數(shù)據(jù)挖掘在精確營(yíng)銷的應(yīng)用

1、數(shù)據(jù)挖掘在精確營(yíng)銷中的應(yīng)用作者:段勇華院分析技術(shù) (上海 有限公司 技術(shù)總監(jiān)引言美國(guó)前郵政部長(zhǎng)、美國(guó)百貨商店之父約翰·華納梅克曾這樣感嘆到:“ 我在廣告上的投 資有一半是無用的,但問題是我不知道是哪一半。 ”“現(xiàn)代營(yíng)銷之父”菲利普科特勒先生也曾指出:“促銷費(fèi)用的大部分都打了水漂,僅 有 1/10的促銷活動(dòng)能得到高于 5%的響應(yīng)率,而這個(gè)可憐的數(shù)字還在逐年遞減?！边@是專家們對(duì)傳統(tǒng)市場(chǎng)營(yíng)銷體系及理論缺陷的高度概括。那么是什么原因使曾經(jīng)風(fēng)靡一時(shí)的“ 4P ”,“ 4C ”等傳統(tǒng)營(yíng)銷理論在實(shí)戰(zhàn)中大打折扣 了呢?我們認(rèn)為日趨激烈的市場(chǎng)競(jìng)爭(zhēng)是其中一個(gè)因素, 但更重要的因素是客戶日趨個(gè)性化的 偏好

2、與需求。 面對(duì)客戶的多樣化、 層次化和個(gè)性化的偏好與需求, 傳統(tǒng)大眾化的營(yíng)銷就失去 了優(yōu)勢(shì)。 本文將就基于客戶需求的精確營(yíng)銷的概念和方法以及其中數(shù)據(jù)挖掘的應(yīng)用展開詳細(xì) 的闡述。精確營(yíng)銷與大眾營(yíng)銷的對(duì)比那么基于客戶需求的精確營(yíng)銷與大眾營(yíng)銷相比有什么特點(diǎn)和優(yōu)勢(shì)呢?首先, 我們說精確營(yíng)銷是真正以客戶為導(dǎo)向, 側(cè)重于滿足客戶個(gè)性化需求, 通過分析每 個(gè)客戶的消費(fèi)行為和偏好, 進(jìn)而解決兩個(gè)問題:哪些用戶是某個(gè)產(chǎn)品或者營(yíng)銷活動(dòng)的目標(biāo)用 戶?每個(gè)用戶最適合給他推薦的產(chǎn)品是什么?而傳統(tǒng)營(yíng)銷則要籠統(tǒng)的多, 雖然也是基于用戶 細(xì)分來設(shè)計(jì)營(yíng)銷組合, 但是并不知道每個(gè)客戶個(gè)體的偏好以及適合推薦的產(chǎn)品, 最終的營(yíng)銷 是

3、針對(duì)某幾個(gè)用戶群體, 這樣也就忽視了細(xì)分用戶群體里的差異化、 個(gè)性化的需求, 效果自 然也就沒有精確營(yíng)銷好。其次, 精確營(yíng)銷是一個(gè)基于數(shù)據(jù)分析的量化過程, 是以事實(shí)為依據(jù), 是對(duì)用戶使用行為 和偏好的精準(zhǔn)衡量和分析, 從而實(shí)現(xiàn)對(duì)客戶的精準(zhǔn)定位和對(duì)不同客戶不同業(yè)務(wù)內(nèi)容的精確推 薦。 而傳統(tǒng)營(yíng)銷更多采用市場(chǎng)調(diào)研方式了解客戶消費(fèi)行為及偏好, 定性分析和主觀因素要更 多,而且客戶某些潛在的需求和間接的偏好是無法通過調(diào)研得出所有答案的。第三, 精確營(yíng)銷的推廣銷售群體是有針對(duì)性的一部分的目標(biāo)用戶, 而傳統(tǒng)營(yíng)銷則面對(duì)的 是所有大眾。我們來看一下這個(gè)例子:某企業(yè)有客戶群 25 萬人,希望對(duì)他們做一次郵寄的 促

4、銷活動(dòng),每一個(gè)用戶郵寄成本為 1.5元,如果客戶對(duì)促銷活動(dòng)響應(yīng),平均能帶來 200元的利 潤(rùn) 。 對(duì) 25萬 用 戶 全 部 郵 寄 , 如 果 響 應(yīng) 率 在 1%左 右 , 那 么 收 益 =250000*1%*200-250000*1.5=125000;通過精確的目標(biāo)用戶篩選,選擇 2.5萬用戶(是總用 戶 的 10%, 如 果 響 應(yīng) 率 達(dá) 到 5%(是 原 來 的 5倍 , 那 么 收 益 =25000*5%*200-25000*1.5=212500, 比對(duì)全體用戶郵寄的收益提高了 87500元。 通過這個(gè)例 子我們可以看到精確營(yíng)銷在節(jié)約營(yíng)銷成本,提高利潤(rùn)水平上無疑比傳統(tǒng)營(yíng)銷更具優(yōu)

5、勢(shì)。精確營(yíng)銷與長(zhǎng)尾理論在傳統(tǒng)營(yíng)銷中, 由于資源的限制和對(duì)高營(yíng)銷效率的追求, 企業(yè)更關(guān)注重要的人和重要的 事,即重點(diǎn)針對(duì)創(chuàng)造 80%利潤(rùn)的 20%的客戶做營(yíng)銷,這就是我們通常所說的“二八”定律。 但 “二八” 定律對(duì)于以用戶需求為中心的精確營(yíng)銷來講是不適用的。 因?yàn)槲覀儗?duì)用戶分析的 目的就是要找出每一個(gè)個(gè)體在需求上的差異, 進(jìn)而針對(duì)這種差異所產(chǎn)生的個(gè)性化需求進(jìn)行定 向的精確營(yíng)銷。此外, 用戶需求的差異化和產(chǎn)品種類的豐富性也使用戶的選擇趨于多樣化。 以移動(dòng)電話 運(yùn)營(yíng)上的彩鈴業(yè)務(wù)為例,可以供客戶下載的歌曲有上萬首,這樣用戶便面臨著無限的選擇, 而其中的每一首歌曲都有可能被用戶下載, 盡管絕大部分歌曲

6、下載的需求和實(shí)際下載量并不 高, 但這些處于長(zhǎng)尾部分的下載量占總下載量的比例加在一起卻可能超過正態(tài)曲線分布中處 于頭部位置主流歌曲的比例, 也就是說那些不流行的占絕大多數(shù)的彩鈴相對(duì)于流行的少數(shù)主 流彩鈴所創(chuàng)造的收入和利潤(rùn)要更多,這就是目前頗為流行的“長(zhǎng)尾理論” 。圖 1:“長(zhǎng)尾理論”示意 5000下 載 次 數(shù)長(zhǎng)尾理論告訴我們,不僅要關(guān)注處于傳統(tǒng)需求曲線上那個(gè)代表“暢銷品”的頭部; 更 要關(guān)注所謂 “冷銷品” 的長(zhǎng)尾部, 這就需要我們要更深入地研究目標(biāo)客戶群體和個(gè)體之間的 需求差異。數(shù)據(jù)挖掘在精確營(yíng)銷中的應(yīng)用讓我們回到前面某企業(yè)做郵寄促銷的例子,如何才能獲得篩選 10%的用戶,響應(yīng)率提 高 4

7、倍(是原來的 5倍的效果呢?這就是數(shù)據(jù)挖掘的威力。精確營(yíng)銷解決的問題是:哪些用戶是某個(gè)產(chǎn)品或者營(yíng)銷活動(dòng)的目標(biāo)用戶?或者每個(gè)用戶 最適合給他推薦的產(chǎn)品是什么?前者是為產(chǎn)品或者營(yíng)銷活動(dòng)篩選目標(biāo)客戶; 后者是對(duì)用戶進(jìn) 行產(chǎn)品推薦, 從本質(zhì)上來說, 兩者是類似的。 數(shù)據(jù)挖掘正是通過對(duì)客戶消費(fèi)行為數(shù)據(jù)和歷史 規(guī)律的挖掘與分析,進(jìn)而可以找到目標(biāo)用戶的特征,實(shí)現(xiàn)以客戶為中心的精確營(yíng)銷。數(shù)據(jù)挖掘是對(duì)一系列對(duì)數(shù)據(jù)進(jìn)行分析和挖掘的方法的統(tǒng)稱, 在精確營(yíng)銷領(lǐng)域, 最常用的 數(shù)據(jù)挖掘方法主要包括以下三類 (完整來說數(shù)據(jù)挖掘范圍會(huì)更廣, 但本文僅側(cè)重描述如下三 類 :分類、聚類、關(guān)聯(lián)。Æ分類 (Classif

8、y分類是數(shù)據(jù)挖掘應(yīng)用最廣泛的應(yīng)用之一, 分類屬于預(yù)測(cè)性模型, 分類模型解決的問題是 對(duì)類別未知的用戶進(jìn)行預(yù)測(cè), 以判斷其屬于哪個(gè)類別的概率比較高。 例如事先定義用戶的信 用狀況分為兩類:信用好、信用壞。對(duì)于一個(gè)信用狀態(tài)未知的用戶,如果需要預(yù)測(cè)其最有可 能屬于哪個(gè)類別(信用好 /信用壞 ,這就需要構(gòu)建一個(gè)分類模型。分類模型的構(gòu)建需要一個(gè)“類別已知”的歷史樣本,我們稱之為“訓(xùn)練樣本” 。由于訓(xùn) 練樣本中每一個(gè)個(gè)體的類別都是明確的, 因此可以通過分類的算法找出能顯著區(qū)隔不同類別 的典型特征, 這些特征就是分類模型的結(jié)果。 特征變量一般稱為 “自變量” 又叫 “預(yù)測(cè)變量” , 類別變量稱為“目標(biāo)變量”

9、 。通過訓(xùn)練樣本找出來的特征,對(duì)新樣本(又稱“評(píng)分樣本” 進(jìn) 行預(yù)測(cè),以判斷滿足不同特征的用戶屬于不同的類別,如圖 3所示。圖 2:分類模型示意圖 訓(xùn) 練 樣 本 評(píng) 分 樣 本目標(biāo)變量X1X2X3Y自變量事先定義好的兩個(gè)類別對(duì)類別未知的 樣本進(jìn)行預(yù)測(cè) 分類在精確營(yíng)銷中的應(yīng)用某電信運(yùn)營(yíng)商正在推銷某種增值業(yè)務(wù), 需要尋找有購(gòu)買潛力的目標(biāo)用戶特征, 通過數(shù)據(jù) 挖掘分類模型可以非常直觀準(zhǔn)確的找到目標(biāo)用戶:如圖 3所示:訓(xùn)練樣本中有 33.6%的用戶已經(jīng)訂購(gòu)了該增值業(yè)務(wù)(定義為目標(biāo)變量取值“ 1” ,其余 66.4%的用戶均未訂購(gòu)(定義為目標(biāo)變量取值“ 0” 。采用“決策樹”方法構(gòu)建分類模型, 可以直

10、觀看到滿足“ ARPU>120 并且 主叫比例 <67%”特征的用戶中有 50%訂購(gòu)了該增值 業(yè)務(wù), 顯著高于總體中的 33.6%, 因此可以認(rèn)為滿足該特征的用戶購(gòu)買該增值業(yè)務(wù)的可能性 比較高。 同樣, 我們還可以看到 “ ARPU<=120 并且 短信條數(shù) >=50 并且 主叫比例 >=84% 并 且 繳費(fèi)次數(shù) >=2”的用戶購(gòu)買可能性會(huì)更高,達(dá)到了 64.4%。圖 3:通過“決策樹”方法構(gòu)建的分類模型 決策樹是分類模型中最常用的方法之一, 具有預(yù)測(cè)精度高, 預(yù)測(cè)結(jié)果穩(wěn)定性高, 結(jié)果易 理解等優(yōu)點(diǎn)。除了決策樹之外, Logistic 回歸、神經(jīng)網(wǎng)絡(luò)、判別分

11、析等方法也可以構(gòu)建分類 模型。Æ聚類 (Clustering與分類模型有著本質(zhì)的區(qū)別,聚類模型屬于非預(yù)測(cè)模型(描述型模型 。聚類模型解決 的問題是對(duì)用戶進(jìn)行分組(或者叫分群 ,特征相似用戶在一個(gè)組內(nèi),特征不同的用戶分在 不同的組。聚類模型不需要“目標(biāo)變量” ,只需要給定自變量,聚類模型就可以自動(dòng)的對(duì)用戶進(jìn)行 分組,輸出每個(gè)樣本對(duì)應(yīng)的組編號(hào),如圖 4所示。圖 4:聚類模型示意圖變量樣 本 分組編號(hào) x1x2x3x4聚類在精確營(yíng)銷中的應(yīng)用選擇聚類所需的變量是構(gòu)建聚類模型最關(guān)鍵的工作, 變量的選擇往往取決于應(yīng)用的目標(biāo) 要求,一般來說,有 8種不同類型的變量,如圖 6所示:圖 6:不同類型的

12、變量。 針對(duì)產(chǎn)品類別 和溝通渠道的 態(tài)度 使用產(chǎn)品 使用量 費(fèi)用支出選擇符合應(yīng)用需求的變量來構(gòu)建聚類模型, 對(duì)用戶進(jìn)行分組, 如下圖所示, 針對(duì)聚類生 成的 17個(gè)細(xì)分群體,可以進(jìn)一步統(tǒng)計(jì)其產(chǎn)品使用情況,進(jìn)而可以找到針對(duì)不同群體實(shí)施精 確營(yíng)銷的機(jī)會(huì)。圖 7:針對(duì)聚類生成的不同細(xì)分群體產(chǎn)品使用情況統(tǒng)計(jì)組4（業(yè)務(wù)繁忙組）客戶中 使用彩信的比例較高，但使 9.0 用者的使用頻次并不高 8.0 啟發(fā)：彩信“送貨上門” 7.0 6.0 5.0 4.0 3.0 2.0 1.0 0.0 #1 #2 #3 #4 #5 #6 各組中彩信用戶月均彩信次數(shù) 及彩信使用率比較 5.0% 4.5% 4.0% 3.5%

13、3.0% 2.5% 2.0% 1.5% 1.0% 0.5% 0.0% #7 #8 #9 #10 #11 #12 #13 #14 #15 #16 #17 總體 平均次數(shù) 3.7 5.1 3.0 2.7 4.5 4.7 4.7 4.2 3.4 8.5 4.8 3.8 3.0 5.4 2.5 3.9 2.6 4.0 組內(nèi)比例 0.6% 3.1% 0.3% 2.7% 1.4% 1.7% 2.4% 0.9% 1.2% 0.6% 2.4% 1.2% 1.9% 2.0% 0.7% 1.1% 1.2% 0.9% 171 758 100 865 321 205 286 221 970 351 407 347 3

14、31 729 640 420 241 注釋：左軸表示本組內(nèi)使用彩信者的月均彩信次數(shù)，右軸指這些客戶占本組客戶總數(shù)的百分比。 關(guān)聯(lián)(Association 關(guān)聯(lián)模型與聚類模型都屬于非預(yù)測(cè)模型，其主要解決的問題是研究產(chǎn)品購(gòu)買的關(guān)聯(lián)性， 即買 A 產(chǎn)品的同時(shí)是否會(huì)對(duì) B 產(chǎn)品也很感興趣。經(jīng)典的數(shù)據(jù)挖掘案例“啤酒和尿布”就屬 于關(guān)聯(lián)模型。 關(guān)聯(lián)模型又叫“購(gòu)物籃分析” ，這個(gè)名字很形象，在超市購(gòu)物時(shí)一個(gè)購(gòu)物車中往往會(huì)放 多種不同的商品， 通過對(duì)大量的購(gòu)物車進(jìn)行分析， 這些商品之間可能會(huì)存在眾多意料之中或 意料之外的關(guān)聯(lián)性。關(guān)聯(lián)模型中度量?jī)蓚€(gè)產(chǎn)品關(guān)聯(lián)性強(qiáng)弱主要用三個(gè)指標(biāo)： 針對(duì)兩個(gè)商品 A，B，研究 A

15、B 的相關(guān)性，三個(gè)指標(biāo)的定義如下： 支持度(Support：表示 A、B 同時(shí)購(gòu)買的人數(shù)占總購(gòu)買人數(shù)的比例。支持度越高，表示 A,B 商品同時(shí)購(gòu)買的人數(shù)越多，這兩個(gè)商品越主流。 可信度(Confidence： 表示在購(gòu)買 A 商品的人中同時(shí)購(gòu)買了 B 商品的比例。 可信度越高， 表示購(gòu)買了 A 商品后再購(gòu)買 B 商品的可能性就越大。 提升度(lift：可信度除以總用戶中購(gòu)買過 B 商品的用戶占比。提升度越高，表示購(gòu)買了 A 商品對(duì)購(gòu)買 B 商品的影響度就越大，也即他們之間的相關(guān)性就越強(qiáng)。 關(guān)聯(lián)模型的示意圖如下所示： 圖 8：關(guān)聯(lián)規(guī)則模型示意圖 關(guān)聯(lián)模型在精確營(yíng)銷中的應(yīng)用 關(guān)聯(lián)模型主要可以解決兩

16、大類問題：1、如何對(duì)用戶進(jìn)行商品推薦？2、把哪些商品捆綁 在一起銷售更好？前者我們叫“交叉銷售”的問題，后者叫“捆綁銷售” 。 以電信運(yùn)營(yíng)商的彩鈴業(yè)務(wù)為例， 我們把歌曲或者歌手當(dāng)做商品來研究， 用戶在訂購(gòu)歌曲 或者某個(gè)歌手的歌曲時(shí)的關(guān)聯(lián)性如下圖所示： 圖：彩鈴關(guān)聯(lián)規(guī)則分析 下載周杰倫 王力宏 林俊杰 SHE 潘瑋柏 蔡依林 其他歌手的可能性 4.0% 3.5% 3.2% 2.8% 2.5% 下載鳳凰傳奇 龐龍 刀郎 火風(fēng) 布仁巴雅爾 謝雨欣 其他歌手的可能性 9.8% 3.7% 3.6% 3.6% 3.2% 下載王強(qiáng) 誓言 鄭源 張振宇 劉嘉亮 周傳雄 其他歌手的可能性 15.5% 12.7%

17、 4.9% 4.5% 3.4% 秋天不回來 求佛 香水有毒 不怕不怕 不得不愛 大城小愛 其他歌曲的可能性 16.6% 7.0% 5.5% 4.7% 4.6% 菊花臺(tái) 千里之外 黃金甲 隱形的翅膀 大城小愛 不得不愛 其他歌曲的可能性 7.3% 5.5% 2.9% 2.9% 2.5% 求佛 其他歌曲的可能性 6.6% 5.3% 5.2% 5.1% 4.6% 你是我的玫瑰花 你到底愛誰 老公老公我愛你 兩只蝴蝶 不怕不怕 從上圖可以看出：下載過周杰倫歌曲的用戶中，還下載過王力宏的比例最高，林俊杰次 之。因此可以針對(duì)下載過周杰倫歌曲的用戶推薦王力宏或者林俊杰的歌曲（交叉銷售）或者 把周杰倫、王力宏、林俊杰的歌曲捆綁在一起打折銷售給客戶（捆綁銷售） 。如下圖所示： 圖 10：基于關(guān)聯(lián)規(guī)則的交叉銷售和捆綁銷售示例 1 基于鈴音關(guān)聯(lián)性的 交叉推薦 下載了周杰倫 下載了王強(qiáng) 下載了求佛 王力宏、林俊杰、SHE、潘瑋柏 誓言、鄭源、張振宇、劉嘉亮 你是我的玫瑰花、你到底愛誰 求佛、香水有毒、不怕不怕 下載了秋天