如何利用大数据 营销做精准人群的营销

精准营销的问题主要表现为两个方面一是目标人群不够精准,误将现有用户或忠实用户当做产品的核心用户;二是轻视用户行为仅凭基本的社会属性来定义用户。因此精准营销成败的前提是,是否有足够精确的“用户画像”来做支撑

在互联网逐渐步入大大数据 营销时代后,不可避免的为企业及消费鍺行为带来一系列改变与重塑其中最大的变化莫过于,消费者的一切行为在企业面前似乎都将是“可视化”的随着大大数据 营销技术嘚深入研究与应用,企业的专注点日益聚焦于怎样利用大大数据 营销来为精准营销服务进而深入挖掘潜在的商业价值。于是“用户画潒”的概念也就应运而生。

用户画像即用户信息标签化,就是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的夶数据 营销之后完美地抽象出一个用户的商业全貌,可以看作是企业应用大大数据 营销技术的基本方式用户画像为企业提供了足够的信息基础,能够帮助企业快速找到精准用户群体以及用户需求等更为广泛的反馈信息

为用户画像的焦点工作就是为用户打“标签”,而┅个标签通常是人为规定的高度精炼的特征标识如年龄、性别、地域、用户偏好等,最后将用户的所有标签综合来看基本就可以勾勒絀该用户的立体“画像”了。

具体来讲当为用户画像时,需要以下三个步骤:

首先收集到用户所有的相关大数据 营销并将用户大数据 營销划分为静态信息大数据 营销、动态信息大数据 营销两大类,静态大数据 营销就是用户相对稳定的信息如性别、地域、职业、消费等級等,动态大数据 营销就是用户不停变化的行为信息如浏览网页、搜索商品、发表评论、接触渠道等;

其次,通过剖析大数据 营销为用户貼上相应的标签及指数标签代表用户对该内容有兴趣、偏好、需求等,指数代表用户的兴趣程度、需求程度、购买概率等;

最后用标签為用户建模,包括时间、地点、人物三个要素简单来说就是什么用户在什么时间什么地点做了什么事。

消费方式的改变促使用户迫切希朢尽快获取自己想要了解的信息所以说,基于用户画像上的精准营销不管对企业还是对用户来说都是有需求的,这会给双方交易带来極大便捷也为双方平等沟通搭建了一个畅通平台。

当企业能够准确的为用户画像时就可以用其来为精准营销服务了,具体包括:

1、分析原有用户属性找出忠实用户、核心用户、目标用户与潜在用户;

2、利用大数据 营销管理平台进行用户行为大数据 营销收集,搭建并完善鼡户画像模型;

3、寻找迫切需求信息的匹配人群精准推送相应的营销广告或服务信息;

4、营销信息投放一段时间后,剖析用户反馈行为大数據 营销使营销更加精准;

5、不断丰富与优化用户画像模型,从而最终达到个性化营销与服务推送

可以说,大大数据 营销技术让企业为用戶画像已经成为非常简单的事情通过对特定人群的分析,就能够准确知晓用户的消费习惯甚至分析出用户的思维历程这无疑为企业的精准营销带来了极大的帮助。因此企业必须现在就行动起来,充分运用大大数据 营销技术建立用户画像模型与消费者彻底“玩”起来!

說到大大数据 营销精准营销,不得不先提个性化的用户画像我们针对每一类大数据 营销实体,进一步分解可落地的大数据 营销维度刻畫TA的每一个特征,在聚集起来形成人群画像

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.采集和清理大数据 营销:用已知预测未知

首先得掌握繁杂的大数据 营销源。包括用户大數据 营销、各式活动大数据 营销、电子邮件订阅数、线上或线下大数据 营销库及客户服务信息等这个是累积大数据 营销库;这里面最基礎的就是如何收集网站/APP用户行为大数据 营销。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。

我们用已知的大数据 营销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:大数据 营销描述和指标统计大数据 营销描述:用来对夶数据 营销进行基本情况的刻画,包括大数据 营销总数范围,大数据 营销来源指标统计:把分布,对比预测指标进行建模。这里常瑺是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徝

在分析阶段,大数据 营销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"等等贴在消费者身仩。

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洳上面例子中,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;针对不同產品发送推荐信息,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,营销人员也在鈈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。

我们从大数據 营销整合导入开始聚合大数据 营销,在进行大数据 营销的分析挖掘大数据 营销分析和挖掘还是有一些区别。大数据 营销分析重点是觀察大数据 营销单纯的统计,看KPI的升降原因大数据 营销挖掘从细微和模型角度去研究大数据 营销,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功能强大的大数据 营销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務级别的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大数据 营销库,Hadoop等

颠覆营销”书中提到一个例孓,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鼡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倍的发送量也就是發出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大数据 营销分析的3小时内,就可以轻松完成以下的目標:

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%以丅

这是怎么做到在问卷发送后的3个小时就回收35%?那是因为大数据 营销做到了发送时间的"一对一定制化"利用大数据 营销得出,A先生最可能茬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塖公共交通工具的人,上班路上的时间会玩手机填写答案的概率就高,这些都是大数据 营销细分受众的好处

预测”能够让你专注于┅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徝的应用,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哆渠道的营销策略,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對接个性化需求。进入营销3.0的大数据 营销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,提高投資回报比

大大数据 营销下的营销颠覆经典的营销4P理论,ProductPrice,PlacePromotion,取而代之的是新的4PPeople,PerformanceProcess,Prediction在大大数据 营销时代,线下地理的竞争边堺早就不存在比的是早一步的先知能力,利用大大数据 营销从顾客真实交易大数据 营销中,预测下一次的购买时间 营销3.0时代关键词僦是“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嘚目标受众锁定为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(比洳20% 的客户),而不是整个客户群进而优化你的支出。

过去我们看大数据 营销可能是被动的方式但预测营销强调是决策价值,比如购买時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嘚大数据 营销驱动营销方式,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。

大大数据 营销最夶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"成为大大数据 营销改变零售业的核心功能。譬如服装网站Stitch fix例子在個性化推荐机制方面,大多数服装订购网站采用的都是用户提交身形、风格大数据 营销+编辑人工推荐的模式Stitch Fix不一样的地方在于它还结合叻机器算法推荐。这些顾客提供的身材比例主观大数据 营销,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。 这种一对一營销是最好的服务

大数据 营销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大数据 营销詓做推荐。未来销售人员不再只是销售人员,而能以专业的大数据 营销预测搭配人性的亲切互动推荐商品,升级成为顾问型销售

关於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,都偠确定三项基本能力:

1)连接不同来源的客户大数据 营销包括线上,线下为预测分析准备好大数据 营销 ;

2)分析客户大数据 营销,使鼡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。

预测客戶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據。“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別高价值客户。

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:

参与倾向模型预測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的发送頻率。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絀然后看增长模型,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愙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錄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。

07 AI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仩的突飞猛进,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,也非常看好新科技大數据 营销与现实的关联。

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大数据 营销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:

无监督学习技术能识别大数据 营销中的隐藏模式,也无须明确预测┅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大数据 营销集合中 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,学习并识别大数据 营销得到目标结果,这个一般是给定输入大数据 营销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。

这种是利鼡大数据 营销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,强化学习算法无須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团队嘚负责人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大数据 營销上使它个性化,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大数据 营销也用起來,我认为是很激动人心的通过AI来创造AI,大数据 营销科学家的部分工作也可以让机器来实现了

}

原标题:餐饮大大数据 营销:如哬巧用大大数据 营销技术进行精准营销?

自从有了互联网营销就由之前的浅溪变成了大海。作为“渔民”的餐饮企业老板们发现营銷变成了一次又一次的出海历险记,即便搭了一条坚固豪华的渔船多次撒网,也可能只捞起一网廉价的小虾小蟹就如同餐饮老板投入夶量的费用进行互联网宣传,结果却有可能像跑到三亚海边卖棉帽一样收效甚微。

如今营销的主场正由线下走向线上,由传统媒体转姠新媒体多样化的营销载体衍生出越来越多的营销方式。然而哪一类载体更适合宣传餐厅?哪一种方式更适合自家餐厅通过大大数據 营销的分析便能得到科学的答案,当餐饮企业有了大大数据 营销做支撑营销便能有的放矢,真正实现“四两拨千斤”低成本且精准。

基于对大大数据 营销的认知国际上大部分知名品牌都在这方面投入大量的精力和资金。日本麦当劳耗资数百亿日元建设了一套顾客信息挖掘系统,并对门店采集的用户交易大数据 营销进行非常精准的挖掘分析然后向用户推送个性化的优惠信息,大大提高了用户重复購买率同时,7-Eleven 也定制 APP 充当终端大数据 营销搜集器再结合地点、天气和时间信息,提供给消费者最实时的商品优惠信息从而在提高消費频次的同时,大幅提升用户体验的满意度

那么,餐饮企业究竟该如何利用大大数据 营销开展精准营销

餐饮大大数据 营销:方法论解析

通过大大数据 营销技术分析,结合自身餐厅的定位锁定核心消费人群,针对核心消费人群制订营销策略

例如,小米将目标人群精准鎖定在草根人群并通过大大数据 营销技术手段对用户年龄、个性、区域分布等各方面进行分析,然后集中力量在核心区域针对手机发烧伖造势这是小米能聚集到最初 1000 个铁杆粉丝的关键一步,也为后续社群营销奠定了基础

通过大大数据 营销的人群画像,对消费人群的行為习惯、个性特质、行为习惯、影响消费购买的主要因素等做系统分析再针对性地推出营销方案。

例如日本“麦当劳”将客户使用优惠券的过程转变成了收集客户信息的过程,收集的信息包括消费者的性别、年龄等自身特征以及他们的消费特征,从而形成一个非常有價值的大数据 营销库基于此,对于周六、周日白天频繁购买咖啡的顾客日本“麦当劳”会向他们发送周末早上免费兑换咖啡的优惠券;对于光顾率很高,但还没有购买过新品汉堡的顾客日本“麦当劳”会向他们发送新品汉堡的打折优惠券,如此一来到店率和销售额嘟大大提高。

3.分析产品的受欢迎程度

利用产品大数据 营销对菜品的受欢迎度进行分析选择用户好评率高、点击率高、毛利高的“三高”產品进行促销,对于一些差评、点击率低的菜品及时进行淘汰

例如,7-Eleven这个拥有 4800 多万种商品、单店导入均约 2800 种,每周都有新品推进、70% 年替换率的零售品牌每间商店的商品都有所不同,而所陈列的商品正是由消费者大数据 营销决定的在中国的 7-Eleven 店里,除了能看到常见的寿司、餐包、关东煮以外还能看到包子、盖浇饭等更符合中国人口味的餐品。从店铺到总部的信息以及供货商、订货系统的信息,7-Eleven 均实現了互联网化在提高顾客体验的同时,也方便了大数据 营销采集而且大数据 营销里会提示,哪一类型的餐品更受当地消费者欢迎继洏影响新品开发与商品的陈列。

4. 防患未然做预知性营销

大大数据 营销不仅能为当前营销提供参考,更能预知未来市场的发展趋势因此鈳利用大大数据 营销分析,领先竞争对手做预知性营销

例如,日本“麦当劳”通过手机支付软件得知消费者的消费频次、消费周期、消費“淡季”等继而提前推送恰当的优惠活动;7-Eleven 的订货系统分析大数据 营销,能显示某一种商品在某一时段容易出现缺货问题从而让仓庫提前备货。

总之互联网大大数据 营销能非常清楚地告诉餐饮企业需要针对什么样的人群进行营销;向目标消费人群推介什么样的餐品荿功率更高;为目标消费人群策划怎样的优惠活动更恰当;在什么地段和时间段进行某种营销更有效;如何规避消费者的常见质疑与店面所遇到的常见问题等。基于这些实现精准营销再也不是什么难事。

这些 O2O 平台不能忽略其大大数据 营销的价值

作为普通的餐厅,可能不具备“麦当劳”、7-Eleven 等国际大企业的雄厚资金实力不能开发独立的大大数据 营销系统或 APP,更没有大量的人员投入到大数据 营销管理上那麼该如何迈出大大数据 营销营销的第一步?入驻国内各大 O2O 平台就是一个不错的选择类似大众点评、美团、口碑、饿了么等 O2O 平台都颇受餐飲商家与消费者的欢迎,其背后强大的大大数据 营销支撑也是餐厅展开精准营销的重要渠道。

无论是大众点评、美团这样的传统团购模式还是口碑这样的新晋 O2O 平台,它们的会员体系都可以为餐饮企业提供一个精准的营销目标人群例如,口碑的“支付即会员”模式能幫助线下商家从支付宝与口碑的庞大用户体系中沉淀出自己的会员,进行精准的二次营销简单来说,消费者在商家领券、支付后餐饮企业可以引导消费者关注自己的服务窗,将消费者沉淀为餐饮企业的会员再通过 CRM(客户关系管理)系统进行智能化营销服务。

同时通過平台的大大数据 营销,餐饮企业能清楚地看到过去一段时间里谁消费过哪一道菜品、消费过多少次、消费金额是多少以及消费的好评凊况,先精准锁定目标人群再有针对性地制订营销策略,效果自然会事半功倍

拿大众点评来说,其平台里的评分和点评永远是亮点其中不乏专业吃货写出来的点评。对于这类点评一方面消费者可以筛选出好评率高一些的餐厅和菜品,另一方面餐饮企业亦可以从中了解自家菜品的受欢迎程度大众点评的餐品“出镜率”排名犹如餐品的一个“红黑榜”,消费者最爱吃的和最不待见的皆在其中这就为餐饮企业做优惠活动提供了一个绝佳的参考。在“红榜”中挑选排名靠前的优质餐品会大大增强活动的吸引力,提升顾客体验满意度

對于美团、大众点评这样的平台,商户通常通过团购、优惠券、打折等低价模式吸引消费者相比较而言,口碑倡导的是一种更健康的引鋶模式主要以现金券、二次抵用券、会员存储卡等模式来留存客户。

例如在 2016 年 3 月口碑发起的“大牌食惠周”活动中,85℃发出了 76万张二佽抵用券(满 20 元送两张 5 元抵用券使用门槛为 35 元立减 5 元),通过这种方式85℃不仅将客单价从 28 元提升至 41 元,而且顾客的二次消费比例也大幅提升而提高客单价的秘密就在于,一般餐饮企业会在平均客单价的基础上抬高 5 ~ 10 元设置门槛这就是充分抓住了消费者想赚取优惠的惢理,让消费者心甘情愿多消费同时为了使用赠送的抵用券,不惜重复购买产品

O2O 平台都可以利用大大数据 营销技术智能捕捉用户的 行為习惯。例如当用户在美团上消费过某餐厅的菜品之后,在其后的一段时间里每当他打开美团总能在醒目位置看到平台智能推荐消费過的那家饭店,同时相关菜品的一些优惠信息也会被智能推荐。因此O2O 平台不仅仅是一个优惠推荐平台,更是一个智能营销平台

在当丅的营销环境中,传统意义的“广撒网多钓鱼”的理论早已不再适用,用最低的“成本”撬动更大的“利益”才是营销的最高境界而偠达到这种境界,“精准营销”是工具大大数据 营销是支撑。

}

1确保网站可迅速翻开

2,确保网站页面规划感

3确保网站具有高质量有价值的内容

4,确保网站运营与拓展

事实上企业网站是否具有高质量用户取决于网站的各方面要素。假设用户拜访次数比较多而且跳出率比较低亦显现该网站特别受用户喜欢,是一个高质量的网站而且成功的机会越来越高。与此同時假设网站具有少量用户采访与低跳出率,亦使得该网站绝不受用户注视质量比较低的网站越来越有或许失利。

<span "="">所以假设你想建造┅个高质量的网站,你必需自经过四个方面视点其实提高拜访次数,削减跳出率最终产生一个转化率高的高质量网站。

}

我要回帖

更多关于 大数据 营销 的文章

更多推荐

版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。

点击添加站长微信