米兰捕鱼-马拉加先得两球，最终全取三分

　　大数据浪潮，汹涌来袭，在互联网+时代，这绝不仅仅是信息技术领域的升级，更是在全球范围企业加速创新、社会加速变革的利器。

　　未来的营销会是精准化营销，搜集数据时一定要按数据的组合进行整理，而大数据画像很直接地告诉我们该搜集怎样的数据。

什么是精准营销？

现代营销学之父——科特勒

　　科特勒是现代营销学之父，精准营销的概念是科特勒在05年的时候提出来的，他写的《营销管理》非常经典。

　　精准营销(Precision marketing)就是在精准定位的基础上，依托现代信息技术手段建立个性化的顾客沟通服务体系，实现企业可度量的低成本扩张之路，是有态度的网络营销理念中的核心观点之一

营销三部曲

意味着知道自己产品的

定位是什么，

产品卖点是什么等等。

构建产品

标签+内容标签。

简单的说就是清楚竞争

对手的情况、

清楚目标用户的情况。

构建用户标签，

识别自身竞争力，

选取切入点。

在这个基础上，

对不同的对象采取

不同的策略，

直击痛点，实现转化。

　　数据驱动大数据精准营销

　　快速消费品的主要营销手段包括广告、媒介购买、公共关系等等。我们知道，随着互联网的发展，传统营销渠道发生了改变，产品离消费者更近了，企业也能前所未有的获知消费者的各种信息。

　　这是一种变革。以数据为基础的精准营销，开始得到企业的重视并纷纷开始尝试，更得到营销人的拥泵。但是，很多人依然认为，网络营销虽然粗放，但也足够把传统营销如平面投放甩几条街。但是，大数据给精准营销带来的改变已成必然。

　　精准营销，和客户谈一场不分手的恋爱

　　世界那么大，不管你是高富帅，还是矮搓穷，总会有一个人在默默等你。世界那么大，不管是逼格很高的奢侈品，还是性价比至上的淘宝仿品，总会有人愿意买单。

　　每个产品都有它的特色，每个客户都有他的偏好，精准营销就像谈恋爱，在合适的时间、合适的地点、将合适的产品以合适的方式提供给合适的客户群体，让顾客能够一见倾心、二见如故、三定终生，实现产品功能、用户偏好和用户购买力等多维度的高度契合。

　　精准营销是大数据落地应用的一个重要场景，在细分市场下可快速获取潜在用户并提高市场转化率，堪称“获客神器”。

　　它的本质是根据用户在不同阶段的身份属性，结合用户特征和偏好，进行不同目的针对性营销活动，具体包括潜在客户挖掘、价值客户转化、存量客户互动和流失客户挽留等。其中，潜客挖掘和客户挽留是精准营销的重中之重。

　　利用大数据构建营销模型

　　基于大数据挖掘的精准营销模型包括数据层，业务层和应用层等，其中，业务层包括用户画像和模型构建两部分。

　　该模型基于可采集的全量数据源，从人口属性、金融征信、通信行为、兴趣偏好、APP偏好、常驻区域等维度构建用户的全息画像。

　　基于对存量用户的历史数据挖掘出的典型特征，构建预测模型来输出产品的目标用户群体，并通过模型置信度以及预测效果的评估对模型进行修正，最终得到目标客户群体，为市场营销策略提供有效支撑。

　　数据采集

　　数据采集是大数据精准营销平台的基础，数据类型的多样性及数据来源的差异化是影响数据质量乃至挖掘效果的重要因素。从数据的时效性来看，可将数据类型分为：

　　1.静态数据

　　包括人口属性、商业属性等，主要用于用户的基本属性分析和智能标签分类。通过性别、年龄、职业、学历、收入等数据的关联分析，知道“用户是什么样的人”。

　　2.近期数据

　　主要为用户一段时间内的网络行为数据，通过对用户近期活跃应用、内容访问、通信行为、常驻区域等具有一定时效性数据的分析，获取用户的兴趣偏好和消费习惯等，知道“用户对什么感兴趣”。

　　3.实时数据

　　主要为用户实时变化的网络行为数据，包括搜索信息、购物信息、实时地理位置等，通过地理位置信息实时捕获用户的潜在消费场景，抓住营销机会，实时触达目标用户，知道“用户在哪里干什么”。

　　什么是用户画像？

　　用户画像是精准营销模型的重中之重，其核心在于用高度精炼的特征来为用户“打标签”，如年龄、性别、地域、用户偏好、消费能力等，最后综合关联用户的标签信息，勾勒出用户的立体“画像”。用户画像可较完美地抽象出一个用户的信息全貌，为进一步精准、快速地预测用户行为、消费意愿等重要信息，提供了全面的数据基础，是实现大数据精准营销的基石。

　　基于此，笔者建议从六个维度构建基于大数据分析的用户画像，包括人口属性、内容偏好、APP偏好、通信行为、金融征信、常驻/实时位置等

　　模型构建

　　数据挖掘(Data Mining)是一种作为近几年重要的商业信息处理技术，产生于20世纪80年代的美国，首先应用在金融领域，主要特点是对大量数据进行抽取、转换、分析和模型化处理，处理出有助于商业决策的关键性数据。银行信息化的迅速发展，产生了大量的业务数据。从海量数据中提取出有价值的信息，为公司的商业决策服务，是数据挖掘的重要应用领域。

　　常用的数据挖掘方法主要是基于用户画像体系与结果，选取相关性较大的特征变量，通过分类模型、聚类模型、回归模型、神经网络和关联规则等机器算法进行深度挖掘。数据挖掘在客户管理中主要有以下应用：

　　1.客户获取

　　发现和开拓新客户对任何一家银行来说都至关重要。通过探索性的数据挖掘方法找出客户数据库中的特征，预测对于银行活动的响应率。那些被定为有利的特征，被用于策划新的营销活动，或者与新的非客户群进行匹配，以增加营销活动的效果。

　　数据挖掘还可从银行数据库存储的客户信息中，可以根据设定的标准找到符合条件的客户群，也可以把客户进行聚类分析让其自然分群，通过对客户的服务收入、风险、等相关因素的分析、预测和优化，找到新的可赢利目标客户。

　　2.客户挽留

　　通过数据挖掘，在发现流失客户的特征后，银行可以在具有相似特征的客户未流失之前，采取额外增值服务、特殊待遇和激励忠诚度等措施保留客户。比如，使用信用卡损耗模型，可以预测哪些客户将停止使用银行的信用卡，而转用竞争对手的卡，根据数据挖掘结果，银行可以采取措施来保持这些客户的信任。当得出可能流失的客户名单后，可对客户进行关怀访问，争取留住客户。

　　3.客户服务定制

　　银行业竞争日益激烈，客户服务的质量是关系到银行发展的重要因素。客户是一个可能根据年费、服务、优惠条件等因素而不断流动的团体，为客户提供优质和个性化的服务，是取得客户信任的重要手段。根据二八原则，银行业20%的客户创造了80%的价值，要对这20%的客户实施最优质的服务，前提是发现这20%的重点客户。重点客户的发现通常是由一系列的数据挖掘来实现的。如通过分析客户对产品的应用频率、持续性等指标来判别客户的忠诚度，通过交易数据的详细分析来鉴别哪些是银行希望保持的客户。找到重点客户后，银行就能为客户提供有针对性的服务。

　　回归分析

　　回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，其主要研究的问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。按照模型自变量的多少，回归算法可以分为一元回归分析和多元回归分析；按照自变量和因变量间的关系，又可分为线性回归和非线性回归分析。

　　神经网络

　　神经网络算法是在现代神经生物学研究的基础上发展起来的一种模拟人脑信息处理机制的网络系统，不但具备一般计算能力，还具有处理知识的思维、学习和记忆能力。

　　它是一种基于导师的学习算法，可以模拟复杂系统的输入和输出，同时具有非常强的非线性映射能力。基于神经网络的挖掘过程由数据准备、规则提取、规则应用和预测评估四个阶段组成，在数据挖掘中，经常利用神经网络算法进行预测工作。

　　关联分析

　　关联分析是在交易数据、关系数据或其他信息载体中，查找存在于项目集合或对象集合之间的关联、相关性或因果结构，即描述数据库中不同数据项之间所存在关系的规则。例如，一项数据发生变化，另一项也跟随发生变化，则这两个数据项之间可能存在某种关联。

　　关联分析是一个很有用的数据挖掘模型，能够帮助企业输出很多有用的产品组合推荐、优惠促销组合，能够找到更多的潜在客户，真正的把数据挖掘落到实处。

　　市场营销

　　大数据挖掘在精准营销领域的应用可分为两大类，包括离线应用和在线应用。其中，离线应用主要是基于用户画像进行数据挖掘，进行不同目的针对性营销活动，包括潜在客户挖掘、流失客户挽留、制定精细化营销媒介等。

　　而在线应用则是基于实时数据挖掘结果，进行精准化的广告推送和市场营销，具体包括DMP，DSP和程序化购买等应用。

　　米多大数据引擎系统目前已经服务了17000多家知名的传统企业，如恒大冰泉、红荔米酒、茅台葡萄酒、俏美人、西部牧业、大益茶、武夷星茶、咔哇熊奶粉……再小的品牌都有自己的大数据引擎，米多大数据引擎系统帮助传统品牌企业实现产业互联网时代的四个现代化：企业平台化、品牌人格化、产品个性化、员工创客化！

　　点击“阅读原文”收获更多精彩

　　↓↓↓