加油精准营销需要哪些数据

1. 大数据时代，企业如何做精准营销

提高用户转化率
一、合适的人
二、合适的产品
三、合适的渠道
这三个为你的的优势及壁垒，你能为你的用户解决他们所需要的产品。
在这三个为你的杀手锏，在加上合适的时间和合适的场景，定能让你转化率节节攀升！
举个例子，你通过大数据找到了一批需要笔记本电脑的人，刚好你有苹果电脑渠道资源，且你拿到的是代购的货，那么你就拥有了三把杀手锏。
合适是场景就是心动的营销了，你的产品在正好在他们刚发薪资的时候被看到了，那么增加了他们对你产品的购买率。
通过这个列子，我们能够简单地理解什么叫做精准营销了，那么怎么才能更加深入的了解呢？
一、收集客户大数据
我们需要收集客户的那些方面的数据呢？身份信息、行为信息和交易信息。
我们获得信息渠道有哪些呢？
根部不同来源的性质，我们划分为第一数据、第二数据和第三数据。
第一数据企业自身获得的数据，第二数据是通过合作企业获得的数据，第三数据是通过购买获得的数据，根据不通来源，最靠谱的是第一数据，但是第一数据需用心沉淀积累。
如何获得第一数据呢？
企业在运营过程中，会与不同的消费人群拥有更多的触及点，当然，获得这些多维度的触及点的数据，是我们需要深耕的数据渠道。
如，我们大家都喜欢喝可口可乐，竟让会有用扫一扫出现AR场景，这个时候，我们需要用我们的微信等进行授权，企业通过此触及点，可以获得客户的信息。
若想做到精准化营销，必要建立企业数据战略！
二、处理大数据、精准推荐产品
获得数据的第一步，当然是处理这些数据！
建立不通的维度框架，收集客户不通维度信息，然后对数据统一整理
建立用户画像
我们的客户基本信息可以了解到，什么样的人在购买自己的产品，自己的哪一款产品比较受客户青睐等一些信息
锁定我们的人群
当我们多维度考虑到购买我们产品的用户，可以筛选并缩小我们用户的圈子。更能精准推荐自己的产品。
精准引流
选择不同的媒体，让用户产生购买欲望
三、建立长期关系
采用会员制或者圈子制度，除了能够提高用户的复购率，且能够起到口碑宣传的作用，因此我们要用心呵护我们的用户，去和我们的用户做朋友，提供我们的价值！

2. 如何做精准营销

提高顾客让渡价值：“顾客让渡价值”是指顾客总价值与顾客总成本之间的差额。精准营销实现“一对一”个性化的营销策略，一定程度上帮助客户减少了对无效信息接收处理的成本，能够快速获得更具适用性的产品和服务，最终获得较高的“用户让渡价值”。

用户需求精准度高，命中率大：精准营销的策略主要就是针对性强，能够对目标群体有更深刻的认和理解，减少在品牌推广渠道上繁杂的铺设，能够集中兵力、资金、精力，把资源用在刀刃上，获得高投资回报，客户转化的可能性也就被大大提高。

提高产品和服务水平：虽然以客户需求为出发点和终结点的概念在营销领域已经被奉为圭臬，达成用户需求洞察的过程却在精准营销的策略下，有了新的变化，比如精准营销更强调以信息化技术的手段，及时地对用户需求进行洞察、跟进，然后快速巧妙地与产品和服务进行结合，从而提升客户的整体服务体验。

节约成本，提高效率：传统营销方式的营销链比较长，企业必须建立自己的专业营销队伍。精准营销在一定程度上能够帮助企业解决人员膨胀、营销渠道冗杂等问题，从而减少整个营销的运营成本。

精准营销是营销人都在追求的目标，要想实现这个目标，首先得知道利用大数据技术或者更加精准的 Martech
工具，摒弃传统的营销观念，来达成摸清客户心理、量身定做营销方式等来获得客户的信任与认可，从而得到长期收益。除此之外企业还得有一些关键性步骤：

建立数据库：精准营销主要是建立在数据采集和分析的基础之上，因此企业需要将企业内部和外部的数据信息加以采集、整理、归类、分析，形成自己的数据资源库企业精准营销要点网页链接。比如海尔集团在数据库的建立上就下足了功夫，包括用户不同家庭的户型、家庭规模，甚至是不容地方的自来水水压数据等都有采集。

分析差异化需求：如今企业能够通过自有或者第三方渠道获得很多用户信息，利用大数据获得较为复杂的用户画像已经不再是难事，但比较难的是，当大家都能获得这些信息之后，更加细致化地对用户进行分类和打标签就成为商业竞争的关键，也决定了企业能不能在合适的时间把合适的产品推荐给合适的人。短视频知识付费怎么做

营销工具精准化：其中又包括四个层面的设计：开发精准化的产品、制定精准化的价格、开展精准化的营销沟通、以及建立增值服务体系。开发精细化的产品意味着企业可以充分利用大数据工具对客户需求进行深度洞察，然后有针对性地进行产品的开发，将产品的特有价值建立在客户的需求之上。而精准定价在大数据时代又有了新的含义——千人千面，比如在金融行业，利用大数据分析对不同客户进行资产评估、承担风险范围评估等，在供给和需求当中找到了利润的最佳平衡点，能够对风险进行较好规避。开展精准化的营销沟通也就是企业在将品的营销传播上，可以更准确地分析出客户的消费习惯，进而可以更有针对性地进行传播内容和传播形式的设计，并对传播渠道和传播时间加以调整。

建立增值的服务体系主要的目标是增加顾客让渡价值，取得企业竞争优势。比如电商平台通过对客户采购行为的分析预测，可以将
货品进行合理的分配，来应对双十一这样的物流时期。对于客户来说，获得的让渡价值也将大大增加。

精准营销已经是中小企业在数字化时代的终极目标。如何达到精准营销的效果，还是一个需要艰攻的命题。企业营销随时代变化不断更迭。尤其是对于中小企业来说，如何有效利用可控的资源和工具降低营销成本?如何掌握精准营销的精髓提高企业品牌认知度和用户的积累?成为了企业运营者们越来越关心的问题。

关注变化：比如广电总局的限广令，真正聪明有心的人，会第一时间去关注。而还有一些人动作很慢，还在继续投电视广告。但电视广告已经开始涨价了，因为广告资源变少了。聪明的人就开始研究互联网，互联网在增长，怎么去比较、鉴别，在哪些城市应该多投互联网，哪些城市应该继续投电视。他们在这种变化节点上都可以做得很好。很多情况下，对于消费者的洞察和理解，微观比宏观还重要。

快速响应：你只是看了数据不行动，所有的事情都白做了，一定要快速行动。你一个广告砸进去，发现根本就不是这么回事，这时怎么办?快速调整、快速响应，动作越快越好。整个市场发展的趋势是，广告活动的时间、周期越来越短。以前可能一波活动3个月，现在的主流是一个月一波广告活动。真正那些竞争最激烈的行业，比如零售，以前的国美和苏宁，今天的京东和阿里，它的广告活动一开始就是以周为单位的，每周营销活动都不一样。它在不断调整，因为它在研究消费者到底有什么变化。迭代越快，浪费也就越少，有一句话叫“早死早投胎”，很多想法有可能一开始就是错的，如果一直沿着往下走，实际在浪费投资人的钱。

连接投入与产出，营销数字化的核心，营销的所有要素都可以数字化，这包括：

品牌定位：如果你想让营销更有效率，你就一定要找到一个非常精准的将用户跟其他人区分开的维度。如果你第一天是误打误撞地切到了一群用户，但你后面一定要把这群用户真正的定义想清楚，细分好。最简单的模式是拿来足够的样本，不停地在维度上去比。

内容创意的数字化：信息量越高的信息，越容易被传播。现在流行的短视频，信息密度很高，时间已经缩到了几秒，但是讲了一个故事。所以，怎么去创造一个信息密度更高的创意给到用户，这就很关键。事实上，人类的注意力也是可以被数字化的。比如，把人类的情感数字化，给你的头上戴一个脑电波的测量仪，然后通过人工智能的算法进行匹配;再比如眼动仪，可以发现你的眼球现在聚焦在屏幕的什么位置。

媒体的数字化：媒体的数字化最容易。比如广告，包括单向传播广告和互动类广告。单向传播广告的指标有曝光、收视率、GRP(又称毛评点、总收视点，指看过广告的总人次)、Reach(到达率)、Frequency(频次)等，互动类广告有点击、转发、赞等。当你发现营销的所有的要素都可以数字化之后，接下来最重要的工作就是把营销的投入、产出连接起来，这是“营销数字化”的核心，也就是营销的效率，即
ROI(Return on Investment)，数字化即是将所有的R和I都进行交叉的分析，最终实现精细化地分配。

3. 数据精准营销的七个关键要素

数据精准营销的七个关键要素
说到大数据精准营销，不得不先提个性化的用户画像，我们针对每一类数据实体，进一步分解可落地的数据维度，刻画TA的每一个特征，在聚集起来形成人群画像。

01用户画像
用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。具体包含以下几个维度：
用户固定特征：性别，年龄，地域，教育水平，生辰八字，职业，星座
用户兴趣特征：兴趣爱好，使用APP，网站，浏览/收藏/评论内容，品牌偏好，产品偏好
用户社会特征：生活习惯，婚恋，社交/信息渠道偏好，宗教信仰，家庭成分
用户消费特征：收入状况，购买力水平，商品种类，购买渠道喜好，购买频次
用户动态特征：当下时间，需求，正在前往的地方，周边的商户，周围人群，新闻事件如何生成用户精准画像大致分成三步。
1.采集和清理数据：用已知预测未知
首先得掌握繁杂的数据源。包括用户数据、各式活动数据、电子邮件订阅数、线上或线下数据库及客户服务信息等。这个是累积数据库；这里面最基础的就是如何收集网站／APP用户行为数据。比如当你登陆某网站，其Cookie就一直驻留在浏览器中，当用户触及的动作，点击的位置，按钮，点赞，评论，粉丝，还有访问的路径，可以识别并记录他／她的所有浏览行为，然后持续分析浏览过的关键词和页面，分析出他的短期需求和长期兴趣。还可以通过分析朋友圈，获得非常清晰获得对方的工作，爱好，教育等方面，这比个人填写的表单，还要更全面和真实。
我们用已知的数据寻找线索，不断挖掘素材，不但可以巩固老会员，也可以分析出未知的顾客与需求，进一步开发市场。
2.用户分群：分门别类贴标签
描述分析是最基本的分析统计方法，描述统计分为两大部分：数据描述和指标统计。数据描述：用来对数据进行基本情况的刻画，包括数据总数，范围，数据来源。指标统计：把分布，对比，预测指标进行建模。这里常常是Data mining的一些数学模型，像响应率分析模型，客户倾向性模型，这类分群使用Lift图，用打分的方法告诉你哪一类客户有较高的接触和转化的价值。
在分析阶段，数据会转换为影响指数，进而可以做"一对一"的精准营销。举个例子，一个80后客户喜欢在生鲜网站上早上10点下单买菜，晚上6点回家做饭，周末喜欢去附近吃日本料理，经过搜集与转换，就会产生一些标签，包括"80后""生鲜""做饭""日本料理"等等，贴在消费者身上。
3.制定策略：优化再调整
有了用户画像之后，便能清楚了解需求，在实际操作上，能深度经营顾客关系，甚至找到扩散口碑的机会。例如上面例子中，若有生鲜的打折券，日本餐馆最新推荐，营销人员就会把适合产品的相关信息，精准推送这个消费者的手机中；针对不同产品发送推荐信息，同时也不断通过满意度调查，跟踪码确认等方式，掌握顾客各方面的行为与偏好。
除了顾客分群之外，营销人员也在不同时间阶段观察成长率和成功率，前后期对照，确认整体经营策略与方向是否正确；若效果不佳，又该用什么策略应对。反复试错并调整模型，做到循环优化。
这个阶段的目的是提炼价值，再根据客户需求精准营销，最后追踪客户反馈的信息，完成闭环优化。
我们从数据整合导入开始，聚合数据，在进行数据的分析挖掘。数据分析和挖掘还是有一些区别。数据分析重点是观察数据，单纯的统计，看KPI的升降原因。而数据挖掘从细微和模型角度去研究数据，从学习集、训练集发现知识规则，除了一些比较商业化的软件SAS，WEKA功能强大的数据分析挖掘软件，这边还是更推荐使用R，Python，因为SAS，SPSS本身比较昂贵，也很难做页面和服务级别的API，而Python和R有丰富的库，可以类似WEKA的模块，无缝交互其他API和程序，这里还需要熟悉数据库，Hadoop等。
02数据细分受众
“颠覆营销”书中提到一个例子，可以引述一下，大家思考一个问题：如果你打算搜集200份有效问卷，依照以往的经验，你需要发多少份问卷，才能达到这个目标？预计用多少预算和时间来执行？
以往的方法是这样的：评估网络问卷大约是5%的回收率，想要保证收到200份的问卷，就必须有20倍的发送量，也就是发出4000份问卷，一个月内如果可以回收，就是不错的表现。
但现在不一样了，在执行大数据分析的3小时内，就可以轻松完成以下的目标：
精准挑选出1%的VIP顾客
发送390份问卷，全部回收
问卷寄出3小时内回收35%的问卷
5天内就回收了超过目标数86%的问卷数
所需时间和预算都在以往的10%以下
这是怎么做到在问卷发送后的3个小时就回收35%？那是因为数据做到了发送时间的"一对一定制化"，利用数据得出，A先生最可能在什么时间打开邮件就在那个时间点发送问卷。
举例来说，有的人在上班路上会打开邮件，但如果是开车族，并没有时间填写答案，而搭乘公共交通工具的人，上班路上的时间会玩手机，填写答案的概率就高，这些都是数据细分受众的好处。
03预 测
“预测”能够让你专注于一小群客户，而这群客户却能代表特定产品的大多数潜在买家。
当我们采集和分析用户画像时，可以实现精准营销。这是最直接和最有价值的应用，广告主可以通过用户标签来发布广告给所要触达的用户，这里面又可以通过上图提到的搜索广告，展示社交广告，移动广告等多渠道的营销策略，营销分析，营销优化以及后端CRM/供应链系统打通的一站式营销优化，全面提升ROI。
我们再说一说营销时代的变迁，传统的企业大多还停留在“营销1.0”时代，以产品为中心，满足传统的消费者需求，而进入“营销2.0”，以社会价值与品牌为使命，也不能完全精准对接个性化需求。进入营销3.0的数据时代，我们要对每个消费者进行个性化匹配，一对一营销，甚至精确算清楚成交转化率，提高投资回报比。

大数据下的营销颠覆经典的营销4P理论，Proct，Price，Place，Promotion，取而代之的是新的4P，People，Performance，Process，Prediction。在大数据时代，线下地理的竞争边界早就不存在，比的是早一步的先知能力，利用大数据，从顾客真实交易数据中，预测下一次的购买时间。 营销3.0时代关键词就是“预测”。
预测营销能够让你专注于一小群客户，而这群客户却能代表特定产品的大多数潜在买家。以上图为例，你可以将营销活动的目标受众锁定为20万潜在客户或现有客户，其中包括特定产品的大多数买家（4万人）。你还可以拨出部分预算用于吸引更小的客户群（比如20% 的客户），而不是整个客户群，进而优化你的支出。
过去我们看数据可能是被动的方式，但预测营销强调是决策价值，比如购买时间，你该看的不是她最后的购买日期，而是下次购买的时间，看未来的存活概率，最后生成客户终身价值（CLV）。预测营销催生了一种新的数据驱动营销方式，就是以客户为中心，核心在于帮助公司完成从以产品或渠道为中心到以客户为中心的转变。
04精准推荐
大数据最大的价值不是事后分析，而是预测和推荐，我就拿电商举例，"精准推荐"成为大数据改变零售业的核心功能。譬如服装网站Stitch fix例子，在个性化推荐机制方面，大多数服装订购网站采用的都是用户提交身形、风格数据+编辑人工推荐的模式，Stitch Fix不一样的地方在于它还结合了机器算法推荐。这些顾客提供的身材比例，主观数据，加上销售记录的交叉核对，挖掘每个人专属的服装推荐模型。 这种一对一营销是最好的服务。
数据整合改变了企业的营销方式，现在经验已经不是累积在人的身上，而是完全依赖消费者的行为数据去做推荐。未来，销售人员不再只是销售人员，而能以专业的数据预测，搭配人性的亲切互动推荐商品，升级成为顾问型销售。
05技术工具
关于预测营销的技术能力，有几种选择方案：
1、使用预测分析工作平台，然后以某种方法将模型输入活动管理工具；
2、以分析为动力的预测性活动外包给市场服务提供商；
3、评估并购买一个预测营销的解决方案，比如预测性营销云和多渠道的活动管理工具。
但无论哪条路，都要确定三项基本能力：
1）连接不同来源的客户数据，包括线上，线下，为预测分析准备好数据 ；
2）分析客户数据，使用系统和定制预测模型，做高级分析 ；
3）在正确时间，正确客户，正确的场景出发正确行为，可能做交叉销售，跨不同营销系统。
06预测模型
预测客户购买可能性的行业标准是RFM模型（最近一次消费R，消费频率F，消费金额M），但模型应用有限，本质是一个试探性方案，没有统计和预测依据。“过去的成绩不能保证未来的表现”，RFM只关注过去，不去将客户当前行为和其他客户当前行为做对比。这样就无法在购买产品之前识别高价值客户。
我们聚焦的预测模型，就是为了在最短时间内对客户价值产生最大影响。这里列举一些其他模型参考：
参与倾向模型，预测客户参与一个品牌的可能性，参与定义可以多元，比如参加一个活动，打开电子邮件，点击，访问某页面。可以通过模型来确定EDM的发送频率。并对趋势做预测，是增加还是减少活动。
钱包模型，就是为每个客户预测最大可能的支出，定义为单个客户购买产品的最大年度支出。然后看增长模型，如果当前的总目标市场比较小，但未来可能很大，就需要去发现这些市场。
价格优化模型，就是能够去最大限度提升销售，销量或利润的架构，通过价格优化模型为每个客户来定价，这里需要对你想要的产品开发不同的模型，或者开发通用，可预测的客户价格敏感度的模型，确定哪一块报价时对客户有最大的影响。
关键字推荐模型，关键字推荐模型可以基于一个客户网络行为和购买记录来预测对某个内容的喜爱程度，预测客户对什么热点，爆款感兴趣，营销者使用这种预测结果为特定客户决定内容营销主题。
预测聚集模型，预测聚集模型就是预测客户会归为哪一类。
07AI在营销领域的应用
去年人工智能特别火，特别是深度学习在机器视觉，语言识别，游戏AI上的突飞猛进，以至于人们开始恐慌人工智能是不是已经可以接管人类工作，我个人是对新技术有着强烈的兴趣，也非常看好新科技，数据与现实的关联。
我以前在国外零售店买单的时候经常被询问“你有没有购物卡”，当我说没有收银员会赶紧劝我免费开通，有打折优惠，只需要填个手机号和邮箱，后面就可以针对我的购买记录做营销活动，而当我下次进来，他们就让我报出电话号码做消费者识别，当时我想如果做到人脸识别，岂不是更方便，刷脸就可以买单。而这个场景在去年也有了实验，蚂蚁金服研发出了一个生物识别机器人，叫蚂可Mark，据说其认脸能力已经超越了人类肉眼的能力。还有VR购物，Amazon推出的无收银员商店Amazon Go，通过手势识别，物联网和后续数据挖掘等技术实现购物体验。
针对营销领域，主要有以下三种预测营销技术：
1、无监督的学习技术
无监督学习技术能识别数据中的隐藏模式，也无须明确预测一种结果。比如在一群客户中发现兴趣小组，也许是滑雪，也许是长跑，一般是放在聚类算法，揭示数据集合中 真实的潜在客户。所谓聚类，就是自动发现重要的客户属性，并据此做分类。
2、 有监督的学习技术
通过案例训练机器，学习并识别数据，得到目标结果，这个一般是给定输入数据情况下预测，比如预测客户生命周期价值，客户与品牌互动的可能性，未来购买的可能性。
3、强化学习技术
这种是利用数据中的潜质模式，精准预测最佳的选择结果，比如对某用户做促销应该提供哪些产品。这个跟监督学习不同，强化学习算法无须仅需输入和输出训练，学习过程通过试错完成。
从技术角度看，推荐模型应用了协同过滤，贝叶斯网络等算法模型。强化学习是被Google Brain团队的负责人Jeff Dean认为是最有前途的AI研究方向之一。最近Google的一个AI团队DeepMind发表了一篇名为《学会强化学习》的论文。
按团队的话来说，叫做“学会学习”的能力，或者叫做能解决类似相关问题的归纳能力。除了强化学习，还在迁移学习。迁移学习就是把一个通用模型迁移到一个小数据上，使它个性化，在新的领域也能产生效果，类似于人的举一反三、触类旁通。
强化学习加上迁移学习，能够把小数据也用起来，我认为是很激动人心的，通过AI来创造AI，数据科学家的部分工作也可以让机器来实现了。

4. 如何精准营销数据

如何精准掌握营销数据，方法如下：

1、首先必须明确产品的目标群体。

定位与产品自身相匹配的消费群体，是分析消费者购买习惯和消费需求的前提，让大数据分析有用武之地。互联网时代下，人们可接触到的事物种类众多，每个人的喜好不同，个性化程度高，极具多样性。

因此在寻找目标群体的过程中，要立足于各行业沉淀的数据，根据不同的标准来划分消费群体，建立用户信息的数据库，从中寻找到目标用户。

3、注意广告创意与数据的相结合。

现代人更喜爱个性的、新颖的广告创意，对广告的审美要求也上升到了一个新的高度。而简单粗暴、缺乏创意的广告早已不适应时代的进步，这使得营销者们对广告创意越来越重视。

依照分析数据得出的消费需求与让人耳目一新的创意相结合，理性的数据加上感性的艺术，才能创造出点击率高，推广效果好的广告。在互联网时代，精准营销势在必行，这需要企业和营销者更好地定位目标人群，掌握分析大数据的技术，结合创意来进行精准营销。