大數據技術在預測性營銷上的實踐9個問題

編者按：董飛，大學部畢業於南開大學，碩士杜克大學畢業，現為Datatist首席架構師&COO。先後在創業公司酷迅、百度基礎架構組和Amazon雲計算部門，LinkedIn擔任高級工程師，Coursera從事數據工程師，負責過垂直搜索，百度雲計算平台研發和廣告系統的架構。為多位企業客戶解決營銷難題，具備豐富實踐經驗。

說到精準營銷，不得不先提個性化的用戶畫像，我們針對每一類數據實體，進一步分解可落地的數據維度，刻畫他／她的每一個特徵，在聚集起來形成人群畫像。比如下面就是兩種典型年輕消費人群。

具體又包括：

用戶固定特徵：性別，年齡，地域，教育水平，生辰八字，職業，星座

用戶興趣特徵：興趣愛好，使用APP，網站，瀏覽／收藏／評論內容，品牌偏好，產品偏好

用戶社會特徵：生活習慣，婚戀，社交/信息渠道偏好，宗教信仰，家庭成分

用戶消費特徵：收入狀況，購買力水平，商品種類，購買渠道喜好，購買頻次

用戶動態特徵：當下時間，需求，正在前往的地方，周邊的商戶，周圍人群，新聞事件

當我們採集和分析這些用戶畫像，可以實現精準營銷。這是最直接和最有價值的應用，廣告主可以通過用戶標籤來發布廣告給所要觸達的用戶，這裡面又可以通過上圖提到的搜索廣告，展示社交廣告，移動廣告等多渠道的營銷策略，營銷分析，營銷優化以及後端CRM／供應鏈系統打通的一站式營銷優化，全面提升ROI。

我們再說一說營銷時代的變遷，傳統的企業大多還停留在「營銷1.0」時代，以產品為中心，滿足傳統的消費者需求，而進入「營銷2.0」，以社會價值與品牌為使命，也不能完全精準對接個性化需求。進入營銷3.0的數據時代，我們要對每個消費者進行個性化匹配，一對一營銷，甚至精確算清楚成交轉化率，提高投資回報比。

大數據下的營銷顛覆經典的營銷4P理論，Product，Price，Place，Promotion，取而代之的是新的4P，People，Performance，Process，Prediction。在大數據時代，線下地理的競爭邊界早就不存在，比的是早一步的先知能力，利用大數據，從顧客真實交易數據中，計算下一次的購買時間。 營銷3.0時代關鍵詞就是「預測」。

預測營銷能夠讓你專註於一小群客戶，而這群客戶卻能代表特定產品的大多數潛在買家。以上圖為例，你可以將營銷活動的目標受眾鎖定為 20 萬潛在客戶或現有客戶，其中包括特定產品的大多數買家（4 萬人）。你還可以撥出部分預算用於吸引更小的客戶群（比如 20% 的客戶），而不是整個客戶群，進而優化你的支出。

過去我們看數據可能是被動的方式，但預測營銷強調是決策價值，比如購買時間，你該看的不是她最後的購買日期，而是下次購買的時間，看未來的存活概率，最後生成客戶終身價值（CLV）。預測營銷催生了一種新的數據驅動營銷方式，就是以客戶為中心，核心在於幫助公司完成從以產品或渠道為中心到以客戶為中心的轉變。

大數據最大的價值不是事後分析，而是預測和推薦，我就拿電商舉例，"精準推薦"成為大數據改變零售業的核心功能。譬如服裝網站Stitch fix例子，在個性化推薦機制方面，大多數服裝訂購網站採用的都是用戶提交身形、風格數據+編輯人工推薦的模式，Stitch Fix不一樣的地方在於它還結合了機器演算法推薦。這些顧客提供的身材比例，主觀數據，加上銷售記錄的交叉核對，挖掘每個人專屬的服裝推薦模型。 這種一對一營銷是最好的服務。

數據整合改變了企業的營銷方式，現在經驗已經不是累積在人的身上，而是完全依賴消費者的行為數據去做推薦。未來，銷售人員不再只是銷售人員，而能以專業的數據預測，搭配人性的親切互動推薦商品，升級成為顧問型銷售。

「顛覆營銷」書中提到一個例子，可以引述一下，大家思考一個問題：如果你打算搜集200份有效問卷，依照以往的經驗，你需要發多少份問卷，才能達到這個目標？預計用多少預算和時間來執行？

以往的方法是這樣的：評估網路問卷大約是5%的回收率，想要保證收到200份的問卷，就必須有20倍的發送量，也就是發出4000份問卷，一個月內如果可以回收，就是不錯的表現。

但現在不一樣了，在執行大數據分析的3小時內，就可以輕鬆完成以下的目標：

• 精準挑選出1%的VIP顧客

• 發送390份問卷，全部回收

• 問卷寄出3小時內回收35%的問卷

• 5天內就回收了超過目標數86%的問卷數

• 所需時間和預算都在以往的10%以下

這是怎麼做到在問捲髮送后的3個小時就回收35%？那是因為數據做到了發送時間的"一對一定製化"，利用數據得出，A先生最可能在什麼時間打開郵件就在那個時間點發送問卷。舉例來說，有基人在上班路上會打開郵件，但如果是開車族，並沒有時間填寫答案，而搭乘公共交通工具的人，上班路上的時間會玩手機，填寫答案的概率就高，這些都是數據細分受眾的好處。

大致分成三步。

採集和清理數據：用已知預測未知

首先得掌握繁雜的數據源。包括用戶數據、各式活動數據、電子郵件訂閱數、線上或線下資料庫及客戶服務信息等。這個是累積資料庫；這裡面最基礎的就是如何收集網站／APP用戶行為數據。比如當你登陸某網站，其Cookie就一直駐留在瀏覽器中，當用戶觸及的動作，點擊的位置，按鈕，點贊，評論，冬粉，還有訪問的路徑，可以識別並記錄他／她的所有瀏覽行為，然後持續分析瀏覽過的關鍵詞和頁面，分析出他的短期需求和長期興趣。還可以通過分析朋友圈，獲得非常清晰獲得對方的工作，愛好，教育等方面，這比個人填寫的表單，還要更全面和真實。

我們用已知的數據尋找線索，不斷挖掘素材，不但可以鞏固老會員，也可以分析出未知的顧客與需求，進一步開發市場。

用戶分群：分門別類貼標籤

描述分析是最基本的分析統計方法，描述統計分為兩大部分：數據描述和指標統計。數據描述：用來對數據進行基本情況的刻畫，包括數據總數，範圍，數據來源。指標統計：把分佈，對比，預測指標進行建模。這裡常常是Data mining的一些數學模型，像響應率分析模型，客戶傾向性模型，這類分群使用Lift圖，用打分的方法告訴你哪一類客戶有較高的接觸和轉化的價值。

在分析階段，數據會轉換為影響指數，進而可以做"一對一"的精準營銷。舉個例子，一個80后客戶喜歡在生鮮網站上早上10點下單買菜，晚上6點回家做飯，周末喜歡去附近吃日本料理，經過搜集與轉換，就會產生一些標籤，包括"80后""生鮮""做飯""日本料理"等等，貼在消費者身上。

制定策略：優化再調整

有了用戶畫像之後，便能清楚了解需求，在實際操作上，能深度經營顧客關係，甚至找到擴散口碑的機會。例如上面例子中，若有生鮮的打折券，日本餐館最新推薦，營銷人員就會把適合產品的相關信息，精準推送這個消費者的手機中；針對不同產品發送推薦信息，同時也不斷通過滿意度調查，跟蹤碼確認等方式，掌握顧客各方面的行為與偏好。

除了顧客分群之外，營銷人員也在不同時間階段觀察成長率和成功率，前後期對照，確認整體經營策略與方向是否正確；若效果不佳，又該用什麼策略應對。反覆試錯並調整模型，做到循環優化。

這個階段的目的是提煉價值，再根據客戶需求精準營銷，最後追蹤客戶反饋的信息，完成閉環優化。

我們從數據整合導入開始，聚合數據，在進行數據的分析挖掘。數據分析和挖掘還是有一些區別。數據分析重點是觀察數據，單純的統計，看KPI的升降原因。而數據挖掘從細微和模型角度去研究數據，從學習集、訓練集發現知識規則，

除了一些比較商業化的軟體SAS，WEKA功能強大的數據分析挖掘軟體，這邊還是更推薦使用R，Python，因為SAS，SPSS本身比較昂貴，也很難做頁面和服務級別的API，而Python和R有豐富的庫，可以類似WEKA的模塊，無縫交互其他API和程序，這裡還需要熟悉資料庫，Hadoop等。

5、預測性營銷的選擇方案有哪些呢？這裡的開發用到哪些技術和工具？

關於預測營銷的技術能力，有幾種選擇方案：

1、使用預測分析工作平台，然後以某種方法將模型輸入活動管理工具； 2、以分析為動力的預測性活動外包給市場服務提供商；3、評估併購買一個預測營銷的解決方案，比如預測性營銷雲和多渠道的活動管理工具。

這裡我也總結一些常用的技術工具 ：

但無論哪條路，都要確定三項基本能力。

1）連接不同來源的客戶數據，包括線上，線下，為預測分析準備好數據 ；

2）分析客戶數據，使用系統和定製預測模型，做高級分析 ；

3）在正確時間，正確客戶，正確的場景出發正確行為，可能做交叉銷售，跨不同營銷系統。

預測客戶購買可能性的行業標準是RFM模型（最近一次消費R，消費頻率F，消費金額M），但模型應用有限，本質是一個試探性方案，沒有統計和預測依據。「過去的成績不能保證未來的表現」，RFM只關注過去，不去將客戶當前行為和其他客戶當前行為做對比。這樣就無法在購買產品之前識別高價值客戶。

我們聚焦的預測模型，就是為了在最短時間內對客戶價值產生最大影響。這裡列舉一些其他模型參考：

• 參與傾向模型，預測客戶參與一個品牌的可能性，參與定義可以多元，比如參加一個活動，打開電子郵件，點擊，訪問某頁面。可以通過模型來確定EDM的發送頻率。並對趨勢做預測，是增加還是減少活動。

• 錢包模型，就是為每個客戶預測最大可能的支出，定義為單個客戶購買產品的最大年度支出。然後看增長模型，如果當前的總目標市場比較小，但未來可能很大，就需要去發現這些市場。

• 價格優化模型，就是能夠去最大限度提升銷售，銷量或利潤的架構，通過價格優化模型為每個客戶來定價，這裡需要對你想要的產品開發不同的模型，或者開發通用，可預測的客戶價格敏感度的模型，確定哪一塊報價時對客戶有最大的影響。

• 關鍵字推薦模型。關鍵字推薦模型可以基於一個客戶網路行為和購買記錄來預測對某個內容的喜愛程度，預測客戶對什麼熱點，爆款感興趣，營銷者使用這種預測結果為特定客戶決定內容營銷主題。

• 預測聚集模型。預測聚集模型就是預測客戶會歸為哪一類。

7、目前對於預測性營銷技術，國際上有哪些技術創新和開發工具？目前的使用瓶頸和顧慮是什麼？

預測營銷技術以模型工具存在了很多年，比如一些統計分析軟體 SAS，SPSS，R，還有像Netflix，Amazon，Facebook，Ebay，電信領域Verizon，ATT這些大公司，都有數據科學家團隊，他們都在開發基於預測性的廣告和營銷系統。但這些工具都有一些重要的缺點，在你使用預測分析平台之前，首先要把業務需求翻譯成技術需求，這樣數據科學家才能將其轉化為模型和查詢語句。

大多數市場營銷人員還是這方面能力不足，沒有工程師和商業分析師的支持的話，就要從頭做重複勞動，選擇適當模型，去解決商業問題。而數據科學家往往也局限在某個行業內，找到合適的人才非常難，也很難跨行業獲得經驗。

在使用大數據平台時，往往要求在以下方面：整合數據，準備數據，開發，測試，配置模型，IT設施和數據架構都需要持續配合，才能最後幫助運營者生成報告並準備活動的名單。比如筆者當時在LinkedIn的廣告部門，我們的數據科學家建立了一套強大的分析演算法去計算預估CTR，預估bid price，預估受眾，但一旦脫離了LinkedIn的網站，廣告主也沒辦法重複分析和得到持續的預測評分，而每個公司重新搭建一套大數據平台也是費時費力。

另外在個人信息使用上要特別注意隱私問題，顧客心理會有一些心理差異，比如客戶的電話，郵箱註冊某品牌電商（Tiffany）后，收到一些競爭對手如香奈兒不停給你發送廣告，你也許會很生氣。根據消費者報告，有71%的人認為，他們擔心電商在不經過她們同意就出售或分享信息，因為越來越多的營銷者從使用第三方的信息記錄轉向使用第一方數據來進行營銷。

還有個「最後一公里」問題，比如說「我們拿到了網站註冊的大量信息，也通過模型預測出來最有可能購買的客戶，但作為運營人員，我無法根據客戶分享給我的偏好和日期去發布一個Campaign（促銷）」，就是說預測模型的輸出結果對於營銷人員來說很難使用—— 無法將日常的郵件，廣告，門店和客戶互動等營銷活動結合起來。