數(shù)據(jù)挖掘在精確營銷的應用

1、數(shù)據(jù)挖掘在精確營銷中的應用作者:段勇華院分析技術(shù) (上海 有限公司 技術(shù)總監(jiān)引言美國前郵政部長、美國百貨商店之父約翰·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)代營銷之父”菲利普科特勒先生也曾指出:“促銷費用的大部分都打了水漂,僅 有 1/10的促銷活動能得到高于 5%的響應率,而這個可憐的數(shù)字還在逐年遞減?！边@是專家們對傳統(tǒng)市場營銷體系及理論缺陷的高度概括。那么是什么原因使曾經(jīng)風靡一時的“ 4P ”,“ 4C ”等傳統(tǒng)營銷理論在實戰(zhàn)中大打折扣 了呢?我們認為日趨激烈的市場競爭是其中一個因素, 但更重要的因素是客戶日趨個性化的 偏好

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

3、針對某幾個用戶群體, 這樣也就忽視了細分用戶群體里的差異化、 個性化的需求, 效果自 然也就沒有精確營銷好。其次, 精確營銷是一個基于數(shù)據(jù)分析的量化過程, 是以事實為依據(jù), 是對用戶使用行為 和偏好的精準衡量和分析, 從而實現(xiàn)對客戶的精準定位和對不同客戶不同業(yè)務內(nèi)容的精確推 薦。 而傳統(tǒng)營銷更多采用市場調(diào)研方式了解客戶消費行為及偏好, 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, 精確營銷的推廣銷售群體是有針對性的一部分的目標用戶, 而傳統(tǒng)營銷則面對的 是所有大眾。我們來看一下這個例子:某企業(yè)有客戶群 25 萬人,希望對他們做一次郵寄的 促

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

5、勢。精確營銷與長尾理論在傳統(tǒng)營銷中, 由于資源的限制和對高營銷效率的追求, 企業(yè)更關(guān)注重要的人和重要的 事,即重點針對創(chuàng)造 80%利潤的 20%的客戶做營銷,這就是我們通常所說的“二八”定律。 但 “二八” 定律對于以用戶需求為中心的精確營銷來講是不適用的。 因為我們對用戶分析的 目的就是要找出每一個個體在需求上的差異, 進而針對這種差異所產(chǎn)生的個性化需求進行定 向的精確營銷。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。 以移動電話 運營上的彩鈴業(yè)務為例,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、下載的需求和實際下載量并不 高, 但這些處于長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)的彩鈴相對于流行的少數(shù)主 流彩鈴所創(chuàng)造的收入和利潤要更多,這就是目前頗為流行的“長尾理論” 。圖 1:“長尾理論”示意 50001000015000200002500030000下 載 次 數(shù)長尾理論告訴我們,不僅要關(guān)注處于傳統(tǒng)需求曲線上那個代表“暢銷品”的頭部; 更 要關(guān)注所謂 “冷銷品” 的長尾部, 這就需要我們要更深入地研究目標客戶群體和個體之間的 需求差異。數(shù)據(jù)挖掘在精確營銷中的應用讓我們回到前面某企業(yè)做郵寄促銷的例子

7、,如何才能獲得篩選 10%的用戶,響應率提 高 4倍(是原來的 5倍的效果呢?這就是數(shù)據(jù)挖掘的威力。精確營銷解決的問題是:哪些用戶是某個產(chǎn)品或者營銷活動的目標用戶?或者每個用戶 最適合給他推薦的產(chǎn)品是什么?前者是為產(chǎn)品或者營銷活動篩選目標客戶; 后者是對用戶進 行產(chǎn)品推薦, 從本質(zhì)上來說, 兩者是類似的。 數(shù)據(jù)挖掘正是通過對客戶消費行為數(shù)據(jù)和歷史 規(guī)律的挖掘與分析,進而可以找到目標用戶的特征,實現(xiàn)以客戶為中心的精確營銷。數(shù)據(jù)挖掘是對一系列對數(shù)據(jù)進行分析和挖掘的方法的統(tǒng)稱, 在精確營銷領(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)挖掘范圍會更廣, 但本文僅側(cè)重描述如下三 類 :分

8、類、聚類、關(guān)聯(lián)。Æ分類 (Classify分類是數(shù)據(jù)挖掘應用最廣泛的應用之一, 分類屬于預測性模型, 分類模型解決的問題是 對類別未知的用戶進行預測, 以判斷其屬于哪個類別的概率比較高。 例如事先定義用戶的信 用狀況分為兩類:信用好、信用壞。對于一個信用狀態(tài)未知的用戶,如果需要預測其最有可 能屬于哪個類別(信用好 /信用壞 ,這就需要構(gòu)建一個分類模型。分類模型的構(gòu)建需要一個“類別已知”的歷史樣本,我們稱之為“訓練樣本” 。由于訓 練樣本中每一個個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”

9、 又叫 “預測變量” , 類別變量稱為“目標變量” 。通過訓練樣本找出來的特征,對新樣本(又稱“評分樣本” 進 行預測,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 練 樣 本 評 分 樣 本目標變量X1X2X3Y自變量事先定義好的兩個類別對類別未知的 樣本進行預測 分類在精確營銷中的應用某電信運營商正在推銷某種增值業(yè)務, 需要尋找有購買潛力的目標用戶特征, 通過數(shù)據(jù) 挖掘分類模型可以非常直觀準確的找到目標用戶:如圖 3所示:訓練樣本中有 33.6%的用戶已經(jīng)訂購了該增值業(yè)務(定義為目標變量取值“ 1” ,其余 66.4%的用戶均未訂購(定義為目標變量取值“

10、 0” 。采用“決策樹”方法構(gòu)建分類模型, 可以直觀看到滿足“ ARPU>120 并且 主叫比例 <67%”特征的用戶中有 50%訂購了該增值 業(yè)務, 顯著高于總體中的 33.6%, 因此可以認為滿足該特征的用戶購買該增值業(yè)務的可能性 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 繳費次數(shù) >=2”的用戶購買可能性會更高,達到了 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, 具有預測精度高, 預測結(jié)果穩(wěn)定性高, 結(jié)果易 理解等優(yōu)點。除了決策

11、樹之外, Logistic 回歸、神經(jīng)網(wǎng)絡、判別分析等方法也可以構(gòu)建分類 模型。Æ聚類 (Clustering與分類模型有著本質(zhì)的區(qū)別,聚類模型屬于非預測模型(描述型模型 。聚類模型解決 的問題是對用戶進行分組(或者叫分群 ,特征相似用戶在一個組內(nèi),特征不同的用戶分在 不同的組。聚類模型不需要“目標變量” ,只需要給定自變量,聚類模型就可以自動的對用戶進行 分組,輸出每個樣本對應的組編號,如圖 4所示。圖 4:聚類模型示意圖變量樣 本 分組編號 x1x2x3x4聚類在精確營銷中的應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用的目標 要求,一般來說,有 8

12、種不同類型的變量,如圖 6所示:圖 6:不同類型的變量。 針對產(chǎn)品類別 和溝通渠道的 態(tài)度 使用產(chǎn)品 使用量 費用支出選擇符合應用需求的變量來構(gòu)建聚類模型, 對用戶進行分組, 如下圖所示, 針對聚類生 成的 17個細分群體,可以進一步統(tǒng)計其產(chǎn)品使用情況,進而可以找到針對不同群體實施精 確營銷的機會。圖 7:針對聚類生成的不同細分群體產(chǎn)品使用情況統(tǒng)計組4（業(yè)務繁忙組）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

13、用率比較 5.0% 4.5% 4.0% 3.5% 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

14、286 221 970 351 407 347 331 729 640 420 241 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測模型，其主要解決的問題是研究產(chǎn)品購買的關(guān)聯(lián)性， 即買 A 產(chǎn)品的同時是否會對 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“購物籃分析” ，這個名字很形象，在超市購物時一個購物車中往往會放 多種不同的商品， 通過對大量的購物車進行分析， 這些商品之間可能會存在眾多意料之中或 意料之外的關(guān)聯(lián)性。關(guān)聯(lián)模型中度量兩個產(chǎn)品關(guān)聯(lián)性強弱

15、主要用三個指標： 針對兩個商品 A，B，研究 A B 的相關(guān)性，三個指標的定義如下： 支持度(Support：表示 A、B 同時購買的人數(shù)占總購買人數(shù)的比例。支持度越高，表示 A,B 商品同時購買的人數(shù)越多，這兩個商品越主流。 可信度(Confidence： 表示在購買 A 商品的人中同時購買了 B 商品的比例。 可信度越高， 表示購買了 A 商品后再購買 B 商品的可能性就越大。 提升度(lift：可信度除以總用戶中購買過 B 商品的用戶占比。提升度越高，表示購買了 A 商品對購買 B 商品的影響度就越大，也即他們之間的相關(guān)性就越強。 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

16、關(guān)聯(lián)模型在精確營銷中的應用 關(guān)聯(lián)模型主要可以解決兩大類問題：1、如何對用戶進行商品推薦？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” 。 以電信運營商的彩鈴業(yè)務為例， 我們把歌曲或者歌手當做商品來研究， 用戶在訂購歌曲 或者某個歌手的歌曲時的關(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 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 誓言 鄭源 張振宇 劉嘉亮

17、 周傳雄 其他歌手的可能性 15.5% 12.7% 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 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 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