大数据在营销和销售中的十大应用
你好，游客
大数据在营销和销售中的十大应用
来源：数据观 &
作者：陈妍君 赵娟
　　本文旨在给为革命性改变市场营销和销售的众多趋势做一个概述， 其中综合了十个有关报告，介绍了十个大数据在如今的市场营销和销售策略中的应用。其中增长很快的一个领域就是定价：管理价格以及通过销售网络传播和优化定价。在有大数据算法和先进的分析技术的今天，为给定的产品或服务实现价格优化越来越不在话下。就连在不是那么有弹性的大宗商品驱动行业中，简化日常定价决策也已经是非常常见的了。
　　◆ ◆ ◆
　　大数据对市场营销和销售的巨大贡献
　　当前大数据可以辅助销售的方面包括：提高潜在客户的质量，提高销售机会数据的质量，提高目标客户开发精确性，区域规划，赢利率等等。而在市场营销中，大数据也功不可没。除了提供提高转换率策略，销售前景预测，增长收入和客户生命周期外，还有可以帮助我们判断销售周期内各阶段哪些内容是最有效的，以及如何改进客户关系管理系统。如果公司是提供基于的企业软件服务，大数据还可以提供关于何降低客户获取成本(CAC)，客户终身价值(CLTV)的信息，管理许多其他客户驱动的指标，这些指标对于经营云业务至关重要。
　　下面就是大数据变革命市场营销和销售的十大应用：
　　1. 大数据使得根据每个客户和每个产品的关系进行等级差别定价策略，最大限度的优化定价变得可能。
　　麦肯锡的分析发现，一家典型的公司75%的收入来源于其标准产品，在每年这成百上千种定价标准产品的决策中30%的时候公司无法定出最好的价格。假定销售量没有减少，1%的价格提高却可以带来高达经营利润8.7%的增加，定价具有显著的提高盈利能力的潜力空间。
　　报告来源 -- 麦肯锡公司：利用大数据更好的做定价决策
　　2.大数据可以带来更大的顾客回应率以及更深层次的客户信息。
　　根据下图的调查问卷，Forrester的研究发现44%的B2C的市场营销人员正在使用大数据提高客户的的回应率，36%的营销人员运用数据分析和数据挖掘，获取更多的深层客户信息从而策划更多的关系驱动的市场策略。
　　报告来源- Compendium 市场营销大步向前解决增强客户体验和营销效果的难题(PDF)
　　3.客户分析(48%)，操作分析(21%)，欺诈和合规(12%)，新产品与服务创新(10%)和企业数据仓库优化(10%)是当今最常见的大数据销售和营销案例。
　　大数据联盟(DataMeer)最近的研究发现，客户分析统领大数据在销售和市场营销部门的应用。而支持这个趋势的有下面四个关键策略：增加潜在客户、减少客户流失、增加每个客户的投入以及改进现有产品。
　　报告来源 & 大数据 : 企业的竞争力武器
　　4.用大数据将分析数据嵌入到情境营销中。
　　许多公司的营销平台技术正在快速完善，支持这个趋势的基础是不断变化的客户、销售、服务和与现有系统不匹配的渠道需求。这造成了许多营销部门在数据和处理上无法完全集成好。大数据分析可以创建可扩展的系统分析，可以再一定程度上缓解这个问题。下图来自Forrester的研究，在SAS网站上可以免费下载，结合直觉与参与的情境营销工具和技术：企业营销技术手册。
　　报告来源- SAS: 结合直觉与参与的情境营销工具和技术：企业营销技术手册
　　5.大数据分析可以完善客户关系使得营销方案更成功。
　　通过大数据分析，定义和指导客户发展，营销人员创造更大客户忠诚度。下图来自于SAS赞助Forrester的研究，分析是如何在整个客户生命周中提供价值的(图中两条线间的距离表示者数据分析带来的价值)。
　　报告来源- SAS: 数据分析是如何助力整个客户客户生命周期管理
　　6.生物医药行业已经开始利用地域分析来优化销售策略及市场投放计划。
　　麦肯锡发现，生物医药企业基本都要花费20%到30%的利润用于销售和行政管理。如果这些企业可以在拥有更多销售潜力的地区和范围精确地部署销售及市场策略，将能够立即降低这项成本。
　　报告来源 &大数据在生物制药行业的效果
　　7. 58%的首席营销官(CMO)表示，在搜索引擎优化及营销、邮件市场营销和手机营销方面，大数据发挥着最大的影响力。
　　其中54%的CMO相信大数据及分析将会长久地在他们营销策略制定过程中扮演至关重要的角色。
　　报告来源- 大数据和首席营销官：什么在改变着市场营销领导能力
　　8. 在最近的调查中，福布斯对十余个行业的市场领跑者进行了深入的追踪，发现他们通过利用先进的大数据分析获得了更高的客户参与度和客户忠诚度。
　　这项研究发现，在这十余个行业中，特定部门分析及大数据的专业程度是决定策略成功与否的关键。与此同时，当试点计划取得积极结果时，整个企业范围内的文化也会发生大规模深层次的转变。来源：Forbes Insights, The Rise of The New Marketing Organization.
　　报告来源 & 新型营销组织的崛起
　　9. 大数据让企业对自己的每个商业增长点都有了更准确的理解。
　　增加收益，减少成本和减少运营成本，如今，大数据正在这三个关键领域里发挥它的效用，转化成实际的商业价值。当有效利用先进的大数据分析时， 一个企业的价值驱动点将会被更有效的计量。下图的演示图就说明这一点。
　　报告来源 - Deloitte的大数据报告
　　10. 基于大数据的客户价值分析已经让营销者能够在各个渠道为客户提供连续稳定全方位的用户体验。
　　客户价值分析(CVA) 最近正在成为新兴的热门话题，因为一系列基于大数据的技术在保持和衡量客户关系的过程中加速了销售周期。现如今，CVA成为了一系列用于在销售网络中精心维护优质全面的客户体验的科技。
　　报告来源 & CapGemini: 从客户深层信
相关新闻 & & &
尊重网上道德，遵守中华人民共和国的各项有关法律法规
承担一切因您的行为而直接或间接导致的民事或刑事法律责任
本站管理人员有权保留或删除其管辖留言中的任意内容
本站有权在网站内转载或引用您的评论
参与本评论即表明您已经阅读并接受上述条款数据驱动的产品优化 - 简书
数据驱动的产品优化
如今，随着大数据和精益数据分析的普及流行，不会看数据的产品经理也不能称作合格的产品经理了。为了能够使我们的产品设计更加智能，避免拍脑袋/因果驱动的产品设计，产品经理在产品设计阶段就要考虑结合自己产品的业务目标来定义对应的数据统计指标，在产品灰度或者上线时跟踪产品运营数据的变动，分析趋势，发现问题。
然而，现在的很多公司在产品设计和运营方面常常存在如下问题：1）效率低，错过了利用数据决策的最好机会。数据工程师由于面对来自产品、运营甚至boss的数据需求，并且有些数据准备得不充分，数据来源并不好，需要重新获取数据，导致整个跑数据的流程非常耗时。2）数据分析的指标需要更加细化。例如用户流失，仅看宏观的仪表盘数据是远远不够的，要按地域、渠道等不同方式切分进行追查，看是整体量下滑还是某一个渠道出现问题造成的用户流失。
如何去研究数据，用好数据，来更好地帮助我们进行产品设计和产品迭代优化？我觉得应该从产品数据分析的目的谈起。
什么是数据
数据的四个属性包括：时间、地点、人物、事件。例如，我们要分析电商的交易数据，那么这个数据可以被细化为：时间戳、交易发生的地点、买家、购买的产品/支付价格/支付手段。注意：真正的用户行为往往都是以事件为核心的数据。
数据分析的目的
做数据分析，必须要有明确的目的，清楚要如何通过数据来验证和得出产品迭代优化的功能点，如何通过运营和产品设计来提升转化率，增加商业变现的价值。下表列出了数据分析在产品不同阶段的关注重点。
冷启动/增长前期
需求验证，功能打磨优化考察核心指标（日活/月活/留存），理解历史数据的变化及原因，知道自己产品当前正在发生什么
低，目的是能够让产品跑出用户自然增长的曲线，为未来增长期提供基准数据
基于数据，预测不同类型的用户群体使用产品的行为，从产品和运营的角度提供可行解决方案，让产品有更好的拉新、转化和留存效果。
中，以数据驱动分方式大规模获取客户。主要以留存度为考量，专注几个核心功能点的突破，挖掘产品对于用户的核心价值。优化各个渠道，提高单位时间的转化效率。
业务变现期
在高用户基数的基础上如何做到产品的全局优化，即多个产品线，多个维度（价格、营销、产品设计、销售）如何找到最好的平衡点，实现利益最大化。
高，对转化漏斗的每个环节持续追踪，做好精细化的数据运营。通过市场营销、产品改进、客户运营等多种方式来协同提升付费和营收。
数据分析的方法
数据分析的第一步是收集数据。收集数据就要做好数据埋点，即在应用的功能逻辑代码中添加统计代码，统计出我们所需要的指标数据。目前主流的数据埋点要么是自己加入统计代码并搭建自己的数据查询分析后台，要么是接入第三方统计平台的SDK，在移动应用方面，国外多采用Google Analytics，国内基本采用的是友盟。这一两年国内也出现了许多新的移动应用数据统计的创业产品，例如GrowingIO和诸葛IO，其统计精确度和易用性还有待市场验证。
收集完应用数据后，一般会根据运营或产品部门所定的产品指标分别输出各种统计报表，但分析不能只仅仅停留在报表的基础，还要输出成产品或运营优化的方案和措施。因此，大部分互联网公司现在除了分析业务数据的报表以外，还陆续引入大数据BI分析或者机器学习平台，建立一套智能分析的数据科学框架，用于辅助员工进行决策和改进产品。
产品数据分析的层次
对产品用户和行为数据的研究自顶向下可以分为三个层面，宏观层、中间层和微观层。
宏观层由一系列的产品数据指标构成，这些基本的数据指标可以从多个方面来帮助我们把握产品的设计合理性和运营情况。
（一）用户规模和质量
一款产品的用户规模和质量大致可以从新增用户、活跃用户、用户构成、用户留存等几个方面来评估分析。
用户规模和质量的评估指标
新增用户指标
第一次启动应用的用户（以设备为判断标准，即一个用户以ipad和iphone分别启动用户，算两个新增用户）用于衡量营销推广效果的指标
新增用户占比
某时段内新增用户占该时段活跃用户的比例。用于衡量产品的健康度。占比太高，有可能用户基本靠运营活动拉来的，没有沉淀，流失风险大。
活跃用户指标
活跃用户是指某个时间周期内，启动过应用的用户（去重）。启动过一次的用户即视为活跃用户，包括新用户和老用户。该指标用于衡量用户规模和质量。活跃用户一般是按设备来统计的，统计一个周期内启动过设备的数量。
日活跃用户（DAU）
当天启动过应用的用户（去重），可分为自然日（当天凌晨0时至当晚24时）和营业日（当天凌晨6时到次日凌晨6时），按营业日计算一般是考虑到某些线下支付业务需要与商家对账的考虑。
周活跃用户（WAU）
当周启动过应用的用户（去重），周区间定义为周日至次周周六
月活跃用户（MAU）
当月启动过应用的用户（去重）
活跃用户占比
某日/周/月的活跃用户占所选时间段总活跃用户的比例，例如 昨日活跃/过去7天活跃，或者 昨日活跃/过去30天活跃
月活跃用户占截至当月累计用户的比例
用户仅在安装日（及安装次日）启动，且在后续时间内无启动行为。该指标可以反映出新增用户的质量以及与应用的匹配度。
需要注意的是，要根据产品的属性来重点关注日活、周活还是月活，像新闻、社交、音乐这样的高频应用，日活是重点考察的指标，月活则相对权重小一些。
用户构成指标
活跃用户构成
某日/周/月活跃用户中新用户与老用户的分布。用于判断产品的健康程度。
本周回流用户
上周未启动应用，本周启动应用的活跃用户
近期流失用户
连续n周（1&=n&=4）没有启动过应用的用户
周活跃用户
当周启动过应用的用户（去重）
连续活跃用户
连续活跃2周以上的用户
连续活跃n周用户
连续n周，每周至少启动过一次应用的活跃用户（第n+1周没有启动）
连续活跃5周及以上的用户
我们一般将用户分为新用户和老用户，主要关注流量和转化率两块内容，通过渠道引流拉新来的新用户需要转化为老用户，老用户则会留存或流失。如果老用户发生了流失，那么一般需要通过推送、活动（积分、签到、任务）、发布新版本等方式，提升内容质量或者功能特性来吸引回流用户。
用户构成指标
用户留存率指标
用户留存率一般是用来衡量应用对用户吸引力的重要指标。一般情况下，3日留存率移动游戏最高，7日留存率一般是所有留存里下降最多的。如果一个应用的留存率发生了较大变化，可能的原因一方面是推广渠道的变化使得用户质量产生了变化。
次日留存用户
下载启动应用后的第2天仍然使用应用的用户
3日留存用户
下载启动应用后的第4天仍然使用应用的用户
7日留存用户
下载启动应用后的第8天仍然使用应用的用户
14日留存用户
下载启动应用后的第15天仍然使用应用的用户
月留存用户
下载启动应用后的次月第1天仍然使用应用的用户
除了以上几类的指标外，还有一些指标也可以用于衡量应用质量，例如每个用户总活跃天数指标，这个指标是统计平均每个用户在应用上活跃的天数（通常以年为单位），反映了用户流失之前在应用上耗费的天数，用于衡量用户活跃程度和质量。
（二）参与度分析衡量用户参与度主要从PV/UV、启动次数指标、使用时长、使用时间间隔和访问页面几个维度来考察。
PV/UVPV指页面访问量，UV指唯一访客量（用户去重，记录cookie）。
启动次数指标既要关注总体趋势，也要关注平均启动次数，通常和人均使用时长以及日活跃用户数关联起来分析活跃用户对产品的参与度。
总启动次数
打开应用视为启动，完全退出或退至后台即视为取启动结束。根据产品实际情况，一般统计日启动次数（社交）或周启动次数（在线教育或娱乐）。
人均启动次数
总启动次数/活跃用户
使用时长用于衡量产品活跃度和使用质量的。单次使用时长长说明产品用户黏性比较好。
人均使用时长
一定周期内的应用总使用时长/活跃用户
单次使用时长
一定周期内的应用总使用时长/启动次数
访问页面用户一次启动内访问的页面数。通过比较不同访问页面数对应的活跃用户分布，可以发现页面设计上可能存在的问题以及可以优化体验的功能点。
使用时间间隔使用时间间隔是统计同一个用户相邻两次启动间隔的时间长度。在固定的查询时段内只启动过一次的用户记为首次。使用时间间隔的统计是为了还原使用场景。
（三）渠道分析对渠道推广的用户质量进行评估，分析用户行为是否正常（使用时长、使用机型、使用时间），研究推广渠道所带来的用户的真实性和质量。
（四）用户属性分析设备终端分析（消费者层级分类定位）android/iphone端的活跃用户、新增用户、启动用户网络及运营商分析（wifi/3G/4G，移动/联通） 活跃用户、新增用户、启动用户地域分析 按省市划分的活跃用户、新增用户、启动用户统计用户画像分析 包含多个维度，例如自然属性（性别、年龄、学历、收入、支出、职业、行业）、个人兴趣（音乐、电影、健身、宠物）、商业兴趣（房产、汽车、金融）。需要建立数据平台对大量数据（用户路径、用户行为）进行整理标注，同时配合用户访谈。
中间层由一系列相互关联的分析方法、模型以及相应的数据构成。常见的如漏斗分析、AARRR分析、交叉分析、用户画像等。
漏斗分析漏斗分析一般是用于产品各个关键路径转化率的分析。我们为产品定义若干关键路径，通过用户从进入页面到最终完成操作这个过程中用户数量的变化趋势，来发现产品功能设计上的问题以及流程上的复杂性，再有针对性的去优化和改善。
AARRR模型分析AARRR（Acquisition、Activation、Retention、Revenue、Refer）是硅谷目前比较流行的产品数据分析模型，分别是指获取、激活、留存、收入和推荐。
交叉分析法通常是把纵向对比和横向对比综合起来，并对总体数据指标进行细分，对数据进行多角度的结合分析。例如，我们可以将移动端的新增用户按Android和iOS进行平台划分，同时结合月份分布进行交叉分析。
同时我们可以将Android端的新增用户按渠道进行二次划分，这样对于各渠道的用户增长就一目了然了。
由产品中每个用户及其行为的细节数据构成。包括页面埋点、事件埋点、功能活跃指标、页面访问路径等。这些数据可以让我们去深入的了解和理解每一个用户以及用户的行为。
数据驱动的产品优化流程
主要分为以下几个步骤：
分析当前的数据（宏观层的各类指标，把握产品运营的整体趋势），重点看活跃用户和留存率。针对一些新功能，也需要定义新的指标。例如，我们要验证产品的新功能上线的运营情况时，我们就需要关注用户活跃比例，即使用新功能的活跃用户数/同时间段活跃用户数。同时我们也要关注用户是否会重复使用新功能，衡量指标是重复使用比例，即第N天继续使用新功能的用户数/第一天使用新功能的用户数。
找到目前存在的关键问题，并且思考如何改进。对存在问题的宏观数据指标进行深入剖析，使用中间层的漏斗分析和AARRR模型分析，定位问题存在的流程步骤。必要时需要深入微观层分析用户页面访问路径和相关的细节行为，直到对问题原因得到清晰的认识。总体上问题的原因可以分为用户本身的原因和系统设计的原因，用户本身的原因可以通过引导、教育和回访来解决，系统设计的原因就要通过迭代来优化交互或者简化流程。
定义核心的转化指标。
带着有效猜测和假设进行改进，马上实验。
迅速分析结果，得出结论。
改进产品，或者继续保持现有的方案。
0岁产品经理运营商如何玩转大数据
国务院总理李克强8月19日主持召开国务院常务会议，通过了《关于促进大数据发展的行动纲要》。会议认为，开发应用好大数据这一基础性战略资源，有利于推动大众创业、万众创新，改造升级传统产业，培育经济发展新引擎和国际竞争新优势。大数据热浪仍在持续推进，为手握大把数据资源的电信运营商带来了机遇。运营商如何抓住这难得的机会，挖掘出“数据金矿”的价值？
大数据逐步升为大战略
基于互联网技术的蓬勃发展，大数据浪潮的兴起显得势不可挡，如同一种新生能源，物联网、智能手机、可穿戴设备、智能硬件等技术设备将让数据成几何倍数增长。思科预测，到2016年全球网络连接的数量将接近189亿，人均拥有2.5个连接。IDC则称，到2020年全球将拥有35ZB（1ZB=1万亿GB）的数据量。据统计，2013年，全球人类每天产生的数据就达25PB，这相当于1500家国家图书馆的全部信息量之和。可以说，作为数据的生产者，个体正推动着大数据时代的到来。
在成为生活要素的同时，大数据也开始具备资产属性，融入到政府、金融、消费、医疗等各个领域。据悉，美国已经将大数据战略上升为国家战略，并将对数据的占有和控制视为陆权、海权、空权之外的第四种国家核心资产。“大数据”也在2014年首次被写入中国的《政府工作报告》，《“十二五”国家战略性新兴产业发展规划》提出支持海量数据存储、处理技术的研发与产业化。广东、上海等地则在筹划大数据管理局，更多的地方政府也在筹划大数据产业集聚区。
与此同时，“拥抱”大数据成为不同行业发展的统一宣言。麦肯锡此前的一份研究显示，金融业在大数据价值潜力指数中排名第一。银行、证券、保险、信托、直投、小贷、担保、征信等金融，以及P2P、众筹等新兴的互联网金融领域，正在利用大数据进行一场新的革命。
对此，行业人士指出，大数据不仅让IT行业迎来新的黄金时代，更将颠覆各行各业的竞争格局。未来，大数据的发展更是被寄予厚望。权威机构分析，未来5年全球大数据市场拥有广阔的发展前景，复合年增长率将达到58%，其市场盈利将由2012年的50亿美元增长至2017年的500亿美元。
运营商如何玩转大数据
对于通信企业来说，有潜在价值的大数据包括哪些？如何才能用活大数据？
记者认为，除了主要来自于业务运营支撑系统、企业管理系统的传统数据外，通信企业拥有的大数据主要来源于互联网、移动互联网等，以非结构化为主，构成更全面的数据源，如上网行为数据、网上交易数据、位置数据、网管数据、信令数据、微博数据、即时通信数据、网页、传感器数据、音频数据、视频文件、图片、日志、实时监控视频等。
当前，电信运营商正利用其拥有的大数据进行全面、深入、实时的分析和应用，提升营销服务效率，避免沦为“管道”。从大数据的具体应用方向来看，当前主要集中在四个方向：流量经营精细化、智能客服中心建设、基于个性化服务的客户体验提升以及对外数据服务。
——流量经营精细化
在流量经营精细化上，大数据应用的价值主要体现在：深入洞察客户、助力精准营销和指导网络优化三个方面。首先，基于客户终端信息、手机上网行为轨迹等丰富的数据，借助DPI（Deep Packet Inspection，深度数据包检测）技术等，建立客户超级细分模型，为各细分群组客户打上互联网行为标签，可以帮助运营商完善客户的360度画像，帮助运营商深入了解客户行为偏好和需求特征。其次，根据用户行为偏好，推送合适的业务，并根据对客户特征的深入理解，建立客户与业务、资费套餐、终端类型、在用网络的精准匹配，同时做到在推送渠道、推送时机、推送方式上满足客户的个性化需求，实现全程精准营销。最后，利用大数据技术实时采集处理网络信令数据，监控网络状况，识别价值小区和业务热点小区，更精准地指导网络优化，实现网络、应用和用户的智能指配。
——智能客服中心建设
作为运营商与客户接触的第一界面，客服中心（或称客户联络中心）拥有丰富的数据资源，可以称得上是客户信息的“聚宝盆”，利用好客服中心的客户接触数据对于建设智能化客服中心意义巨大。利用大数据技术可以深入分析客服热线呼入客户的IVR行为特征、访问路径、等候时长等，同时结合客户历史接触信息、基本属性等，可以建立热线呼入客户的智能识别模型。基于客户智能识别模型可以在某类客户下次呼入前预先推测其呼入的需求大体是什么，IVR接入后应该走什么样的节点和处理流程。这样，就可以基于呼入客户习惯与需求的事先预测而设计的按键菜单、访问路径和处理流程，合理控制人工处理量，缩短梳理时限，为客户服务中心内部流程优化提供数据支撑，有助于提升热线服务管理水平，加速热线营销渠道资源整合，有效识别客户投诉风险，助力智能客服中心的建设。
——基于个性化服务的客户体验提升
大数据时代对于运营商为客户提供服务来说更加侧重于“小”，即更加关注每个个体“小我”的个性化需求，而融合了电商、医疗、社交等方面信息的“大”数据正是为了更深入地理解“小我”、服务好“小我”。利用大数据技术，一方面可以建立更全面、丰满的客户画像，另一方面还可以量化分解客户接触信息，识别客户特征与习惯偏好，预测客户可能在何时手机会出现故障、何时会产生换机行为等，为客户提供定制化的服务，优化产品、套餐和定价机制，实现“一户一策”的差异化、个性化服务，提升客户体验与感知。
——对外数据服务
对外数据服务是大数据应用的高级阶段，这个阶段电信运营商不再局限于利用大数据来提升内部管理效益，而是更加注重数据资产的平台化运营。利用大数据资产优势，将数据封装成服务，提供给相关行业的企业用户，为合作伙伴提供数据分析开放能力。例如，Telefonica和Verizon已经成立了专业化数据公司来运作对外数据售卖。如果将无线城市与物联网、电子政务等方面的信息结合起来，将能为电信运营商的数据和政府的政务数据增值，对于打造一个开放数据平台和民生服务平台有重大意义。让数据在不同行业之间流动起来，实现体外循环将能进一步释放数据的价值。当然，以简单的Data Seller模式售卖数据时，需要注意保护客户隐私、打消隐私顾虑。
[责任编辑:}