如何利用数据分析营销客户

『壹』 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，在实际操作上，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，Proct，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。

『贰』 网络营销:如何进行营销数据分析

网络营销:如何进行营销数据分析

主要关注几点：

1、什么样的数据（销售？发展预估？等等）首先你要弄清楚。

2、每月的销售数据变化情况。

3、数据变化方向。

4、分析数据中的要素。

5、对比本身的数据得出结论。

市场营销是为创造实现个人和组织的交易，而规划和实施创意、产品、服务构想、定价、促销和分销的过程。网络营销是人类经济、科技、文化发展的必然产物，网络营销不受时间和空间限制，在很大程度上改变了传统营销形态和业态。

网络营销对企业来讲，提高了工作效率，降低了成本，扩大了市场，给企业带来社会效益和经济效益。相对于传统营销，网络营销具有国际化、信息化和无纸化，已经成为各国营销发展的趋势。为了促进网络营销在我国的普及和发展，对网络营销进行战略分析具有重要意义。

一、网络营销产生的分析

网络营销的产生，是科学技术的发展、消费者价值观的变革和商业竞争等综合因素所促成的。网络营销产生的科技基础，21世纪是信息世纪，科技、经济和社会的发展正在迎接这个时代的到来。计算机网络的发展，使信息社会的内涵有了进一步改变。

在信息网络时代，网络技术的应用改变了信息的分配和接收方式，改变了人们的生活、工作和学习、合作和交流的环境。企业也正在利用网络新技术的快速便车，促进企业飞速发展。

网络营销是以互联网为媒体，以新的方式、方法和理念实施营销活动，更有效地促进个人和组织交易活动的实现。

企业如何在如此潜力巨大的市场上开展网络营销、占领新兴市场，对企业既是机遇又是挑战。

网络营销也产生于消费者价值观的变革：满足消费者的需求，是企业经营永恒的核心。利用网络这一科技制高点为消费者提供各种类型的服务，是取得未来竞争优势的重要途径。

当市场经济发展到今天，多数产品无论在数量还是在品种上都已极为丰富。消费者能够以个人心理愿望为基础挑选和购买商品和服务。他们的需求越多，需求的变化更快。消费者会主动通过各种可能渠道获取与商品有关信息进行比较，增加对产品的信任和争取心理上的满足感。

网络营销还产生于商业的竞争，随着市场竞争的日益激烈化，为了在竞争中占有优势，各企业都使出了浑身的解数想方设法地吸引顾客，很难说还有什么新颖独特的方法出奇胜。

开展网络营销，可以节约大量昂贵的店面租金，可以减少库存商品资金占用，可使经营规模不受场地的制约，可便于采集客户信息等等。这些都可以使得企业经营的成本和费用降低，运作周期变短，从根本上增强企业的竞争优势，增加盈利。

二、网络营销基本特征的分析

公平性：在网络营销中，所有的企业都站在同一条起跑线上。公平性只是意味给不同的公司、不同的个人提供了平等的竞争机会，并不意味者财富分配上的平等。

虚拟性：由于互联使得传统的空间概念发生变化，出现了有别于实际地理空间的虚拟空间或虚拟社会。

对称性：在网络营销中，互联性使信息的非对称性大大减少。消费者可以从网上搜索自己想要掌握的任何信息,并能得到有关专家的适时指导。

模糊性：由于互联使许多人们习以为常的边界变得模糊。其中，最显著的是企业边界的模糊，生产者和消费者的模糊、产品和服务的模糊。

复杂性：由于网络营销的模糊性，使经济活动变得扑朔迷离，难以分辨。垄断性：网络营销的垄断是由创造性破坏形成的垄断，是短期存在的，因为新技术的不断出现，会使新的垄断者不断取代旧的垄断者。

多重性：在网络营销中，一项交易往往涉及到多重买卖关系。

快捷性：由于互联，使经济活动产生了快速运行的特征，你可以讯速搜索到所需要的任何信息，对市场作出即时反应。

正反馈性：在网络营销中，由于信息传递的快捷性，人们之间产生了频繁、迅速、剧烈的交互作用，从而形成不断强化的正反馈机制。

全球性：由于互联，超越了国界和地区的限制，使得整个世界的经济活动都紧紧联系在一起。信息、货币、商品和服务的快速流动，大大促进了世界经济一体化的进程。

三、网络营销竞争优势的分析

成本费用控制：开展网络营销给企业带来的最直接的竞争优势是企业成本费用的控制。

网络营销采取的是新的营销管理模式。它通过因特网改造传统的企业营销管理组织结构与运作模式，并通过整合其他相关部门如生产部门、采购部门，实现企业成本费用最大限度的控制。利用互联网降低管理中交通、通讯、人工、财务和办公室租金等成本费用，可最大限度地提高管理效益。

许多在网上创办企业也正是因为网上企业的管理成本比较低廉，才有可能独自创业和需求发展机会。创造市场机会：互联网上没有时间和空间限制，它的触角可以延伸到世界每一个地方。利用互联网从事市场营销活动可以远及过去靠人工进行销售或者传统销售所不能的达到的市场，网络营销可以为企业创造更多新的市场机会。

让顾客满意：在激烈的市场竞争中，没有比让顾客满意更重要。利用互联网企业可以将企业中的产品介绍、技术支持和订货情况等信息放到网上，顾客可以随时随地根据自己需求有选择性的了解有关信息。这样克服了在为顾客提供服务时的时间和空间限制。

满足消费者个性化需求：网络营销是一种以消费者为导向，强调个性化的营销方式；网络营销具有企业和消费者的极强的互动性，从根本上提高消费者的满意度；网络营销能满足消费者对购物方便性的需求，省去了去商场购物的距离和时间的消耗，提高消费者的购物效率；由于网络营销能为企业节约巨额的促销和流通费用，使产品成本和价格的降低成为可能，可以实现以更低的价格购买。

四、网络营销竞争原则的分析

在网络营销中，企业必须顺应环境的变化，采用新的竞争原则，才能在激烈的竞争中取胜。

个人市场原则：在网络营销中，可以借助于计算机和网络，适应个人的需要，有针对地提供低成本、高质量的产品或服务。

适应性原则：由于互联性的存在，市场竞争在全球范围内进行，市场呈现出瞬息万变之势。公司产品能适应消费者不断变化的个人需要，公司行为要适应市场的急剧变化，企业组织要富于弹性，能适应市场的变化而伸缩自如。

价值链原则：一种产品的生产经营会有多个环节，每个环节都有可能增值。我们将其整体称作价值链。公司不应只着眼于价值链某个分支的增值，而应着眼于价值链的整和，着眼于整个价值链增值。

特定化原则:首先找出具有代表性的个人习惯、偏好和品位，据此生产出符合个人需要的产品。然后，公司找出同类型的大量潜在客户，把他们视作一个独立的群体，向他们出售产品。

主流化原则：为了赢得市场最大份额而赠送第一代产品的做法被称之为主流化原则。尽管企业最初建立数字产品和基础设施的费用很大，但继续扩张的成本却很小，由此产生了新的规模经济。

五、网络营销竞争战略的分析

网络营销的企业必须加强自身能力，改变企业与其他竞争者之间的竞争对比力量。

巩固公司现有竞争优势：利用网络营销的公司可以对现在的顾客的要求和潜在需求有较深了解，对公司的潜在顾客的需求也有一定了解，制定的营销策略和营销计划具有一定的针对性和科学性，便于实施和控制，顺利完成营销目标。公司在数据库帮助下，营销策略具有很强针对性，在营销费用减少的同时还提高了销售收入。

加强与顾客的沟通：网络营销以顾客为中心，其中数据库中存储了大量现在顾客和潜在顾客的相关数据资料。公司可以根据顾客需求提供特定的产品和服务，具有很强的针对性和时效性，可大大地满足顾客需求。顾客的理性和知识性，要求对产品的设计和生产进行参与，从而最大限度地满足自己需求。通过互联网和大型数据库，公司可以以低廉成本为顾客提供个性化服务。

为入侵者设置障碍：设计和建立一个有效和完善的网络营销系统是一个长期的系统性工程，需要大量人力物力和财力。一旦某个公司已经实现有效的网络营销，竞争者就很难进入该公司的目标市场。因为竞争者要用相当多的成本建立一个类似的数据库，而且几乎是不可能的。

网络营销系统是公司的难以模仿的竞争能力和可以获取收益的无形资产。

提高新产品开发和服务能力：公司开展网络营销，可以从与顾客的交互过程中了解顾客需求，甚至由顾客直接提出需求，因此很容易确定顾客需求的特征、功能、应用、特点和收益。通过网络数据库营销更容易直接与顾客进行交互式沟通，更容易产生新的产品概念。对于现有产品，通过网络营销容易取得顾客对产品的评价和意见，从而准确决定产品所需要的改进方面和换代产品的主要特征。

稳定与供应商的关系：供应商是向公司及其竞争者提供产品和服务的公司和个人。公司在选择供应商时，一方面考虑生产的需要，另一方面考虑空间上的需要，即计划供应量要根据市场需求，将满足要求的供应品在恰当时机送到指定地点进行生产，以最大限度地节约成本和控制质量。

公司如果实行网络营销，就可以对市场销售进行预测，确定合理的计划供应量，保证满足公司的目标市场需求；另一方面，公司可以了解竞争者的供应量，制定合理的采购计划，在供应紧缺时能预先订购，确保竞争优势。

六、网络营销战略实施与控制的分析

公司实施网络营销必须考虑公司的目标、公司的规模、顾客的数量和购买频率、产品的类型、产品的周期以及竞争地位等；还要考虑公司是否能支持技术投资，决策时技术发展状况和应用情况等。

网络营销战略的制订要经历三个阶段：

一是确定目标优势，分析实施网络营销能否促进本企业的市场增长，通过改进实施策略实现收入增长和降低营销成本；

二是分析计算收益时要考虑战略性需求和未来收益；

三是综合评价网络营销战略。公司在决定采取网络营销战略后，要组织战略的规划和执行，网络营销是通过新技术来改造和改进目前的营销渠道和方法，它涉及公司的组织、文化和管理各个方面。如果不进行有效规划和执行，该战略可能只是一种附加的营销方法，不能体现战略的竞争优势。

策略规划分为：

目标规划，即在确定使用该战略的同时，识别与之相联系的营销渠道和组织，提出改进的目标和方法；

技术规划，即网络营销很重要的一点是要有强大的技术投入和支持，因此资金投入和系统购买安装，以及人员培训都应统筹安排；

组织规划，即实现数据库营销后，公司的组织需要进行调整以配合该策略的实施，如增加技术支持部门、数据采集处理部门，同时调整原有的推销部门等；

以上是小编为大家分享的关于网络营销:如何进行营销数据分析的相关内容，更多信息可以关注环球青藤分享更多干货

『叁』 如何进行大数据营销

可穿戴的大数据

看看可穿戴技术，会认为这是便捷的下一步发展。但对于现代的企业主来讲，这是大数据成就的一个典型的例子。从一个智能手表收集的数据可以允许企业不仅知道你的习惯和你频繁去的地方，还有哪些特性更吸引你以及不怎么使用，这些都是他们可以用来分析的数据，来提高你的总体体验，还可以大胆预测哪些趋势和品味可以引领你，这样他们就可以在一个不相关的领域提供最好的服务。企业提供自己的品牌的可穿戴产品或更简单的设计不仅在可穿戴式产品的炒作，还可以充分和创造性的利用大数据的提供信息。

不管是大方向还是小方面，年轻的企业家都正在调整大数据运行的方式，以及大数据收集和使用的方法。随着如云端服务这样的技术的出现来帮助其前进与发展，可以公正地说，大数据的使用是越来越有创造力。

『肆』 营销人员该如何搞定数据分析

【导读】随着精细化营销理念的普及，人们对营销的认识也逐渐深入，越来越多的营销人员认识到，营销不仅是一门艺术，也是一门科学。在市场快速变化的时代，基于数据进行分析，对市场需求、客户行为进行科学准确的掌控。那么，营销人员该如何搞定数据分析呢?

1、营销人员的常见问题

通过数据分析，营销人员可以找到以下问题的答案。

问题一：流量从哪里来?

互联网时代就是流量的时代，得流量者得天下，但是做了这么多营销推广，究竟哪个渠道是有效的渠道的质量又该如何比较。

问题二：吸引来的用户为什么没有转化?引流曝光率上去了，转化率却不高，苦于没有优化的方向。问题到底出在哪里?

问题三：ROI如何提升?

ROI是衡量营销效果的终极标准，也是营销人员考核的核心指标。如何提升ROI也是营销人员始终需要考虑的问题。

2、像搜索一样简单的数据分析工具

但是，如何才能更快地学会数据分析，提升自己的营销力，也成为了广大营销人员和营销团队的难题。毕竟，平时的工作时间紧任务重，想要做出好看实用的图表，又需要花费大量的时间。幸运的是，数据分析工具已经取得了很大的进步，学习成本也越来越低，只需要找到正确的工具，营销人员很快就能搞定数据分析。

而DataFocus就是这样一款为营销人员准备、学习成本低、只需10分钟就能上手做出精美图表的数据分析系统。

DataFocus和一般的数据分析工具不同，它最大的特点是可以用类自然语言来交互，只需像使用搜索引擎一样输入问题，DataFocus就能自动进行数据分析和可视化呈现。

3、数据导入到数据可视化

进入DataFocus之后，左侧有数据管理、搜索、数据看板等版块。数据管理可以上传和管理数据，搜索就是对数据进行分析和做各种图表;数据看板可以展示数据分析的结果。

关于营销人员该如何搞定数据分析，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

『伍』 如何做数据分析

数据分析有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。

01） 分类分析
比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。

02） 矩阵分析
比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。

03） 漏斗分析
比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。

04） 相关分析
比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。

05） 逻辑树分析
比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。

06） 趋势分析
比如人才流失率过去12个月的变化趋势。

07）行为轨迹分析
比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。

『陆』 如何利用大数据做到对客户的精准营销

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。然而，数据本身不会产生价值。为此，我们要把数据组织成数据资源体系，再对数据进行层次、类别等方面的划分。在此基础上，通过分析数据资源和相关部门的业务对接程度，以此发挥数据资源体系在管理、决策、监测及评价等方面的作用，从而产生大数据的大价值，真正实现了从数据到知识的转变，为领导决策提供服务依据本例根据工作实践。
本例以三个工作实例，展示如何通过对数据分析进行对客户的精准营销。
工具/原料

大数据营销
大数据营销三个案例分析

案例一：笔者在银行工作，通过对储户身份证信息进行海量剖析，发现一个有趣的现象，即购买理财产品的客户以40-50岁的女性居多。
根据这一信息，有经验的理财经理通过身份证信息即能准确的分析出支行有哪些符合条件的客户，迅速的对新推出的理财产品进行电话营销，做到不出门即可实现销售，较快的完成了销售任务。
而另一些更具创新性的理财经理，通过身份证信息，在情人节期间组织了网点沙龙客户邀约活动，对符合18-30岁、30-45岁这两个年龄段的男性客户进行了电话营销，通过赠送爱人鲜花、化妆品以及高价值的礼品进行金融产品营销，较好的引起男性客户的兴趣，有力的拉升了业绩增长。
这些数据分析手段就能够做到个性化营销和定位，加强对客户的认知，为客户找到价值，从而带动销量。
案例二：在与供电部门合作期间，供电部门提供了一条信息，市里每一天上网高峰期主要集中在中午12点之后和晚上的12点之前。供电部门认为，出现这种“怪现象”的原因是因为现在的人们普遍睡觉前都会有上网的习惯。
这条信息当时很多人没有注意，似乎与银行搭不上关系，但我们市场经营部门的一个年轻的大学生针对人们这种“强迫症”，通过手机银行与商家合作，在晚上12点进行促销秒杀活动，即推动了手机银行业务量的提升，同时也带动商家销量的倍增，实现了双赢。
案例三：在为企业代发工资数据中，我们曾发现一个现象，即一般企业员工代发帐户每月都会沉淀一定的余额，金额不大，1000元也有，几千的也有，长期不动的也有，活期利率很低，但是这些客户的帐户金额又达不到理财产品的起售金额，这些客户工资用了也就用了，成了“月光族”，没有理财理念。
如何通过分析这些数据信息直接进行客源组织，为这些具有相同需求的人群量身定做金融服务，并享受”一客（群）一策“的定制服务，我们进行专题研究。
最终，我们在零存整取、基金定投和适时到帐理财产品上进行了产品打包宣传，同步利用信用卡宣传，几场现场专题沙龙下来，引起了不少企业员工的注意和兴趣，着实为这些收入不高的人群提供了一条实实在在的理财渠道。
这三个小故事就是对历史数据进行挖掘的结果，反映的是数据层面的规律，它通过对大量的数据系统中提取、整合有价值的数据，从而实现从数据到知识、从信息到知识、从知识到利润的转化。
简单来说就是：5个合适，在合适的时间、合适的地点、将合适的产品以合适的方式提供给合适的人。
5
具体来讲，当我们通过对完成数据分析之后，找出相同的规律，当然还有一些个性化数据体现，为此具体的应用场景需要根据企业、业务的具体情况进行精准营销策划、设计。
概括来讲，我们需要以下三个步骤：
第一步：数据采集，了解用户，通过收集用户所有的数据，主要包括静态信息数据、动态信息数据两大类，静态数据就是用户相对稳定的信息，如性别、地域、职业、消费等级等，动态数据就是用户不停变化的行为信息，如消费习惯、购买行为等;
第二步：分析这些数据，给客户画像，画像代表客户对营销内容有兴趣、偏好、需求等，分析推算客户的兴趣程度、需求程度、购买概率等;
第三步，也就是最后一步，将这些画面综合起来，拼成一张较为完整的图，这样我们对客户就有了一个大概的了解。

『柒』 数据在营销中的应用有哪些

随着互联网抄的发展，大数据技术、AI算法技术应用越加普及。大数据在营销中的应用也越加广泛。例如，1.对用户个体特征与行为的分析，例如MobTech企业覆盖138亿+设备，自有数据庞大，利用自有数据与第一方数据匹配，帮助企业做精准的用户画像和标签补充，进而通过数据分析进行广告与营销信息的精准推送，现在的RTB广告等应用则向我们展示了比以前更好的精准性，而其背后靠的是大数据支撑。MobTech用户标签维度达到6000+，覆盖性别、年龄段、收入水平预估、消费倾向、媒介使用倾向等，精细化描述用户的各维度数据。

『捌』 如何用销售数据进行客户和营销活动分析

对已收集到的大数据进行分析

许多公司都收集了大量的数据，他们感觉这些数据存在着商业价值，但并不知道怎样从这些弄出来的值大的数据。不同行业的数据集有所不同，比如，如果你处于网络营销行业，你可能会有大量Web站点的日志数据集，这可以把数据按会话进行划分，进行分析以了解网站访客的行为并提升网站的访问体验。同样，来自制造业的质量保证数据将有助于公司生产出更可靠的产品和选择更好的供应商，而通过RFID数据可以帮助你更深入地供应链中产品的运动轨迹。

重点分析对你的行业有价值的大数据

大数据的类型和内容因行业而异，每一类数据对于每个行业的价值是不一样的。比如电信行业的呼叫详细记录（CDR），零售业、制造业或其他以产品为中心的行业的RFID数据，以及制造业（特别是汽车和消费电子）中机器人的传感器数据等等，这些都是各个行业中非常重要的数据。

理解非结构化的大数据

非结构化的信息主要指的是是使用文字表达的人类语言，这与大多数关系型数据有着很大的不同，你需要使用一些新的工具来进行自然语言处理、搜索和文本分析。把基于文本内容的业务流程进行可视化展示，比如，保险索赔过程，医疗病历记录，各个行业的呼叫中心和帮助台应用程序，以及以客户为导向的企业情感分析等内容均可以在进行处理后以可视化的形式表现出来。

使用社交媒体数据来扩展现有的客户分析

客户的各种行为比如评论品牌、评价产品、参与营销活动或表示他们的喜好等等，会在客户中相互影响。社交大数据可以来自社交媒体网站，以及自有的客户能够表达意见及事实的渠道。我们可以使用预测性分析发现规律和预测产品或服务的问题。我们也可以利用这些数据来评估市场知名度、品牌美誉度、用户情绪变动和新的客户群。

把客户的意见整合到大数据中

通过运用大数据（与原有的企业资源集成），我们可以对客户或其他商业实体（产品，供应商，合作伙伴）实现360度全景分析，分析的维度属性从几百个扩展到几千个。新增的粒状细节带来更准确的客户群细分，直销策略和客户分析。

整合大数据以改善原有的分析应用

对于原有的分析应用，大数据可以扩大和扩展其数据样本。尤其在依赖于大样本的分析技术的情况下，比如统计或数据挖掘；而在欺诈检测、风险管理或精确计算的情况下同样也得用上大样本的数据。（摘自：中国客户关系网）

『玖』 互联网时代的客户数据分析与精准营销

互联网时代的客户数据分析与精准营销
随着互联网金融和大数据时代的到来，银行在IT建设、数据采集方面都投入了大量的人力、物力和财力，CRM系统已普遍建立，基础建设初步完成。然而从整体来说，中国银行业由于在数据分析（analytics）领域经验的缺乏，战略上误将此项工作狭义化为IT工作，数据与客户仍然是隔离的，数据应用主要集中在后端，数据文化尚未形成，数据分析手段仍然比较原始，实际投入产出比不高。
单从客户细分而言，几乎所有银行都在做客户群分层工作，有的银行只是粗略分层，有的银行根据风险与客户生命周期进行客户分层，但几乎很少有银行能够从数据挖掘与分析角度精细化地进行客户细分与决策，而真正懂得如何科学运用数据与模型进行客户行为分析预判，特别对流失客户的分析与预判，实施精准营销的更是寥寥无几，这必然导致银行在以客户为中心的转型发展过程中，会遇到一系列与客户发展目标相关的瓶颈，诸如我们常常听到的如下头疼问题：
不知道哪些客群应该重视、哪些应该放弃；
客户流失率很高却不知其原因，不知道如何进行客户流失分析与预判；
不知道如何进行客户预见性营销与精准营销；
不知道如何通过数据分析与模型工具促发客户；
……
那么，如何解决以上问题呢？我们认为，银行首先必须要在客户数据分析这项重要工作里投入必要的资源、人力和物力，并愿意采用专业科学的管理方法与指导，从而使数据分析能够为银行带来实质性的效益。本文我们将通过两个案例的分享助您领悟这项工作的实施要领。
［案例一］客户数据清理分析与分类
首先，将客户数据按照逻辑关系、层层深入划分、清理与分析。先运用数据分析方法将无效客户界定与排除，随后开展有效客户与潜在客户分析、有效客户精细化细分、潜在客户中分离出休眠客户分析等，通过层层分析与剥离，结合银行实际情况，得出对银行有终身价值的客户群。客户数据细分示例如下图：
其次，为了能真正理解客户，需要挖掘更多目标客户的内心深处的需求和行为特征。必须在超越客户身份、年龄类别、资产数字、交易数据等表象洞察客户的需求动因和价值观念，许多洞察客户对于产品的偏好、支付的偏好、渠道的偏好、交易时间的偏好等等。为此，要对分层后的客户进行深入的人文洞察与分析，分析结果用于辅助客户营销策略制定。
那么，什么才是无效客户呢？例如，某零售银行帐户多达350万，暂无精确的客户数，账户金额0-100元达250万（占总账户的71％，可能为无效客户），100-1000元达40多万户，拥有庞大的代发账户。在项目实施之前，该行并没有认识到，中低端账户金额并不等于中低端客户。银行也不知代发客户如何使用其账户资金，不知为什么代发客户资金流出银行。
界定无效客户，需要将数据分析方法与银行实际情况相结合考虑。
在本项目中，由于考虑到零售业务团队、IT团队与财务部门对无效客户定义不一致，首道资深顾问在数据清理之前,与银行相关团队共同协商与定义“什么样的客户在该行算无效客户”。根据第一轮协商，确定以行内资产(AUM)100元(包括100元)以下，并且过去12个月所有账户没有任何动作（如:存储提取和汇入）的客户为无效客户。后又采用统计分析方法与实战经验结合，得出银行各部门均可接受之分类切点。按此方法切除无效客户之后，便获得有效客户数据。
排除无效客户之后，重点对有效客户和潜在客户进行深入挖掘与分析。
在潜在客户中，一部分为有效客户，一部分为休眠客户。对休眠客户，采用相关策略进行营销，观测效果，根据效果为改进银行产品提供相关建议。对于有效客户细分，则可按客户的消费行为、按客户在银行资产额、按客户与银行关系长短、按银行收入贡献度等进行细分，尤其是对于在本行有低资产额的有效客户，需估测客户行外资产，协助进行交叉销售，对本行客户产品拥有情况做精细化分析，将零售客户总客户数，按照产品条线进行细分。通过数据分析，确定客户价值。
［案例二］代发客户流失率分析、客户维护与精准营销
客户流失严重是某银行非常头痛的难题，如何对银行的客户做好维护是该行重点关心的话题。仍然回到之前的问题，该行拥有大量的代发客户，但不知为何代发客户资金流出银行金额较大？针对这个问题，我们的解决方案是：首先对该行代发流失客户进行相关数据细分与分析，确定流失客户特征和属性，同时分析影响客户流失的各因素及各因素之间的相互关系。在此基础上，对流失客户在流失过程中所处时间段，进行数据分析，确定流失客户时空特征，并对流失客户资产特征进行深入分析与判断，进而帮助银行对已经流失或者有流失预警的客户，提供相关流失客户挽留策略。
在项目中我们帮助该行建立了客户维护率模型，以此做好客户流失预判和保留，大幅降低了该行的客户维护成本。通过开发和不断调试，该模型能够帮助该行确定客户流失预期（如预计客户将在3个月或者5个月流失）与营销客户群（如年龄在20-30岁的女性客户群），并给该行提供与设计相关客户维护与吸引策略。例如：若要维护这些客户，避免在预计内流失到他行，则需要配备哪些产品进行营销？需要采取哪些营销活动？通过哪些渠道接触客户？在什么时间段最为适合进行客户挽留？决定哪些客户值得该行团队花费成本进行维护挽留？……为该行大幅降低了客户维护成本，提升了维护效率。客户维护率模型原理示意如下图所示。
除了做好客户流失预判和保留，为了提升该行客户精准营销之预见性,并将精准营销与该行产品(如信用卡)相挂钩，我们在项目中对该行营销数据进行收集与分析，并建立客户反应率模型。首先对该行现有全员营销数据进行收集，按照不同产品条线细分营销数据。与此同时，收集营销客户属性数据，将产品营销数据与客户属性数据相匹配，开发与调试反应率模型。反应率模型用以为营销目标客户群进行系统评分，并根据实际情况设定界定临界分值，剔除分值低于该临界分值的目标客户群，对符合分值之目标客户群提供相关营销策略与产品建议，由此致该行销售成本大幅下降，客户对产品反映率明显提高。客户反应率模型原理示意如下图所示。
总之，大数据时代，“一切从数据出发”应该演变为零售银行日常工作的思维和工作文化。银行需要努力将大数据推向前台，要以客户为中心，深刻洞察客户需求，从而打造个性化的客户体验。因此，应该采用传统数据分析，结合客户需求深入洞察，找出客户行为背后的规律。同时运用大数据技术，得出细分群体的行为特征，从而有目的、有计划地开展精准营销和服务。

『拾』 求网络营销数据分析的技巧

个人认为：网络营销绝对不仅仅是网络推广，而是一项从项目策略规划、网站（网店）策划建设、网站销售力策划、网络传播推广、销售转化和数据分析等诸多环节组成的有机性系统工程，该工程的核心就是销售转化。而数据统计分析是将网络营销系统各环节有机整合的重要环节，数据可以让我们发现问题，从而调整策略、解决问题，提升整体运营效率。
一、SEO数据监测分析
比如收录、外链、快照、友链、关键字排名、PR等等，都能快速利用工具监测分析，这些数据通过时间纵向分析等工作，能够快速总结发现SEO相关工作的问题，结合网站数据的关键字访问，能够分析总结改进提升关键字策略。
二、网站访问数据统计分析
直接通过统计后台就知道了，能让我们知道网站流量来源、访客区域、访问时间高峰低谷的时间段、访客登录跳出页面最多数据、访客来源关键字、什么页面咨询率高、什么页面跳出流失高、什么页面浏览高、访客的回头率如何等众多数据，而通过这些数据的横向、纵向和交叉分析，并根据分析结果来针对性改进完善相关工作，那就能大幅度提升工作效率和效果，客观上也能提升团队人员的动力和激情，形成良性循环。
三、询盘和成交转化统计分析
对咨询量进行记录、统计和分析，也能发现很多规律，可以将咨询进行客户分类，重点客户、优质客户、普通和边缘客户等，也有利于提升工作效率。
对传播推广数据、网站访问数据和咨询转化数据的结合分析，能对网络营销整体的策略进行验证和调整提升。
数据还可以进行预期和分解，这都是进行KPI绩效考核的基础，能借助数据来打造一个高执行力的网络营销运营团队。