首先,用户肖像
用户肖像是一种抽象的一个标签用户模型,基于用户社会属性,生活习惯和消费行为等信息。以下尺寸包括:
用户固定特征:性别,年龄,区域,教育水平,生日八个字符,职业,星座
用户兴趣特征:兴趣爱好,使用应用程序,网站,浏览/集合/评论,品牌偏好,产品偏好
用户社会特征:生活习惯,婚姻,社会/信息渠道偏好,宗教信仰,家庭成分
用户消费特性:收入状态,采购电源级,产品类型,购买渠道偏好,采购频率
用户动态特性:时间,需求,您要去的地方,周边商人,周围的人,新闻活动
如何生成用户精度肖像大致分为三个步骤
1.收集和清理数据:已知预测未知
首先,您必须掌握复杂的数据源。包括用户数据,各种活动数据,电子邮件订阅者,在线或脱机数据库和客户服务信息。这是一个累积数据库;这是收集网站/ app用户行为数据的最基本的东西。例如,当您登录网站时,它的cookie一直驻留在浏览器中,当用户击中操作时,点击位置,按钮,赞美,评论,粉丝,可以访问路径,可以识别并记录他/她所有的浏览行为,然后继续分析关键字和观点的页面,并分析他的短期需求和长期利益。您还可以通过分析一个朋友圈,获取有关其他派对工作,爱好,教育等的信息,这比填写的形式更全面,真实。我们使用已知的数据来查找线索,持续挖掘材料,不仅可以巩固老会员,还可以分析未知的客户和需求,进一步开发精密营销市场。
2.用户片段:Divient Picture Tag Label
描述分析是最基本的分析统计方法,统计数据分为两部分:数据描述和指示符统计。
数据描述:用于制作数据的基本情况,包括数据,范围和数据源的总数。
指标统计:建模分布,对比度,预测指标。这通常是一些数据挖掘的数学模型,如响应率分析模型,客户倾向模型,这样的组使用升力地图,告诉您如何使用分数方法具有更高的接触和转换。
在分析阶段,数据将转换为影响指数,反过来可以“一对一”的精确营销。例如,80名客户喜欢在新的网站上10点购买蔬菜,晚上6点回家,附近吃日本料理,我将有一些标签,如“80 “”烹饪“”烹饪“”日本料理“等,它粘在消费者身上。
3.发展策略:优化和调整
使用用户纵向后,您可以清楚地了解需求。在实际操作中,您可以深入运营客户关系,甚至可以找到漫游声誉的机会。例如,在上面的例子中,如果有一个新鲜的折扣优惠券,日本餐厅推荐,营销人员将提交产品的相关信息,准确推动这款消费者的手机;向不同产品发送建议,并继续满足调查,跟踪代码确认等,掌握客户的行为和偏好。
除客户的部门外,营销人员还在比较之前和之后观察不同时间阶段的增长率和成功率,确认整体业务战略和方向是否正确;如果效果不好,应该使用什么策略。重复错误并调整模型以进行循环优化。
本阶段的目的是改进价值,然后根据客户需求进行准确的营销,最后跟踪客户反馈的信息,完成闭环优化。
我们从数据集成,汇总数据和分析数据开始。数据分析和挖掘仍然存在一些差异。数据分析焦点是观察数据,简单的统计数据,看看KPI的原因。数据挖掘研究数据从微妙和模型的角度来看,从学习集,培训集发现知识规则。
二,数据细分受众
在“颠覆营销”书中,您可以引用,每个人都在想问题:如果您打算收集200个有效的问卷,如果您需要发送多少调查问卷来实现这一目标?预计预算和时间有多少?
以前的方法是:评估网络问卷大约是5?ecofovery,你想确保你收到了200调查问卷,你必须有20倍的交付金额,即,发送4000调查问卷,如果你可以在一个月内回收这是一个很好的表现。
但现在不同,在执行大数据分析的3小时内不同,您可以轻松完成以下目标:
精度1?F VIP客户
发送390问卷,全部回收
问卷在3小时内送35?uestionnaire
回收数量超过86?F的问题数量在5天内恢复
所需的时间和预算是10?以为过去
问卷后3小时3小时如何恢复35?这是因为数据是“一对确定性”,使用数据,A先生最有可能在那个时间点打开电子邮件。
例如,有些人将在工作场所打开电子邮件,但如果是一辆车,就没有时间填写答案,以及接受公共交通的人,在工作中发挥的时候,填补的可能性答案很高,这些是数据细分受众的好处。
第三,预测试
“预测”将允许您专注于一小组客户,但这群客户可以代表特定产品的大多数潜在买家。当我们收集和分析用户肖像时,可以实现准确的营销。这是最直接和最有价值的应用。广告客户可以向用户发布广告,以便访问用户的用户,以及搜索广告,显示,如社会广告,移动广告等营销策略,营销分析,营销优化以及一站式营销优化后端CRM /供应链系统,完全增强ROI。
让我们谈谈营销时代的变化,大多数传统企业仍然留在“营销1.0”时代,以产品为中心,满足传统的消费需求,并进入“营销2.0”,与社会价值和品牌作为使命,您无法完全准确地对接个性化需求。输入营销的数据时代3.0,我们必须个性化每个消费者,一对一的营销,甚至准确计算交易转换率,提高回报率。
营销在大数据下颠倒经典营销4P理论:产品(产品),价格),地方(频道),促销(促销),更换是新的营销4P概念:目的,存在(参与),靠近,合作(合作)。在大数据时代,在线地理竞争边界长期以来,而不是先进的先知能力,使用大数据从客户实际交易数据预测下一个购买时间。营销3.0倍关键词是“预测”。
预测营销允许您专注于一小组客户,这组客户可以代表特定产品的大多数潜在买家。在过去,我们可以看到数据可能是被动的,但预测营销强调了决策价值,如购买时间,你应该看到最后的购买日期,但购买的时间,观看未来的生存概率,最终生成客户生活价值(CLV)。预测营销已经产生了一种新的数据驱动营销方法,该方法是以客户为中心的,核心是帮助公司从产品或以渠道为中心的过渡转换。
第四,准确的建议
大数据的最大值不是后来分析,而是预测和推荐。以电子商务为例,“准确的建议”已成为大数据改变零售业的核心功能。例如,在个性化推荐机制中,大多数服装订单网站使用用户,样式数据+编辑人工推荐模式,拼接修复在其外不同的情况也结合了机器算法。推荐。这些客户提供身体比例,主观数据和销售记录的交叉检查,挖掘每个个人独家服装推荐模式。这个一对一的营销是最好的服务。数据集成已更改了公司的营销方法。现在,这个人没有积累的经验,但建议依靠消费者行为数据推荐。在未来,销售人员不再只是卖家,并可以推荐与人类的专业数据预测,并升级到顾问销售的商品。
V.技术工具
预测营销技术能力有几种选择:
1.使用预测性分析工作平台,然后以某种方式输入模型输入活动管理工具;
2,退出市场服务提供商,具有预测活动分析为权力;
3.评估和购买营销解决方案,例如预测营销云和多渠道活动管理工具。
但无论哪条路如何,您必须确定三个基本功能:
如小蜜蜂技术采集设备:
1)连接不同来源的客户数据,包括在线,关闭,准备预测分析数据;
2)分析客户数据,使用系统和自定义预测模型,进行高级分析;
3)在正确的时间,正确的客户,正确的场景是正确的,可以做交叉销售,交叉不同的营销系统。
6.预测模型
预测客户购买的可能性可能是RFM模型(最近的消费R,消费频率F,消费量M),但模型应用有限,本质是一个测试计划,没有统计和预测的基础。 “过去的成就不能保证未来的性能”,而RFM只关注过去,并没有比较客户目前的行为和其他客户。在购买产品之前,这不能识别高价值客户。
我们的重点预测模型是在最短的时间内对客户价值产生最大的影响。以下是其他一些模型参考:
参与趋势模型,预测涉及品牌的客户的可能性,参与定义,例如参与活动,打开电子邮件,单击并访问页面。 EDM的传输频率可以由模型确定。并预测趋势是增加或减少活动。
钱包模型是预测每个客户的最大支出,定义为单一客户购买产品的最高年度支出。然后看看增长模型,如果目前的目标市场相对较小,但未来可能很大,你需要发现这些市场。
价格优化模型是最大化销售,销售或利润的架构。价格优化模型为每个客户的定价。在这里,您需要一个不同的模型来开发不同的产品,或开发通用,可预测的客户。价格敏感性的模型,这是引用时对客户的最大影响。
关键字推荐模型,关键词推荐模型可以预测客户网络行为和购买记录来预测内容的热爱,预测客户对热点,爆炸和营销人员使用这种预测结果来确定特定的客户决策内容营销主题。预测聚合模型,预测聚合模型是如何预测哪个类将被分类。
返回列表