大数据营销 课件全套 王峰 第1-11章 大数据基础 -大数据营销的伦理

第一章大数据营销基础1课程内容2王峰@湖南大学学习目标 认识大数据的特征 掌握大数据营销的概念和基本知识技能 理解大数据驱动的营销决策范式3本章思维导图4开篇案例1号店的大数据营销建立营销系统，实现全自动化构建数据仓库，挖掘每个用户潜力立足产品特点，打造产品推荐抓住用户个性，提高用户体验利用网络技术，实现自动调价实现订单聚类，优化拣货环节注重数据安全，保护用户隐私5提问：与传统营销决策相比，1号店的大数据驱动营销决策，有什么样的特征？6第一节

大数据的内涵数据定义的三个要点：数据是可以被用来推理、讨论或计算的事实信息数据是可以被传输或处理的数字形式的信息数据是由传感器等设备输出的信息，包含有用的和冗余的信息，必须经过处理才有价值数据被划分为定量数据和定性数据

定性数据是指通过问卷调查、访谈或观测方式收集到的非数值型数据，这些数据往往可以观察但不能测量。

定量数据是指可以被计算或测量的数据，这些数据是可以量化的信息。数据只有被处理和分析后，才能成为帮助企业或个体进行决策的有用信息。7一、什么是数据？企业界对于大数据的定义：IBM公司认为大数据具有容量大、速度快和多样性的特点。TIBCO软件公司指出大数据是数量巨大且不断增长的数据，包括结构化、半结构化和非结构化数据，且这些数据很难使用传统方法分析。SAS公司认为大数据是采用传统方法已不太可能处理的庞大、快速和复杂的数据。8二、大数据的含义学术界对于大数据的定义：一部分学者对大数据的定义侧重于获取其特征。例如，DeMauro等人(2015)提出大数据是海量、速度快和多样性的信息资产，需要特定的分析方法和技术才能将数据转化为价值。另一部分学者对大数据的定义则侧重于背后的技术需求。例如，Wang等人(2015)提出大数据是由多渠道来源生成的庞大、复杂，纵向和分布式的数据集。9综上所述：

大数据是指从各种渠道来源产生的不同类型的数据是具有容量大、速度快和多样性特征的信息资产需要特定的分析方法和信息处理技术对其进行价值转化，从而帮助企业增强洞察力和辅助企业决策。二、大数据的含义量大（Volume）

大数据时代的到来，使得企业需要存储和分析的数据量越来越大。Statista统计数据库预测到2025年，全球每年产生的数据量将增加10倍，达到163泽字节（zettabytes）。高速（Velocity）

高速是指新数据生成和移动的速度越来越快，因此关系数据库处理、存储和分析数据的速度也就越来越快。全球每秒钟就会产生约290万封电子邮件、“淘宝”上每天产生约630万订单。多样性（Variety）

数据的多样性是指数据类型的多样性，包括结构化、半结构化和非结构化数据。10三、大数据的特征准确性（Veracity）

大数据的准确性是指企业对所收集数据的信任程度，这不仅包括数据本身的质量，还包括数据来源和数据处理的准确性。低价值密度（Value）

海量的数据，使得大数据的价值密度较低。大数据的潜在价值是巨大，但企业若没有挖掘数据价值的能力，大数据将变得毫无用处。11三、大数据的特征12第二节

大数据技术与工具大数据存储技术：是指用于收集和管理大型数据集的技术，旨在帮助研究人员选择更适合他们需要的存储机制。大数据挖掘技术：是指对海量数据集进行挖掘或提取的技术，其目的在于从海量数据集中提取有价值的信息。大数据分析技术：是指对不同来源和不同类型的大数据集进行分析的技术，通过分析可以挖掘出市场趋势和客户偏好等信息，以此来帮助企业做出明智的决策。大数据可视化技术：是以图表、地图、散点图和回归线等形式呈现大数据集内部关系的可视化技术，以帮助决策者更直观地理解市场趋势和商业模式等。13一、大数据技术14二、大数据技术架构数据源：是大数据技术架构的起点。

数据源往往来自于多个渠道，数据源往往来自于多个渠道，包括移动应用程序、社交媒体平台、物联网设备、传感器、企业服务器和关系数据库等。数据存储：是大数据的接收端。

它将从多个数据源接收（获取）的不同格式的数据储存起来。实时信息摄取：是对大数据进行实时捕获和存储。

交易和运营等实时数据，需要企业在技术架构中构建捕获和储存实时数据的机制。该机制是将源源不断的新数据放到文件夹中进行储存，相当于一个信息的缓存区，也支持一定规模的数据处理。批处理：是指批量处理大数据。

由于数据量十分庞大，大数据技术架构的批处理系统可以等待数据堆积到一定数量后，然后再输入分析系统。15二、大数据技术架构流处理：是指对大数据进行实时处理。

大数据的流处理系统会对实时获取的数据进行立即处理，通常在较短时间完成。

与批处理相比，流处理具有低延迟性。分析数据存储：是指将分析后的数据集中放到一个地方，然后以结构化格式提供分析后的数据。

企业可以采用对分析数据进行查询，其中支持冷路径（批处理层）和热路径（速度层）数据查询的分析型数据存储被统称为服务层。分析和报告：是指在对数据进行处理后，需要对数据进行分析以生成报告。

可视化工具可以帮助企业生成带有图表的分析报告，有助于企业更好更快的制定决策。编排：是指数据获取、数据存储和数据处理等操作往往是重复的。

因此需要将这些操作封装在工作流中。通过将工作流自动化，可以帮助企业持续不断地从大数据中获取洞察力。16二、大数据技术架构17三、大数据技术的信息科学基础大数据技术的发展依赖于四个关键领域：互联网：作为大数据的主要来源，互联网使企业能够处理和分析数据，以挖掘顾客行为、情绪等有价值信息，生成用户画像后进行个性化推荐。物联网：物联网是指通过红外传感器、全球定位系统和激光扫描器等技术将物理对象连接到互联网，并交换数据。物联网使企业能够实时分析机器生成的数据，支持即时决策。人工智能：人工智能是指运用计算机系统来模拟人类思维过程的智能行为，在没有人工干预的情况下使用算法学习，帮助人们完成特定任务。云计算：云计算的实质是基于互联网技术向用户提供资源，其中“云”是储存资源的共享池，而计算是指允许计算机运行、构建、部署并与信息交互的基础设施和系统。18第三节

大数据的价值与应用大数据有助于提高顾客体验：企业可以从多个渠道获取与顾客相关的大数据，包括交易数据、社交数据、评论数据、浏览数据、地理位置数据和人口统计信息数据等。大数据有助于企业优化决策：企业利用大数据分析实现三方面目标：一是实时响应市场变化，做出快速决策；二是监控竞争对手，评估市场反响，以制定动态定价和促销策略；三是预测客户需求，指导产品创新方向。大数据有助于提高企业的成本收益：一方面，大数据降低了企业的成本。例如，通过对大数据的分析提高物流配送效率，降低了企业的物流成本。另一方面，大数据提高了企业的收益。例如，大数据帮助企业优化定价策略，增加企业业务收入。大数据帮助企业进行风险管理：企业可以利用大数据对顾客信用、顾客流失、供应商等进行风险评估，进而识别和预测损害企业业务的潜在风险。例如：金融机构可以通过大数据识别“洗钱”等非法交易活动和“空壳公司”，以降低风险。19一、大数据的商业价值医疗领域：一方面，大数据可以被用于控制流行疾病的爆发。例如，通过大数据可以在疫情期间实现对人员流动的检查，并迅速溯源找到密切接触患者，进而控制疫情的爆发。另一方面，大数据可被用于监测患者病情。例如，电子病历和“可穿戴设备”的使用，在监测患者病情方面起着不可忽视的作用。20二、大数据的应用领域金融领域：通过对大数据的分析有助于识别欺诈活动、评估信贷风险和降低投资风险等。以银行业为例，银行基于大数据创建“反欺诈门户中心”，既能避免银行遭遇交易欺诈和信贷申请欺诈，同时还能识别“洗钱”、虚假交易和套现等行为。21二、大数据的应用领域教育领域：教育领域充斥着大量与学生成绩和教学评价等相关的数据，大数据正在改变学校的运行方式。例：学校可以利用大数据分析对学生的学习情况进行评估，通过给学生制定个性化学习计划进行因材施教，以改善学生成绩。22二、大数据的应用领域交通运输领域：一方面，大数据可以优化路线规划。例如：优步公司将顾客数据集中在Hadoop数据池中，通过算法分析为顾客规划最优路线，以减少顾客的等车时间和到达时间，进而提升顾客的使用体验。另一方面，大数据可以预测交通事故高发区。通过大数据预测分析还可以识别事故高发区，从而减少事故发生，提高交通安全水平。

23二、大数据的应用领域企业应先明确业务目标：企业在进行数据收集之前需要明确业务目标，以锁定企业数据需求。如果业务目标不明确，企业则会收集许多与业务无关甚至错误的数据。即使企业收集到正确数据，目标不明确也会使数据变的毫无价值。企业应消除数据孤岛：数据孤岛是指企业内部的各个职能部门都拥有自己的数据，但与其他部门的数据隔离开来，这将导致各个部门之间的数据缺乏关联，并且部门之间的数据库无法兼容。一个企业若没有良好的大数据管理策略，则很容易产生数据孤岛。数据孤岛的产生会降低组织内部的透明度和信任，也不利于企业对数据进行整体分析。企业应保证数据安全：当收集到的顾客数据被破坏时，企业失去数据的同时也会失去顾客的信任。企业面临着人为因素和自然因素对数据安全的威胁，为了避免数据丢失，企业应确保数据资源的安全性。关于人为因素的威胁，企业可以通过恶意软件扫描、垃圾邮件过滤和防火墙等措施进行数据保护。高温、潮湿和寒冷等极端自然因素也会对数据资源造成破坏，企业应保障数据库免受恶劣环境的影响。24三、大数据资源管理25第四节

大数据营销概况杨扬等人(2020)提出大数据营销是指企业利用大数据技术和方法对不同来源和不同类型的营销大数据进行分析，从而洞察大数据背后的价值。Goyzueta和Samuel(2015)提出大数据营销属于整合营销的范畴，它作为公司的内部流程，旨在从大数据中寻求价值和信息以更好的理解顾客偏好和需求。Lisa(2013)提出大数据营销又被称为数据驱动营销，它是企业通过收集和分析数据来获得洞察力的过程，旨在提高顾客参与度，改善营销结果，并衡量内部责任。26一、什么是大数据营销大数据营销被定义为：企业基于多个平台的大数据，并利用大数据技术和方法挖掘数据背后的价值和信息，来帮助企业进行营销决策，进而达到更好的满足顾客需求、加强顾客参与和提高企业绩效的目的。数据多样化：包括数据来源多样化和类型多样化。一方面，数据来源多样化是指企业采集大数据的渠道众多。另一方面，企业获取数据类型多样化，可以获得结构化、半结构化和非结构化等复杂形式的数据。个性化：企业在获取海量大数据后，通过大数据分析可以将顾客群体进行更具体地细分，从而实施个性化内容推荐和个性化产品推荐等营销策略。时效性：在移动互联网时代，顾客偏好和需求会迅速发生变化，产生实时数据。企业需要这些实时数据来快速洞察并响应顾客变化，从而做出及时的决策。大数据为营销活动提供支持，使企业能够实现快速、高效且可追踪的营销，最终提高整体收益。成本收益高：基于大数据，企业能识别潜在顾客和发现流失顾客，通过采取针对性措施获取新顾客和挽留老顾客，进而提高产品转化率和企业收益率。此外，企业还可以基于大数据展开精准化营销，通过向目标顾客投放合适的内容，提高顾客参与度，从而降低营销成本。27二、大数据营销的特点构建用户画像：企业可以通过收集用户交易数据、社交数据和人口统计信息数据等，给用户打标签。用户标签类型主要包括统计类标签、规则类标签和机器学习挖掘类标签。统计类标签是构成用户画像的基础，如性别、年龄和用户注册时长等都属于统计类标签。规则类标签是根据用户行为和确定的规则而产生，例如可将用户注册时长大于1年的用户标签化为老用户。机器学习挖掘类标签是指通过机器学习技术对用户进行标签化，如根据用户交易数据预测用户是高价值还是低价值用户。28三、大数据营销的应用场景29三、大数据营销的应用场景个性化推荐：企业根据顾客行为数据，挖掘顾客的需求和偏好，进而向顾客推荐他们可能感兴趣的内容和商品。个性化推荐系统是企业常用的智能平台，包括基于内容的推荐、基于物品的协同过滤推荐和基于用户的协同过滤推荐等。基于内容的推荐是指根据用户历史浏览内容进行推荐基于物品的协同过滤推荐是指给顾客推荐与他过去喜欢的相似物品基于用户的协同过滤是指给用户推荐与他相似用户所喜欢的物品病毒营销：是指基于社交媒体平台，通过用户将产品或服务的营销信息像“病毒”一样传播起来，旨在吸引顾客和增加品牌曝光度。企业可以利用大数据实现营销信息的有效传播，进而成功实施病毒营销。一些营销人员根据直觉或经验判断认为实现病毒营销的关键是识别“影响者”。利用大数据可以帮助企业更准确的识别“合适人”去传播“合适人的内容“，以避免营销成本的浪费，这也是成功实现病毒营销的关键。30三、大数据营销的应用场景品牌定位：是指一个企业的品牌与竞争对手的不同之处，是品牌在顾客心中的位置。品牌定位的关键是企业需要充分聆听顾客“声音”，通过大数据及时洞察顾客“声音”可以减少品牌定位偏差。大数据“声音”测量可以辅助品牌定位，通过大数据技术可以挖掘顾客对品牌的认知，实现品牌定位过程的可追踪化和可视化。31三、大数据营销的应用场景大数据营销发展的1.0阶段（1970-2000）：数据仓库的兴起是第一阶段发展的基础。数据仓库用于集中存储顾客业务和生产流程中产生的数据，其目标在于创建一个可供企业检索和分析的数据库。与以往仅凭直觉做出营销决策相比，数据仓库中的大量历史数据让企业能根据事实做出营销决策，并帮助企业获得对商业现象的客观且深刻的理解。大数据营销发展的2.0阶段（2000-2007）：这个时期的互联网主要是通过电脑端，而不是移动端连接互联网和用户。用户只能简单地通过网页浏览器进行信息搜索和内容浏览，即用户只能被动接收互联网内容。企业可以通过电子邮件向潜在或现有顾客发送有价值的信息，进而加强与顾客之间的联系。大数据营销发展的3.0阶段（2007-2018）：2007年苹果公司发布了第一代iPhone手机，这标志着移动互联网时代的到来。移动设备的使用为企业提供了丰富的用户数据来源，可以记录用户的点击和搜索数据，能够帮助企业全方位洞察用户。大数据营销发展的4.0阶段（2018-至今）：“人工智能”、“云计算”和“物联网”的发展，推动大数据营销进入更高速的发展阶段。传统的数据分析方法已无法处理海量的数据，人工智能和机器学习等新兴技术应运而生，避免了过度的人工操作，使企业可以在较快时间内完成数据处理。32四、大数据营销的发展历程33第五节

大数据与营销决策营销决策是指营销人员为实现产品或服务的营销目标和战略而做出的决策，是企业成功实现营销活动的关键环节。营销经理计划为不同产品或服务做出营销决策时，需要基于4P营销理论来展开

4P是指产品(Product)、价格(Price)、促销(Promotion)和渠道(Place)。34一、营销决策的内涵4P营销理论的本质是四个与营销相关的重大决策：产品决策是指企业为设计出满足现有顾客对产品的需求而做出的决策。价格决策是为了帮助企业实现盈利，定价取决于产品成本和顾客对产品的感知价值。促销决策是指企业为吸引潜在顾客和现有顾客的注意力，以增加销售量的决策。渠道决策是指企业将产品推向市场，针对销售渠道做出的决策，其目的是为了让更多的顾客接触到产品。大数据驱动营销决策是指企业通过对顾客、竞争对手以及企业本身产生的大数据进行分析，来获得有价值的信息和洞察力，进而帮助企业更快更准确地做出营销决策。若想成功利用大数据进行营销决策，则需要注意以下两点：企业需要确定获取哪些数据。若营销目标不清晰，则会导致收集错误数据，产生错误决策。例如，如果企业想实施动态定价决策，则需要实时收集竞争对手的价格数据以及市场需求数据等；企业需要制定数据质量政策。高质量的数据有助于企业做出更准确的决策，如果收集数据是不完整、不准确和不连贯的，企业同样可能会做出偏离顾客最佳体验、喜好和选择的决策。因此，为了降低决策失误的风险，企业需要制定数据质量政策来确保数据的兼容性、完整性和准确性。35二、大数据驱动营销决策的含义使营销决策更加精准：大数据为企业洞察顾客提供了机会，可以帮助企业做出更加精准的营销决策，包括精准识别顾客，精准广告投放和精准营销服务等。使营销决策更具有效率：营销自动化工具可以简化营销过程中的冗余环节。好的自动化工具可以快速帮助企业识别目标受众，并根据时间表自动向顾客发送正确的内容。成功的企业运用大数据营销自动化去推动营销决策。大数据驱动的营销决策更具有透明度和问责制：基于大数据做出的营销决策会使流程变得更加透明，每个流程中的员工会密切关注自己的数据，每个员工各司其职。当企业出现营销决策失误时，可以及时进行溯源，进而发现决策失误背后的原因。提高了营销决策的成本收益率：从成本来看，大数据驱动的营销决策可以便捷地从多个渠道获取大量数据，并利用大数据技术快速的帮助企业做出决策，在一定程度上节约了时间成本和人力成本。从收益来看，企业可以从大数据中洞察顾客偏好，通过向其实施个性化产品推荐策略，提高顾客的转化率，进而提高企业收益。使营销决策更具有前瞻性：大数据可以使企业根据已知来预测未知，包括预测顾客行为、预测产品价格和预测销售额。36三、大数据对传统营销决策的改变顾客满意度指数模型：该模型是衡量顾客对自己所购买产品或服务的整体评价，是衡量顾客满意度水平的综合评价指数。其中顾客满意度是指企业所提供的产品、服务以及体验达到顾客期望的程度，是顾客的一种心理状态。STP决策模型：该模型主要包括市场细分、目标顾客和产品定位这三个部分，其目的是帮助企业选择最有价值的细分市场，然后再为每个细分市场定制差异化策略。大数据让市场细分更加精准化，更有利于实施定制化策略，提高企业的营销收益。新产品设计模型：该模型是指企业根据顾客对产品或服务的购买意向和偏好排序等信息，对产品属性重要性进行估计，从而开发出符合顾客需求的新产品。企业可以利用顾客在品牌社区上的产品反馈数据和电商平台的产品评论数据，设计出更加符合顾客需求的新产品。此外，利用大数据支持新产品设计，还可以给让企业缩短新产品的上市时间，提高顾客的产品采用率和降低成本等。37四、大数据对经典营销决策模型的革新定价决策模型：该模型是指企业从产品或服务的成本以及其供需状况出发，为产品或服务制定出最合适的价格。制定合适的价格对企业来说尤为重要，如果企业的定价太高，则会将顾客推向竞争对手的怀抱。如果企业定价太低，则会降低企业的利润。大数据技术会帮助企业监测竞争对手价格和充分了解市场价格，从而依据市场变化做出动态定价决策，以提高企业收益。物流决策模型：该模型是指企业旨在以最小成本将货物运送到指定地点，这需要针对货物的库存、运输、仓储以及选址等方面进行综合考虑，做出相应决策。大数据可以优化货物配送路线，提高货物的运输效率。此外，大数据还能对货物需求进行预测，进而减少货物囤积，减少库存成本。最优促销组合模型：该模型是指企业在整体层面如何确定最佳促销组合和在微观层面如何对某种具体的促销工具进行选择的决策。企业通过大数据对顾客进行智能细分，从而实施定制化广告促销策略，来提高顾客转化率。38四、大数据对经典营销决策模型的革新获取高质量数据的挑战：高质量的数据具有完整性、准确性、及时性和相关性的特点，质量差的数据会让企业做出偏离正确轨道的营销决策，缺失的数据可能会让企业根据猜测做出决定，不即时的数据会让企业的营销决策滞后，很难在顾客需求变化时即时做出响应。因此企业要明确营销目标，在海量的数据中挖掘出高质量有价值的信息。消除数据孤岛的挑战：企业内部各个部门之间不实行数据资源共享，互相查询数据需要权限，因此会形成数据孤岛。数据孤岛的存在让数据之间缺乏关联性，很难让企业应用这些数据去进行营销决策。企业可以通过在部门之间建立数据共享系统和开放数据库等方法消除孤岛，以推进营销决策进程。处理实时数据的挑战：虽然企业可以收集近乎实时的数据，但却很难将数据迅速地转化为洞察力。企业分析实时数据的目的在于及时做出营销策略和进行策略调整，而不是事后做出反应。因此，应尽量缩小数据采集、数据分析和实施营销决策的时间差，能帮助企业即时获取有价值的见解。39五、大数据驱动营销决策的挑战标准化数据的挑战：企业每天都会获得不同格式的数据，如结构化、半结构化和非结构化数据，这使得数据标准化变得更加困难。首席数据科学家柯克·伯恩(KirkBorn)指出，“数据科学家会花费80%的时间去准备和清洗数据”。由此可见，在企业利用大数据进行营销决策前，不可避免的需要花费大量精力将数据进行标准化处理。分析大数据并将其应用于营销决策的挑战：企业在分析大数据时面临很多挑战，由于大数据的体量庞大，分析技术和工具众多，营销人员往往很难掌握全部数据及分析方法。为了避免此类情况发生，企业可以使用将数据聚合到单个仪表板的工具。此外，企业还可以让不同团队成员成为不同工具的专家，而不是创造一个通才团队。40五、大数据驱动营销决策的挑战【本章小结】大数据主要具有大量（Volume）、高速（Velocity）、多样性（Variety）、准确性（Veracity）和低价值密度（Value）的特征。大数据在规模和存储方面都非常庞大和复杂，传统的数据管理工具无法有效地捕获、管理和处理大数据。针对营销领域，大数据营销是通过大数据分析技术来挖掘消费者的消费模式、偏好和相关信息，进行营销决策，为有可能购买产品的用户提供定制化利益，更好地满足消费者需求。本章系统介绍了大数据的概念、大数据分析技术和工具以及大数据营销，了解大数据对经典营销决策模型的革新和数据驱动的营销决策分析范式。4142Q&A第二章营销大数据的管理43学习目标熟悉营销大数据的内涵和处理流程正确区分结构化数据与非结构化数据的差异，掌握结构化数据分析方法了解营销大数据高级分析方法的基本原理44本章思维导图45开篇案例大数据背景下的网络舆情监控互联网技术的应用和社交媒体的流行特点：1）数据源覆盖面广。如资讯网站、社交媒体平台

2）技术难度较大。

具备强大的数据采集、数据处理和数据挖掘能力

需要实时监控。应用：(1)监测负面信息(2)监测竞品信息(3)发现市场需求

(4)分析事件脉络，提供决策依据涉及流程：营销大数据采集、存储、挖掘和分析。46一、营销大数据的内涵二、结构化和非结构化营销大数据三、营销大数据的来源47第一节营销大数据概况一、营销大数据的内涵营销大数据是大数据技术和营销科学的有机结合，是企业营销部门的重要决策支撑，可以提高企业营销活动的有效性。营销大数据为企业带来机遇：海量的营销大数据有助于企业挖掘潜在营销信息。营销大数据使个性化营销成为可能。营销大数据极大推进了精准营销的实现。48营销大数据为企业带来挑战：营销大数据的急剧增长给数据挖掘技术带来了新的挑战。营销大数据的异质性导致企业在理解和管理数据上面临着巨大挑战。大数据技术在推动实时分析发展的同时，也对大数据技术提出了更高的要求。49一、营销大数据的内涵二、结构化和非结构化营销大数据结构化营销大数据：可以通过二维表结构来表现的营销数据，遵循一定的数据格式与长度规范，主要通过关系型数据库进行存储和管理。例如，消费者的购买数量、产品购买转化率和顾客留存率等都属于结构化营销大数据。

结构化营销大数据往往格式单一，有统一的标准，易于搜索存储。50如左图所示存储于MySQL数据库里的营销数据就是结构化的营销数据非结构化营销大数据：数据结构不遵从一定规则，难以用数据库二维表结构来表达和实现的营销数据。

通常以文本、图片、音频和视频等形式呈现。例如，用户评论、品牌图片、直播视频等属于非结构化的营销大数据。非结构化的营销大数据往往格式多样、标准多样，搜索存储较为复杂。51如左图所示包含大量图片的文件夹里面存储的就是非结构化品牌图片数据二、结构化和非结构化营销大数据非结构化营销数据转换为结构化营销数据的方法：直接转换法：将非结构化营销大数据一步转换为结构化营销大数据。间接转换法：先把非结构化营销数据转换为半结构化营销数据，然后再转换为结构化营销数据。52二、结构化和非结构化营销大数据交易数据

如互联网点击数据、ERP系统数据、CRM系统数据、公司的生产数据；移动通信数据

个人交易数据、产品搜索记录、个人信息资料和用户地理位置等；人为数据

使用网络时生成的视频、音频、图片和文字文档，以及利用微信、微博等社交媒体进行互动时产生的数据流；机器和传感器数据

包括来自感应器、GPS定位系统数据和物联网产生的大数据等；互联网上的开放数据来源

例如，政府机构、非营利组织和其他企业免费提供的数据。53三、营销大数据的来源第二节营销大数据的处理流程一、营销大数据的采集二、营销大数据的存储三、营销大数据的清洗四、营销大数据的分析54营销大数据的采集：是指利用多个数据库或存储系统来接收发自客户端的数据。营销大数据采集方法:系统日志采集：指收集公司业务平台日常运营产生的日志数据，并提供离线和在线的实时分析使用。网络数据采集：指通过网络爬虫和一些网站平台提供的公共API等方式从网站上获取数据。数据库采集：收集企业每时每刻产生的业务数据，以数据库一行记录的形式被直接写入到企业的数据库，最后由特定的处理分析系统进行系统分析。感知设备数据采集：感知设备数据采集是指通过传感器、摄像头和其他智能终端自动采集信号、图片或录像来获取数据。55一、营销大数据的采集营销大数据的存储需要用到数据库管理系统

常用的数据库管理系统有Excel、MySQL等MySQL是开源软件，适应于所有的平台，支持存储5000万条记录，同时版本更新较快，价格也相对便宜SQLserver采用客户机/服务器体系结构，有图形化的用户界面，使系统管理和数据库管理变得更加直观和简单。Oracle稳定性和安全机制较好，缺点是价格昂贵。56二、营销大数据的储存企业使用数据库管理系统时需要关注以下问题：容量问题。数据规模可能随着时间不断增长，因此，数据存储系统一定要有高等级的扩展能力。延迟问题。大数据分析应用通常会使用到网络流量和交易记录这些大量的小数据，而这些小数据对响应延时要求非常高。因此，大数据存储架构设计往往需要满足最小延时的功能。安全问题。大数据分析往往需要多类数据相互参考，伴随数据混合访问的情况，进而催生出隐私泄露等一系列新的安全性问题。成本问题。使用大数据需要购买高昂的硬件设备，企业需要尽可能地提升存储效率，控制成本。57二、营销大数据的储存营销大数据往往是不完全的、有噪声的和不一致的，因此需要进行数据清洗。数据清洗的主要处理方法包括：（1）缺失值处理删除法：当缺失部分在整体数据样本中占比较低时，直接删除即可均值填补：若总数据量比较小，且数据满足正态分布的情况下，可以计算非缺失值的平均数或众数，然后使用平均数或众数来代替缺失值热卡填补法：若缺失值包含变量，那么在数据库中寻找与它相似度最高的一组数据进行填补58三、营销大数据的清洗（2）异常值处理检测异常值的方法：统计分析：对数据进行描述性统计。通过观察最大和最小阈值来判断其中的某一项数据是否符合常识模型检测：建立数据模型，将数据表现与模型不拟合的数据定义为异常值3σ原则：若整体数据服从正态分布，可将一组测定值中与平均值的偏差超过3倍标准差的值视为异常值完成异常值检测后，通常对异常值采取删除处理。或者将异常值视为缺失值，再用上文介绍的缺失值处理方法来处理异常值。59三、营销大数据的清洗描述型分析

是对企业营销活动中的重要业务指标进行描述性统计分析，如每月的营收账单。

营销人员在进行描述型分析时可以利用可视化工具，更加直观呈现营销指标，从而帮助决策者对经营情况做出总体判断。诊断型分析

主要是分析关键营销指标产生异动的原因，如分析销量为何下降。

营销人员进行诊断型分析时需要对市场环境变化、营销活动执行效果和人员工作效率等各个环节进行评估，进而总结成功或失败的原因，以便及时调整营销策略。60四、营销大数据的分析预测型分析

是指根据历史数据趋势建立预测模型，如预测新广告宣传效果。

预测型分析的核心在于发现营销数据背后的规律，并利用规律为企业下一阶段营销战略制定提供方向。指令型分析

该分析在于提炼数据特点，并提供决策建议。例如，企业可以通过指令型分析选择最佳的门店位置。

指令型分析常被用于指导营销活动过程中的具体细节，使企业产品或服务的质量得到保证，进而提升企业的经营效率。61四、营销大数据的分析第三节营销大数据的分析方法一、相关分析二、方差分析三、回归分析四、时间序列分析五、非结构化数据分析六、高级分析方法62相关分析既可以发现数据之间的正负关系，也可以度量数据之间的强弱关系，如完全相关，不完全相关等。通过对营销大数据之间的关系相关性进行分析，可以发现影响营销活动成功的关键因素。63一、相关分析相关分析方法：图表相关分析

通过绘制图表对数据进行可视化处理，从而让数据整体趋势和数据间的联系更加直观清晰。64如左图所示利用Python的seaborn库绘制的回归散点图发现账单和消费之间的正相关关系一、相关分析协方差

协方差是用来衡量两个变量的总体误差。

若协方差值为正，则说明这两个变量呈正相关，两个变量的变化趋势一致。

若协方差值为负，则说明这两个变量成负相关，两个变量的变化趋势相反。

若协方差值为0，则说明这两个变量之间相互独立，两个变量不相关。65一、相关分析相关系数相关系数是用于反映变量之间相关程度的统计指标，一般用字母r表示。相关系数的取值区间在-1到1之间。其中r表示相关系数，cov表示协方差，Sx表示变量X的标准差，Sy表示变量Y的标准差。相关系数不仅可以对变量之间的方向进行度量，还可以衡量变量之间的关系强弱。66一、相关分析方差分析（ANOVAAnalysis）用于分析两组及两组以上样本均值之间的差异，通过检验各组均值的差异性来检验分类型自变量对数值型因变量是否有显著影响。使用方差分析前需要满足以下三个条件：各样本是相互独立的随机样本各样本均服从正态分布各样本的总体方差相等67二、方差分析方差分析的基本原理是：对于所有样本，总差异=不同的处理造成的组间差异+随机误差造成的组内差异通过检验组间差异和组内差异之比，可以判断因素的影响是否显著。根据分析因素数量的不同，方差分析可以分为单因素方差分析、双因素方差分析和多因素方差分析等。68二、方差分析线性回归线性回归是通过将观察的数据拟合成一个线性方程，从而来模拟变量之间的关系。进行回归分析的主要目的是判断自变量与因变量之间的回归系数是否显著不等于零。若拒绝零假设（H0：因变量和自变量之间无关系），则可以判断变量之间因果关系显著。69

三、回归分析泊松回归泊松回归与泊松分布有关，泊松分布用于描述单位时间内随机事件发生的次数。在进行泊松回归需要满足以下几个条件：因变量必须要为计数变量，即非负整数。在进行泊松回归时，因变量的数据分布一般要服从泊松分布，表现为因变量的平均值等于方差。如果因变量不服从泊松分布，但只要样本数量足够大，并不妨碍我们得到渐进一致的估计值。至少包含一个自变量，且自变量不存在显著异常值，自变量之间不存在严重多重共线。因变量里每次发生的事件相互独立，不相互影响。70三、回归分析序数回归因变量必须为有序分类型数据自变量可以是分类变量或连续变量如果对有序分类型因变量采用多分类逻辑回归模型，会导致数据内在的排序被无视，从而导致排序信息的缺失，使得统计结果出现问题。而如果采用OLS，那么就是将定序变量作为连续变量处理，又会导致信息膨胀。故，针对有序分类变量应采取序数回归。71三、回归分析生存回归生存回归用于分析一个事件发生之前的预期持续时间，事件如生物有机体死亡和机械系统故障等。生存分析的主要目的是估计生存函数。对于分组数据，在不考虑其他混杂因素的情况下，可以用Kaplan-Meier法对生存函数进行组间比较。Kaplan-Meier一般只考虑单个因素对事件的影响如果考虑多个因素对事件的影响，可以使用Cox比例风险回归模型。72三、回归分析逻辑回归若因变量是连续变量，可使用线性回归模型来进行分析若因变量是分类变量，则采用逻辑回归模型解决逻辑回归的因变量为二分类或者多分类变量

例如，通过分析工作强度、收入水平、受教育程度等指标，来判断一个人是否患有心理疾病。其中Y=0表示未患病，Y=1表示患病，在该情况下因变量就是一个二元分类变量。73三、回归分析时间序列包括平稳序列和非平稳序列平稳序列基本上不存在趋势，序列中的各观察值基本上在某个固定的水平上下随机波动。非平稳序列包含趋势、季节性或周期性，非平稳时间序列可以被分为有趋势序列、季节性序列、周期性序列以及几种成分混合而成的复合型序列。74股价为显著的非平稳时间序列四、时间序列分析一个具体的时间序列，它可能含有一种成分的单一序列，也可能是几种成分混合而成的复合型序列。时间序列的预测方法包含自回归(AR)模型、移动平均(MA)模型、自回归移动平均(ARMA)模型和差分自回归移动平均(ARIMA)模型等。75四、时间序列分析文本分析文字是营销过程中最常见的交互方式，营销人员可以借助文本数据反映的信息洞察市场规律。文本分析步骤：对文本数据进行采集

数据采集是文本分析的第一步，使用python软件进行网络爬虫，是采集文本数据的最常见方法。

网络爬虫常用到的访问库包括requests库、数据解析库lxml库、BeautifulSoup库和数据存储库csv库等。76五、非结构化数据分析对文本数据进行分词

分词是指将数据尺度从章节段落拆解成颗粒度更小的词语层面，以便于后续分析。对文本数据进行清洗

网络爬虫采集的往往不是干净的文本数据，可能会包含非文本内容，或者无意义的词。需要将这些无用的内容进行删除。构建文本分析模型

常用的文本分析模型有LDA、SVM、TextCNN等。77五、非结构化数据分析情感分析情感分析是利用算法在对文本进行分析、处理、归纳和推理后，提取出文本中包含的情感。文本情感分析中常用的两种方法，分别是基于情感词典的方法和基于机器学习的方法。78五、非结构化数据分析基于情感词典的方法利用事先设置好的情感词库，为每个词赋予一定的情感倾向度的权值。从要分析的文本中提取出所有的情感词，根据句子特点计算情感得分，进而判断文本的情感极性。

基于情感词典的情感分析方法，主要涉及到分词、去除停用词、标记词的权重、搜索词的前缀程度词、搜索词的前缀否定词和计算情感得分六个步骤。79五、非结构化数据分析基于机器学习的方法

其是通过对已经标注的文本数据进行特征处理，再对模型进行有监督学习训练，最后用训练好的模型判断文本的情感极性。包括模型训练和模型预测这两大模块。80五、非结构化数据分析图像分析包括图像分类、目标检测、实例分割和语义分割等。图像分类

是将不同的图像，划分到不同的类别，实现最小的分类误差。常用深度学习算法模型有GoogleNet、ResNet81五、非结构化数据分析目标检测图像目标检测的任务要求算法用矩形框框出图上每一个物体，并对框里的物体进行分类。目标检测既要输出目标的类别信息和概率（分类任务），又要输出目标的具体位置信息（定位任务）。82目标检测程序检测出了人、狗、马，并给出了位置和置信度。五、非结构化数据分析语音分析

需对语音信息进行识别，将语音序列转换为文本序列，并对输出的文本进行分析处理。语音分析涉及语音活动检测、降噪、回声消除和混响消除等技术。83五、非结构化数据分析视频分析视频承载的是人物+场景+动作+语音的内容信息视频分析从视频中提取有效的特征，对内容进行分析理解视频分析包括：视频目标检测。目标跟踪。跟踪视频中运动目标。视频行为识别。给定一个视频，让计算机判断感兴趣的人或物体在进行什么行为。84五、非结构化数据分析网络分析

该方法是一种定量的群体交互行为研究方法，主要用于研究不同行动者之间的关系。运用这种研究方法可以并发现社群内部行动者之间的各种社会关系。在网络分析中，经常会使用中心度的测量指标。

中心度又被划分为度数中心度、中间中心度、接近中心度和特征向量中心度这四个维度。85五、非结构化数据分析网络分析图是行动者之间关系的形象化表示，行动者可以是个体，也可以是组织。如图所示，图中的圆圈代表一个行动者，实线和箭头代表行动者之间关系。右图中带有箭头的线表示行动者之间的关系是有向的。左图中的实线表示行动者之间的关系是无向的。86五、非结构化数据分析87微案例1用户画像，又称作用户信息标签化，是指根据用户的人口统计特征、用户偏好特征、用户行为特征等信息对用户进行标签化。本案例根据用户的历史行为数据，将用户分成优质客户、发展客户、一般客户和流失客户。用户的行为数据集包含三个数据字段，分别是购买时间（上一次购买距今的时间，单位是天）、购买次数（最近一个月购买的次数）和平均单次购买金额（最近一个月平均单次购买金额）。其中有120个用户已经打上了用户画像的标签，分别被标记为优质客户、发展客户、一般客户和流失客户。本案例的目的是建立一个决策树模型，根据已经标记的用户数据（又称作训练集），自动预测尚未标记的用户的标签。88决策树是一种非参数的监督学习方法，主要用于分类和回归。决策树的目的是构造一种模型，使之能够从样本数据的特征属性中，通过学习简单的决策规则—IFTHEN规则，来预测目标变量的值。89微案例1我们利用机器学习库：sklearn库构建预测模型。90微案例1可视化决策树的结果，其中class为类别(1到4)91微案例1下面介绍如何利用python进行基于深度学习的新闻文本分类我们将新闻分为14类：{‘科技’:0,‘股票’:1,‘体育’:2,‘娱乐’:3,‘时政’:4,‘社会’:5,‘教育’:6,‘财经’:7,‘家居’:8,‘游戏’:9,‘房产’:10,‘时尚’:11,‘彩票’:12,‘星座’:13}。92微案例2①数据读取文本分类的第一步是数据读取主要使用Pandas完成CSV文件数据的读取②简单统计分析数据读取完成后，可以输入一些代码进行简单的统计分析如分析文本句子长度、新闻类别分布和字符分布统计等93微案例2③基于深度学习进行文本分类FastText是一种典型的深度学习词向量的表示方法它通过Embedding层将单词映射到稠密空间。然后将句子中所有的单词在Embedding空间中进行平均，进而完成分类操作。当数据量比较小时，准确率为0.8左右，当不断增加训练集数量时，FastText的精度也会不断增加。94微案例2【本章小结】营销大数据是企业精准实施各种营销活动的重要基石，合理使用营销大数据可以为企业带来事半功倍的效果。营销大数据既给企业带来挖掘商业价值、个性化营销和精准营销的机遇，营销大数据的急剧增长、异质性和更高技术要求也给企业带来巨大挑战。处理流程主要涉及营销大数据的采集、存储、清洗和分析。此外，掌握相关分析、回归分析、时间序列分析、非结构化数据分析等营销大数据的分析方法也是十分必要的，这不仅有利于提高营销大数据分析的有效性，还能提高营销大数据分析的准确性。9596Q&A第三章

大数据与用户画像97学习目标了解用户画像的基本概念和流程熟练掌握用户旅程地图的概念及其绘制方法熟悉基于大数据的用户画像及其精细化运营管理理解通过营销大数据进行用户画像的方法及其应用98本章思维导图99开篇案例天猫-以消费者为核心的内容营销天猫通过三步“人群洞察-沟通内容优化-内容触点触达”，构建以消费者为核心的内容营销：细分消费者，传达精准内容信息

构建用户画像，将品牌消费者细分为重度客户、潜在客户和竞品客户，对不同群体拟定个性化的沟通目标，创造核心沟通信息优化内容投放策略

深入理解和运用天猫生态系统内内容产品矩阵和KOL达人矩阵两个核心工具，进而有效优化内容投放策略。内容产品矩阵精细化运作，优化基础内容投放和头部内容投放；优化KOL策略，打造丰富的分层分类自媒体矩阵衡量内容效果，数据反馈指导策略优化

围绕营销周期内的受众感受，使用内容营销“5A”指标对受众5个关键环节的运营效果进行评估，帮助品牌准确、细致和全面衡量全链路营销效果1005A：认知（Aware）、吸引（Appeal）、询问（Ask）

行动（Act）、拥护（Advocate）一、用户画像的概念与作用二、传统用户画像方法及优缺点三、基于大数据的用户画像四、基于大数据用户画像的方法与工具101第一节

用户画像用户画像的概念：是通过大量的定性和定量研究创建的，用一个或几个虚构的人物角色或者标签体系，来表征大多数具有相关一致性需求的潜在用户的工具。用户画像旨在了解客户需求和消费能力，寻找产品的潜在目标客户，并利用画像信息为企业开发满足客户需求的产品。用户画像主要关注三个要素：人、物、环境：

“人”即指用户的自然属性、社会属性

“物”包括文本、图片、音频、视频、商品等

“环境”可以是时间、地点或场景等102一、用户画像的概念与作用用户画像包括目标、方式、组织、标准、验证这5个方面目标：指描述人、认识人、了解人、理解人，这些都围绕着“人”进行，也阐明了构建用户画像的核心目的是要了解用户。方式：在目标的指导下，通过何种方式来建立用户画像尤为重要。组织：指结构化、非结构化的组织形式，是用户画像及其标签体系的外在表现形式。标准：指使用常识、共识、知识体系的渐进过程来刻画人物，从而认识和了解用户。验证：指运用合适的方法对所构建的用户画像进行检验，判断其是否准确（与现实相符）以及是否能够为相关业务提供服务（具备目标有效性）。103一、用户画像的概念与作用用户画像的分类：当前两种常见的用户画像是用户角色(UserPersona)和用户档案(UserProfile)。用户角色（UserPersona）最早由AlanCooper提出，他认为UserPersona是真实用户的虚拟代表，是建立在一系列属性数据之上的目标用户模型。

根据用户行为、动机等不同将用户分为不同的类型，从中抽取每类用户的共同特征，并设定名字、照片、场景等要素对其进行描述。用户角色可以帮助产品经理和设计师对产品的使用对象和服务对象更加专注，理解用户的真实需求和使用场景，尽其所能地站在用户的角度，围绕典型用户的核心诉求点进行设计和开发。104一、用户画像的概念与作用用户档案与用户角色的画像有着本质的不同：用户角色（UserPersona）是产品设计人员在产品规划阶段，基于对用户的真实需求虚拟出的典型人物角色用户档案（UserProfile）是基于大量用户积累下的数据，结合相应的需求和场景沉淀出的一系列标签，这些标签能为更好的产品迭代提供数据支持。用户档案的建立，是为了优化用户体验，挖掘用户数据并进行个性化推送，衡量用户价值（ARUP值）而产生的一类用户画像，一般基于用户在系统里产生的真实数据、行为特征和用户主动填写的行为资料进行。相比于用户角色，用户档案是依赖于数据统计和计算过程形成的标签系统。105一、用户画像的概念与作用用户画像的构建原则：标签体系应以信用信息和人口属性为基础

构建用户画像关注两个问题：一是“标签体系准不准”

二是“标签体系全不全”标签体系应以强相关信息为主

强相关信息是与业务场景需求直接相关的信息。建立标签需将定量信息转化为定性信息

在各类定量信息的基础之上，形成分类的定性信息，有利于前期对用户信息的筛选，也能够帮助企业识别目标用户特征，快速精准定位目标客户群。106一、用户画像的概念与作用用户画像主要具有宏观、中观和微观三维度的应用价值宏观价值：战略指导

宏观层面，从行业趋势、竞争分析到产品定位，用户画像能够辅助企业的相关业务决策，指导战略的制定。中观价值：运营优化

中观层面，从产品功能优化、用户增长、个性服务、量化风控到精准营销，都离不开用户画像的支持。微观价值：用户发掘

微观层面，从用户特征识别、基础用户信息构建到用户需求分析，用户画像在发掘用户潜在价值方面发挥着关键的作用。107一、用户画像的概念与作用用户角色的创建方法有AlenCooper的“七步人物角色法”和LeneNielsen的“十步人物角色法”。以“七步人物角色法”为例：界定用户的行为变量。即发现并确认模型因子。将访谈主题映射至行为变量。通过访谈目标用户，将访谈对象和行为变量一一对应，定位到某个范围的精确点。识别行为模式。通过集中若干个行为变量集合的用户，可界定重要的行为模式。在多个行为变量上看到的相同用户群体，代表同一类用户群体的显著行为模式。综合用户特征和目标。用户特征可从数据出发，综合考虑细节，描述潜在使用环境、使用场景和当前产品的不足、用户不满等。108二、传统用户画像方法检查完整性和重复。检查人物和行为模式的对应关系是否存在重要缺漏，是否缺少重要的典型人物，是否缺少重要的行为模式。展开叙述。即描述典型场景下用户的行为。用表述模型虚拟事件和用户的反应，介绍用户角色，简略勾画关注点、兴趣爱好以及工作生活中与产品的直接关系，传达情感化信息，同理心感受用户。指定用户类型。对所有用户角色进行优先级排序，确定首要设计对象。按照典型用户、次要用户、补充用户和非目标用户（负面人物角色）的顺序进行任务角色模型的制定。这些传统的用户画像方法主要可以归纳为3个步骤：

获取用户信息、细分用户群体、建立和丰富用户画像109二、传统用户画像方法其技术原理是围绕着数据清理、分析统计、用户信息标签化等方面进行。目前，用户画像的大数据应用场景包含网站指标画像、社交用户画像、用户群体画像、广告推荐、电商类推荐、用户金融信誉等级画像、移动电信集中监管系统画像、供销存画像和传感器数据分析画像等。举例：110三、基于大数据的用户画像111基于大数据用户画像的构建流程需遵循四大步骤：

基础数据收集、行为建模、初步构建画像和数据可视化分析四、基于大数据用户画像的方法与工具第一阶段：获取用户行为数据可通过两种技术手段进行：一是实时性较高的直接采集，二是定时获取行为日志文件的批量间接采集。第二阶段：用户行为建模首先需要通过技术手段将行为数据进行加工。这些统计方法包括简单易懂的基础运算，也包括相对复杂的定向统计方法。第三、四阶段：分析结果可视化呈现数字表格、曲线图、饼图、柱状图是用户画像结果分析中常使用的报表展示形式，能够帮助用户画像使用者轻松解读用户的特征情况112四、基于大数据用户画像的方法与工具一、用户旅程地图二、用户行为分析三、基于大数据的用户画像与精细化运营四、用户画像的效果与绩效评估113第二节

基于大数据用户画像的流程用户旅程地图是从用户视角出发的，将用户需求、购买行为过程、态度以及与业务主体的关系进行可视化的一种工具。用户旅程包含的五层含义：是与用户的接触点连接起来的完整旅程，是用户的一个经历。用户旅程关注的是用户整个旅程的体验，而非仅仅是单个接触点的体验，这就表明每个接触点满意并不代表旅程满意。描述旅程的语言应是基于用户的视角，从用户的角度出发去描述整体体验情况。用户旅程涉及线上线下多种渠道的接触点。用户旅程一般持续的时间较长，同时也是可以重复的。114一、用户旅程地图用户旅程地图的五个关键要素：角色（Actor）——即用户画像，指明了用户类型，回答了“用户是谁”这一问题，为用户旅程地图提供了相应的角色视角，是整个地图的行为主体。情景（Scenario）——即体验场景，描述了用户旅程地图需要解决的核心问题，与角色使用地图的目标、期望和需求息息相关。旅程阶段——即用户经历的不同阶段，阶段内容依情景而异，企业通常会使用数据来帮助其确定不同的阶段内容。行为、想法和情感——用户角色的行为、想法和情感始终贯穿于整个用户旅程地图，也是每个旅程阶段的主要关注点。收获（Takeaways）——即关键性结论，指从用户旅程地图中收获的见解，为优化用户体验提供了方法。115一、用户旅程地图制作一张用户旅程地图方法：首先开展用户调查，以用户的真实情况为基准，尽可能多地了解用户。其次概述用户需求，包含最终将作为产品功能的用户需求。这一部分也被称为“用户行为”。然后确定用户任务，这要求制作者把其拆解为用户完成行为时所需要完成的任务。最后针对痛点，讨论可行的解决方案。116一、用户旅程地图用户行为分析是聚焦用户在产品（服务）上产生的行为。既不需要“与用户完成问答式对话”，也不需要“用户主动留下态度”，用户行为分析真实地观察到用户的具体行为，从而了解用户偏好规律。用户行为分析三个步骤：获取数据：是进行用户在线行为分析的首要条件。每一条行为数据至少都应该包括4W，即“Who、When、Where、What”。分析指标：这是进行用户在线行为分析的主体内容。

在用户行为分析领域，指标是用于衡量事物发展程度的单位或方法。确定好用户行为分析指标后，可以借助一些模型对用户行为的数据进行定性和定量的分析。可视化结果：这是进行用户在线行为分析的最终目标体现。117二、用户行为分析118基于用户数据的分析与挖掘：标签体系在对用户的行为数据完成采集之后，要想完成基于大数据的用户画像构建，核心的一环就是标签体系的构建与分析。标签是用户属性、兴趣、行为等特征的抽象与描述，由此构成的标签体系是对现实世界中一类实体的一个无歧义描述方式。基于大数据的用户画像就可以通过用户标签的集合来表示，是一种勾画目标用户、联系用户诉求与设计方向的有效工具。119三、基于大数据的用户画像与精细化运营标签的分类：用户画像的标签根据描述内容的不同，可以分为基础属性标签和行为属性标签。基础属性标签一般为用户的人口属性和基本行为，如性别、年龄、学历、消费能力等行为属性标签可以是个人喜好（资源分类标签、喜好标签、风格标签、使用偏好时间等），也可以是具体的使用行为。120三、基于大数据的用户画像与精细化运营标签建模：在利用用户画像标签进行建模时，需通过对原始数据进行相应的算法运算从而得到事实标签、模型标签和预测标签。首先，需对收集的原始数据进行统计分析，运用文本挖掘算法、聚类算法或相似度计算，得到事实标签。在事实标签的基础上，通过构建事实标签与业务问题之间的模型，进行相关分析得到模型标签。最终的预测标签则是在模型的基础上做预测，在此阶段经常使用的预测算法有时间序列分析、逻辑回归、定价模型和CLV模型等。121三、基于大数据的用户画像与精细化运营122一、实践应用：多芬以消费者为核心的品牌转型二、客户旅程体验图的实际应用123第三节基于大数据用户画像的应用案例背景：企业落实“以消费者为中心”的过程中面临着诸多挑战和问题。首先，品牌商和终端消费者的实际触点数量有限，难以系统的展开直接、有效的沟通。加上消费者圈层进一步深化，“千人千面”的消费者需求也使得企业了解消费者变得更加困难。天猫、抖音和京东等各平台将其生态体系内的用户数据进行整合，并将消费者历程中每一个触点进行完整的记录。以天猫为例，他们通过一系列面向商家的产品（如数据银行、生意参谋和品牌号等）将其数字化能力向商家开放，使品牌可以和海量消费者比较，并具体理解消费者需求，真正做到“以消费者为中心”开展产品研发、营销推广和品类规划等各项业务。124一、实践应用：多芬以消费者为核心的品牌转型方法论基础：消费者运营健康指标（FAST）在数量和质量两个维度上，从消费者资产管理的角度出发，清晰全面的衡量品牌健康度。消费者运营健康指标（FAST）由可运营人群数量(Fertility)、人群转化力(Advancing)、高价值人群总量(Superiority)和高价值人群活跃度(Thriving)四个指标组成。125一、实践应用：多芬以消费者为核心的品牌转型运营人群数量(Fertility)即为活跃消费者数量，该指标主要帮助品牌了解自身可运营消费者总量情况。人群转化力(Advancing)，也就是关系加深率，通过多场景提高消费者活跃度，促进人群链路的正向流转，并进一步筛选优质人群。高价值人群总量(Superiority)，也就是会员总量，会员/粉丝对于品牌而言，价值巨大，能够为品牌促销提供爆发力。高价值人群活跃度(Thriving)，表示会员活跃率，借助促销，提高会员/粉丝活跃度，激发会员/粉丝潜在价值，为品牌GMV目标完成提供助力。126一、实践应用：多芬以消费者为核心的品牌转型品牌管理实践：本节以个人护理品牌多芬为例，阐述多芬利用大数据进行用户画像，并在FAST指数基础上，实现FAST品牌健康指数的提升。消费者洞察：完成用户画像，根据“人-货-场”打造“泡泡家族IP”多芬根据消费大数据，将用户进行分类，并对每一类用户单独画像。127一、实践应用：多芬以消费者为核心的品牌转型解析FAST指数：站内外自运营三效合一针对性提升指数多芬品牌可运营人数和会员人数总量两项指标优秀，运营目标以吸引新顾客为主。其站内外自运营三效合一，分工明确：站外投放。多芬以提升搜索指数为目标，选择通过小红书、抖音、双卫等社交媒体的海量优质种草。同时结合不同平台算法调整投放策略，实现口碑与搜索量的双丰收。站内投放。结合手机淘宝改版的方向，精选长期留存稿转化渠道。同时与超头部主播达成战略合作关系，持续为明星商品提升招新和复购率。自运营方面。联合利华开通的品牌号将在FAST中起重要的作用，其通过人群标签属性，对粉丝进行差异化信息推送，激活更多粉丝。128一、实践应用：多芬以消费者为核心的品牌转型投放计划实操演练多芬在投放阶段分为蓄水期、预热期、小爆发期和大收割期等。129一、实践应用：多芬以消费者为核心的品牌转型本小节以某共享单车品牌（M品牌）为例，阐述全渠道客户旅程体验图的应用。按照绘制背景、绘制客户画像、描绘客户旅程、描绘客户体验、描绘企业旅程和描绘机会这６个阶段来进行具体说明。第一阶段：明确全渠道客户体验图的应用背景该阶段需要标明绘制者和完成日期、明确创建该图的情境、明确创建该图的目标以及将相关内容填入框架图四个步骤：说明标明客户旅程体验图创建者和创建日期明确该图的创建情境明确该图的创建目标填入到空白框架图中的背景位置130二、客户旅程体验图的实际应用131第二阶段：绘制客户画像该阶段包括确定产品类别、选择目标顾客、调研目标顾客、描述他们是谁和是什么样的以及将相关内容填入框架图六个步骤：界定该图的产品类别为共享单车服务。选择的目标顾客为一线和二线城市的在校大学生对目标顾客进行调研描述目标顾客是谁（大数据生成的人口统计标签）描述目标顾客什么样（大数据生成的心理和性格标签）将相关内容填入框架图中的客户画像位置132二、客户旅程体验图的实际应用第三阶段：描绘客户旅程该阶段包括调研目标客户的全渠道旅程、探寻各个阶段的全部接触点、将这些接触点依序排列以及将相关内容填入客户旅程的框架图。发现客户旅程的阶段。清晰化各个阶段的接触点。通过调研发现，目标顾客在上述7个阶段经历了16个接触点。将接触点依序排列至各个阶段。将客户旅程的7个阶段，以及相匹配的16个接触点依序填入框架图的客户旅程位置，并将线下线上接触点用线条连接起来。133二、客户旅程体验图的实际应用第四阶段：描绘客户体验该阶段包括选择目标顾客的体验类型、选择评价标准和标志、规划目标顾客在各个接触点的满意度以及填入到框架图的客户体验位置四个步骤：选择目标客户的体验类型。关注便捷和省钱的体验选择评价标准和标志调研目标顾客在各个接触点的满意度情况将上述内容转换成表情包，填入到全渠道客户旅程体验图的客户体验位置134二、客户旅程体验图的实际应用第五阶段：描绘企业旅程图：发现企业旅程的阶段。清晰化各个阶段的接触点。将16个接触点排序至7个阶段中。详述企业的关键资源整合行为。将相关内容填入框架图的客户旅程位置。第六阶段：分析问题点、矛盾点和改进方向问题点为顾客关注的便捷和省钱体验无法让客户满意，导致销售增长停滞。矛盾点为公司面临盈利压力，采取了降低成本策略，取消了大规模的免费和奖励骑行政策，导致关注省钱体验的一些顾客抛弃了该品牌。改进点为抛弃价格敏感型顾客群或者恢复奖励骑行制度，又或者寻求广告、数据和平台等路径的增收模式。将此内容填入框架图中。135二、客户旅程体验图的实际应用【本章小结】用户画像就是通过大量的定性和定量研究创建的，达到用一个或几个虚构的人物角色或者标签体系，来表征大多数具有相关一致性需求的潜在用户的目的。两种常见的用户画像是用户角色和用户档案。用户角色更像是一个刻画用户需求的方法论，而用户档案是依赖于数据统计、计算的过程形成的标签系统。传统的用户画像按用户类型和分析用户信息的方法来区分，主要有定性用户画像法、经定量检验的定性用户画像法、定量用户画像法。基于大数据的用户画像构建的一般流程遵循基础数据收集、行为建模、初步构建画像、数据可视化分析这三大步骤。用户画像的效果评估可以从三个维度进行：第一，用户画像是否反映了受众的真实需求；第二，用户画像的时效性；第三，用户画像的覆盖度。136137Q&A第四章客户生命周期管理138学习目标了解客户生命周期的基本概念和流程熟练掌握顾客生命周期管理的模型熟悉顾客全生命周期管理模型及方法理解营销大数据进行顾客生命周期管理的基本原理和应用方法139本章思维导图140开篇案例如何才能让数据分析真正优化一线销售业务

营销领域广泛使用客户价值、客户生命周期等模型。这类模型的关键假设是，企业未来的最佳客户与过去的最佳客户相一致。常用模型有RFM模型：最近购买时间(Recency)、购买频率(Frequency)、购买金额(Monetary)。它有几个已知的缺点:①它忽略了RFM以外的异构来源，并且没有充分利用客户的纵向购买历史；②除非RFM变量都是相互独立的(这是不可能的)，否则模型不能考虑冗余。Fader等(2005)提出Iso-Value方法使用了成熟的购买行为的随机模型，用于对未来时期进行预测。此外他们的模型可以捕捉到“高频购买悖论”：141一、客户生命周期二、基于顾客价值的生命周期管理142第一节

客户生命周期管理流程（一）客户生命周期指个体或组织对企业形成初步认知，而后与企业建立业务关系成为客户，直到与企业完全终止关系的全过程。动态地反映了客户与企业从了解到形成合作关系再到关系结束的不同阶段的客户特征显示了客户与企业之间不同联系程度的业务关系，帮助企业阶段性化客户关系管理，针对不同生命周期阶段客户采用不同的维护手段引导企业将关注点聚焦于客户来评估企业当前及未来的盈利能力，不仅是通过已有的销售量或销售额等来判断和预测企业的盈利能力客户在不同生命周期阶段有不同的需求和期望，因此企业针对不同阶段客户提供差异化的产品以及相应的精准营销。143一、客户生命周期客户生命周期的应用：市场细分

基于客户生命周期阶段划分市场能够帮助企业从客户对企业认知态度的区别上进行营销。客户关系管理

包括现有客户、潜在客户和未来用户评估营销成果

企业可以通过一段时间内，处于不同生命周期阶段的客户的数量变化评估这段时间企业实施的营销策略，从而改进或转换营销方式。144一、客户生命周期（二）客户生命周期阶段：可分为客户到达、客户获取、客户转换和客户保留四个阶段。客户到达：是指个体或组织对企业建立初步认知成为其潜在客户的过程。客户获取：是指潜在客户对企业的营销行为进行回应形成的互动行为。客户转换：是指获取的潜在用户或长时间未进行购买行为的失效用户首次完成购买行为。客户保留：在客户首次完成购买后，企业需要维护客户关系以达到留存客户使之成为忠诚客户的目的。145一、客户生命周期（三）顾客生命周期与价值创造：价值创造指企业通过产品或服务为客户带来的价值。

企业的价值创造是丰富的多层次产品。企业竞争力的核心内容是满足客户需求和期望，而价值创造则是满足客户需求和期望的途径。客户生命周期的发展也可以看作是企业为客户创造越来越丰富价值的过程。企业通过向客户展示其价值创造，且不断地创新和增加其价值创造，以推进客户生命周期流程，使其成为稳定的忠诚客户。完成客户转换的本质其实就是满足客户当前的必要需求和期望，为客户创造其所需价值。146一、客户生命周期（一）客户选择标准：通过某些指标对客户进行评价与选择可以帮助公司衡量客户的价值，根据他们对整体利润的贡献进行排序，使公司能够将更高比例的资源分配给预期能够产生更大利润的客户。有三个向后看的指标使用此标准(假设每个客户的未来和过去的都保持一致)：最近频率货币价值(RFM)、钱包份额(SOW)、过去的客户价值(PCV)

客户生命周期价值(CLV)是一个较为前瞻性的度量指标，适用于所有部门与行业，可以用来预测客户未来的行为。147二、基于顾客价值的生命周期管理RFM(Recently-Frequency-Monetary)

RFM模型是衡量当前用户价值和客户潜在价值的重要工具和手段。Recency（最近一次消费）指的是最近一次