数据挖掘在精准营销中的应用

精准营销就是在精准定位的基础上,依托现代信息技术手段建立个性化的顾客沟通服务体系,实现企业可度量的低成本扩张之路,是有态度的网络营销理念中的核心观点之一。
精准营销需要解决的问题是:哪些用户是某个产品或者营销活动的目标用户?或者是每个用户最适合推荐什么产品?前者是找目标用户,后者是为用户推荐产品,两者是类似的。


我们可以利用数据挖掘技术对顾客的购买行为和历史的规律进行分析和挖掘,从而定位目标用户群体,实现以顾客为中心的精准营销。

1、精准营销方法论
以顾客行为数据为基础,结合数据挖掘技术和不同营销手段,建立精准营销流程,形成从数据分析、预测模型、模型营销应用以及后续监测和评估的闭环。

如下图1是精准营销方法论,将数据挖掘和营销活动有机的连接形成了营销闭环。

精准营销方法论

图1:精准营销方法论

2、精准营销中常见的数据挖掘算法
数据挖掘是指从大量数据中通过算法搜索隐藏于其中信息的过程。在精准营销中我们常用的数据挖掘的算法有:聚类、分类、关联。

1)聚类
聚类是一种无监督的学习算法,也就是说聚类不需要”结果变量“,它可以通过对自变量的探索自动告诉你应该分成多少类。聚类的基本原理是根据样本自身的属性,用数学方法按照某种相似性或差异性指标,定量地确定样本之间的亲疏关系,并按这种亲疏关系程度对样本进行聚类。

聚类过程

图2:聚类过程

聚类在精准营销中的应用
某电商公司进口食品类目需要探索不同消费者群体特征,我们结合最近半年购买进口食品类目的顾客的购买品类、购物方式、购物时间等因素通过聚类进行分类,找出每类用户的特征。通过聚类我们分成了11组,可以看出每一组人群特征,从而针对不同的组实现精准营销。

聚类分组结果

表1:聚类分组结果

2)分类
分类是一种有监督的学习方法,分类属于预测性模型,是通过对过去数据的学习来判断未来某种行为。例如在电商客户中事先定义好顾客是否流失,如果我们要预测未来一段时间某个顾客是否流失,这时就要构建分类模型。分类学习方法所使用的数据集称为训练集,训练集中每一个个体都有明确的类别,通过训练集中的数据表现出来的特征,为每一个类找到一种准确的描述或者模型。

分类模型示意图
图2:分类模型示意图

分类在精准营销中的应用
小王的目的是通过下周天气预报寻找什么时候人们会打高尔夫,他了解到人们决定是否打球的原因最主要取决于天气情况。而天气状况有晴,云和雨;气温用华氏温度表示;相对湿度用百分比;还有有无风。如此,我们便可以构造一棵决策树,如下(根据天气这个分类决策这天是否合适打网球):

通过“决策树”构建分类模型

图3:通过“决策树”构建分类模型

从上面分类树种我们可以看出人们打高尔夫的条件是:晴天并且湿度小于70或者多云天气或者雨天不刮风,这三种情况人们打高尔夫的概率会比较大。
决策树是是分类模型常用的方法之一,其优点是容易理解、预测准确度高。除了决策树我们还可以利用logistic回归,神经网络、贝叶斯分类器、SVM等算法构建分类模型。

3)关联
关联分析是从大量数据中发现项集之间有趣的关联和相关联系。关联分析的一个典型例子是购物篮分析。该过程通过发现顾客放入其购物篮中的不同商品之间的联系,分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买,这种关联的发现可以帮助零售商制定营销策略。

在数据挖掘当中,通常用 “ 支持度 ” ( support )和 “ 置性度 ” ( confidence )两个概念来量化事物之间的关联规则。关联规则 A->B 的支持度 support=P(AB) ,指的是事件 A 和事件 B 同时发生的概率。置信度 confidence=P(B|A)=P(AB)/P(A), 指的是发生事件 A 的基础上发生事件 B 的概率。同时满足最小支持度阈值和最小置信度阈值的规则称为强规则 。比如:Computer => antivirus_software , 其中 support=2%, confidence=60%,表示的意思是所有的商品交易中有 2% 的顾客同时买了电脑和杀毒软件,并且购买电脑的顾客中有 60% 也购买了杀毒软件。

关联规则在精准营销中应用
某电商公司的类目运营通过找出二级类目之间的关联性,来指导跨类目的联合促销。我们通过订单数据利用关联规则计算关联性结果如下:

关联规则结果

图4:关联规则结果

根据上述的关联规则,我们在做促销活动时,可以考虑将厨房调料和纸质品、厨房调料和粮油、饼干和坚果等相关产品一起捆绑销售。

作者介绍
张仙鹤:1号店数据分析总监
10年数据分析经验,曾任职盛大文学、麦考林等知名互联网公司,曾是SAS公司外聘的SAS课程培训讲师。