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，*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*括以下维度：
用户固定功能：性别，年龄，地区，教育程度，出*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：*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*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。*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，*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*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*一些标签，*括'80后 '' *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*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。
第二，数据段
“颠覆营销”一书中提到了一个例子。您可以引用一个问题：如果您计划收集200份有效问卷，您需要根据过去的经验发送多少份问卷来实现这一目标？预计实施多少预算和时间？
以前的方法是：评估网络问卷的回收率约为5％。如果您想保证200份问卷，您必须有20倍的报告金额，即发送4000份问卷，如果您可以在一个月内回收。是一个很好的表现。
但现在情况有所不同。在执行大数据分析的3小时内，您可以轻松实现以下目标：
准确选择1％的VIP客户
发送390份问卷，全部回收
调查问卷在3小时内发出35％的问卷
问卷数量超过目标数量的86％，在5天内恢复。
过去所需的时间和预算低于10％
如何在问卷发出后的3小时内恢复35％？那是因为数据是发送时间的“一对一定制”。使用这些数据，A先*最有可能在那时打开邮件并在那时发送问卷。例如，有些人会在上班途中打开邮件，但如果他们正在开车，而且没有时间填写答案，乘坐公共交通工具的人会在上班路上玩手机，而且填写答案的概率很高。这都是关于数据分割的好处。
三，预测
“预测”使您可以专注于代表特定产品的大多数潜在买家的一小部分客户。
当我们收集和分析用户肖像时，可以实现准确的营销。这是最直接和最有价值的应用程序。广告客户可以使用用户标记将广告发布给他们想要覆盖的用户。他们还可以使用上述搜索广告来展示社交广告，移动广告和其他多渠道。营销策略，营销分析，营销优化和后端CRM /供应链系统的一站式营销优化，以提高投资回报率。
我们来谈谈营销时代的变化。大多数传统企业仍然停留在“营销1.0”时代，以产品为中心，满足传统消费者需求，进入“营销2.0”，以社会价值和品牌为使命，也不能完全准确匹配个人需求。在Marketing 3.0的数据时代，我们必须对每个消费者进行个性化，一对一营销，甚至准确计算交易转换率并提高投资回报率。
大数据下的营销颠覆了经典营销4P理论，产品，价格，地点，促销，取而代之的是新的4P，人员，绩效，流程和预测。在大数据时代，与使用大数据从客户的真实交易数据预测下一个购买时间的早期预测能力相比，离线地理的竞争边界早已存在。营销3.0关键字是“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*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*成客户终身价值（CLV）。预测营销催*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。
四：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。
数据整合改变了公司的市场方式。现在经验不会累积在人们身上，而是完全依靠消费者行为数据来提出建议。在未来，销售人员不再仅仅是销售人员，而是可以升级为具有专业数据预测的顾问式销售，并具有人性化的友好互动。
五：技术工具
有几种方法可以预测营销的技术能力：
1.使用预测分析工作台，然后以某种方式将模型输入活动管理工具；
2.将分析驱动的预测活动外*给市场服务提供商；
3.评估和购买预测营销解决方案，例如预测营销云和多渠道事件管理工具。
但无论哪种方式，你必须确定三个基本能力：
1）连接来自不同来源的客户数据，*括在线和离线，并准备数据用于预测分析；
2）分析客户数据，使用系统和自定义预测模型进行高级分析；
3）在合适的时间，正确的客户，正确的行为开始正确的行为，可以跨不同的营销系统进行交叉销售。
六：预测模型
用于预测客户购买可能性的行业标准是RFM模型（最后消耗R，消耗频率F，消耗量M），但模型应用是有限的，基本上是暂定的解决方案，没有统计和预测基础。 “过去的表现并不能保证未来的表现。”RFM只关注过去，并没有将客户的当前行为与其他客户的当前行为进行比较。这使得在购买产品之前无法识别高价值客户。
我们关注的预测模型是在最短的时间内对客户价值产*最大的影响。以下是其他一些模型参考：
参与倾向模型以预测客户参与品牌的可能性。参与定义可以是多种多样的，例如参与活动，打开电子邮件，单击和访问页面。 EDM的传输频率可以由模型确定。预测趋势是增加还是减少活动。
钱*模型用于预测每个客户的最大可能支出，定义为单个客户购买产品的最大年度支出。然后看看增长模型。如果目前的总目标市场很小，但未来可能很大，你需要找到这些市场。
价格优化模型是可以通过价格优化模型最大化销售，销售或利润以及为每个客户定价的结构。在这里，您需要为您想要的产品开发不同的模型，或者开发普通的，可预测的客户。价格敏感度模型，用于确定哪一段报价对客户的影响最大。
关键字推荐模型，关键字推荐模型可以基于客户的网络行为和购买记录来预测特定内容的偏好程度，预测客户感兴趣的热点，并且营销商使用预测结果来确定特定客户。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。
你是否想过，有一套系统，你几乎什么都不用做，就有上千甚至上万个精准客户咨询，以及源源不断的客户产*购买！
你做的所有*意，都是数据。不会用大数据的思维做*意，你的客户和你永远只是蜻蜓点水的关系，终究会跑到你竞争对手的手里。
还没有评论，来说两句吧...