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(wú)用的,但問(wèn)題是我不知道是哪一半?！薄艾F(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)性化的偏好與需求。面對(duì)客戶的多樣化、層次化和個(gè)性化的偏

2、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(shuō)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(guò)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(wèn)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(lái)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

3、然也就沒(méi)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(guò)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(wú)法通過(guò)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(lái)看一下這個(gè)例子:某企業(yè)有客戶群25 萬(wàn)人,希望對(duì)他們做一次郵寄的促銷活動(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(lái)200元的利潤(rùn)。對(duì)25萬(wàn)用戶全部郵寄,如果

4、響應(yīng)率在1%左右,那么收益=250000*1%*200-250000*1.5=125000;通過(guò)精確的目標(biāo)用戶篩選,選擇2.5萬(wàn)用戶(是總用戶的10%,如果響應(yīng)率達(dá)到5%(是原來(lái)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(guò)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(wú)疑比傳統(tǒng)營(yíng)銷更具優(yōu)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(shuō)的“二八”定律。但“二八”定律對(duì)于以用戶需求為中心的精

5、確營(yíng)銷來(lái)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(wàn)首,這樣用戶便面臨著無(wú)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(guò)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(shuō)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

6、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倍(是原來(lái)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(wèn)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(lái)說(shuō),兩者是類似的。數(shù)據(jù)挖掘正是通過(guò)對(duì)客戶消費(fèi)行為數(shù)據(jù)和歷史規(guī)律的

7、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(lái)說(shuō)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)。分類(Classify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(wèn)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

8、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(guò)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”。通過(guò)訓(xùn)練樣本找出來(lái)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(guò)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

9、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,可以直觀看到滿足“ARPU120 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=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(guò)“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)。

10、除了決策樹之外,Logistic回歸、神經(jīng)網(wǎng)絡(luò)、判別分析等方法也可以構(gòu)建分類模型。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(wèn)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(lái)說(shuō),有8種不同類型的變量,如圖6所示:圖6:

11、不同類型的變量。 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(lái)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% 3.0% 2.

12、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% 171 758 100 865 321 205 286 221 970 351 407 347 331 729

13、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(wèn)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(guò)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 B 的相關(guān)性，

14、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(guò) 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大類問(wèn)題：1、

15、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(wèn)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(lái)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% 4.9% 4

16、.5% 3.4% 秋天不回來(lái) 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(shuí) 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(guò)周杰倫歌曲的用戶中，還下載過(guò)王力宏的比例最高，林俊杰次 之。因此可以針對(duì)下載過(guò)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(shuí) 求佛、香水有毒、不怕不怕 下載了秋天不回來(lái) 2 基于鈴音關(guān)聯(lián)性的