市場調(diào)查第三版課件 6.3大數(shù)據(jù)分析應(yīng)用

市場調(diào)查與分析職業(yè)教育市場營銷專業(yè)教學(xué)資源庫建設(shè)項目

目錄頁CONTENTSPAGE6.3.1大數(shù)據(jù)認(rèn)知模塊六：整理、分析調(diào)查數(shù)據(jù)6.3大數(shù)據(jù)分析應(yīng)用學(xué)習(xí)目標(biāo)了解大數(shù)據(jù)的特點和商業(yè)應(yīng)用方向；掌握大數(shù)據(jù)分析流程；能根據(jù)業(yè)務(wù)問題，做出科學(xué)的大數(shù)據(jù)分析規(guī)劃，并利用可視化工具進(jìn)行數(shù)據(jù)分析與展示。學(xué)習(xí)重點利用可視化工具進(jìn)行數(shù)據(jù)分析與展示6.3.1.1大數(shù)據(jù)的定義大數(shù)據(jù)又稱巨量資料，是指無法通過人腦甚至主流軟件工具，在合理時間內(nèi)對其內(nèi)容進(jìn)行擷取、管理、處理和整理的數(shù)據(jù)集合。狹義數(shù)據(jù)量龐大數(shù)據(jù)種類繁多無法用常規(guī)歸類方法應(yīng)用計算6.3.1.2大數(shù)據(jù)特點5VVolume（大量）Velocity（高速）Variety（多樣）Value（低價值密度）Veracity（真實性）6.3.1.2大數(shù)據(jù)特點數(shù)據(jù)量大（Volume）1大數(shù)據(jù)最基本的特點就是數(shù)據(jù)量龐大，它是獲取真實數(shù)據(jù)價值和有效潛在信息的前提。隨著云計算、物聯(lián)網(wǎng)等技術(shù)的發(fā)展，數(shù)據(jù)的采集、計算、存儲量也在飛速增長。近4億的會員每天產(chǎn)生的商品交易數(shù)據(jù)約20TB約10億的用戶每天產(chǎn)生的日志數(shù)據(jù)超過300TB6.3.1.2大數(shù)據(jù)特點數(shù)據(jù)流轉(zhuǎn)快速（Velocity）2大數(shù)據(jù)時代，數(shù)據(jù)增長速度快，其獲取和處理速度也快，數(shù)據(jù)的實時性要求越來越明確，這是大數(shù)據(jù)區(qū)分于傳統(tǒng)數(shù)據(jù)處理最顯著的特征。汽車無人駕駛需要快速獲取道路數(shù)據(jù)，依據(jù)數(shù)據(jù)進(jìn)行正確研判并做出及時反應(yīng)，才能實現(xiàn)安全駕駛。6.3.1.2大數(shù)據(jù)特點數(shù)據(jù)類型多樣（Variety）3因為數(shù)據(jù)源不同，數(shù)據(jù)類型和形式也越來越豐富，已經(jīng)打破傳統(tǒng)的結(jié)構(gòu)性數(shù)據(jù)范疇，出現(xiàn)了半結(jié)構(gòu)與非結(jié)構(gòu)數(shù)據(jù)。地理信息圖片音頻視頻6.3.1.2大數(shù)據(jù)特點價值密度低（Value）4傳統(tǒng)數(shù)據(jù)基本都是結(jié)構(gòu)化數(shù)據(jù)，每個字段都是有用的，價值密度非常高。大數(shù)據(jù)時代，越來越多數(shù)據(jù)都是半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，雖然數(shù)據(jù)量比以前大了很多倍，但價值密度確實低了很多。6.3.1.2大數(shù)據(jù)特點數(shù)據(jù)真實可靠（Veracity）5大數(shù)據(jù)中的內(nèi)容是與真實世界中所發(fā)生的活動息息相關(guān)。準(zhǔn)確性高可信賴度高6.3.1.3大數(shù)據(jù)思維總體性思維數(shù)據(jù)獲取從抽樣變?yōu)槿媸占季S方式也應(yīng)該從樣本思維轉(zhuǎn)向總體思維容錯性思維擁有海量數(shù)據(jù)后，絕對精準(zhǔn)不再是追求的主要目標(biāo)，適當(dāng)忽略微觀層面上的精確度，反而可以在宏觀層面擁有更好的洞察力關(guān)聯(lián)性思維大數(shù)據(jù)能分析出事物之間隱蔽的相關(guān)關(guān)系，獲得更多的認(rèn)知與見解思維方式已經(jīng)從因果思維，轉(zhuǎn)變?yōu)殛P(guān)聯(lián)性思維智能化思維大數(shù)據(jù)思維最關(guān)鍵的就是要從自然思維轉(zhuǎn)向智能化思維，使數(shù)據(jù)富有生命力“智能”和“智慧”已成為大數(shù)據(jù)時代的顯著特征

目錄頁CONTENTSPAGE6.3.2大數(shù)據(jù)分析的基本流程模塊六：整理、分析調(diào)查數(shù)據(jù)6.3大數(shù)據(jù)分析應(yīng)用學(xué)習(xí)目標(biāo)了解大數(shù)據(jù)的特點和商業(yè)應(yīng)用方向；掌握大數(shù)據(jù)分析流程；能根據(jù)業(yè)務(wù)問題，做出科學(xué)的大數(shù)據(jù)分析規(guī)劃，并利用可視化工具進(jìn)行數(shù)據(jù)分析與展示。學(xué)習(xí)重點利用可視化工具進(jìn)行數(shù)據(jù)分析與展示大數(shù)據(jù)分析流程6.3.2.1確定目標(biāo)確定目標(biāo)是大數(shù)據(jù)分析的第一步是數(shù)據(jù)采集。明確分析定位確定分析思路確保數(shù)據(jù)分析過程有效進(jìn)行確保分析框架的體系化，使分析更具有說服力6.3.2.1確定目標(biāo)某電商企業(yè)要分析其線上交易用戶行為，以優(yōu)化運營方案。對于這一分析目標(biāo)，我們需要進(jìn)行框架式分解。用戶進(jìn)入APP的主要目的就是消費，其行為可以分為逛和買。因此，可以從瀏覽和購買兩個行為進(jìn)行分析，其中瀏覽行為主要關(guān)注訪問時間、訪問頻次、訪問深度、訪問入口、收藏/加購頻次、停留時長、品類偏好等；購買行為主要分析消費金額、消費頻次、消費偏好等。在此基礎(chǔ)上確定數(shù)據(jù)采集和分析方案。6.3.2.2數(shù)據(jù)采集數(shù)據(jù)采集也即數(shù)據(jù)收集或數(shù)據(jù)獲取，是按照已經(jīng)確定的數(shù)據(jù)分析框架，收集相關(guān)數(shù)據(jù)的過程，它是大數(shù)據(jù)分析的前提，也是大數(shù)據(jù)價值挖掘的重要環(huán)節(jié)。第一手?jǐn)?shù)據(jù)：可直接獲取的數(shù)據(jù)第二手?jǐn)?shù)據(jù)：經(jīng)過加工整理后得到的數(shù)據(jù)6.3.2.2數(shù)據(jù)采集數(shù)據(jù)采集途徑基于物聯(lián)網(wǎng)的數(shù)據(jù)業(yè)務(wù)系統(tǒng)的數(shù)據(jù)庫互聯(lián)網(wǎng)6.3.2.2數(shù)據(jù)采集基于物聯(lián)網(wǎng)的數(shù)據(jù)1指把所有物品通過信息傳感設(shè)備、射頻識別技術(shù)、全球定位系統(tǒng)等與互聯(lián)網(wǎng)連接起來，進(jìn)行信息交換，實時采集各種需要的信息。在自動駕駛中，數(shù)據(jù)的采集主要包括基于GPS（全球定位系統(tǒng)）的定位信息、車載視覺攝像頭數(shù)據(jù)、車載雷達(dá)數(shù)據(jù)等。例6.3.2.2數(shù)據(jù)采集業(yè)務(wù)系統(tǒng)的數(shù)據(jù)庫2一些企業(yè)建設(shè)有自己的業(yè)務(wù)處理系統(tǒng)，系統(tǒng)會用利用MySQL和Oracle等傳統(tǒng)數(shù)據(jù)庫來存儲相關(guān)業(yè)務(wù)數(shù)據(jù)，企業(yè)所產(chǎn)生的業(yè)務(wù)數(shù)據(jù)，都被實施地寫入數(shù)據(jù)庫。6.3.2.2數(shù)據(jù)采集

互聯(lián)網(wǎng)3直接獲取結(jié)構(gòu)化數(shù)據(jù)利用數(shù)據(jù)爬取技術(shù)采集非結(jié)構(gòu)化數(shù)據(jù)要分析某地二手房銷售市場行情，就可以使用進(jìn)入二手房交易平臺，利用數(shù)據(jù)采集工具對數(shù)據(jù)進(jìn)行自動采集6.3.2.3數(shù)據(jù)處理數(shù)據(jù)處理數(shù)據(jù)清洗數(shù)據(jù)集成數(shù)據(jù)轉(zhuǎn)換數(shù)據(jù)歸約對已采集到的數(shù)據(jù)進(jìn)行加工整理，將原始數(shù)據(jù)轉(zhuǎn)化為可以進(jìn)行數(shù)據(jù)分析的格式，是數(shù)據(jù)分析的基礎(chǔ)。基本目的：從大量、雜亂、難以理解的數(shù)據(jù)中，抽取并推導(dǎo)出對解決問題有價值、有意義的數(shù)據(jù)，保證數(shù)據(jù)的一致性和有效性。6.3.2.3數(shù)據(jù)處理

數(shù)據(jù)清洗1對缺失數(shù)據(jù)、重復(fù)信息、異常數(shù)據(jù)進(jìn)行必要的處理，以保證數(shù)據(jù)的一致性（1）缺失值清洗

缺失值主要包含兩種：一是單元缺失，及觀測對象的全部信息均缺失；二是屬性缺失，即觀測對象的部分信息記錄不全。常見的處理方法有：①直接刪除②填充缺失值6.3.2.3數(shù)據(jù)處理

數(shù)據(jù)清洗1（2）重復(fù)值清洗數(shù)據(jù)庫中屬性值相同的記錄被認(rèn)為是重復(fù)記錄，通過判斷記錄間的屬性值是否相等來檢測記錄是否相等，相等的記錄合并為一條記錄（即合并/清除）。

合并/清除是消重的基本方法。6.3.2.3數(shù)據(jù)處理

數(shù)據(jù)清洗1（3）異常值清洗異常值是指那些在數(shù)據(jù)集中存在的不合理的值，可能是因為傳感器故障、人工錄入錯誤或異常事件導(dǎo)致看，如果忽視這些異常值，在某些建模場景下就會導(dǎo)致結(jié)論的錯誤。6.3.2.3數(shù)據(jù)處理

數(shù)據(jù)清洗1（3）異常值清洗

①分箱：將需要處理的數(shù)據(jù)根據(jù)一定的規(guī)則放進(jìn)箱子里，然后根據(jù)數(shù)據(jù)中各個箱子的實際情況對異常數(shù)據(jù)進(jìn)行平滑處理。我們可以對原始數(shù)據(jù)先進(jìn)行一個排序，然后分到3個不同的箱中，按照每個箱的平均值進(jìn)行箱內(nèi)平滑。6.3.2.3數(shù)據(jù)處理

數(shù)據(jù)清洗1（3）異常值清洗

②回歸：構(gòu)建回歸模型，使用回歸函數(shù)去擬合數(shù)據(jù)代替異常數(shù)據(jù)。對數(shù)據(jù)繪制散點圖后，右上角有一個數(shù)據(jù)明顯異常，此時，可以對正常數(shù)據(jù)繪制單線性趨勢，將異常數(shù)據(jù)平滑到線性趨勢線上即可。6.3.2.3數(shù)據(jù)處理

數(shù)據(jù)清洗1（3）異常值清洗③聚類：就是把數(shù)據(jù)劃分為若干聚類，每個類內(nèi)的對象都是十分相似，而類與類之間存在明顯的差距。將某科目成績（百分制）按照規(guī)不合格、合格、優(yōu)秀三個等次聚類后，形成散點圖后，還有3個點是分散于類別外的，就是異常數(shù)據(jù)，可以直接刪除。6.3.2.3數(shù)據(jù)處理

數(shù)據(jù)清洗1（3）異常值清洗④其他：對于部分明顯的邏輯錯誤值，可以利用人工和計算機(jī)配合處理。年齡200歲，要么刪掉，要么就按缺失值處理；身份證號是1101031980XXXXXXXX，但是年齡卻是18歲，這明顯信息不對稱，需要調(diào)整統(tǒng)一。例6.3.2.3數(shù)據(jù)處理

數(shù)據(jù)集成2將不同數(shù)據(jù)源的原始數(shù)據(jù)進(jìn)行轉(zhuǎn)化、合并處理，從而形成集中、統(tǒng)一的數(shù)據(jù)庫、數(shù)據(jù)立方體等，有利于提高大數(shù)據(jù)的完整性、一致性、安全性和可用性等。京東關(guān)鍵詞數(shù)據(jù)淘寶關(guān)鍵詞數(shù)據(jù)某電商企業(yè)淘寶店和京東店某商品關(guān)鍵詞推廣效果6.3.2.3數(shù)據(jù)處理

數(shù)據(jù)集成2

數(shù)據(jù)集成常用的方法：

（1）數(shù)據(jù)倉庫：又稱為ETL，由3個步驟構(gòu)成：提取、變換和裝載。提取就是連接源系統(tǒng)并選擇和收集必要的數(shù)據(jù)用于隨后的分析處理。變換就是通過一系列的規(guī)則將提取的數(shù)據(jù)轉(zhuǎn)換為標(biāo)準(zhǔn)格式。裝載就是將提取并變換后的數(shù)據(jù)導(dǎo)入目標(biāo)存儲基礎(chǔ)設(shè)施。

（2）數(shù)據(jù)聯(lián)合：創(chuàng)建一個虛擬的數(shù)據(jù)庫，從分離的數(shù)據(jù)源查詢并合并數(shù)據(jù)。虛擬數(shù)據(jù)庫并不包含數(shù)據(jù)本身，而是存儲了真實數(shù)據(jù)及其存儲位置的信息或元數(shù)據(jù)。6.3.2.3數(shù)據(jù)處理

數(shù)據(jù)轉(zhuǎn)換3數(shù)據(jù)轉(zhuǎn)換是將數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的、適用于數(shù)據(jù)分析的數(shù)據(jù)形式，消除它們在時間、空間、屬性及精度等特征表現(xiàn)方面的差異，便于分析比較。原始二手房出售信息轉(zhuǎn)換后的二手房出售信息利用采集工具采集到的二手房銷售平臺數(shù)據(jù)中，“房屋信息”這個屬性中包含有房型、面積、朝向等信息，不利于分析，就需要進(jìn)行數(shù)據(jù)轉(zhuǎn)換，將其分割為多個屬性。6.3.2.3數(shù)據(jù)處理

數(shù)據(jù)歸約4在盡量保持?jǐn)?shù)據(jù)原貌前提下，最大限度地精簡數(shù)據(jù)量，以降低無效、錯誤數(shù)據(jù)對數(shù)據(jù)建模的影響，提高建模準(zhǔn)確性，減少數(shù)據(jù)挖掘時間，減低存儲成本。（1）樣本規(guī)約：就是刪除行。（2）特征規(guī)約：就是刪除列。（3）特征值規(guī)約：減少列中值的數(shù)量。6.3.2.4數(shù)據(jù)分析

數(shù)據(jù)分析是指使用適當(dāng)?shù)姆治龇椒肮ぞ?，對處理過的數(shù)據(jù)進(jìn)行分析，提取有數(shù)據(jù)中隱含的價值信息，形成有效結(jié)論的過程，數(shù)據(jù)分析大多是通過軟件來完成。

數(shù)據(jù)挖掘是一種高級的數(shù)據(jù)分析方法，通過算法從大量的數(shù)據(jù)中搜索隱藏的有用信息。數(shù)據(jù)挖掘的算法有兩類：有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)6.3.2.4數(shù)據(jù)分析1.有監(jiān)督學(xué)習(xí)有監(jiān)督學(xué)習(xí)是指存在目標(biāo)變量，探索特征變量和目標(biāo)變量之間的關(guān)系，在目標(biāo)變量的監(jiān)督下學(xué)習(xí)和優(yōu)化算法。分類構(gòu)造分類模型，然后使用該模型對未知樣本進(jìn)行類別判定。分類算法常應(yīng)用于客戶分類、客戶屬性和特征分析、客戶滿意度分析。預(yù)測分析數(shù)據(jù)并建立變量之間的依賴關(guān)系，從而發(fā)現(xiàn)數(shù)據(jù)內(nèi)在規(guī)律，解決相關(guān)問題。主要研究數(shù)據(jù)序列的趨勢特征、數(shù)據(jù)變量間的相關(guān)性等，通常應(yīng)用于客戶關(guān)系維系、產(chǎn)品生命周期分析、銷售趨勢預(yù)測及有針對性的營銷活動等。6.3.2.4數(shù)據(jù)分析2.無監(jiān)督學(xué)習(xí)無監(jiān)督學(xué)習(xí)是指不存在目標(biāo)變量，基于數(shù)據(jù)本身去識別變量內(nèi)在的模式和特征，是沒有目標(biāo)變量監(jiān)督下的模式識別和分析。聚類基于數(shù)據(jù)本身，根據(jù)數(shù)據(jù)的相似性和差異性，將一組數(shù)據(jù)分為幾個類別。經(jīng)過聚類后，屬于同一類別的數(shù)據(jù)間的相似性很大，但不同類別之間數(shù)據(jù)的相似性很小，跨類的數(shù)據(jù)關(guān)聯(lián)性很低。關(guān)聯(lián)是通過分析兩個或多個事物之間存在的關(guān)聯(lián),挖掘隱藏在數(shù)據(jù)間的相互關(guān)系，從而根據(jù)一個數(shù)據(jù)項的出現(xiàn)推導(dǎo)出其他數(shù)據(jù)項的出現(xiàn)。6.3.2.4數(shù)據(jù)分析數(shù)據(jù)挖掘過程6.3.2.5.數(shù)據(jù)呈現(xiàn)也即數(shù)據(jù)可視化，是將大型數(shù)據(jù)分析結(jié)果以圖形、圖表的形式呈現(xiàn)，并利用數(shù)據(jù)分析和開發(fā)工具發(fā)現(xiàn)其中未知信息，對數(shù)據(jù)加以可視化解釋。6.3.2.5.數(shù)據(jù)呈現(xiàn)數(shù)據(jù)可視化的探索過程6.3.2.5.數(shù)據(jù)呈現(xiàn)圖表類型類別比較型圖表的數(shù)據(jù)一般包含數(shù)值型和類別型兩種數(shù)據(jù)類型，比如在柱形圖、條形圖、雷達(dá)圖、坡度圖、詞云圖等。類別比較6.3.2.5.數(shù)據(jù)呈現(xiàn)圖表類型數(shù)據(jù)關(guān)系型圖表分為數(shù)值關(guān)系型、層次關(guān)系型和網(wǎng)絡(luò)關(guān)系型三種圖表類型。包括散點圖、氣泡圖、節(jié)點鏈接圖、樹狀圖、?；鶊D、和弦圖、蜂箱圖等。類別比較數(shù)據(jù)關(guān)系6.3.2.5.數(shù)據(jù)呈現(xiàn)圖表類型數(shù)據(jù)分布型圖表主要顯示數(shù)據(jù)集中的數(shù)值及其出現(xiàn)的頻率或者分布規(guī)律，包括統(tǒng)計直方圖、核密度曲線圖、箱形圖等。類別比較數(shù)據(jù)關(guān)系數(shù)據(jù)分布6.3.2.5.數(shù)據(jù)呈現(xiàn)圖表類型時間序列型圖表強(qiáng)調(diào)數(shù)據(jù)隨時間的變化規(guī)律或者趨勢，X軸一般為時序數(shù)據(jù)，Y軸為數(shù)值型數(shù)據(jù)，包括折線圖、面積圖、雷達(dá)圖、日歷圖、柱形圖等。類別比較數(shù)據(jù)關(guān)系數(shù)據(jù)分布時間序列6.3.2.5.數(shù)據(jù)呈現(xiàn)圖表類型局部整體型圖表能顯示出局部組成成分與整體的占比信息，主要包括餅圖、圓環(huán)圖、旭日圖、華夫餅圖、矩形樹狀圖等。類別比較數(shù)據(jù)關(guān)系數(shù)據(jù)分布時間序列局部整體6.3.2.6總結(jié)報告數(shù)據(jù)分析總結(jié)報告就是將分析結(jié)果、可行性建議以及其他有價值的信息整理傳遞給營銷、管理人員，讓其能對結(jié)果做出正確的判斷與理解，并做出有針對性、操作性、戰(zhàn)略性的決策。大數(shù)據(jù)分析的總結(jié)報告，其作用和內(nèi)容都與常規(guī)市場調(diào)查與分析的報告一樣，就不在此贅述。

目錄頁CONTENTSPAGE6.3.3大數(shù)據(jù)的商業(yè)應(yīng)用模塊六：整理、分析調(diào)查數(shù)據(jù)6.3大數(shù)據(jù)分析應(yīng)用學(xué)習(xí)目標(biāo)了解大數(shù)據(jù)的特點和商業(yè)應(yīng)用方向；掌握大數(shù)據(jù)分析流程；能根據(jù)業(yè)務(wù)問題，做出科學(xué)的大數(shù)據(jù)分析規(guī)劃，并利用可視化工具進(jìn)行數(shù)據(jù)分析與展示。學(xué)習(xí)重點利用可視化工具進(jìn)行數(shù)據(jù)分析與展示6.3.3.1客戶關(guān)系管理整合利用外部數(shù)據(jù)，全面采集客戶信息，深入挖掘客戶關(guān)系屬性，了解隱藏的信息價值，在此基礎(chǔ)上對客戶和信息進(jìn)行明確的定位和分類,針對不同的客戶，采取不同的銷售模式和措施，從而更好地改善用戶體驗，維系客戶關(guān)系,提升個性化營銷效果。6.3.3.2市場預(yù)測大眾在互聯(lián)網(wǎng)上的搜索、點擊、瀏覽、留言、購買等行為數(shù)據(jù)，能直接反映其性格、個人偏好和購買需求等。通過對互聯(lián)網(wǎng)上所保留的大量前兆性數(shù)據(jù)的收集和分析，可以預(yù)測消費者未來的行為趨勢。專業(yè)的大數(shù)據(jù)分析有助于把握消費者心理和行為，更好地了解市場特點和變化趨勢，從而幫助企業(yè)改變營銷策略，挖掘產(chǎn)品與市場。6.3.3.2市場預(yù)測

傳統(tǒng)奢侈品牌PRADA正在向大數(shù)據(jù)時代邁進(jìn)。她在紐約及一些旗艦店里開始了大數(shù)據(jù)時代行動。在紐約旗艦店里，每件衣服上都有RFID碼，每當(dāng)顧客拿起衣服進(jìn)試衣間時，這件衣服上的RFID會被自動識別，試衣間里的屏幕會自動播放模特穿著這件衣服走臺步的視頻。人一看見模特，就會下意識里認(rèn)為自己穿上衣服就會是那樣，不由自主地會認(rèn)可手中所拿的衣服。

而在顧客試穿衣服的同時，這些數(shù)據(jù)會傳至PRADA總部。包括：每一件衣服在哪個城市哪個旗艦店什么時間被拿進(jìn)試衣間停留多長時間，數(shù)據(jù)都被存儲起來加以分析。如果有一件衣服銷量很低，以往的作法是直接被廢棄掉。但如果RFID傳回的數(shù)據(jù)顯示這件衣服雖然銷量低，但進(jìn)試衣間的次數(shù)多。那就說明存在一些問題，衣服或許還有改進(jìn)的余地。

這項應(yīng)用在提升消費者購物體驗的基礎(chǔ)上，還幫助Prada提升了30%以上的銷售量。傳統(tǒng)奢侈品牌在大數(shù)據(jù)時代采取的行動，體現(xiàn)了其對大數(shù)據(jù)運用的視角，也是公司對大數(shù)據(jù)時代的積極回應(yīng)。PRADA公司是如何利用大數(shù)據(jù)進(jìn)行產(chǎn)品優(yōu)化的?6.3.3.3個性精準(zhǔn)營銷精準(zhǔn)推薦商品或服務(wù)1利用大數(shù)據(jù)技術(shù)，能挖掘消費者的消費習(xí)慣和消費行為，從而分析其消費心理特點，并建立相應(yīng)的消費者檔案信息,以此為基礎(chǔ),為消費者推薦更符合其喜好的產(chǎn)品，或者是與已購買產(chǎn)品關(guān)聯(lián)程度較高的產(chǎn)品，以取得更好的營銷效果。6.3.3.3個性精準(zhǔn)營銷美國零售商塔吉特，通過分析所有女性客戶購買記錄，可以“猜出”哪些是孕婦。其發(fā)現(xiàn)女性客戶會在懷孕四個月左右，大量購買無香味乳液。由此挖掘出25項與懷孕高度相關(guān)的商品，制作“懷孕預(yù)測”指數(shù)。推算出預(yù)產(chǎn)期后，就能搶先一步，將孕婦裝、嬰兒床等折扣券寄給客戶。塔吉特還創(chuàng)建了一套購買女性行為在懷孕期間產(chǎn)生變化的模型，不僅如此，如果用戶從它們的店鋪中購買了嬰兒用品，它們在接下來的幾年中會根據(jù)嬰兒的生長周期定期給這些顧客推送相