数据库营销,怎样运用大数据进行精准营销？

　　越来越多的企业逐渐觉察到大数据所带来的商业价值，精准营销也被他们用的越来越娴熟数据库营销。那么，企业下的大数据精准营销该如何应用呢？想必是很多资源有限的中小型公司最想了解的。

　　一 数据驱动大数据精准营销

　　在移动互联网迅猛发展的背景下，用户的网络活动所产生的海量数据，将会对消费者和企业的行为带来诸多的改变与重塑。一方面，消费者的个性化需求不断凸显，已成为企业商业行为的主宰者;另一方面，企业对消费者的特征偏好不再陌生，将日益聚焦于挖掘海量数据背后的价值。以互联网公司为代表的很多企业，已逐渐觉察到大数据精准营销所带来的商业价值，不断思考如何通过对海量数据的有效整合和充分利用，准确地分析用户的特征和偏好, 了解用户此时此地所需所想，挖掘产品的潜在高价值用户群体，帮助企业找到最精准的受众，实现市场营销的精准化、场景化。电信运营商作为数据宝矿的生产者，拥有其他企业无法企及的海量数据资源，也在不断探索基于大数据的新产品与应用，充分挖掘企业的数据资产价值，推动电信运营商在移动互联时代的产业升级和战略转型。今天，笔者将结合团队近期开展的一些大数据应用工作，和大家分享如何进行数据驱动式的市场精准营销。

　　二 精准营销，和客户谈一场不分手的恋爱

　　世界那么大，不管你是高富帅，还是矮搓穷，总会有一个人在默默等你。世界那么大，不管是逼格很高的奢侈品，还是性价比至上的淘宝仿品，总会有人愿意买单。每个产品都有它的特色，每个客户都有他的偏好，精准营销就像谈恋爱，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客户群体，让顾客能够一见倾心、二见如故、三定终生，实现产品功能、用户偏好和用户购买力等多维度的高度契合。

　　

　　精准营销是大数据落地应用的一个重要场景，在细分市场下可快速获取潜在用户并提高市场转化率，堪称“获客神器”。它的本质是根据用户在不同阶段的身份属性，结合用户特征和偏好，进行不同目的针对性营销活动，具体包括潜在客户挖掘、价值客户转化、存量客户互动和流失客户挽留等。其中，潜客挖掘和客户挽留是精准营销的重中之重，也是本文所讨论的重点。

　　三 大数据精准营销模型构建

　　基于大数据挖掘的精准营销模型包括数据层，业务层和应用层等，其中，业务层包括用户画像和模型构建两部分。该模型基于可采集的全量数据源，从人口属性、金融征信、通信行为、兴趣偏好、APP偏好、常驻区域等维度构建用户的全息画像，基于对存量用户的历史数据挖掘出的典型特征，构建预测模型来输出产品的目标用户群体，并通过模型置信度以及预测效果的评估对模型进行修正，最终得到目标客户群体，为市场营销策略提供有效支撑。具体模型如下图所示。

　　1 数据采集

　　数据采集是大数据精准营销平台的基础，数据类型的多样性及数据来源的差异化是影响数据质量乃至挖掘效果的重要因素。从数据的时效性来看，可将数据类型分为：

　　静态数据包括人口属性、商业属性等，主要用于用户的基本属性分析和智能标签分类。通过性别、年龄、职业、学历、收入等数据的关联分析，知道“用户是什么样的人”。

　　近期数据主要为用户一段时间内的网络行为数据，通过对用户近期活跃应用、内容访问、通信行为、常驻区域等具有一定时效性数据的分析，获取用户的兴趣偏好和消费习惯等，知道“用户对什么感兴趣”。

　　实时数据主要为用户实时变化的网络行为数据，包括搜索信息、购物信息、实时地理位置等，通过地理位置信息实时捕获用户的潜在消费场景，抓住营销机会，实时触达目标用户，知道“用户在哪里干什么”。

　　2 用户画像

　　用户画像是精准营销模型的重中之重，其核心在于用高度精炼的特征来为用户“打标签”，如年龄、性别、地域、用户偏好、消费能力等，最后综合关联用户的标签信息，勾勒出用户的立体“画像”。用户画像可较完美地抽象出一个用户的信息全貌，为进一步精准、快速地预测用户行为、消费意愿等重要信息，提供了全面的数据基础，是实现大数据精准营销的基石。基于此，笔者建议从六个维度构建基于大数据分析的用户画像，包括人口属性、内容偏好、APP偏好、通信行为、金融征信、常驻/实时位置等，各维度的具体指标如图3所示。

　　3 模型构建

　　常用的数据挖掘方法主要是基于用户画像体系与结果，选取相关性较大的特征变量，通过分类模型、聚类模型、回归模型、神经网络和关联规则等机器算法进行深度挖掘。常用算法的基本内容如下：

　　分类和聚类

　　分类算法是极其常用的数据挖掘方法之一，其核心思想是找出目标数据项的共同特征，并按照分类规则将数据项划分为不同的类别。聚类算法则是把一组数据按照相似性和差异性分为若干类别，使得同一类别数据间的相似性尽可能大，不同类别数据的相似性尽可能小。分类和聚类的目的都是将数据项进行归类，但二者具有显著的区别。分类是有监督的学习，即这些类别是已知的，通过对已知分类的数据进行训练和学习，找到这些不同类的特征，再对未分类的数据进行分类。而聚类则是无监督的学习，不需要对数据进行训练和学习。常见的分类算法有决策树分类算法、贝叶斯分类算法等;聚类算法则包括系统聚类，K-means均值聚类等。

　　回归分析

　　回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，其主要研究的问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。按照模型自变量的多少，回归算法可以分为一元回归分析和多元回归分析;按照自变量和因变量间的关系，又可分为线性回归和非线性回归分析。

　　神经网络

　　神经网络算法是在现代神经生物学研究的基础上发展起来的一种模拟人脑信息处理机制的网络系统，不但具备一般计算能力，还具有处理知识的思维、学习和记忆能力。它是一种基于导师的学习算法，可以模拟复杂系统的输入和输出，同时具有非常强的非线性映射能力。基于神经网络的挖掘过程由数据准备、规则提取、规则应用和预测评估四个阶段组成，在数据挖掘中，经常利用神经网络算法进行预测工作。

　　关联分析

　　关联分析是在交易数据、关系数据或其他信息载体中，查找存在于项目集合或对象集合之间的关联、相关性或因果结构，即描述数据库中不同数据项之间所存在关系的规则。例如，一项数据发生变化，另一项也跟随发生变化，则这两个数据项之间可能存在某种关联。关联分析是一个很有用的数据挖掘模型，能够帮助企业输出很多有用的产品组合推荐、优惠促销组合，能够找到更多的潜在客户，真正的把数据挖掘落到实处。4市场营销大数据挖掘在精准营销领域的应用可分为两大类，包括离线应用和在线应用。其中，离线应用主要是基于用户画像进行数据挖掘，进行不同目的针对性营销活动，包括潜在客户挖掘、流失客户挽留、制定精细化营销媒介等。而在线应用则是基于实时数据挖掘结果，进行精准化的广告推送和市场营销，具体包括DMP，DSP和程序化购买等应用。

　　

　　四 大数据精准营销应用成果

　　1 电信行业内应用成果

　　对于电信运营商来说，按服务对象的不同，大数据的应用可分为对内应用和对外应用两种。典型对内应用包括内部经营分析应用、网络优化、客户精准营销等，例如通过适当分离存量和增量用户，通过不同群体用户的特征和偏好，提高用户转化率和提升存量客户的价值。下图为基于中国联通某城市的B侧和O侧数据，所构建的潜在离网用户预测和4G潜在用户挖据模型及其应用成果，与传统算法相比该模型的营销效果提升显著。

　　

　　2 其他行业应用成果

　　现阶段，运营商依托自身数据优势所构建的大数据精准营销平台已广泛应用于各个行业，基于用户基本属性及网络行为的深度刻画，结合客户产品特点及目标用户群体，可生成潜在高价值用户目标群体，支撑汽车、保险和广告等合作伙伴进行精准营销服务，有效提高客户转化率和降低运营成本。

　　大数据精准营销是趋势所向，在未来的很长一个阶段都会成为企业营销模式的主流。企业在运用大数据精准营销的同时还需要不断探索创新，才能不被时代所淘汰。