如何利用數據分析營銷客戶

『壹』 數據精準營銷的七個關鍵要素

數據精準營銷的七個關鍵要素
說到大數據精準營銷，不得不先提個性化的用戶畫像，我們針對每一類數據實體，進一步分解可落地的數據維度，刻畫TA的每一個特徵，在聚集起來形成人群畫像。

01用戶畫像
用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標簽化的用戶模型。具體包含以下幾個維度：
用戶固定特徵：性別，年齡，地域，教育水平，生辰八字，職業，星座
用戶興趣特徵：興趣愛好，使用APP，網站，瀏覽/收藏/評論內容，品牌偏好，產品偏好
用戶社會特徵：生活習慣，婚戀，社交/信息渠道偏好，宗教信仰，家庭成分
用戶消費特徵：收入狀況，購買力水平，商品種類，購買渠道喜好，購買頻次
用戶動態特徵：當下時間，需求，正在前往的地方，周邊的商戶，周圍人群，新聞事件如何生成用戶精準畫像大致分成三步。
1.採集和清理數據：用已知預測未知
首先得掌握繁雜的數據源。包括用戶數據、各式活動數據、電子郵件訂閱數、線上或線下資料庫及客戶服務信息等。這個是累積資料庫；這裡面最基礎的就是如何收集網站／APP用戶行為數據。比如當你登陸某網站，其Cookie就一直駐留在瀏覽器中，當用戶觸及的動作，點擊的位置，按鈕，點贊，評論，粉絲，還有訪問的路徑，可以識別並記錄他／她的所有瀏覽行為，然後持續分析瀏覽過的關鍵詞和頁面，分析出他的短期需求和長期興趣。還可以通過分析朋友圈，獲得非常清晰獲得對方的工作，愛好，教育等方面，這比個人填寫的表單，還要更全面和真實。
我們用已知的數據尋找線索，不斷挖掘素材，不但可以鞏固老會員，也可以分析出未知的顧客與需求，進一步開發市場。
2.用戶分群：分門別類貼標簽
描述分析是最基本的分析統計方法，描述統計分為兩大部分：數據描述和指標統計。數據描述：用來對數據進行基本情況的刻畫，包括數據總數，范圍，數據來源。指標統計：把分布，對比，預測指標進行建模。這里常常是Data mining的一些數學模型，像響應率分析模型，客戶傾向性模型，這類分群使用Lift圖，用打分的方法告訴你哪一類客戶有較高的接觸和轉化的價值。
在分析階段，數據會轉換為影響指數，進而可以做"一對一"的精準營銷。舉個例子，一個80後客戶喜歡在生鮮網站上早上10點下單買菜，晚上6點回家做飯，周末喜歡去附近吃日本料理，經過搜集與轉換，就會產生一些標簽，包括"80後""生鮮""做飯""日本料理"等等，貼在消費者身上。
3.制定策略：優化再調整
有了用戶畫像之後，便能清楚了解需求，在實際操作上，能深度經營顧客關系，甚至找到擴散口碑的機會。例如上面例子中，若有生鮮的打折券，日本餐館最新推薦，營銷人員就會把適合產品的相關信息，精準推送這個消費者的手機中；針對不同產品發送推薦信息，同時也不斷通過滿意度調查，跟蹤碼確認等方式，掌握顧客各方面的行為與偏好。
除了顧客分群之外，營銷人員也在不同時間階段觀察成長率和成功率，前後期對照，確認整體經營策略與方向是否正確；若效果不佳，又該用什麼策略應對。反復試錯並調整模型，做到循環優化。
這個階段的目的是提煉價值，再根據客戶需求精準營銷，最後追蹤客戶反饋的信息，完成閉環優化。
我們從數據整合導入開始，聚合數據，在進行數據的分析挖掘。數據分析和挖掘還是有一些區別。數據分析重點是觀察數據，單純的統計，看KPI的升降原因。而數據挖掘從細微和模型角度去研究數據，從學習集、訓練集發現知識規則，除了一些比較商業化的軟體SAS，WEKA功能強大的數據分析挖掘軟體，這邊還是更推薦使用R，Python，因為SAS，SPSS本身比較昂貴，也很難做頁面和服務級別的API，而Python和R有豐富的庫，可以類似WEKA的模塊，無縫交互其他API和程序，這里還需要熟悉資料庫，Hadoop等。
02數據細分受眾
「顛覆營銷」書中提到一個例子，可以引述一下，大家思考一個問題：如果你打算搜集200份有效問卷，依照以往的經驗，你需要發多少份問卷，才能達到這個目標？預計用多少預算和時間來執行？
以往的方法是這樣的：評估網路問卷大約是5%的回收率，想要保證收到200份的問卷，就必須有20倍的發送量，也就是發出4000份問卷，一個月內如果可以回收，就是不錯的表現。
但現在不一樣了，在執行大數據分析的3小時內，就可以輕松完成以下的目標：
精準挑選出1%的VIP顧客
發送390份問卷，全部回收
問卷寄出3小時內回收35%的問卷
5天內就回收了超過目標數86%的問卷數
所需時間和預算都在以往的10%以下
這是怎麼做到在問卷發送後的3個小時就回收35%？那是因為數據做到了發送時間的"一對一定製化"，利用數據得出，A先生最可能在什麼時間打開郵件就在那個時間點發送問卷。
舉例來說，有的人在上班路上會打開郵件，但如果是開車族，並沒有時間填寫答案，而搭乘公共交通工具的人，上班路上的時間會玩手機，填寫答案的概率就高，這些都是數據細分受眾的好處。
03預 測
「預測」能夠讓你專注於一小群客戶，而這群客戶卻能代表特定產品的大多數潛在買家。
當我們採集和分析用戶畫像時，可以實現精準營銷。這是最直接和最有價值的應用，廣告主可以通過用戶標簽來發布廣告給所要觸達的用戶，這裡面又可以通過上圖提到的搜索廣告，展示社交廣告，移動廣告等多渠道的營銷策略，營銷分析，營銷優化以及後端CRM/供應鏈系統打通的一站式營銷優化，全面提升ROI。
我們再說一說營銷時代的變遷，傳統的企業大多還停留在「營銷1.0」時代，以產品為中心，滿足傳統的消費者需求，而進入「營銷2.0」，以社會價值與品牌為使命，也不能完全精準對接個性化需求。進入營銷3.0的數據時代，我們要對每個消費者進行個性化匹配，一對一營銷，甚至精確算清楚成交轉化率，提高投資回報比。

大數據下的營銷顛覆經典的營銷4P理論，Proct，Price，Place，Promotion，取而代之的是新的4P，People，Performance，Process，Prediction。在大數據時代，線下地理的競爭邊界早就不存在，比的是早一步的先知能力，利用大數據，從顧客真實交易數據中，預測下一次的購買時間。 營銷3.0時代關鍵詞就是「預測」。
預測營銷能夠讓你專注於一小群客戶，而這群客戶卻能代表特定產品的大多數潛在買家。以上圖為例，你可以將營銷活動的目標受眾鎖定為20萬潛在客戶或現有客戶，其中包括特定產品的大多數買家（4萬人）。你還可以撥出部分預算用於吸引更小的客戶群（比如20% 的客戶），而不是整個客戶群，進而優化你的支出。
過去我們看數據可能是被動的方式，但預測營銷強調是決策價值，比如購買時間，你該看的不是她最後的購買日期，而是下次購買的時間，看未來的存活概率，最後生成客戶終身價值（CLV）。預測營銷催生了一種新的數據驅動營銷方式，就是以客戶為中心，核心在於幫助公司完成從以產品或渠道為中心到以客戶為中心的轉變。
04精準推薦
大數據最大的價值不是事後分析，而是預測和推薦，我就拿電商舉例，"精準推薦"成為大數據改變零售業的核心功能。譬如服裝網站Stitch fix例子，在個性化推薦機制方面，大多數服裝訂購網站採用的都是用戶提交身形、風格數據+編輯人工推薦的模式，Stitch Fix不一樣的地方在於它還結合了機器演算法推薦。這些顧客提供的身材比例，主觀數據，加上銷售記錄的交叉核對，挖掘每個人專屬的服裝推薦模型。 這種一對一營銷是最好的服務。
數據整合改變了企業的營銷方式，現在經驗已經不是累積在人的身上，而是完全依賴消費者的行為數據去做推薦。未來，銷售人員不再只是銷售人員，而能以專業的數據預測，搭配人性的親切互動推薦商品，升級成為顧問型銷售。
05技術工具
關於預測營銷的技術能力，有幾種選擇方案：
1、使用預測分析工作平台，然後以某種方法將模型輸入活動管理工具；
2、以分析為動力的預測性活動外包給市場服務提供商；
3、評估並購買一個預測營銷的解決方案，比如預測性營銷雲和多渠道的活動管理工具。
但無論哪條路，都要確定三項基本能力：
1）連接不同來源的客戶數據，包括線上，線下，為預測分析准備好數據 ；
2）分析客戶數據，使用系統和定製預測模型，做高級分析 ；
3）在正確時間，正確客戶，正確的場景出發正確行為，可能做交叉銷售，跨不同營銷系統。
06預測模型
預測客戶購買可能性的行業標準是RFM模型（最近一次消費R，消費頻率F，消費金額M），但模型應用有限，本質是一個試探性方案，沒有統計和預測依據。「過去的成績不能保證未來的表現」，RFM只關注過去，不去將客戶當前行為和其他客戶當前行為做對比。這樣就無法在購買產品之前識別高價值客戶。
我們聚焦的預測模型，就是為了在最短時間內對客戶價值產生最大影響。這里列舉一些其他模型參考：
參與傾向模型，預測客戶參與一個品牌的可能性，參與定義可以多元，比如參加一個活動，打開電子郵件，點擊，訪問某頁面。可以通過模型來確定EDM的發送頻率。並對趨勢做預測，是增加還是減少活動。
錢包模型，就是為每個客戶預測最大可能的支出，定義為單個客戶購買產品的最大年度支出。然後看增長模型，如果當前的總目標市場比較小，但未來可能很大，就需要去發現這些市場。
價格優化模型，就是能夠去最大限度提升銷售，銷量或利潤的架構，通過價格優化模型為每個客戶來定價，這里需要對你想要的產品開發不同的模型，或者開發通用，可預測的客戶價格敏感度的模型，確定哪一塊報價時對客戶有最大的影響。
關鍵字推薦模型，關鍵字推薦模型可以基於一個客戶網路行為和購買記錄來預測對某個內容的喜愛程度，預測客戶對什麼熱點，爆款感興趣，營銷者使用這種預測結果為特定客戶決定內容營銷主題。
預測聚集模型，預測聚集模型就是預測客戶會歸為哪一類。
07AI在營銷領域的應用
去年人工智慧特別火，特別是深度學習在機器視覺，語言識別，游戲AI上的突飛猛進，以至於人們開始恐慌人工智慧是不是已經可以接管人類工作，我個人是對新技術有著強烈的興趣，也非常看好新科技，數據與現實的關聯。
我以前在國外零售店買單的時候經常被詢問「你有沒有購物卡」，當我說沒有收銀員會趕緊勸我免費開通，有打折優惠，只需要填個手機號和郵箱，後面就可以針對我的購買記錄做營銷活動，而當我下次進來，他們就讓我報出電話號碼做消費者識別，當時我想如果做到人臉識別，豈不是更方便，刷臉就可以買單。而這個場景在去年也有了實驗，螞蟻金服研發出了一個生物識別機器人，叫螞可Mark，據說其認臉能力已經超越了人類肉眼的能力。還有VR購物，Amazon推出的無收銀員商店Amazon Go，通過手勢識別，物聯網和後續數據挖掘等技術實現購物體驗。
針對營銷領域，主要有以下三種預測營銷技術：
1、無監督的學習技術
無監督學習技術能識別數據中的隱藏模式，也無須明確預測一種結果。比如在一群客戶中發現興趣小組，也許是滑雪，也許是長跑，一般是放在聚類演算法，揭示數據集合中 真實的潛在客戶。所謂聚類，就是自動發現重要的客戶屬性，並據此做分類。
2、 有監督的學習技術
通過案例訓練機器，學習並識別數據，得到目標結果，這個一般是給定輸入數據情況下預測，比如預測客戶生命周期價值，客戶與品牌互動的可能性，未來購買的可能性。
3、強化學習技術
這種是利用數據中的潛質模式，精準預測最佳的選擇結果，比如對某用戶做促銷應該提供哪些產品。這個跟監督學習不同，強化學習演算法無須僅需輸入和輸出訓練，學習過程通過試錯完成。
從技術角度看，推薦模型應用了協同過濾，貝葉斯網路等演算法模型。強化學習是被Google Brain團隊的負責人Jeff Dean認為是最有前途的AI研究方向之一。最近Google的一個AI團隊DeepMind發表了一篇名為《學會強化學習》的論文。
按團隊的話來說，叫做「學會學習」的能力，或者叫做能解決類似相關問題的歸納能力。除了強化學習，還在遷移學習。遷移學習就是把一個通用模型遷移到一個小數據上，使它個性化，在新的領域也能產生效果，類似於人的舉一反三、觸類旁通。
強化學習加上遷移學習，能夠把小數據也用起來，我認為是很激動人心的，通過AI來創造AI，數據科學家的部分工作也可以讓機器來實現了。

『貳』 網路營銷:如何進行營銷數據分析

網路營銷:如何進行營銷數據分析

主要關注幾點：

1、什麼樣的數據（銷售？發展預估？等等）首先你要弄清楚。

2、每月的銷售數據變化情況。

3、數據變化方向。

4、分析數據中的要素。

5、對比本身的數據得出結論。

市場營銷是為創造實現個人和組織的交易，而規劃和實施創意、產品、服務構想、定價、促銷和分銷的過程。網路營銷是人類經濟、科技、文化發展的必然產物，網路營銷不受時間和空間限制，在很大程度上改變了傳統營銷形態和業態。

網路營銷對企業來講，提高了工作效率，降低了成本，擴大了市場，給企業帶來社會效益和經濟效益。相對於傳統營銷，網路營銷具有國際化、信息化和無紙化，已經成為各國營銷發展的趨勢。為了促進網路營銷在我國的普及和發展，對網路營銷進行戰略分析具有重要意義。

一、網路營銷產生的分析

網路營銷的產生，是科學技術的發展、消費者價值觀的變革和商業競爭等綜合因素所促成的。網路營銷產生的科技基礎，21世紀是信息世紀，科技、經濟和社會的發展正在迎接這個時代的到來。計算機網路的發展，使信息社會的內涵有了進一步改變。

在信息網路時代，網路技術的應用改變了信息的分配和接收方式，改變了人們的生活、工作和學習、合作和交流的環境。企業也正在利用網路新技術的快速便車，促進企業飛速發展。

網路營銷是以互聯網為媒體，以新的方式、方法和理念實施營銷活動，更有效地促進個人和組織交易活動的實現。

企業如何在如此潛力巨大的市場上開展網路營銷、佔領新興市場，對企業既是機遇又是挑戰。

網路營銷也產生於消費者價值觀的變革：滿足消費者的需求，是企業經營永恆的核心。利用網路這一科技制高點為消費者提供各種類型的服務，是取得未來競爭優勢的重要途徑。

當市場經濟發展到今天，多數產品無論在數量還是在品種上都已極為豐富。消費者能夠以個人心理願望為基礎挑選和購買商品和服務。他們的需求越多，需求的變化更快。消費者會主動通過各種可能渠道獲取與商品有關信息進行比較，增加對產品的信任和爭取心理上的滿足感。

網路營銷還產生於商業的競爭，隨著市場競爭的日益激烈化，為了在競爭中佔有優勢，各企業都使出了渾身的解數想方設法地吸引顧客，很難說還有什麼新穎獨特的方法出奇勝。

開展網路營銷，可以節約大量昂貴的店面租金，可以減少庫存商品資金佔用，可使經營規模不受場地的制約，可便於採集客戶信息等等。這些都可以使得企業經營的成本和費用降低，運作周期變短，從根本上增強企業的競爭優勢，增加盈利。

二、網路營銷基本特徵的分析

公平性：在網路營銷中，所有的企業都站在同一條起跑線上。公平性只是意味給不同的公司、不同的個人提供了平等的競爭機會，並不意味者財富分配上的平等。

虛擬性：由於互聯使得傳統的空間概念發生變化，出現了有別於實際地理空間的虛擬空間或虛擬社會。

對稱性：在網路營銷中，互聯性使信息的非對稱性大大減少。消費者可以從網上搜索自己想要掌握的任何信息,並能得到有關專家的適時指導。

模糊性：由於互聯使許多人們習以為常的邊界變得模糊。其中，最顯著的是企業邊界的模糊，生產者和消費者的模糊、產品和服務的模糊。

復雜性：由於網路營銷的模糊性，使經濟活動變得撲朔迷離，難以分辨。壟斷性：網路營銷的壟斷是由創造性破壞形成的壟斷，是短期存在的，因為新技術的不斷出現，會使新的壟斷者不斷取代舊的壟斷者。

多重性：在網路營銷中，一項交易往往涉及到多重買賣關系。

快捷性：由於互聯，使經濟活動產生了快速運行的特徵，你可以訊速搜索到所需要的任何信息，對市場作出即時反應。

正反饋性：在網路營銷中，由於信息傳遞的快捷性，人們之間產生了頻繁、迅速、劇烈的交互作用，從而形成不斷強化的正反饋機制。

全球性：由於互聯，超越了國界和地區的限制，使得整個世界的經濟活動都緊緊聯系在一起。信息、貨幣、商品和服務的快速流動，大大促進了世界經濟一體化的進程。

三、網路營銷競爭優勢的分析

成本費用控制：開展網路營銷給企業帶來的最直接的競爭優勢是企業成本費用的控制。

網路營銷採取的是新的營銷管理模式。它通過網際網路改造傳統的企業營銷管理組織結構與運作模式，並通過整合其他相關部門如生產部門、采購部門，實現企業成本費用最大限度的控制。利用互聯網降低管理中交通、通訊、人工、財務和辦公室租金等成本費用，可最大限度地提高管理效益。

許多在網上創辦企業也正是因為網上企業的管理成本比較低廉，才有可能獨自創業和需求發展機會。創造市場機會：互聯網上沒有時間和空間限制，它的觸角可以延伸到世界每一個地方。利用互聯網從事市場營銷活動可以遠及過去靠人工進行銷售或者傳統銷售所不能的達到的市場，網路營銷可以為企業創造更多新的市場機會。

讓顧客滿意：在激烈的市場競爭中，沒有比讓顧客滿意更重要。利用互聯網企業可以將企業中的產品介紹、技術支持和訂貨情況等信息放到網上，顧客可以隨時隨地根據自己需求有選擇性的了解有關信息。這樣克服了在為顧客提供服務時的時間和空間限制。

滿足消費者個性化需求：網路營銷是一種以消費者為導向，強調個性化的營銷方式；網路營銷具有企業和消費者的極強的互動性，從根本上提高消費者的滿意度；網路營銷能滿足消費者對購物方便性的需求，省去了去商場購物的距離和時間的消耗，提高消費者的購物效率；由於網路營銷能為企業節約巨額的促銷和流通費用，使產品成本和價格的降低成為可能，可以實現以更低的價格購買。

四、網路營銷競爭原則的分析

在網路營銷中，企業必須順應環境的變化，採用新的競爭原則，才能在激烈的競爭中取勝。

個人市場原則：在網路營銷中，可以藉助於計算機和網路，適應個人的需要，有針對地提供低成本、高質量的產品或服務。

適應性原則：由於互聯性的存在，市場競爭在全球范圍內進行，市場呈現出瞬息萬變之勢。公司產品能適應消費者不斷變化的個人需要，公司行為要適應市場的急劇變化，企業組織要富於彈性，能適應市場的變化而伸縮自如。

價值鏈原則：一種產品的生產經營會有多個環節，每個環節都有可能增值。我們將其整體稱作價值鏈。公司不應只著眼於價值鏈某個分支的增值，而應著眼於價值鏈的整和，著眼於整個價值鏈增值。

特定化原則:首先找出具有代表性的個人習慣、偏好和品位，據此生產出符合個人需要的產品。然後，公司找出同類型的大量潛在客戶，把他們視作一個獨立的群體，向他們出售產品。

主流化原則：為了贏得市場最大份額而贈送第一代產品的做法被稱之為主流化原則。盡管企業最初建立數字產品和基礎設施的費用很大，但繼續擴張的成本卻很小，由此產生了新的規模經濟。

五、網路營銷競爭戰略的分析

網路營銷的企業必須加強自身能力，改變企業與其他競爭者之間的競爭對比力量。

鞏固公司現有競爭優勢：利用網路營銷的公司可以對現在的顧客的要求和潛在需求有較深了解，對公司的潛在顧客的需求也有一定了解，制定的營銷策略和營銷計劃具有一定的針對性和科學性，便於實施和控制，順利完成營銷目標。公司在資料庫幫助下，營銷策略具有很強針對性，在營銷費用減少的同時還提高了銷售收入。

加強與顧客的溝通：網路營銷以顧客為中心，其中資料庫中存儲了大量現在顧客和潛在顧客的相關數據資料。公司可以根據顧客需求提供特定的產品和服務，具有很強的針對性和時效性，可大大地滿足顧客需求。顧客的理性和知識性，要求對產品的設計和生產進行參與，從而最大限度地滿足自己需求。通過互聯網和大型資料庫，公司可以以低廉成本為顧客提供個性化服務。

為入侵者設置障礙：設計和建立一個有效和完善的網路營銷系統是一個長期的系統性工程，需要大量人力物力和財力。一旦某個公司已經實現有效的網路營銷，競爭者就很難進入該公司的目標市場。因為競爭者要用相當多的成本建立一個類似的資料庫，而且幾乎是不可能的。

網路營銷系統是公司的難以模仿的競爭能力和可以獲取收益的無形資產。

提高新產品開發和服務能力：公司開展網路營銷，可以從與顧客的交互過程中了解顧客需求，甚至由顧客直接提出需求，因此很容易確定顧客需求的特徵、功能、應用、特點和收益。通過網路資料庫營銷更容易直接與顧客進行互動式溝通，更容易產生新的產品概念。對於現有產品，通過網路營銷容易取得顧客對產品的評價和意見，從而准確決定產品所需要的改進方面和換代產品的主要特徵。

穩定與供應商的關系：供應商是向公司及其競爭者提供產品和服務的公司和個人。公司在選擇供應商時，一方面考慮生產的需要，另一方面考慮空間上的需要，即計劃供應量要根據市場需求，將滿足要求的供應品在恰當時機送到指定地點進行生產，以最大限度地節約成本和控制質量。

公司如果實行網路營銷，就可以對市場銷售進行預測，確定合理的計劃供應量，保證滿足公司的目標市場需求；另一方面，公司可以了解競爭者的供應量，制定合理的采購計劃，在供應緊缺時能預先訂購，確保競爭優勢。

六、網路營銷戰略實施與控制的分析

公司實施網路營銷必須考慮公司的目標、公司的規模、顧客的數量和購買頻率、產品的類型、產品的周期以及競爭地位等；還要考慮公司是否能支持技術投資，決策時技術發展狀況和應用情況等。

網路營銷戰略的制訂要經歷三個階段：

一是確定目標優勢，分析實施網路營銷能否促進本企業的市場增長，通過改進實施策略實現收入增長和降低營銷成本；

二是分析計算收益時要考慮戰略性需求和未來收益；

三是綜合評價網路營銷戰略。公司在決定採取網路營銷戰略後，要組織戰略的規劃和執行，網路營銷是通過新技術來改造和改進目前的營銷渠道和方法，它涉及公司的組織、文化和管理各個方面。如果不進行有效規劃和執行，該戰略可能只是一種附加的營銷方法，不能體現戰略的競爭優勢。

策略規劃分為：

目標規劃，即在確定使用該戰略的同時，識別與之相聯系的營銷渠道和組織，提出改進的目標和方法；

技術規劃，即網路營銷很重要的一點是要有強大的技術投入和支持，因此資金投入和系統購買安裝，以及人員培訓都應統籌安排；

組織規劃，即實現資料庫營銷後，公司的組織需要進行調整以配合該策略的實施，如增加技術支持部門、數據採集處理部門，同時調整原有的推銷部門等；

以上是小編為大家分享的關於網路營銷:如何進行營銷數據分析的相關內容，更多信息可以關注環球青藤分享更多干貨

『叄』 如何進行大數據營銷

可穿戴的大數據

看看可穿戴技術，會認為這是便捷的下一步發展。但對於現代的企業主來講，這是大數據成就的一個典型的例子。從一個智能手錶收集的數據可以允許企業不僅知道你的習慣和你頻繁去的地方，還有哪些特性更吸引你以及不怎麼使用，這些都是他們可以用來分析的數據，來提高你的總體體驗，還可以大膽預測哪些趨勢和品味可以引領你，這樣他們就可以在一個不相關的領域提供最好的服務。企業提供自己的品牌的可穿戴產品或更簡單的設計不僅在可穿戴式產品的炒作，還可以充分和創造性的利用大數據的提供信息。

不管是大方向還是小方面，年輕的企業家都正在調整大數據運行的方式，以及大數據收集和使用的方法。隨著如雲端服務這樣的技術的出現來幫助其前進與發展，可以公正地說，大數據的使用是越來越有創造力。

『肆』 營銷人員該如何搞定數據分析

【導讀】隨著精細化營銷理念的普及，人們對營銷的認識也逐漸深入，越來越多的營銷人員認識到，營銷不僅是一門藝術，也是一門科學。在市場快速變化的時代，基於數據進行分析，對市場需求、客戶行為進行科學准確的掌控。那麼，營銷人員該如何搞定數據分析呢?

1、營銷人員的常見問題

通過數據分析，營銷人員可以找到以下問題的答案。

問題一：流量從哪裡來?

互聯網時代就是流量的時代，得流量者得天下，但是做了這么多營銷推廣，究竟哪個渠道是有效的渠道的質量又該如何比較。

問題二：吸引來的用戶為什麼沒有轉化?引流曝光率上去了，轉化率卻不高，苦於沒有優化的方向。問題到底出在哪裡?

問題三：ROI如何提升?

ROI是衡量營銷效果的終極標准，也是營銷人員考核的核心指標。如何提升ROI也是營銷人員始終需要考慮的問題。

2、像搜索一樣簡單的數據分析工具

但是，如何才能更快地學會數據分析，提升自己的營銷力，也成為了廣大營銷人員和營銷團隊的難題。畢竟，平時的工作時間緊任務重，想要做出好看實用的圖表，又需要花費大量的時間。幸運的是，數據分析工具已經取得了很大的進步，學習成本也越來越低，只需要找到正確的工具，營銷人員很快就能搞定數據分析。

而DataFocus就是這樣一款為營銷人員准備、學習成本低、只需10分鍾就能上手做出精美圖表的數據分析系統。

DataFocus和一般的數據分析工具不同，它最大的特點是可以用類自然語言來交互，只需像使用搜索引擎一樣輸入問題，DataFocus就能自動進行數據分析和可視化呈現。

3、數據導入到數據可視化

進入DataFocus之後，左側有數據管理、搜索、數據看板等版塊。數據管理可以上傳和管理數據，搜索就是對數據進行分析和做各種圖表;數據看板可以展示數據分析的結果。

關於營銷人員該如何搞定數據分析，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

『伍』 如何做數據分析

數據分析有：分類分析，矩陣分析，漏斗分析，相關分析，邏輯樹分析，趨勢分析，行為軌跡分析，等等。 我用HR的工作來舉例，說明上面這些分析要怎麼做，才能得出洞見。

01） 分類分析
比如分成不同部門、不同崗位層級、不同年齡段，來分析人才流失率。比如發現某個部門流失率特別高，那麼就可以去分析。

02） 矩陣分析
比如公司有價值觀和能力的考核，那麼可以把考核結果做出矩陣圖，能力強價值匹配的員工、能力強價值不匹配的員工、能力弱價值匹配的員工、能力弱價值不匹配的員工各佔多少比例，從而發現公司的人才健康度。

03） 漏斗分析
比如記錄招聘數據，投遞簡歷、通過初篩、通過一面、通過二面、通過終面、接下Offer、成功入職、通過試用期，這就是一個完整的招聘漏斗，從數據中，可以看到哪個環節還可以優化。

04） 相關分析
比如公司各個分店的人才流失率差異較大，那麼可以把各個分店的員工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、員工年齡、管理人員年齡等）要素進行相關性分析，找到最能夠挽留員工的關鍵因素。

05） 邏輯樹分析
比如近期發現員工的滿意度有所降低，那麼就進行拆解，滿意度跟薪酬、福利、職業發展、工作氛圍有關，然後薪酬分為基本薪資和獎金，這樣層層拆解，找出滿意度各個影響因素裡面的變化因素，從而得出洞見。

06） 趨勢分析
比如人才流失率過去12個月的變化趨勢。

07）行為軌跡分析
比如跟蹤一個銷售人員的行為軌跡，從入職、到開始產生業績、到業績快速增長、到疲憊期、到逐漸穩定。

『陸』 如何利用大數據做到對客戶的精準營銷

大數據營銷等同於精準營銷，或是精準營銷是大數據營銷的一個核心方向和價值體現。然而，數據本身不會產生價值。為此，我們要把數據組織成數據資源體系，再對數據進行層次、類別等方面的劃分。在此基礎上，通過分析數據資源和相關部門的業務對接程度，以此發揮數據資源體系在管理、決策、監測及評價等方面的作用，從而產生大數據的大價值，真正實現了從數據到知識的轉變，為領導決策提供服務依據本例根據工作實踐。
本例以三個工作實例，展示如何通過對數據分析進行對客戶的精準營銷。
工具/原料

大數據營銷
大數據營銷三個案例分析

案例一：筆者在銀行工作，通過對儲戶身份證信息進行海量剖析，發現一個有趣的現象，即購買理財產品的客戶以40-50歲的女性居多。
根據這一信息，有經驗的理財經理通過身份證信息即能准確的分析出支行有哪些符合條件的客戶，迅速的對新推出的理財產品進行電話營銷，做到不出門即可實現銷售，較快的完成了銷售任務。
而另一些更具創新性的理財經理，通過身份證信息，在情人節期間組織了網點沙龍客戶邀約活動，對符合18-30歲、30-45歲這兩個年齡段的男性客戶進行了電話營銷，通過贈送愛人鮮花、化妝品以及高價值的禮品進行金融產品營銷，較好的引起男性客戶的興趣，有力的拉升了業績增長。
這些數據分析手段就能夠做到個性化營銷和定位，加強對客戶的認知，為客戶找到價值，從而帶動銷量。
案例二：在與供電部門合作期間，供電部門提供了一條信息，市裡每一天上網高峰期主要集中在中午12點之後和晚上的12點之前。供電部門認為，出現這種「怪現象」的原因是因為現在的人們普遍睡覺前都會有上網的習慣。
這條信息當時很多人沒有注意，似乎與銀行搭不上關系，但我們市場經營部門的一個年輕的大學生針對人們這種「強迫症」，通過手機銀行與商家合作，在晚上12點進行促銷秒殺活動，即推動了手機銀行業務量的提升，同時也帶動商家銷量的倍增，實現了雙贏。
案例三：在為企業代發工資數據中，我們曾發現一個現象，即一般企業員工代發帳戶每月都會沉澱一定的余額，金額不大，1000元也有，幾千的也有，長期不動的也有，活期利率很低，但是這些客戶的帳戶金額又達不到理財產品的起售金額，這些客戶工資用了也就用了，成了「月光族」，沒有理財理念。
如何通過分析這些數據信息直接進行客源組織，為這些具有相同需求的人群量身定做金融服務，並享受」一客（群）一策「的定製服務，我們進行專題研究。
最終，我們在零存整取、基金定投和適時到帳理財產品上進行了產品打包宣傳，同步利用信用卡宣傳，幾場現場專題沙龍下來，引起了不少企業員工的注意和興趣，著實為這些收入不高的人群提供了一條實實在在的理財渠道。
這三個小故事就是對歷史數據進行挖掘的結果，反映的是數據層面的規律，它通過對大量的數據系統中提取、整合有價值的數據，從而實現從數據到知識、從信息到知識、從知識到利潤的轉化。
簡單來說就是：5個合適，在合適的時間、合適的地點、將合適的產品以合適的方式提供給合適的人。
5
具體來講，當我們通過對完成數據分析之後，找出相同的規律，當然還有一些個性化數據體現，為此具體的應用場景需要根據企業、業務的具體情況進行精準營銷策劃、設計。
概括來講，我們需要以下三個步驟：
第一步：數據採集，了解用戶，通過收集用戶所有的數據，主要包括靜態信息數據、動態信息數據兩大類，靜態數據就是用戶相對穩定的信息，如性別、地域、職業、消費等級等，動態數據就是用戶不停變化的行為信息，如消費習慣、購買行為等;
第二步：分析這些數據，給客戶畫像，畫像代表客戶對營銷內容有興趣、偏好、需求等，分析推算客戶的興趣程度、需求程度、購買概率等;
第三步，也就是最後一步，將這些畫面綜合起來，拼成一張較為完整的圖，這樣我們對客戶就有了一個大概的了解。

『柒』 數據在營銷中的應用有哪些

隨著互聯網抄的發展，大數據技術、AI演算法技術應用越加普及。大數據在營銷中的應用也越加廣泛。例如，1.對用戶個體特徵與行為的分析，例如MobTech企業覆蓋138億+設備，自有數據龐大，利用自有數據與第一方數據匹配，幫助企業做精準的用戶畫像和標簽補充，進而通過數據分析進行廣告與營銷信息的精準推送，現在的RTB廣告等應用則向我們展示了比以前更好的精準性，而其背後靠的是大數據支撐。MobTech用戶標簽維度達到6000+，覆蓋性別、年齡段、收入水平預估、消費傾向、媒介使用傾向等，精細化描述用戶的各維度數據。

『捌』 如何用銷售數據進行客戶和營銷活動分析

對已收集到的大數據進行分析

許多公司都收集了大量的數據，他們感覺這些數據存在著商業價值，但並不知道怎樣從這些弄出來的值大的數據。不同行業的數據集有所不同，比如，如果你處於網路營銷行業，你可能會有大量Web站點的日誌數據集，這可以把數據按會話進行劃分，進行分析以了解網站訪客的行為並提升網站的訪問體驗。同樣，來自製造業的質量保證數據將有助於公司生產出更可靠的產品和選擇更好的供應商，而通過RFID數據可以幫助你更深入地供應鏈中產品的運動軌跡。

重點分析對你的行業有價值的大數據

大數據的類型和內容因行業而異，每一類數據對於每個行業的價值是不一樣的。比如電信行業的呼叫詳細記錄（CDR），零售業、製造業或其他以產品為中心的行業的RFID數據，以及製造業（特別是汽車和消費電子）中機器人的感測器數據等等，這些都是各個行業中非常重要的數據。

理解非結構化的大數據

非結構化的信息主要指的是是使用文字表達的人類語言，這與大多數關系型數據有著很大的不同，你需要使用一些新的工具來進行自然語言處理、搜索和文本分析。把基於文本內容的業務流程進行可視化展示，比如，保險索賠過程，醫療病歷記錄，各個行業的呼叫中心和幫助台應用程序，以及以客戶為導向的企業情感分析等內容均可以在進行處理後以可視化的形式表現出來。

使用社交媒體數據來擴展現有的客戶分析

客戶的各種行為比如評論品牌、評價產品、參與營銷活動或表示他們的喜好等等，會在客戶中相互影響。社交大數據可以來自社交媒體網站，以及自有的客戶能夠表達意見及事實的渠道。我們可以使用預測性分析發現規律和預測產品或服務的問題。我們也可以利用這些數據來評估市場知名度、品牌美譽度、用戶情緒變動和新的客戶群。

把客戶的意見整合到大數據中

通過運用大數據（與原有的企業資源集成），我們可以對客戶或其他商業實體（產品，供應商，合作夥伴）實現360度全景分析，分析的維度屬性從幾百個擴展到幾千個。新增的粒狀細節帶來更准確的客戶群細分，直銷策略和客戶分析。

整合大數據以改善原有的分析應用

對於原有的分析應用，大數據可以擴大和擴展其數據樣本。尤其在依賴於大樣本的分析技術的情況下，比如統計或數據挖掘；而在欺詐檢測、風險管理或精確計算的情況下同樣也得用上大樣本的數據。（摘自：中國客戶關系網）

『玖』 互聯網時代的客戶數據分析與精準營銷

互聯網時代的客戶數據分析與精準營銷
隨著互聯網金融和大數據時代的到來，銀行在IT建設、數據採集方面都投入了大量的人力、物力和財力，CRM系統已普遍建立，基礎建設初步完成。然而從整體來說，中國銀行業由於在數據分析（analytics）領域經驗的缺乏，戰略上誤將此項工作狹義化為IT工作，數據與客戶仍然是隔離的，數據應用主要集中在後端，數據文化尚未形成，數據分析手段仍然比較原始，實際投入產出比不高。
單從客戶細分而言，幾乎所有銀行都在做客戶群分層工作，有的銀行只是粗略分層，有的銀行根據風險與客戶生命周期進行客戶分層，但幾乎很少有銀行能夠從數據挖掘與分析角度精細化地進行客戶細分與決策，而真正懂得如何科學運用數據與模型進行客戶行為分析預判，特別對流失客戶的分析與預判，實施精準營銷的更是寥寥無幾，這必然導致銀行在以客戶為中心的轉型發展過程中，會遇到一系列與客戶發展目標相關的瓶頸，諸如我們常常聽到的如下頭疼問題：
不知道哪些客群應該重視、哪些應該放棄；
客戶流失率很高卻不知其原因，不知道如何進行客戶流失分析與預判；
不知道如何進行客戶預見性營銷與精準營銷；
不知道如何通過數據分析與模型工具促發客戶；
……
那麼，如何解決以上問題呢？我們認為，銀行首先必須要在客戶數據分析這項重要工作里投入必要的資源、人力和物力，並願意採用專業科學的管理方法與指導，從而使數據分析能夠為銀行帶來實質性的效益。本文我們將通過兩個案例的分享助您領悟這項工作的實施要領。
［案例一］客戶數據清理分析與分類
首先，將客戶數據按照邏輯關系、層層深入劃分、清理與分析。先運用數據分析方法將無效客戶界定與排除，隨後開展有效客戶與潛在客戶分析、有效客戶精細化細分、潛在客戶中分離出休眠客戶分析等，通過層層分析與剝離，結合銀行實際情況，得出對銀行有終身價值的客戶群。客戶數據細分示例如下圖：
其次，為了能真正理解客戶，需要挖掘更多目標客戶的內心深處的需求和行為特徵。必須在超越客戶身份、年齡類別、資產數字、交易數據等表象洞察客戶的需求動因和價值觀念，許多洞察客戶對於產品的偏好、支付的偏好、渠道的偏好、交易時間的偏好等等。為此，要對分層後的客戶進行深入的人文洞察與分析，分析結果用於輔助客戶營銷策略制定。
那麼，什麼才是無效客戶呢？例如，某零售銀行帳戶多達350萬，暫無精確的客戶數，賬戶金額0-100元達250萬（占總賬戶的71％，可能為無效客戶），100-1000元達40多萬戶，擁有龐大的代發賬戶。在項目實施之前，該行並沒有認識到，中低端賬戶金額並不等於中低端客戶。銀行也不知代發客戶如何使用其賬戶資金，不知為什麼代發客戶資金流出銀行。
界定無效客戶，需要將數據分析方法與銀行實際情況相結合考慮。
在本項目中，由於考慮到零售業務團隊、IT團隊與財務部門對無效客戶定義不一致，首道資深顧問在數據清理之前,與銀行相關團隊共同協商與定義「什麼樣的客戶在該行算無效客戶」。根據第一輪協商，確定以行內資產(AUM)100元(包括100元)以下，並且過去12個月所有賬戶沒有任何動作（如:存儲提取和匯入）的客戶為無效客戶。後又採用統計分析方法與實戰經驗結合，得出銀行各部門均可接受之分類切點。按此方法切除無效客戶之後，便獲得有效客戶數據。
排除無效客戶之後，重點對有效客戶和潛在客戶進行深入挖掘與分析。
在潛在客戶中，一部分為有效客戶，一部分為休眠客戶。對休眠客戶，採用相關策略進行營銷，觀測效果，根據效果為改進銀行產品提供相關建議。對於有效客戶細分，則可按客戶的消費行為、按客戶在銀行資產額、按客戶與銀行關系長短、按銀行收入貢獻度等進行細分，尤其是對於在本行有低資產額的有效客戶，需估測客戶行外資產，協助進行交叉銷售，對本行客戶產品擁有情況做精細化分析，將零售客戶總客戶數，按照產品條線進行細分。通過數據分析，確定客戶價值。
［案例二］代發客戶流失率分析、客戶維護與精準營銷
客戶流失嚴重是某銀行非常頭痛的難題，如何對銀行的客戶做好維護是該行重點關心的話題。仍然回到之前的問題，該行擁有大量的代發客戶，但不知為何代發客戶資金流出銀行金額較大？針對這個問題，我們的解決方案是：首先對該行代發流失客戶進行相關數據細分與分析，確定流失客戶特徵和屬性，同時分析影響客戶流失的各因素及各因素之間的相互關系。在此基礎上，對流失客戶在流失過程中所處時間段，進行數據分析，確定流失客戶時空特徵，並對流失客戶資產特徵進行深入分析與判斷，進而幫助銀行對已經流失或者有流失預警的客戶，提供相關流失客戶挽留策略。
在項目中我們幫助該行建立了客戶維護率模型，以此做好客戶流失預判和保留，大幅降低了該行的客戶維護成本。通過開發和不斷調試，該模型能夠幫助該行確定客戶流失預期（如預計客戶將在3個月或者5個月流失）與營銷客戶群（如年齡在20-30歲的女性客戶群），並給該行提供與設計相關客戶維護與吸引策略。例如：若要維護這些客戶，避免在預計內流失到他行，則需要配備哪些產品進行營銷？需要採取哪些營銷活動？通過哪些渠道接觸客戶？在什麼時間段最為適合進行客戶挽留？決定哪些客戶值得該行團隊花費成本進行維護挽留？……為該行大幅降低了客戶維護成本，提升了維護效率。客戶維護率模型原理示意如下圖所示。
除了做好客戶流失預判和保留，為了提升該行客戶精準營銷之預見性,並將精準營銷與該行產品(如信用卡)相掛鉤，我們在項目中對該行營銷數據進行收集與分析，並建立客戶反應率模型。首先對該行現有全員營銷數據進行收集，按照不同產品條線細分營銷數據。與此同時，收集營銷客戶屬性數據，將產品營銷數據與客戶屬性數據相匹配，開發與調試反應率模型。反應率模型用以為營銷目標客戶群進行系統評分，並根據實際情況設定界定臨界分值，剔除分值低於該臨界分值的目標客戶群，對符合分值之目標客戶群提供相關營銷策略與產品建議，由此致該行銷售成本大幅下降，客戶對產品反映率明顯提高。客戶反應率模型原理示意如下圖所示。
總之，大數據時代，「一切從數據出發」應該演變為零售銀行日常工作的思維和工作文化。銀行需要努力將大數據推向前台，要以客戶為中心，深刻洞察客戶需求，從而打造個性化的客戶體驗。因此，應該採用傳統數據分析，結合客戶需求深入洞察，找出客戶行為背後的規律。同時運用大數據技術，得出細分群體的行為特徵，從而有目的、有計劃地開展精準營銷和服務。

『拾』 求網路營銷數據分析的技巧

個人認為：網路營銷絕對不僅僅是網路推廣，而是一項從項目策略規劃、網站（網店）策劃建設、網站銷售力策劃、網路傳播推廣、銷售轉化和數據分析等諸多環節組成的有機性系統工程，該工程的核心就是銷售轉化。而數據統計分析是將網路營銷系統各環節有機整合的重要環節，數據可以讓我們發現問題，從而調整策略、解決問題，提升整體運營效率。
一、SEO數據監測分析
比如收錄、外鏈、快照、友鏈、關鍵字排名、PR等等，都能快速利用工具監測分析，這些數據通過時間縱向分析等工作，能夠快速總結發現SEO相關工作的問題，結合網站數據的關鍵字訪問，能夠分析總結改進提升關鍵字策略。
二、網站訪問數據統計分析
直接通過統計後台就知道了，能讓我們知道網站流量來源、訪客區域、訪問時間高峰低谷的時間段、訪客登錄跳出頁面最多數據、訪客來源關鍵字、什麼頁面咨詢率高、什麼頁面跳出流失高、什麼頁面瀏覽高、訪客的回頭率如何等眾多數據，而通過這些數據的橫向、縱向和交叉分析，並根據分析結果來針對性改進完善相關工作，那就能大幅度提升工作效率和效果，客觀上也能提升團隊人員的動力和激情，形成良性循環。
三、詢盤和成交轉化統計分析
對咨詢量進行記錄、統計和分析，也能發現很多規律，可以將咨詢進行客戶分類，重點客戶、優質客戶、普通和邊緣客戶等，也有利於提升工作效率。
對傳播推廣數據、網站訪問數據和咨詢轉化數據的結合分析，能對網路營銷整體的策略進行驗證和調整提升。
數據還可以進行預期和分解，這都是進行KPI績效考核的基礎，能藉助數據來打造一個高執行力的網路營銷運營團隊。