ビッグデータ精密マーケティングの7大要素

ビッグデータの正確なマーケティングと言えば、正確なマーケティングの重要な要素を言わざるを得ない。今日はビッグデータの正確なマーケティングの七つの重要な要素を共有する。
 

 
一、ユーザー画像
ユーザ画像は,ユーザの社会的属性,生活習慣,消費行動などの情報に基づいて抽象化された1つのラベル化されたユーザモデルである。

具体的には次のような次元を含む。
 
ユーザーの固定特徴:性別、年齢、地域、教育レベル、職業、星座
 
ユーザーの興味特徴:趣味、APP、ウェブサイト、閲覧/収集/レビュー、ブランドの好み、製品の好み
 
ユーザーの社会的特徴:生活習慣、結婚、社交/情報ルートの選択、宗教信仰、家庭成分
 
ユーザーの消費特徴:収入状況、購買力レベル、商品種類、購買ルートの好み、購買頻度
 
ユーザの動きの特徴:現時点での時間,ニーズ,移動先,周辺のテナント,周囲の人,ニュースイベントがどのようにユーザのピンポイント画像を生成するかを3つのステップに分ける。
 
1.データの収集と整理:既知を用いて未知を予測する
まず繁雑なデータ源を把握しなければならない。ユーザーデータ、各種イベントデータ、電子メールの購読数、オンラインまたはオフラインのデータベースおよび顧客サービス情報などを含む。
 
これは蓄積データベースですその根底にあるのが、webサイト/ APPユーザー行動データの収集です。たとえばあなた上陸氏のホームページは、そのクッキー、ずっと驻留ブラウザで、ユーザが触れるの动作の位置をクリックし、ボタン、ポイント、评论、ファン、そして訪問の経路を識別できる記録をすべて彼/彼女の浏览行為であり、そして分析が閲覧したキーワードとページを続け、短期需要分析し、彼の兴味と長期。
 
友だちの輪を分析することで、相手の仕事、趣味、教育などを非常にクリアに得ることができる。
 
既知のデータを手がかりに、素材を発掘していくことで、古い会員だけでなく未知の顧客やニーズを分析し、市場をさらに発展させることができる。
 
2.ユーザグループ:グループ別にラベルを付ける
記述分析は最も基本的な分析統計方法であり、記述統計は二つの大部分に分けられる:データ記述と指標統計。
 
(1)データ記述:データの総数、範囲、データ源を含む基本的な状況を描写するために用いられる。
 
(2)指標統計:分布,対比,予測指標をモデリングする。ここではよくData miningの数学モデル、例えば、応答率分析モデル、顧客傾向モデル、Lift図を使って、採点方法でどの種類の顧客が比較的に高い接触と転化の価値があることを教えます。
 
分析段階では、データが影響力指数に変換され、「一対一」の精度の高いマーケティングが可能になる。一つ例を挙げると、「80後顧客が好きで、魚のホームページの朝10时ベンダーに料理をし、午后6时帰宅する料理は、好きで週末近く日本料理を食べに行きを収集し、転換にラベルが生じるのは、「80後」を含む"刺身"料理"日本料理など、消費者に贴って、。
 
3.戦略を立てる:再調整を最適化する
ユーザー画像があれば、ニーズがよくわかるし、実際の操作で顧客関系を深め、口コミを広める机会を見つけることもできる。例えば上例で、魚の割引券が、日本のレストランの最新の推薦、マーケティング要員が適している製品の関連情報を、正確なこのアプリの消費者の携帯電話に;が異なる製品に対する推薦の情報を送って、同時に満足度調査を通じて、尾行ヤード確認などの方式は、顧客の各方面の行為と把握好み。
 
顧客グループのほかに、マーケティングスタッフも異なる時間の段階で成長率と成功率を観察し、前後・後期を対照して、全体の経営戦略と方向が正しいかどうかを確認した。すれば効果が振るわず、また同どんな戦略で対応。せいみを繰り返し、調整の模型、循環の最適化できる。
 
この段階の目的は価値を抽出し、顧客の需要に基づいて正確なマーケティングを行い、最後に顧客のフィードバック情報を追跡し、閉ループの最適化を完成する。
 
我々はデータ統合の導入から,データを統合し,データの分析・マイニングを行っている。データ分析とマイニングには多少の違いがある。
 
データ分析の重点はデータを観察し、単純な統計によると、kpiの上下の原因を见ます。
 
データ発掘微細と模型の角度から研究データによると、勉强から集、訓練知識ルールを発見し、一部を除いて比較商用化のソフトウェアsas、weka機能が強力なデータ分析ソフトを発掘し、こっちはもっと推薦使用r、python、sasのため、spss自体が高い、何ページも難しいとサービスのレベルのapi、pythonとr豊富な庫で類似wekaできるモジュールをシームレスな他のapiと手続きを交互に、ここにはおなじみのデータベースが必要で、hadoopなど。

二、データの細分化
ビッグデータの分析が行われてから3時間以内に、正確に選ばれた1%のVIP顧客が390通のアンケートを送り、すべての回収アンケートを送ってから3時間以内に35%のアンケートを回収してから5日以内に目標数の86%以上のアンケートを回収するまでに要した時間と予算は従来の10%以下であった。
 
 
アンケート発送後3時間で35%を回収するにはどうしたのか。それは、データが送信時間の「一対一でカスタマイズ」されているからですが、そのデータを利用して、Aさんがどのタイミングでメールを開いたか、その時点でアンケートを送っている可能性が最も高いということです。
 
たとえば、通勤時にメールを開いている人もいるが、ドライブ族の場合は、答えを書く時間がないのに対し、公共交通机関に乗っている人は、通勤時に携帯電話で遊んでいるため、答えを書く確率が高いというデータがある。
 
三、予測
「予測する」ことで、あなたは特定の製品の潜在的な買い手の大多数を代表する小さな顧客に集中することができます。ユーザーの画像を採取して分析すると、正確なマーケティングが実現できる。これは最も直接と最も価値の応用は、広告主がユーザーのラベルを通じて広告する所にさわる達のユーザーに、ことには言及上の検索広告を通じて、展示社交広告、広告などの移動多渠道のマーケティング、マーケティング分析、マーケティングの最適化や後の端のcrm /サプライチェーンシステム内部へのマーケティング・ストップの最適化、全面roiを高める。
 
マーケティングの時代の変遷を話すと、伝統的な企業の多くは「マーケティング1.0」の時代にとどまり、製品を中心に伝統的な消費者ニーズを満たしているが、「マーケティング2.0」に入っても、社会的価値やブランドを使命とし、箇性的なニーズを完全に正確に満たすことはできない。マーケティング3.0のデータ時代に入って、私達は各消費者に対して箇性マッチングを行い、一対一のマーケティングを行い、更に精確に成約転換率を計算し、投資収益率を高めなければならない。
 
四、ピンポイント推薦
ビッグデータの最大の価値は事後分析ではなく、予測と推薦です。私は電子商取引を例に挙げて、「正確な推薦」がビッグデータの小売業を変える核心的な机能になります。
 
たとえばアパレルサイトStitch fixの例では,個人化推薦機構において,多くのアパレル注文サイトでは,ユーザがスタイルやスタイルデータを提出したり,編集者が人手で推薦したりするスタイルをとっているが,Stitch fixと異なる点は,機器のアルゴリズムに合わせて推薦している点である。これらの顧客から提供されたプロフィル比率、主観データ、販売履歴とのクロスチェックを加えて、個々人に特化したファッション推奨モデルをマイニングする。一対一のマーケティングが最高のサービスだ。
 
データを統廃合する企業のマーケティングの方式を変えたには今は経験が累積し、人の体ではなくに依存し、消費者の行為とデータの推薦をやる。将来的には,販売者は販売者だけではなく,専門的なデータで予測し,人間性に合わせた親切なインタラクション推薦商品をアドバイザー型販売にアップグレードする。
 
五、技術の道具
予測マーケティングの技術力にはいくつかの選択肢がある。
 
1、予測分析ワークプラットフォームを使用して、それからある方法でモデルを活動管理ツールに入力する;
 
2、分析を働力とする予測活働は市場のサービスプロバイダーにアウトソーシングする;
 
3、評価一予想マーケティングの解決策を購入し、例えば不マーケティングの云と多渠道行事管理ツール。
 
しかし、いずれの道も、3つの基本能力を決めなければならない。
 
1)異なるソースの顧客データを連結し、ライン、ラインの下、予測分析のためのデータを用意する;
 
2)顧客データを分析し、システムと予測モデルをカスタマイズし、高度な分析を行う。
 
3)正確な時間、正確な顧客、正確なシーンから正しい行為、可能性はクロス販売、異なるマーケティングシステム。
 
六、予測モデル
顧客の購買可能性を予測する業界標準はRFMモデル(最近一回消費R、消費頻度F、消費金額M)であるが、モデルの応用は限られており、本質的にはヒューリスティックな案であり、統計と予測根拠がない。「過去の成績の保证はない未来の表現」、rfm過去にのみ関心、行かない顧客の当面する行為と他のお客様の当面の対照をしている。これでは、製品を買う前に高価値の顧客を特定することができません。
 
我々がフォーカスした予測モデルは,クライアントの価値に最短時間で最大の影響を与えるためである。他のモデルの参考として,
 
1 .参加倾向の模型、顧客参加を一つのブランドの予測可能性を定義できる多元参加、例えば一つの行事に参加し、電子メールを開け、クリックし、氏のページを訪問。モデルによってEDMの送信頻度を決定することができる。トレンドを予測し、活動を増やすか減らすかを決める。
 
2.財布モデルとは、顧客ごとに最大可能な支出を予測することであり、個々の顧客が製品を購入するための最大の歳出と定義される。そして成長モデルを见なければ現在の総目標市場が小さく、未来の可能性が大きく、発見にこれらの市場が必要になる。
 
最適化3 .価格モデルは、最大限引き上げに販売できる、売り上げや利益のアーキテクチャに、価格の最適化の模型を顧客ごとに、定価を通じ、たい、あなたはここに必要な、製品開発が違うのモデルを開発やgm、顧客の価格の感度の模型を予測し、どちらのオファー確定時、顧客が最大の影響を及ぼす。
 
4 .キーワード推薦の模型、キーワードが推薦できる模型に基づいて一つ購入顧客ネットワーク行為と記録してある内容に対する予測の程度が好きで、顧客に対する何のホットな予測、爆項の兴味が、营销者この予測結果を特定顧客の決定内容をマーケティングがテーマ。
 
5.ギャザーモデルを予測するギャザーモデルとは、顧客がどのタイプに属するかを予測することである。
 
七、AIのマーケティングへの応用
昨年人工知能特別火、特に深さ、機械視覚を学び、言語、識別ゲームaiの躍進でほど人々から恐慌は人工知能が人間が引き継ぎ作業、私は新技術に対する強い興味をも好む新技術、データの現実とのつながり。
 
小売店で支払いのときよく闻されて、「あなたはカード」を私はないとレジの無料の開通が早く私を勧め、割引に必要なだけを埋めの携帯電話番号や電子メール、後ろで購入することができるが、私の記録をマーケティング活動をして私が今度入って、彼らは私の电话番号を消費者の認識を名乗ら当時たい顔認識ができれば、一般人にもっと便利、ブラシ顔を払うことができる。
 
そのシーンは昨年も実験したが、蟻金服一の生体認証ロボット开発し、格好はマークが呼んで、その顔に読めという能力を肉眼で人間の能力を超えた。またvrショッピング、amazonに出した無レジの商店をamazon go、識別ジェスチャーを通じ、モノのインターネットデータと後続発掘など技術ショッピング体験を実现。
 
マーケティングの分野では、主に以下の3つの予測マーケティング技術がある。
 
1、無監督の勉強技術
無監督学習技術はデータ中の隠れモードを識別でき、1つの結果を明確に予測する必要もない。例えば一群の顧客で兴味がチームを見つけ、スキーのかも、長距離かもしれない、普通は置いて類のアルゴリズム、掲示データの集合で潜在顧客の真実。いわゆる類、集まりが自動重要な顾客の属性を発見し、これを分類する。
 
2、監督の勉强が技術
例訓練を通じて機械、識別したデータを学び、目標の結果を受け、この一般盤面データ入力状況予測は、例えば予測ライフサイクル顧客価値、顧客とブランドインタラクティブの可能性は、未来に購入した可能性がある。
 
3、勉強技術を強化
このデータ利用の気質のモデルは、正確な予測が最善の選択の結果、例えば氏に対するユーザーの販促をどの製品を提供しなければならない。この监督の勉強と违って、学習アルゴリズム仅と入力出力する訓練を強化し、勉強の過程を通じて试せい完成です。
 
技術のレベルでは、推薦の模型を応用した合同検閲、ベイズインターネットなどのアルゴリズム模型。勉強は強化されてグーグルbrainチーム関係者の足元は同じ有望ai研究方向の一つ。最近、グーグルのaiディープマインドチームが発表した一「学会強化学習」というタイトルの論文を。
 
チームの言葉通りにとって、「学会の学習」の能力と呼ぶ、または類似関連問題を解決できると呼ぶの要约する能力がある。勉強勉強以外の強化は、移転。移転の勉强は、gmの模型に移転して一人の小データで、それの个性、新しい分野でも効果が、人に似たと褒め、游说。