大数据营销：方法、工具与实例（微课版）

大数据营销:方法、工具与实例（微课版）Big

Data

Marketing:

Method,ToolsandEnterpriseApplications(Microlecture

Edition)2024/8Copyright@20241•

第1章大数据营销概论•

第2章大数据时代的营销战略•

第3章如何构建有效的客户关系营销数据库•

第4章基于ARFM模型的顾客价值解析与策略运用•

第5章基于因素分析的购物篮分析•

第6章基于联合分析的新产品推荐系统•

第7章基于CHAID的顾客分群锁定与画像大数据营销课程主要内容2024/8Copyright@202424章数据分析实操实操1和实操2整理给定的原始数据并分别计算出R、

F、

M

，

画出F和M的散点图，并对顾客分类结果加以解读。

实操3计算每个顾客的CAI值，并画出ARFM模型的散点图，

再对顾客分类结果加以解读。•

第5章数据分析实操实操1对给定数据做信度分析，以检验其是否适合做因素分析。实操2对给定数据做因素分析，构建合适的购物篮，并将其推荐给合适的顾客。•

第6章数据分析实操实操1基于5种汽车属性做正交设计，再填写调查问卷并估计个性化偏好结构，计算个人对某产品的偏好分数。

实操2基于顾客购买3C产品的6种通用属性做正交设计，再整合产品轮廓与购买记录。实操3对实操2的数据做二元罗吉斯回归分析并对结果进行解读。•

第7章数据分析实操实操1对于给定数据，

分别用层级式集群法（华德法）

和非层级式集群法（

K平均法）做集群分析并解读结果。

实操2对于给定数据，分别通过卡方检验和F检验锁定目标客群。实操3对于给定数据，分别通过因变量为定量指标和定性指标的CHAID进行顾客画像并解读分析结果。数据分析实操（Excel+SPSS）2024/8Copyright@2024

3•

第学习目标引例方太“双十一”推广实例1.1大数据营销的定义1.2建立营销数据库1.3寻找合适的营销理论1.4用营销语言解读统计模型

1.5符合行为模式的统计模型1.6一对一营销第1章大数据营销概论目录2024/8Copyright@20244•

知识目标

理解大数据营销的定义

寻找合适的营销理论

掌握用营销语言解读统计模型的方法•

素养目标

培养科学的大数据营销观念

建立营销理论与统计模型相结合的思维框架第1章学习目标2024/8Copyright@20245见《大数据营销:方法、工具与实例（微课版）》P2-3•

案例思考

请问在此次“双十一”活动中，互动通帮助方太做了什么？

你觉得效果如何？

本实例中是否提及方太实际的成本及收益？

若没有，你预估会是怎样的状况？

此次“双十一”活动之后，方太还可以做什么？该如何着手？引例方太“双十一”推广实例2024/8Copyright@20246大数据营销是主要基于企业（包括各种互联网企业、众多实体企业

）自身的顾客行为大数据，结合经典营销理论构建恰当的统计模型，并借助各种计算机软件进行数据分析，精准锁定目标顾客，科学制定企业营销决策并

指导后续营销活动的一系列过程。数字化转型或数字化战略的实质应该是充分发挥数据的作用与价值。企业只有做到洞人心扉（

Readpeople’s

mind）和动人心扉（

Touchtheirsoul）才能实现顾客价值创造，这需要企业有较强的数据分析能力和营销能力。本书将围绕上述主题，并以笔者亲手诊断和分析的多个行业的多家本土企业为例，深入浅出地

讲解企业如何利用大数据实现精准营销。大数据营销定义2024/8Copyright@20247•

缺少以营销为目的而建立的数据库•

营销人员应明确制定策略需要哪些数据

，

避免因误用不适当的数据

而导致决策失误

，

从而造成损失。•

获得有效营销决策信息的关键在于建立一个以营销为目的的数据

库

。•

在获取大数据之后

，

该选择哪些资料进行分析？应该使用什么分析

方法？

如何解读分析结果成为决策的依据？

这些都是本门课程想要建立营销数据库2024/8Copyright@2024讨论的议题。8•

面对营销决策问题时

，

一定要事先找寻一个适合的营销理论

，

如市场细分、

定位策略、

消费者行为等•

再根据该理论去解释决策问题背后可能会有哪些解决方案•

接着思考企业如何从内部的营销数据库中

，

挑选出具有该特征的消

费者

，

建立促销对象名单•

理想情况是根据相关理论在数据库中找到符合该特征的影响因素•

若没有就建立一个新指标去衡量

，

再做问卷调查等获取数据寻找合适的营销理论2024/8Copyright@20249

统计模型需搭配营销理论

，统计分析才能发挥真正的效益。

以概率分布为例

，位

置与离散程度分别由平均数与标准差

，这两个参数所决定

，且µ1

=

µ2。统计语言

解读：对称、正态分布

如何用营销语言解读？

从消费者角度说明这两个分布代表两群消费者的行为异质性。左边的分布较高窄，代表这个市场的消费者同质化，故单一的营销策略执行效率较高。右边的分布则

较扁平，变异程度明显大于前者(ρ2

>ρ1

），该市场消费者行为特性很异质，需

做深度市场细分，提升资料分析准确性与营销策略有效性。图1-1

两个概率分布示意图2024/8Copyright@2024用营销语言解读统计模式10•传统观点主张时间序列模型做预测，但前提是未来的波动是过去的

延伸•但过去的每一个时间点，都代表着一个当时的、特定的市场结构特性，而是市场结构特性会变化•在预测之前，除观察现象本身的时间变化，

更应该根据理论找出可能的领先指标。•找到适合的领先指标后，再收集对应的资料，最后用统计模型分析符合行为模式的统计模式2024/8Copyright@202411•为提升营销策略的效率，企业先选定目标顾客，再根据其习性制定营销策略•客户个人的行为习惯与数据库中的其他客户可能无关，若将所有

客户资料纳入分析，很可能降低统计推论的有效性，也难以使用

营销语言解读分析结果•大数据的可贵之处是容许企业了解每位客户的行为特征与需求，

以及生活在哪个角度。•一旦锁定目标市场，企业就有能力找到每一位客户在哪，

并进行

一对一营销，即可以针对特定顾客作分析。一对一营销2024/8Copyright@202412•

第1章大数据营销概论•

第2章大数据时代的营销战略•

第3章如何构建有效的客户关系营销数据库•

第4章基于ARFM模型的顾客价值解析与策略运用•

第5章基于因素分析的购物篮分析•

第6章基于联合分析的新产品推荐系统•

第7章基于CHAID的顾客分群锁定与画像大数据营销课程主要内容2024/8Copyright@202413学习目标引例基于消费者价值的数据分析助力B2B企业制定更科学的营销战略实例

2.1经典的营销理论框架2.2大数据时代营销战略的决策模式变化2.3营销资料架构2.4消费者行为的特质：异质性和动态性2.5营销思潮的演进2.6消费者的隐私权第2章大数据时代的营销战略2024/8Copyright@202414•

知识目标

理解经典的营销理论框架

把握大数据时代营销战略的决策模式变化

掌握消费者行为的异质性和动态性•

素养目标

培养科学的大数据营销决策观念

建立基于消费者行为的异质性与动态性的思维框架第2章学习目标2024/8Copyright@202415•见《大数据营销

:

方法、工具与实例（微课版）》P11•

案例思考

你了解的公司如何对消费者进行分类？

效果如何？

上述案例对你是否有所启发？引例基于消费者价值的数据分析助力B2B企业制定更科学的营销战略实例2024/8Copyright@202416经典的营销理论框架2024/8Copyright@2024图2-1

经典的营销理论框架17大数据时代营销战略的决策模式变化2024/8Copyright@2024图2-2传统的营销战略决策模式图2-3

大数据营销战略决策模式18•

资料架构：对象、时间、变量•

对象(i):企业所关心的营销环境成员，包括消费者、竞争对手、下游客户等•

时间(t):每件事情的发生时间点•

变量(X,Y):通过哪些自变量决定因变量•

大数据营销找寻适切的营销理论基础；将这些变量定义出来，建立资料架构；采取适当的研究设计收集资料；用正确的统计模式配合动态的营销策略理论拟定具体可行的行动方案。图2-4

资料架构营销资料架构2024/8Copyright@202419•

异质性是指每个消费者都是独立个体，因为各有不同的出生背景、人格特质、生活经验，造就出各具特

色的思考、行为与需求。•

异质性体现的是在t时刻，

i个不同

个体之间的差异。•

即同一时刻不同个体的差异。图2-5

异质效果：

以价格敏感度为例2024/8Copyright@2024消费者行为的特质：异质性和动态性20图2-6

动态效果

•

动态性是指同一个人的行为在不同

时间点也会有所差异•

就长期的观点，企业应关注消费者在不同的生命阶段所展现不同的需求与生活型态•

动态性体现的是对于第i个人，在不

同时刻t的差异•

即同一个体不同时刻的差异。消费者行为的特质：异质性和动态性2024/8Copyright@202421

消费者行为学派提出企业应该按照消费者的想法与需求设计营销策略，满足消费者的需求—反应式营销，属于营销1.0

营销策略学派认为企业也应依照自身资源优势，主动重新塑造消费者需求/行为，

以区别竞争对手，即主动式营销，属于营销2.0

营销的核心思维从“交易”转换成“关系”，企业开始规划不同的营销策略和

活动，与消费者建立关系，进入交互式营销阶段，属于“营销3.0”

连锁式营销将“一对一”概念扩展为“

网对网”。供给方的多个企业聚集形成

一个网络平台并维持着竞合关系；需求方亦提供消费者间建立网络关系

，属于“营销4.0”营销思潮的演进2024/8Copyright@202422

消费者的隐私权是不可侵犯的基本权利

按照现行法令，厂商不得将消费者个人有关的数据移转他人使用

如何做到让消费者不至于反感，甚至愿意接受厂商的促销信息？

关键在于如何让消费者感受到通过大数据营销创造出更高品质的产品与服务

做到针对有需求的顾客，在正要购买的时机，推荐想要促销的品牌

这样的推荐清单实际上是零售商品牌对品牌商收取另一种形式的上架费，是竞

标的结果消费者隐私权2024/8Copyright@202423•

第1章大数据营销概论•

第2章大数据时代的营销战略•

第3章如何构建有效的客户关系营销数据库•

第4章基于ARFM模型的顾客价值解析与策略运用•

第5章基于因素分析的购物篮分析•

第6章基于联合分析的新产品推荐系统•

第7章基于CHAID的顾客分群锁定与画像大数据营销课程主要内容2024/8Copyright@202424学习目标引例构建营销数据库并借助大数据分析实现4S店精准服务实例3.1构建营销数据库的作用3.2构建营销数据库的流程3.3客户基本静态数据文件3.4客户动态的交易数据文件第3章如何构建有效的客户关系营销数据库目录2024/8Copyright@202425•

知识目标

理解构建营销数据库的作用和流程

理解客户基本静态数据文件

理解客户动态的交易数据文件•

素养目标

培养科学的大数据营销数据库观念

建立基于静态、动态与产品特性的大数据营销分析思维框架第3章学习目标2024/8Copyright@202426

工具与实例（微课版）》P28-29

见《大数据营销

:

方法、•

案例思考

你觉得4S店在哪些方面的服务做得比较好？

对于4S店的汽车维修服务，你体验过吗？若体验过，感觉如何？引例构建营销数据库并借助大数据分析实现4S店精准服务实例2024/8Copyright@202427图3-1

大数据营销管理系统对人才的需求情况图3-2

营销决策支持系统的运作原理2024/8Copyright@2024•服务于营销管理系统•服务于营销研究实务•服务于营销决策支持系统构建营销数据库的作用28

营销研究问题的设定

营销研究设计的规划

会员样本的抽取

建构营销数据库需要回答的问题构建营销数据库的流程2024/8Copyright@202429•

问卷内容•

态度的衡量•

资料编码•

信度与效度•会员数据库的完整性图3-5会员的基本数据库数据文件客户基本静态Copyright@20242024/830

会员动态数据

交易日期数据文件

产品特性编码文件图3-10

动态交易数据库客户动态的交易数据文件Copyright@20242024/831图3-113种型号的某保温杯的产品说明2024/8Copyright@2024客户动态的交易数据文件•产品特性编码档32•产品特性编码档表3-2

某3C卖场的产品特性编码文件客户动态的交易数据文件2024/8Copyright@202433客户动态的交易数据文件图3-12某品牌音响的产品特性编码2024/8Copyright@2024•产品特性编码档34•

第1章大数据营销概论•

第2章大数据时代的营销战略•

第3章如何构建有效的客户关系营销数据库•

第4章基于ARFM模型的顾客价值解析与策略运用•

第5章基于因素分析的购物篮分析•

第6章基于联合分析的新产品推荐系统•

第7章基于CHAID的顾客分群锁定与画像大数据营销课程主要内容2024/8Copyright@202435学习目标引例某新型中药饮片公司通过大数据营销提升顾客价值实例4.1顾客价值的衡量4.2

RFM模型的给分机制4.3顾客价值与购买期间4.4活跃性与RFM分析4.5顾客终身价值

第4章基于ARFM模型的顾客价值解析与策略运用目录2024/8Copyright@202436•

知识目标

了解衡量顾客价值的RFM指标

理解衡量和预测顾客价值的ARFM模型

掌握基于实际数据的FM模型与ARFM模型的实操分析

了解顾客终身价值的含义•

素养目标

培养基于顾客价值的科学的大数据营销观念

从顾客价值角度构建营销理论与统计模型相结合的思维框架第4章学习目标2024/8Copyright@202437见《大数据营销

:

方法、工具与实例（微课版）》P49•

案例思考

你曾经购买过中药饮片等相关保健养生产品吗？

因何购买？

你觉得顾客在什么情况下才会持续购买此类产品？哪类人群最有可能成为忠诚顾客？引例某新型中药饮片公司通过大数据营销提升顾客价值实例2024/8Copyright@202438

站在企业(顾客关系管理)角度，顾客价值是指顾客终身价值•

RFM指标•RFM指标特性顾客价值的衡量

站在顾客角度

，顾客价值又称顾客感知价值2024/8Copyright@202439•

RFM指标

购买期间(interpurchasetime)是指两两交易之间的间隔天数。

R(Recency)是最近购买期间，是指顾客最近一次的购买日到目前(或统计日期)

为止的相隔天数。

F(Frequency)是购买次数，是指顾客在最近一段时间(如2年)内购买的次数。

M(Monetary)是购买金额，表示顾客最近一段时间内购买的平均金额。顾客价值的衡量2024/8Copyright@202440•

RFM指标2024/8顾客价值的衡量图4-1

顾客价值分析架构（FM模型）Copyright@202441实操1和实操2整理给定的原始数据并分别计算出R、

F、

M

，画出F和M的散点图，并对顾客分类结果加以解读。

原始数据整理

R、

F、

M的计算

FM散点图2024/8Copyright@2024顾客价值的衡量42•

五等均分法的给分机制图4-2

最近购买期间（R）的给分机制2024/8Copyright@2024模型的给分机制RFM43模型的给分机制•

不等比例法的给分机制图4-5

不等比例法：以F分数为例2024/8Copyright@2024RFM44模型的给分机制•BobStone法的给分机制2024/8Copyright@2024表

4-4

Bob

Stone的给分机制RFM45 图4-6调整后的Bob

Stone的给分机制模型的给分机制•BobStone法的给分机制2024/8Copyright@2024RFM46图4-8

顾客价值指标Copyright@2024顾客价值与购买期间2024/847顾客价值与购买期间2024/8Copyright@2024图4-9购买期间与购买金额48平均购买期间图4-10第i位顾客的购买期间与购买金额顾客价值与购买期间2024/8Copyright@202449•加权平均购买期间j

=

1,

2,

3（

4-1）（

4-2）图4-11三位顾客的购买记录顾客价值与购买期间2024/8Copyright@202450••

ARFM模型根据购买期间的算数平均数(MLE)与加权平均数(WMLE)的比较结果，创造一个新的顾客价值指标，称为活跃性指标(customeractivity

index,CAI)，计算公式如下：

（4-3）RFM分析2024/8Copyright@2024图4-12

顾客活跃性分布图活跃性与51实操3计算每个顾客的CAI值，并画出ARFM模型的散点图，再对顾客分类结果加以解读。

计算平均购买期间(MLE)

计算加权平均购买期间(WMLE)

计算CAI=(MLE-WMLE)/MLE

插入F与CAI散点图RFM分析2024/8Copyright@2024活跃性与52活跃性与RFM分析•

刷卡行为的活跃性分析图4-14

CAI与刷卡间隔天数的关系2024/8Copyright@2024图4-13

客户刷卡记录的摘要53RFM分析CAI的累积相对次数曲线Copyright@2024•

刷卡行为的活跃性分析活跃性与图4-152024/854活跃性与RFM分析表4-63群人的消费日平均刷卡金额与平均刷卡间隔天数•

刷卡行为的活跃性分析2024/8Copyright@202455（

4-4）图4-16三个群的第二年前半年刷卡进度2024/8Copyright@2024RFM分析•

CAI指标的预测能力活跃性与56（

4-4）图4-17观测期间与预测期间的刷卡间隔天数形态2024/8Copyright@2024RFM分析•

CAI指标的预测能力活跃性与57活跃性与RFM分析

图4-186位客户的CAI值变化趋势监控CAI指标的变化2024/8Copyright@202458••

顾客交易稳定度分析

平均数的代表性

个人估计、群体估计与贝叶斯统计

交易稳定度指标

后验分布与MCMC估计方法•

购买期间模型的反思与顾客静止的预测

危险率的意义

指数分布的限制

危险率的形态•

顾客价值迁徙形态与预测

顾客的终身价值的含义

顾客价值迁徙形态

马尔可夫链模型

转移矩阵的估计2024/8Copyright@2024顾客终身价值594章数据分析实操实操1和实操2整理给定的原始数据并分别计算出R、

F、

M

，画出F和M的散点图，并对顾客分类结果加以解读。

实操3计算每个顾客的CAI值，并画出ARFM模型的散点图，再对顾客分类结果加以解读。•第5章数据分析实操实操1对给定数据做信度分析，以检验其是否适合做因素分析。实操2对给定数据做因素分析，构建合适的购物篮，并将其推荐给合适的顾客。•第6章数据分析实操•实操1基于5种汽车属性做正交设计，再填写调查问卷并估计个性化偏好结构，计算个人对某产品的偏好分数。实操2基于顾客购买3C产品的6种通用属性做正交设计，再整合产品轮廓与购买记录。实操3对实操2的数据做二元罗吉斯回归分析并对结果进行解读。•第7章数据分析实操实操1对于给定数据，分别用层级式集群法（华德法）和非层级式集群法（

K平均法）做集群分析并解读结果。

实操2对于给定数据，分别通过卡方检验和F检验锁定目标客群。实操3对于给定数据，分别通过因变量为定量指标和定性指标的CHAID进行顾客画像并解读分析结果。数据分析实操（Excel+SPSS）2024/8Copyright@2024•

第60•

第1章大数据营销概论•

第2章大数据时代的营销战略•

第3章如何构建有效的客户关系营销数据库•

第4章基于ARFM模型的顾客价值解析与策略运用•

第5章基于因素分析的购物篮分析•

第6章基于联合分析的新产品推荐系统•

第7章基于CHAID的顾客分群锁定与画像大数据营销课程主要内容2024/8Copyright@202461学习目标引例基于购物篮分析的银行财富管理产品精准推荐实例

5.1“啤酒

+尿布”案例的反思5.2产品关联性的相关系数5.3数据缩减检测的信度分析5.4购物篮分析与因素分析5.5购物篮分析的哲学与延伸第5章基于因素分析的购物篮分析目录2024/8Copyright@202462•

知识目标

了解产品关联性的相关系数

理解数据缩减检测的信度分析的相关内容

掌握购物篮分析与因素分析的相关内容•

素养目标

培养基于因素分析的购物篮分析观念

基于因素分析建立营销理论与统计模型相结合的思维框架第5章学习目标2024/8Copyright@202463

工具与实例（微课版）》P79见《大数据营销

:

方法、•

案例思考

你在日常购物时常接触到的产品推荐方式有哪些？

效果如何？

上述案例对你有何启示？引例基于购物篮分析的银行财富管理产品精准推荐实例2024/8Copyright@202464你听说过“啤酒

+尿布”的故事吗？事情的经过是怎样的？背后的逻辑是什么？见《大数据营销

:

方法、工具与实例（微课版）》P80深思：如何挑选购买行为相似的客户？如何界定适当的产品范围？图5-1

冷冻食品的产品树Copyright@2024“啤酒

+尿布”案例的反思2024/865•资料格式与推荐机制购物篮分析根据产品之间的关联性，将关联性高的产品绑在一起，称为购物篮。两个产品之间的关联性，取决于二者是否经常同时或连续被购买。在计算产品关联性之前，客户的购买内容应先编码为多个产品变数，记录

每项产品是否被购买。根据客户购买的书籍搜寻曾经买过这本书的其他客户买过哪些书；再合并排序推荐。图5-2

数据格式与推荐机制2024/8Copyright@2024产品关联性的相关系数66•

相关系数的意义相关系数用来衡量两个属性变数线性相关程度。令X和Y为两个属量性变数，其样本资料可绘制成一个散点图，如图5-3。产品关联性的相关系数2024/8Copyright@2024图5-3

散点图与相关性67•将大量数据摘要成少数信息的注意事项同一个细分市场；同一个产品层次；适当的观察期间长度产品关联性的相关系数图5-4

以相关系数矩阵取代庞大资料量2024/8Copyright@202468•品牌忠诚度调查范例数据缩减方法最常应用于问卷调查。Cronbach‘sα是最常使用的信度指标。忠诚

度的三个题项（满意度、推荐他人意愿、再次购买意愿）的相关系数都大于0.7，适合以数据缩减方法建立忠诚度这个指标。若α系数<0.35，则代表低信度；若0.35

<α

系数<0.70，则代表中信度；若α系数>

0.70

，则

代表高信度。品牌忠诚度的三个题项的标准化α系数为0.922，具有高度一致性，宜再使用数据缩减方法建立总指标。

数据缩减检测的信度分析表5-1

品牌忠诚度题项的相关系数矩阵2024/8Copyright@202469•RFM分数与产品变量第4章的RFM分析在事前未做信度分析，而是直接采用五等均分法或Bob给分机制计算一个RFM

分数，作为顾客价值指标。

RFM资料的SPSS的分析过程步骤如图

5-6所示。数据缩减检测的信度分析2024/8Copyright@2024图5-6

RFM的信度分析步骤70•RFM分数与产品变量可见，

R与F呈负相关；

M与其他两个变数的相关系数几乎为0，代表该变数的独立性高，不适合与其他变数合并成一个总指标，也不宜进行信度分析。图5-7

RFM的信度分析结果数据缩减检测的信度分析2024/8Copyright@202471实操1对给定数据做信度分析，以检验其是否适合做因素分析。

用SPSS读取银行的问卷调查数据

做信度分析

检验是否适合做因素分析数据缩减检测的信度分析2024/8Copyright@202472购物篮分析是根据众多品项之间关联结构建立购物篮

，概念与因素分析更为类似。

它是一种数据缩减方法

，根据K个变数相关系数矩阵缩减为J个因素

，J<K。每个因素都能找

到一组与之高度相关的变数

，形成一个购物篮

，里面的品项适合进行相互推荐。购物篮分析与因素分析图5-8

数据缩减过程2024/8Copyright@202473因素分析最常应用于问卷

调查，

将大量题项缩减为

少数几个具代表性的指标

或因素。我们以客户对银行的态度

量表为例，

说明因素分析的应用。如图5-9所示。态度量表共有5个有关银行的

描述，

由受访者依其同意

的强烈程度，

勾选适当的

分数。购物篮分析与因素分析•

银行服务态度调查范例图5-9

客户对银行的态度量表Copyright@20242024/874

表5-3

五个题项的相关系数

•

银行服务态度调查范例因素分析的目的是缩减构面，将原来的多个变数依其相关结构缩减为少数几个具代表性的共同因素。以银行态度量表为例，相关系数矩阵如表5-3所示。购物篮分析与因素分析2024/8Copyright@202475图5-10

使用SPSS进行因素分析的步骤2024/8Copyright@2024购物篮分析与因素分析•因素分析的执行与结果76银行态度量表的因素分析结果（转轴后）•因素分析的执行与结果表5-4购物篮分析与因素分析2024/8Copyright@202477购物篮分析与因素分析•因素分析的执行与结果表5-5

15位受访者的两个因素分数2024/8Copyright@202478实操2对给定数据做因素分析，构建合适的购物篮，并将其推荐给合适的顾客。

用SPSS读取银行的问卷调查数据

做因素分析

在输出文件里查看结果

把实验结果列出来

为因素命名并对结果进行解读购物篮分析与因素分析2024/8Copyright@202479•因素分析存在的几个问题

哪些题项适合进行因素分析？

应保留几个共同因素？

共同因素应如何命名？2024/8Copyright@2024购物篮分析与因素分析80•

产品树的反思

前面以产品树的观念说明企业使用的产品推荐机制。

这种只依照产品属性推估产品关联程度的方法

，忽略了消费者购买习性的产品

关联性。

若企业能够根据消费者习性将高度关联的产品归在同一个产品部门(善用产品

推荐)

，营销策略规划能达到事半功倍的效果。购物篮分析与因素分析2024/8Copyright@2024814章数据分析实操实操1和实操2整理给定的原始数据并分别计算出R、

F、

M

，画出F和M的散点图，并对顾客分类结果加以解读。

实操3计算每个顾客的CAI值，并画出ARFM模型的散点图，再对顾客分类结果加以解读。•第5章数据分析实操实操1对给定数据做信度分析，以检验其是否适合做因素分析。实操2对给定数据做因素分析，构建合适的购物篮，并将其推荐给合适的顾客。•第6章数据分析实操实操1基于5种汽车属性做正交设计，再填写调查问卷并估计个性化偏好结构，计算个人对某产品的偏好分数。实操2基于顾客购买3C产品的6种通用属性做正交设计，再整合产品轮廓与购买记录。实操3对实操2的数据做二元罗吉斯回归分析并对结果进行解读。•第7章数据分析实操实操1对于给定数据，分别用层级式集群法（华德法）和非层级式集群法（

K平均法）做集群分析并解读结果。

实操2对于给定数据，分别通过卡方检验和F检验锁定目标客群。实操3对于给定数据，分别通过因变量为定量指标和定性指标的CHAID进行顾客画像并解读分析结果。数据分析实操（Excel+SPSS）2024/8Copyright@2024•

第82•

第1章大数据营销概论•

第2章大数据时代的营销战略•

第3章如何构建有效的客户关系营销数据库•

第4章基于ARFM模型的顾客价值解析与策略运用•

第5章基于因素分析的购物篮分析•

第6章基于联合分析的新产品推荐系统•

第7章基于CHAID的顾客分群锁定与画像大数据营销课程主要内容2024/8Copyright@202483学习目标引例基于联合分析的银行财富管理产品推荐实例6.1两种产品推荐系统6.2联合分析的应用方法6.3联合分析的营销应用6.4

回归分析6.5大数据营销的新产品推荐系统6.6三种层次模型第6章基于联合分析的新产品推荐系统目录2024/8Copyright@202484•

知识目标

了解产品关联性的相关系数

理解数据缩减检测的信度分析的相关内容

掌握购物篮分析与因素分析的相关内容•

素养目标

培养基于因素分析的购物篮分析观念

基于因素分析建立营销理论与统计模型相结合的思维框架第6章学习目标2024/8Copyright@202485

》P101

见《大数据营销:方法、工具与实例（微课版）•

案例思考

你（或你所在的公司）的产品推荐是否使用过类似的分析方法？

本案例对你有何启示？引例基于联合分析的银行财富管理产品推荐实例2024/8Copyright@202486产品推荐系统是落实顾客关系管理的一对一营销决策支持系统

，大致可分成两类。•

合作过滤式推荐系统利用与客户相似的一群人的购买行为或产品评价

，对客户进行推荐。•内容基础式推荐系统根据客户的购买行为或产品评价去反向推估个人对于产品属性水平的重视与

偏好度

，又称为个性化偏好结构

，依此对客户进行推荐。究竟要挑选哪些属性水平来解构产品?如何衡量或估计消费者的个性化偏好结构？两种产品推荐系统2024/8Copyright@202487

表

6-1

汽车的属性水平

•

挑选属性与水平联合分析的首要步骤是挑选足以构成具体产品构念的属性水平。为让消费者易于比较产品之间的差异

，企业宜选取客观的、易于感受到水平特性的产品属性

，避免采用抽象的、水平差异不易辨认的产品属性。联合分析的应用方法2024/8Copyright@202488•

使用正交设计建立产品轮廓

联合分析只关心属性水平对于产品评分的主效果

，即成份效用值；并不考虑属性水平

之间的交互效应

，亦即假设交互效果为0。

因此联合分析只需选取一部分的产品

，

收集消费者的评分资料

，

足以估计成份效用值。

正交设计应用于只考虑因子主效应的条件下

，选取足以估计参数的少数产品轮廓。联合分析的应用方法图6-4

使用SPSS进行正交设计的执行步骤与代码2024/8Copyright@202489•

使用正交设计建立产品轮廓经过正交设计

，原本的64个产品轮廓

，大幅减少为8个产品轮廓

，见输出文件。联合分析的应用方法表6-2

正交设计产生的8个产品轮廓

2024/8Copyright@202490•

属性水平与虚拟变量

在进行统计分析之前

，原本以文字呈现的产品属性水平须先编码为虚拟变数，由研究者自行定义

，数值只有0或1

，又称二元变数。

目的是取代质性变数，K组则需建立K-1个虚拟变数。

通常设定1代表价值水平，

0代表基础水平。

而价格为量性变数

，使用原值即可

，不必被编码为虚拟变数。联合分析的应用方法2024/8Copyright@2024表

6-3

汽车属性水平编码表91•

属性水平与虚拟变量

根据编码表，

由正交设计产生的8个产品轮廓的属性水平编码见输入文件。

例如

，轮廓1的特性包括5人座房车、无品牌、无天窗、无指纹辨识系统

，定价100万元。产品特性编码结果为(0,0,0,0,100)。只要属性水平挑选得当

，现有产品与尚未上市的新产品皆可被编码为一串(0,1)资料。联合分析的应用方法2024/8Copyright@2024表6-4

产品特性编码：汽车范例92表6-5

产品特性与整体评分：第1位消费者•

估计个性化偏好结构

理性消费者的产品购买行为是追求效用极大化的结果；

产品带来的效用越高，

消费者的购买意愿越高。

联合分析用补偿模型假设估计消费者的偏好结构。

100分表明一定会买，

0分代

表一定不会买。联合分析的应用方法Copyright@20242024/893•

估计个性化偏好结构图6-5

SPSS的回归功能与估计结果联合分析的应用方法2024/8