《大數(shù)據(jù)營銷》大數(shù)據(jù)營銷流程

大數(shù)據(jù)營銷流程【學習目標】知識目標能力目標1、理解大數(shù)據(jù)營銷的流程。1、掌握大數(shù)據(jù)營銷的實施流程。2、理解數(shù)據(jù)采集的過程。2、能夠采集需要的數(shù)據(jù)。3、理解數(shù)據(jù)處理的過程。3、能夠?qū)?shù)據(jù)進行脫敏以及數(shù)據(jù)資產(chǎn)管理。4、理解大數(shù)據(jù)營銷數(shù)據(jù)分析目的。4、掌握大數(shù)據(jù)營銷數(shù)據(jù)分析方法。5、理解主要的大數(shù)據(jù)營銷模型。5、應(yīng)用主要的大數(shù)據(jù)營銷模型?！舅季S導圖】現(xiàn)代郵差你停在過去或現(xiàn)在

?過去郵差一根扁擔遛神州Part2

任務(wù)分解現(xiàn)代購物

你停在過去或現(xiàn)在

?逛商場---大包小包Part2

任務(wù)分解一分鐘發(fā)生了什么事？Part2

任務(wù)分解平均每一分鐘中國互聯(lián)網(wǎng)上發(fā)生了什么？百度搜索查詢48.7萬次5萬條微博465名新用戶1.37億人同時QQ在線556篇博客文章83名新博客4944條心情更新6597篇日志發(fā)布13.9萬張照片上傳3125條狀態(tài)更新發(fā)布417篇日記更新97個視頻上傳到優(yōu)酷，內(nèi)容總計14個小時5.6萬人淘寶在線交易額230萬元80篇新帖子發(fā)布新回復1200篇Part2

任務(wù)分解大數(shù)據(jù)為我們帶來了什么？她是８０／８５后她的生活習慣她喜歡甚麼化妝品她的個性她平常參加哪些互動活動她用甚麼手機她喜歡甚麼電影她喜歡甚麼她的休閒娛樂她平常的作息時間Part2

任務(wù)分解大數(shù)據(jù)為我們帶來了什么？她是８０／８５后商品、美食是她的最愛她愛蘭蔻她個性、清新、時尚對喜歡的東西有某種狂熱她關(guān)注新媒體和移動互聯(lián)網(wǎng)關(guān)注網(wǎng)絡(luò)營銷、推廣活動愛小米愛熱播劇愛汽車愛旅游10點、14點前后是她頻繁上網(wǎng)的時間Part2

任務(wù)分解是的，我們已經(jīng)進入了大數(shù)據(jù)時代Part2

任務(wù)分解【開篇案例】大數(shù)據(jù)時代的愛情

——“百合網(wǎng)”玩轉(zhuǎn)婚戀大數(shù)據(jù)我國擁有將近1.8億的單身適婚男女，“北上廣深”等傳統(tǒng)單身重災區(qū)正逐漸向新興二線城市蔓延，且呈現(xiàn)城市新特點?；閼賳栴}已經(jīng)蔓延成一個社會問題。萬能的大數(shù)據(jù)能否幫助1.8億單身男女解決婚戀問題?【開篇案例】大數(shù)據(jù)時代的愛情

——“百合網(wǎng)”玩轉(zhuǎn)婚戀大數(shù)據(jù)百合網(wǎng)是一家實名認證的婚戀網(wǎng)站，成立于2005年，在中國首次推出“心靈匹配，成就幸?；橐觥钡莫毺鼗閼俜?wù)模式，目前注冊用戶已逾1億。“心靈匹配算法”是基于百合網(wǎng)與北師大心理學院、中科院心理所、北京大學人格與社會心理學研究所多年的研究成果，集合機器智能學習理論，基于中國用戶的心理特征、興趣愛好以及海量行為數(shù)據(jù)，采用聚類算法結(jié)合協(xié)同過濾算法搭建的心靈匹配智能推薦引擎?！鹃_篇案例】大數(shù)據(jù)時代的愛情

——“百合網(wǎng)”玩轉(zhuǎn)婚戀大數(shù)據(jù)對百合網(wǎng)來說，對用戶匹配的難度和技術(shù)含量相當高。百合網(wǎng)采用了大數(shù)據(jù)挖掘和機器學習的手段，為用戶尋找到最匹配的另一半。百合網(wǎng)用戶屬性，直接提供的用戶屬性共有160多項，加上用戶行為分析得出來的數(shù)據(jù)，可能是1000項左右的數(shù)，每個用戶都有1000項左右的用戶屬性數(shù)據(jù)。百合網(wǎng)嘗試了人臉識別和人臉打分，供擇偶參考。

【開篇案例】大數(shù)據(jù)時代的愛情

——“百合網(wǎng)”玩轉(zhuǎn)婚戀大數(shù)據(jù)【思考】

相比于其他婚戀網(wǎng)站，百合網(wǎng)的核心競爭力是什么？1、DMP的含義DMP（DataManagementPlatform，數(shù)據(jù)管理平臺），是把分散的多方數(shù)據(jù)進行整合納入統(tǒng)一的技術(shù)平臺，并對這些數(shù)據(jù)進行標準化和細分，讓用戶可以把這些細分結(jié)果推向現(xiàn)有的互動營銷環(huán)境里的平臺.第一節(jié)構(gòu)建DMP第一節(jié)構(gòu)建DMP2、DMP的作用3、DMP的分類第一方DMP

基于自己的用戶數(shù)據(jù)構(gòu)建第二方DMP

媒體提供的DMP服務(wù)第三方DMP由專門的數(shù)據(jù)公司構(gòu)建第一節(jié)構(gòu)建DMP4、DMP的數(shù)據(jù)源（1）私域數(shù)據(jù)官網(wǎng)數(shù)據(jù)自有電商數(shù)據(jù)自有App數(shù)據(jù)線下數(shù)據(jù)第一節(jié)構(gòu)建DMP4、DMP的數(shù)據(jù)源（2）泛私域數(shù)據(jù)社交數(shù)據(jù)第三方電商數(shù)據(jù)廣告營銷數(shù)據(jù)第一節(jié)構(gòu)建DMP4、DMP的數(shù)據(jù)源（3）公域數(shù)據(jù)第三方購買數(shù)據(jù)網(wǎng)絡(luò)爬蟲數(shù)據(jù)第一節(jié)構(gòu)建DMP4、DMP的數(shù)據(jù)源（1）私域數(shù)據(jù)官網(wǎng)數(shù)據(jù)自有電商數(shù)據(jù)自有App數(shù)據(jù)線下數(shù)據(jù)第一節(jié)構(gòu)建DMP4、DMP的數(shù)據(jù)源（1）私域數(shù)據(jù)官網(wǎng)數(shù)據(jù)自有電商數(shù)據(jù)自有App數(shù)據(jù)線下數(shù)據(jù)第一節(jié)構(gòu)建DMP第一節(jié)構(gòu)建DMP企業(yè)DMP平臺構(gòu)建好以后，接下來進行數(shù)據(jù)采集。過去，傳統(tǒng)的大型企業(yè)，10年的客戶數(shù)據(jù)積累大約在T級別，而現(xiàn)在，通過大數(shù)據(jù)營銷技術(shù)收集數(shù)據(jù)的中小型企業(yè)，也許每月就會產(chǎn)生T級數(shù)據(jù)。第二節(jié)

數(shù)據(jù)采集在建設(shè)過程中，DMP數(shù)據(jù)處理場景一般是批量處理，數(shù)據(jù)采集就是完成ELT的過程，而DMP有部分場景涉及實時流式數(shù)據(jù)處理，數(shù)據(jù)采集就是完成ETL的過程。

所謂ELT是將數(shù)據(jù)從數(shù)據(jù)源提取出來，保留源格式直接裝載在DMP文件系統(tǒng)中，再進行格式轉(zhuǎn)換。ETL則是將數(shù)據(jù)從數(shù)據(jù)源提取的數(shù)據(jù)先進行數(shù)據(jù)格式的轉(zhuǎn)換，再將數(shù)據(jù)裝載進DMP第二節(jié)

數(shù)據(jù)采集1、數(shù)據(jù)采集流程第二節(jié)

數(shù)據(jù)采集數(shù)據(jù)源梳理采集接口技術(shù)類型確定數(shù)據(jù)清洗數(shù)據(jù)轉(zhuǎn)換

第二節(jié)

數(shù)據(jù)采集2、流程分解（1）數(shù)據(jù)源數(shù)理

數(shù)據(jù)源的梳理需要了解業(yè)務(wù)應(yīng)用場景和流程；

數(shù)據(jù)源的梳理需要了解可利用的數(shù)據(jù)源；

瀏覽行為數(shù)據(jù)；搜索行為數(shù)據(jù)；地理行為數(shù)據(jù)；

電商行為數(shù)據(jù)；社交行為數(shù)據(jù)；互聯(lián)網(wǎng)金融行為數(shù)據(jù)

數(shù)據(jù)源的梳理需要了解可利用的數(shù)據(jù)源質(zhì)量

數(shù)據(jù)缺失；數(shù)據(jù)不完整；數(shù)據(jù)不合理；數(shù)據(jù)冗余；數(shù)據(jù)沖突

第二節(jié)

數(shù)據(jù)采集2、流程分解（2）采集接口技術(shù)類型確定

開放的API接口采集；

JS監(jiān)測代碼采集；

SFTP接口采集；

離線文件上傳接口采集；

SDK采集

第二節(jié)

數(shù)據(jù)采集2、流程分解（3）數(shù)據(jù)清洗清洗不完整的數(shù)據(jù)；清洗錯誤的數(shù)據(jù);清洗重復的數(shù)據(jù)

第二節(jié)

數(shù)據(jù)采集2、流程分解（4）數(shù)據(jù)轉(zhuǎn)換數(shù)據(jù)轉(zhuǎn)換是將不一致的數(shù)據(jù)進行轉(zhuǎn)換，將數(shù)據(jù)粒度進行轉(zhuǎn)換，以及按業(yè)務(wù)規(guī)則進行數(shù)據(jù)的計算（1）數(shù)據(jù)清洗；（2）采集接口技術(shù)類型確定；（3）數(shù)據(jù)源梳理；（4）數(shù)據(jù)轉(zhuǎn)換。數(shù)據(jù)處理的流程順序為：（

）（1）（2）（4）（3）（1）（2）（3）（4）（3）（2）（1）（4）（3）（1）（2）（4）ABCD提交單選題2分越來越多的企業(yè)在采集數(shù)據(jù)采用開源的（

）API接口SDK接口JS監(jiān)測代碼SFTP接口ABCD提交單選題2分某軟香酥賣家在了解數(shù)據(jù)采集的渠道后，還必須掌握常見的運營指標，只有明確每個運營指標背后所代表的意義，知己知彼，才能更好地利用這些數(shù)據(jù)運營、管理好網(wǎng)店?？蛦蝺r轉(zhuǎn)化率流量在一定時間內(nèi)打開網(wǎng)站地址的人氣訪問量或者是手機移動數(shù)據(jù)。在一定時期內(nèi)，每位顧客消費的平均價格。所有到達網(wǎng)店店鋪并產(chǎn)生購買行為的人數(shù)和所有到達你的店鋪的人數(shù)的比率。計算方法為：轉(zhuǎn)化率=（產(chǎn)生購買行為的客戶人數(shù)/所有到達店鋪的訪客人數(shù)）×100%。Part2

任務(wù)分解數(shù)據(jù)采集實例分析淘寶官方將流量來源分為五大類，分別是淘內(nèi)免費、自主訪問、付費流量、淘外流量和其他。流量基本概況Part2

任務(wù)分解五大來源的具體含義如下，如果想要具體了解每個來源類型下的細分渠道，可從“生意參謀”-“數(shù)據(jù)學院”-“幫助中心”-“來源注釋”進行查看，如圖所示。

1.自主訪問指訪客主動進入網(wǎng)店，如從收藏夾、已買到的商品等；

2.淘內(nèi)免費指訪客通過淘寶內(nèi)免費的流量渠道進入網(wǎng)店，如淘寶搜索、淘寶首頁、淘寶頻道頁面等；

3.付費流量指訪客通過淘寶內(nèi)付費流量渠道進入網(wǎng)店，如直通車、鉆石展位、淘寶客、聚劃算；

4.淘外流量指訪客通過其他非淘寶來源渠道進入網(wǎng)店，如百度、新浪微博、騰訊空間等；

5.其他指訪客通過其他來源（即非自主訪問、非淘寶內(nèi)免費、非淘寶內(nèi)付費、非淘寶站外）進入網(wǎng)店。流量來源分析Part2

任務(wù)分解流量轉(zhuǎn)化率作為電商運營中的一個重要指標，如果賣家利用各種方法提高進店流量，但整體成交轉(zhuǎn)化率很低，銷售額也很難提高。

成交轉(zhuǎn)化率=成交人數(shù)/訪客數(shù)*100%一般影響轉(zhuǎn)化率的因素包括產(chǎn)品價格及評價、詳情頁設(shè)計、產(chǎn)品圖片、網(wǎng)店裝修、活動因素等。后期賣家可以結(jié)合這些影響因素進行轉(zhuǎn)化率的優(yōu)化。如圖所示為生意參謀中的交易概括，可以查看到下單轉(zhuǎn)化率（即下單買家數(shù)/訪客數(shù)）、支付轉(zhuǎn)化率（即支付買家數(shù)/訪客數(shù)）、下單-支付轉(zhuǎn)化率（即下單且支付買家數(shù)/下單買家數(shù)）。轉(zhuǎn)化率基本概況Part2

任務(wù)分解流量、轉(zhuǎn)化率的每個環(huán)節(jié)每個細節(jié)都與客單價有著千絲萬縷的聯(lián)系?？蛦蝺r=支付金額/支付買家數(shù)網(wǎng)店的流量問題可以通過網(wǎng)絡(luò)推廣、營銷活動逐步解決，轉(zhuǎn)化率問題可以通過提高服務(wù)質(zhì)量、加強頁面設(shè)計美化等提高，而客單價是個復雜的指標，它的影響因素比較復雜?？蛦蝺r不僅僅是平均一個買家買了多錢的產(chǎn)品，而是涉及了網(wǎng)店定位、產(chǎn)品定位、品牌定位等一系列的問題，后期賣家優(yōu)化時可以從關(guān)聯(lián)營銷、老客戶維護等方面進行。轉(zhuǎn)化率基本概況Part2

任務(wù)分解某軟香酥賣家依據(jù)多方面評判營銷活動效果這一目的，進行活動時間段內(nèi)按日采集流量、交易和商品數(shù)據(jù)。賣家登錄淘寶賬號，進入賣家中心，執(zhí)行左側(cè)導航欄中“營銷中心”-“生意參謀”進入生意參謀Part2

任務(wù)分解數(shù)據(jù)采集實施賣家進入生意參謀后，執(zhí)行“經(jīng)營分析”-“流量分析”-“流量概況”，選擇自然日進行數(shù)據(jù)采集，如圖所示。流量概況Part2

任務(wù)分解數(shù)據(jù)采集實施這里需要注意的是在采集數(shù)據(jù)時要選擇好流量端口，是PC端、無線端還是全部數(shù)據(jù)，如圖所示。數(shù)據(jù)端口Part2

任務(wù)分解數(shù)據(jù)采集實施賣家選擇不同日期和終端進行數(shù)據(jù)分析，如通過分析近一個月日均訪客分布，后期可以優(yōu)化寶貝上下架時間、客服排班表等。訪客時段分布分析Part2

任務(wù)分解數(shù)據(jù)采集實施賣家也需要按天采集銷售相關(guān)的數(shù)據(jù)，包括銷售額、下單買家數(shù)、客單價等，如圖所示。在采集該數(shù)據(jù)時，賣家也應(yīng)注意選擇數(shù)據(jù)端口，默認的是所有終端的交易數(shù)據(jù)。交易數(shù)據(jù)分析Part2

任務(wù)分解數(shù)據(jù)采集實施

一般淘寶賣家會根據(jù)實際需求新建Excel表格記錄采集好的數(shù)據(jù)，方便之后的數(shù)據(jù)整理及數(shù)據(jù)分析。如圖所示為示例的網(wǎng)店每日數(shù)據(jù)采集表格，包含采集日期、星期、銷售額（預計、實際、差異）、目標等。網(wǎng)店每日數(shù)據(jù)采集Part2

任務(wù)分解數(shù)據(jù)采集實施賣家在采集完基本的流量、交易相關(guān)的數(shù)據(jù)后，同時也需要周期性地觀察單品的銷售狀況，在生意參謀中，執(zhí)行“經(jīng)營分析”-“商品分析”-“商品效果”，查看每款單品的訪客、瀏覽量、下單件數(shù)、支付金額等數(shù)據(jù)，也可以點擊“更多”,選擇其他的指標數(shù)據(jù)，如圖所示。商品效果分析Part2

任務(wù)分解數(shù)據(jù)采集實施1、數(shù)據(jù)處理流程第三節(jié)

數(shù)據(jù)處理IDMapping數(shù)據(jù)脫敏保護標簽體系設(shè)計與標簽口徑梳理數(shù)據(jù)資產(chǎn)管理

第三節(jié)

數(shù)據(jù)處理2、流程分解（1）IDMapping

不同的數(shù)據(jù)源其ID類型是不同的。比如，微信是通過OpenID/UnionID標識用戶，微博是通過UID來標識用戶，第三方平臺是通過電商賬號、手機號來標識用戶，官網(wǎng)是通過Cookie來標識用戶，WIFI探針是通過抓取到的MAC來標識用戶。

采用一定的方法如基于統(tǒng)計學的Mapping方法等把ID系統(tǒng)進行打通，這就是IDMapping。兩個或兩個以上的數(shù)據(jù)源同時具備了某個ID（比如用戶的手機號），那這些數(shù)據(jù)源就可以通過這個ID關(guān)聯(lián)起來。

第三節(jié)

數(shù)據(jù)處理2、流程分解（1）IDMapping

第三節(jié)

數(shù)據(jù)處理2、流程分解（1）IDMapping

第三節(jié)

數(shù)據(jù)處理2、流程分解（2）數(shù)據(jù)脫敏保護所謂數(shù)據(jù)脫敏保護，是指將用戶的敏感信息或隱私性信息，通過脫敏規(guī)則進行數(shù)據(jù)的去隱私化，最終實現(xiàn)數(shù)據(jù)的可靠保護。常見的需要脫敏的數(shù)據(jù)有姓名、身份證號、地址、電話、銀行賬號、交易日期、交易金額等320981********4145。

第三節(jié)

數(shù)據(jù)處理2、流程分解（3）標簽體系設(shè)計和計算口徑梳理

第三節(jié)

數(shù)據(jù)處理2、流程分解（3）標簽體系設(shè)計和計算口徑梳理

在DMP平臺中，數(shù)據(jù)標簽可以用于消費者篩選、用戶畫像、聚類、精準營銷、業(yè)務(wù)推薦等。標簽一般分為事實標簽、權(quán)重標簽、模型標簽三種。

第三節(jié)

數(shù)據(jù)處理2、流程分解（3）標簽體系設(shè)計和計算口徑梳理

用戶市場屬性標簽

廣告互動情況官網(wǎng)互動情況社交互動情況互動特征（頻次、折扣偏好、渠道偏好）模型標簽

高意向訪客低意向訪客預測標簽

線索預測消費預測

第三節(jié)

數(shù)據(jù)處理2、流程分解（3）標簽體系設(shè)計和計算口徑梳理

用戶基礎(chǔ)屬性標簽

人口屬性地理位置興趣愛好用戶業(yè)務(wù)屬性標簽

保有產(chǎn)品品牌消費能力消費類型

第三節(jié)

數(shù)據(jù)處理2、流程分解（3）標簽體系設(shè)計和計算口徑梳理

在DMP平臺中，標簽體系建設(shè)不是一蹴而就，需要不斷更新和維護，追求的不是大而全，而是簡單好用，以事實標簽和權(quán)重標簽為主，模型標簽為輔。標簽體系建立好以后，需要對標簽進行口徑梳理，包括業(yè)務(wù)口徑梳理和技術(shù)口徑梳理。業(yè)務(wù)口徑梳理需要DMP平臺搭建方與業(yè)務(wù)部門協(xié)商進行，技術(shù)口徑梳理需要DMP平臺搭建方與技術(shù)部門協(xié)商進行。

第三節(jié)

數(shù)據(jù)處理2、流程分解（4）數(shù)據(jù)資產(chǎn)管理

經(jīng)過數(shù)據(jù)清洗、數(shù)據(jù)脫敏、數(shù)據(jù)標簽化后，DMP平臺匯聚大量有效的數(shù)據(jù)，形成寶貴的數(shù)據(jù)資產(chǎn)，DMP平臺應(yīng)具備快速高效管理數(shù)據(jù)的能力。

數(shù)據(jù)資產(chǎn)管理通常情況下包括數(shù)據(jù)治理、數(shù)據(jù)架構(gòu)管理、數(shù)據(jù)開發(fā)、數(shù)據(jù)操作管理、數(shù)據(jù)安全管理、參考數(shù)據(jù)和主數(shù)據(jù)管理、數(shù)據(jù)倉庫和商務(wù)智能管理、文檔和內(nèi)容管理、元數(shù)據(jù)管理和數(shù)據(jù)質(zhì)量管理10項職能。

第四節(jié)

營銷數(shù)據(jù)挖掘與營銷模型1、營銷數(shù)據(jù)挖掘的標準化流程流程分為以下6個步驟：商業(yè)理解、營銷數(shù)據(jù)理解、營銷數(shù)據(jù)準備、建模、模型評估、結(jié)果發(fā)布，其中商業(yè)理解、營銷數(shù)據(jù)理解、營銷數(shù)據(jù)準備是營銷數(shù)據(jù)挖掘花費時間較長的3個步驟，約占1個營銷數(shù)據(jù)挖掘項目進度計劃的85%。

第四節(jié)

營銷數(shù)據(jù)挖掘與營銷模型1、營銷數(shù)據(jù)挖掘的標準化流程

第四節(jié)

營銷數(shù)據(jù)挖掘與營銷模型2、營銷數(shù)據(jù)挖掘的算法營銷數(shù)據(jù)挖掘的算法

第四節(jié)

營銷數(shù)據(jù)挖掘與營銷模型3、營銷模型（1）高價值客戶挖掘模型

營銷問題：金融企業(yè)客戶具有典型的帕累托效應(yīng)，20%的客戶貢獻了80%的業(yè)務(wù)收入。數(shù)據(jù)分析表明，銀行移動端8%的銀行理財客戶擁有75%左右的資產(chǎn)。利用DMP平臺找出這些高資產(chǎn)客戶，分析這些高資產(chǎn)客戶的主要特征，找到類似的高資產(chǎn)客戶。

第四節(jié)

營銷數(shù)據(jù)挖掘與營銷模型3、營銷模型（1）高價值客戶挖掘模型

建模思路：銀行在其DWP平臺上，將分析出的1萬名高資產(chǎn)用戶作為種子用戶，作為學習樣本，以高資產(chǎn)用戶的相關(guān)變量（包括設(shè)備聚集點、APP應(yīng)用名稱、設(shè)備型號、交易信息、客戶信息等）作為輸入變量，通過Look-alike算法，在幾百萬的移動設(shè)備中計算出與這些高資產(chǎn)設(shè)備相似的設(shè)備。利用DMP平臺的ID

mapping對照表，將客戶編號與設(shè)備對應(yīng)，找到這批客戶的聯(lián)系方式。利用客戶數(shù)據(jù)庫CDP（Customerdataplatform，CDP）營銷自動化模塊中的推送功能，推送專屬營銷活動，激活這些客戶的購買行為。

第四節(jié)

營銷數(shù)據(jù)挖掘與營銷模型3、營銷模型（1）高價值客戶挖掘模型

操作步驟：找到擁有80%資產(chǎn)的那20%客戶；分析這些高資產(chǎn)客戶的特征；

利用這些特征，采用Look-alike算法，找相似人群，進行定向營銷，提升20%的總?cè)藬?shù)；

對這20%的高資產(chǎn)客戶進行定向營銷，提升其活躍度；將營銷費用從不起作用的客群轉(zhuǎn)向20%的高價值客戶。

第四節(jié)

營銷數(shù)據(jù)挖掘與營銷模型3、營銷模型（2）客戶營銷響應(yīng)模型

營銷問題：某證券公司每年都會投入巨大的營銷費用，以紅包激勵的方式投向所有客戶。但公司發(fā)現(xiàn)，客戶利用紅包購買理財產(chǎn)品的轉(zhuǎn)化率很低，一般紅包帶動銷售的轉(zhuǎn)化率都低于1%，浪費了大量的激勵紅包和營銷時間。

第四節(jié)

營銷數(shù)據(jù)挖掘與營銷模型3、營銷模型（2）客戶營銷響應(yīng)模型

建模思路：將響應(yīng)紅包的客戶作為種子用戶，在已有的