭配起来竟然那么漂亮，这时候购买的欲望就来了。这就是商家给消费者构建了一个场景，通过这个场景来触发消费者的购买欲。

2、使用场景。

通俗来讲，就是将品牌或产品与具体的场景联系起来，或开拓新的使用场景，进行宣传推广，更好地吸引和连接顾客，如红牛的加夜班场景，这是未来品牌或产品营销的重要方式。

3、生活场景。

移动互联时代，让场景定义创新成为了可能。因此，瞄准顾客的痛点和痒点，跨界思维，创新场景定义，就成了高效场景营销的起点和中心。如日本的茑屋书店不仅仅是卖书的地方，而是“知性、时尚、个性的生活方式”，经营范围包括了咖啡馆、游戏、影音、儿童玩具、美容、医疗、餐厅、宠物乐园、自行车店等，为消费者的消费生活带来去更多的新鲜感。

在大数据时代，人们留在网络上的数据越来越多。我的用户是谁？他们在网络那端做了什么？这些不仅仅是简单的数据表现，更是对以往的营销方式的反思，数据流化使得营销行动目标明确、可追踪、可衡量、可优化，从而造就了以数据为核心的营销闭环，即消费——数据——营销——效果——消费。现如今，以数据为导向的精准营销开始逐步替代原本的营销方式，成为企业的新宠。