原文地址:http://www.jianshu.com/p/bb1f0829aba2
作者:zhangyi 来自:数据圈 成员
总大纲
未来营销一定会与大数据结合,我最近也一直在搜集预测营销方面的书。总结这篇笔记,主要解决三个问题:
什么是预测营销?
如何进行预测营销?
未来会如何发展?(如何更好的进行预测营销?)
第一个问题:什么是预测营销?
1
定义其实并不需要搞得特别清楚,搬来搬去,书上的定义几乎可以忽略: 预测营销是通过一系列的工具和算法,在营销方面实现预测未来客户行为、将客户分类等功能,从而达到提高营销质量的的一种方法。
接下来的问题就来了:为什么会出现预测营销?以及,与传统营销的区别在哪?它解决的问题在哪?
传统与预测区别
了解了什么是预测营销之后,接下来的问题就是, 如何进行预测营销?问题点就在于,预测的技术有哪些?以及预测的流程是什么?
2
预测技术主要有三种:
无监督学习,如聚类。在不知道客户信息的情况下进行预测。
监督学习,如分类,用于偏好预测。预测客户生命周期价值、以及客户未来可能会购买的某种特定商品。
强化学习,常用于推荐。好比根据客户现有买的东西为其推荐可能会买的东西。
预测流程:
收集数据。根据自己现有的问题和主题,确定需要的数据。
整理数据。把数据中的异常值、不需要的部分去掉或替换,并生成特征。
分析预测。通过各种算法进行分析和预测,并核查效果。
给出建议。根据最终的分析结果给出在具体项目中的行为建议。
知道了流程之后,就深入第一步,如何收集数据,收集哪些数据?哪些数据是重要的?这些如何随时间又该如何处理呢?
这就需要客户档案了。
3
建立客户档案,一方面可以更好的收集数据,同时,还能更好的管理这些数据,使这些数据成为公司的资产。
在收集客户数据之前,有个问题就是:收集哪些数据?
收集数据
不管是通过第三方收集数据,还是自己公司进行收集。最重要的是根据自己的目标进行收集。所以这里只列出收集的大概种类:购买行为收集的数据,如购买时间、日期、姓名、性别、渠道等等,其他的还有网络行为、邮件行为、社交等等很多。
准备集成
在真正开始分析之前,还需要进行数据净化、验证等步骤,之前提到的异常值检测也属于这个步骤的活动。人名的净化、地址的净化、链接和重复信息的删除等等,经过这些活动,最终建立起客户的数据档案:一般统计数据(姓名、地址等)、预测分析(购买可能性、行为聚类,如爱打折者,生命周期聚类,如新客户)、接触策略(首选渠道、最近店铺等)、生命周期聚类价值(新、潜在、回头客等)、行为(如上次的订单日期、点击日期、首次下单日期等等)
寻找问题
在建立好档案后就可以开始让这些数据发挥价值,根据自己业务进行问题提问,如:
在这些业务问题的基础上,最大化企业和股东价值的方案就是最大化每位客户的生命周期价值。现在有了客户档案,如何提高所有客户生命周期价值呢?
预测客户价值
在千千万万个客户数据中进行对比,从而能更准确的从历史客户价值中预测出客户的未来价值。而不是只根据过去的数据判断客户的未来价值。
提高单个客户生命周期价值
首先,获取正确的客户,同时,将潜在客户转化为买者。接着,将客户转化为回头客。最终,实现保留的目标。
提高所有客户生命周期价值
加入更多高价值客户、防止客户流失、与不活跃的客户互动。
这其实有点运营的过程。现在已经知道了大概途径,接下来就是具体的技术:
4
1 运用客户数据优化开支
针对客户获取、保留和再激活,分别制定投资计划。客户获取有三种途径:获取新客户、保留现有客户和激活流失客户。根据公司的情况不同,优化客户获取和保留成本,分别进行适当的投资。同时,不同价值的客户开支,要加以区分。
哪种产品可以带来最高的客户生命周期价值。不同的产品对不同的生命周期阶段不同,分别采取不同产品组合方式。
哪个渠道能产生最高的客户生命周期价值。通过终点归因找到客户贡献率最高的渠道。
2 预测客户角色洞悉客户
将客户的角色根据其自己的特点进行聚类,从而更好的制定策略。
产品聚类。根据客户对商品偏好进行分组,好比零售商开始以为会买儿童足球服的女性客户也会买瑜伽服,而举行聚类分析后发现足球妈妈和瑜伽妈妈之间没什么关系而跟其他产品有关系,这时候就可以改变营销方案,更加准确。
品牌聚类。同理,品牌与品牌之间也会有一定的关联度,根据分析结果进行更改营销策略。
行为聚类。选择网购还是电话?是否喜欢打折?再次购买需要多久?根据客户的不同行为进行聚类,可以做到差异化营销,从而提供个性化服务。好比,对于航空公司来说,商务人士和休闲人士之间采取的服务是不一样的,包括定价、促销这些需要根据客户的航线和航班调整服务内容。
另外,聚类分析会根据时间的变化而变化,因此在进行聚类时,就需要每三个月或6个月重新训练样本数据。而且,细分客户时,没有必要彻底的细分,因为人与人不同,有些人不止会有一个维度,过细的分类也会让成本飙升。
3 预测客户演变丰富周期
4 预测客户价值导向营销
5 预测行为可能进行排名
6 预测个人喜好量身推荐
选择正确的客户或细分市场。这里需要解决的问题是向谁推荐以及什么时候推荐。好比,在购买后进行推荐(向上销售和交叉销售),在购买后推荐,以及根据客户生命周期推荐等。
理解客户使用场景。好比关联推荐、根据地理位置信息推荐。
注意。除了根据客户个性化推荐外,还要注意推荐是双向的。如果一个不想让人知道自己怀孕的人推荐怀孕产品就会被认为侵犯隐私。
7 预测,转化客户
8 预测,提升客户价值
如果客户只购买了一次,他们回来购买第二次的概率平均只有30%。但是如果说服客户二次购买,他们未来的购买可能性就会大幅提高。因此可以采取以下策略:
9 预测,留住客户
保留率:在测量时间范围内留住客户的比例。
在不同的行业,保留率是不一样的。因此,在管理客户的过程中就要根据自己行业特点,做好流失管理:保留管理,即在客户流失之前挽留他们。
如何挽留?
首先找到流失的根本原因,通过建立模型预测哪些客户最可能流失。然后测试各种客户管理方法的有效性。仔细处理问题。
流失了怎么办?
再激活:确定需要激活哪些用户、以及哪些用户最容易受影响(有可能找回)。多渠道搜集信息,通过历史数据优化营销策略。
5
能力
组织能力
从批量轰炸式营销到体验式营销转变。
技术能力
客户数据的整合、分析预测客户需求的能力、以及在客户接触点设计并执行客户体验的能力
商业理解
商业业务理解要比数学更重要。理解商业、目标市场和客户需求的人去分析数据,才能真正解决问题。
学会提问
不管是分析数据,还是可视化管理,最重要的是解决问题,而对于在客观事实中发现问题,要比纯粹的看数据重要的多。
相关技术
预测营销可以自己做,也可以外包给营销服务商做,根据公司的需要而定。同时,活动管理工具正在一步步变为营销云,逐渐成为营销自动化的一部分。
未来
隐私。当你为客户全面提供服务的时候,必然要侵占一部分的隐私,甚至,可能是所有的隐私。
预测模型。未来的模型会越来越精准,包括参与倾向性、钱包模型、价格优化模型、关键字联系推荐模型、预测狙击模型等等。
营销者思考。不管学了多少分析技术,重要的还是围绕客户进行思考,去聚焦行为分析,而不是分析本身,在分析的末尾,都要有切实可行的行动建议。
参考文献:
《预测营销-大数据时代营销人的变革》
数据挖掘与大数据分析
(datakong)