Siete elementos del marketing de precisión de datos
Cuando se trata de marketing de precisión de big data, primero debemos mencionar los retratos personalizados de los usuarios. Descomponemos aún más las dimensiones de datos aplicables de varias entidades de datos y formamos cada una de las características de TA. retrato de multitud en agregación.
01 Retrato de usuario
El retrato de usuario es un modelo de usuario etiquetado abstraído en función de los atributos sociales, hábitos, comportamiento de consumo y otra información del usuario. En concreto, incluye las siguientes dimensiones:
Características fijas del usuario: género, edad, región, educación, fecha de nacimiento, ocupación, constelación
Características de interés del usuario: aficiones, uso de la APP , sitio web, navegación/colección/contenido de comentarios, preferencia de marca, preferencia de producto
Características sociales del usuario: hábitos de vida, matrimonio y amor, preferencias de canales sociales/de información. Creencias religiosas, composición familiar
Características de consumo del usuario: situación de ingresos, nivel de poder adquisitivo, tipos de productos, preferencias del canal de compra, frecuencia de compra
Características dinámicas del usuario: tiempo actual, demanda, cómo va Generar retratos precisos de los usuarios de lugares, empresas circundantes, personas circundantes y eventos noticiosos se puede dividir aproximadamente en tres pasos.
1. Recopila y limpia datos: utiliza lo conocido para predecir lo desconocido
Primero, debes dominar las fuentes de datos complejas. Esto incluye datos del usuario, diversos datos de actividad, suscripciones de correo electrónico, bases de datos en línea o fuera de línea e información de servicio al cliente. Se trata de una base de datos acumulativa; la más básica es cómo se recopilan los datos de comportamiento del usuario para un sitio web/aplicación. Por ejemplo, cuando inicia sesión en un sitio web, sus cookies ya residen en el navegador. Puede identificar y registrar las acciones táctiles del usuario, las ubicaciones de los clics, los botones, los me gusta, los comentarios, los fans, las rutas de acceso, etc. Todos los comportamientos de navegación. y luego continúe analizando las palabras clave y las páginas navegadas, y analice sus necesidades a corto plazo y sus intereses a largo plazo. También puedes analizar el círculo de amigos para tener una comprensión muy clara del trabajo, aficiones, educación, etc. de la persona, que es mucho más completa y real que un formulario cumplimentado por un individuo.
Utilizamos datos conocidos para buscar pistas y extraer materiales constantemente no solo para consolidar miembros antiguos, sino también para analizar clientes desconocidos y necesidades para desarrollar aún más el mercado.
2. Agrupación de usuarios: etiquetado de clasificación
El análisis descriptivo es el método más básico de análisis de estadísticas. La estadística descriptiva se divide en dos partes: descripción de datos y estadísticas de indicadores. Descripción de datos: se utiliza para describir la situación básica de los datos, incluido el número total, el alcance, la fuente de datos, etc. Estadísticas de métricas: Distribuciones, comparaciones y métricas predictivas para modelado. Este suele ser el caso de los modelos matemáticos de minería de datos, como los modelos de análisis de tasa de respuesta, los modelos de propensión del cliente y el uso de gráficos de elevación para dicha segmentación, con puntuaciones que indican qué tipos de clientes tienen un mayor valor de participación y conversión.
Durante la fase de análisis, los datos se convierten en un índice de impacto, lo que le permite realizar un marketing de precisión "uno a uno". Por ejemplo, a un cliente posterior a los 80 le gusta pedir comida en un sitio web de alimentos frescos a las 10 a. m., ir a casa a cocinar a las 6 p. m. e ir a la comunidad a comer comida japonesa los fines de semana. Después de la recolección y transformación, algunas etiquetas serán. generados, incluidos "posteriores a los 80", "alimentos frescos", "frescos", "cocina", "comida japonesa", etc., se publican en los consumidores.
3. Formule estrategias: optimice y ajuste
Con los retratos de los usuarios, puede comprender claramente sus necesidades, gestionar las relaciones con los clientes en profundidad en la práctica e incluso encontrar oportunidades para comunicar. comunicación bucal. Por ejemplo, en el ejemplo anterior, si hay cupones de descuento para alimentos frescos o las últimas recomendaciones de cocina japonesa, los especialistas en marketing enviarán con precisión información relevante sobre los productos apropiados al teléfono móvil del consumidor. Recomendar información y también captar continuamente los comportamientos y comportamientos de los clientes; preferencias a través de encuestas de satisfacción, confirmación de código de seguimiento, etc.
Además de la segmentación de clientes, los especialistas en marketing también deben observar la tasa de crecimiento y la tasa de éxito en diferentes etapas, y confirmar si la estrategia y la dirección comerciales generales son correctas mediante la comparación antes y después, si el efecto no lo es; Bueno, ¿qué respuesta se debe tomar? Estrategia. Prueba y error, ajustando el modelo, optimizando el bucle.
El propósito de esta etapa es extraer valor, luego realizar un marketing preciso de acuerdo con las necesidades del cliente y, finalmente, realizar un seguimiento de los comentarios de los clientes para completar la optimización de circuito cerrado.
Primero debemos integrar e importar datos, resumir los datos y luego analizarlos y extraerlos. Todavía existen algunas diferencias entre el análisis de datos y la minería.
El análisis de datos se centra en observar datos, puramente estadísticos, para ver por qué los KPI suben y bajan. La minería de datos consiste en estudiar datos desde la perspectiva de la sutileza y el modelado, y descubrir reglas de conocimiento a partir de conjuntos de aprendizaje y conjuntos de capacitación. Además de algunos software más comerciales, SAS, WEKA y otros potentes software de minería y análisis de datos, todavía se recomienda aquí. Utilice R y Python porque SAS y SPSS son relativamente caros y es difícil alcanzar el nivel de servicio de páginas y API. Sin embargo, Python y R tienen bibliotecas ricas que pueden interactuar sin problemas con otras API y programas a través de módulos como WEKA. Es necesario estar familiarizado con bases de datos, Hadoop, etc. .
02 Audiencia de segmentación de datos
Se menciona un ejemplo en el libro "Marketing disruptivo". Podemos citar este ejemplo para pensar en una pregunta: si planea recopilar 200 cuestionarios válidos. , según la experiencia pasada, ¿cuántos cuestionarios necesitaría enviar para lograr este objetivo? ¿Cuánto presupuesto y tiempo prevé que se necesitará durante la implementación?
El método anterior era el siguiente: para evaluar la tasa de respuesta de los cuestionarios en línea es aproximadamente del 5%. Si desea asegurarse de recibir 200 cuestionarios, debe tener 20 veces el volumen de envío, es decir, 4.000 cuestionarios si se pueden recuperar en un mes, será un buen desempeño.
Pero ahora es diferente. En 3 horas de análisis de big data, puedes completar fácilmente las siguientes tareas:
Seleccionar con precisión el 1 % de los clientes VIP
390. se enviaron los cuestionarios y se recogieron todos
El 35% de los cuestionarios se recogieron dentro de las 3 horas posteriores al envío de los cuestionarios
El 86% de los cuestionarios que excedieron el número objetivo se recogieron dentro de 5 días
El tiempo y el presupuesto requeridos son menos del 10% del pasado
¿Por qué se puede recuperar el 35% de los cuestionarios dentro de las 3 horas posteriores al envío de los cuestionarios? Esto se debe a que los datos permiten una "adaptación individualizada" de los tiempos de envío, utilizando los datos para determinar cuándo es más probable que el Sr. A abra el correo electrónico y envíe el cuestionario en ese momento.
Por ejemplo, algunas personas abrirán el correo de camino al trabajo, pero si van en coche no tendrán tiempo de rellenar las respuestas, mientras que quienes cojan el transporte público jugarán con el móvil teléfonos de camino al trabajo y complete las respuestas, la probabilidad es mayor, lo cual es el beneficio de segmentar su audiencia a través de datos.
03 Previsión
La previsión le permite centrarse en un pequeño subconjunto de clientes que representan la mayoría de los compradores potenciales de un producto específico.
Cuando capturamos y analizamos los perfiles de los usuarios podemos lograr un marketing de precisión. Esta es la aplicación más directa y valiosa. Los anunciantes pueden publicar anuncios para los usuarios a los que desean llegar a través de etiquetas de usuario y luego utilizar la estrategia de marketing multicanal, el análisis de marketing, la optimización de marketing y el CRM back-end mencionados en la figura anterior. /Optimización integral del marketing del sistema de la cadena de suministro para aumentar el retorno de la inversión.
Hablemos de los cambios en la era del marketing. Con los cambios en la era del marketing, la mayoría de las empresas tradicionales todavía están estancadas en la era del "Marketing 1.0", centrándose en productos para satisfacer las necesidades tradicionales de los consumidores. Sin embargo, al entrar en el "Marketing 2.0", que tiene como misión el valor social y la marca. ¡Aún no es completamente exacto! Necesidades personalizadas. Al ingresar al Marketing 3.0 en la era de los datos, debemos realizar coincidencias personalizadas para cada consumidor, realizar marketing uno a uno e incluso calcular con precisión la tasa de conversión de transacciones para mejorar el índice de retorno de la inversión.
El marketing de big data ha revocado la clásica teoría del marketing de las 4P (Producto, Precio, Plaza y Promoción) y la ha sustituido por unas nuevas 4P: Personas, Desempeño, Proceso y Predicción. En la era del big data, los límites de la competencia geográfica fuera de línea ya no existen. Lo que es más importante es utilizar la capacidad de previsión del big data para predecir el momento de la próxima compra a partir de los datos reales de las transacciones de los clientes. La palabra clave en la era del Marketing 3.0 es "predicción".
El marketing predictivo le permite centrarse en un pequeño subconjunto de clientes que representan la mayoría de los compradores potenciales de un producto específico. En el ejemplo anterior, podría orientar su campaña a 200 000 clientes potenciales o existentes, lo que incluye a la mayoría de los compradores (40 000) de un producto específico.
También puede optimizar su gasto centrando parte de su presupuesto en atraer un segmento más pequeño de sus clientes (como el 20% de sus clientes) en lugar de toda su base de clientes.
En el pasado, podríamos haber mirado los datos de forma pasiva, pero el marketing predictivo enfatiza el valor de la toma de decisiones, como el momento de la compra. No debes mirar la fecha de su última compra. El momento de la próxima compra depende de su probabilidad de supervivencia en el futuro y, en última instancia, genera valor de vida del cliente (CLV). El marketing predictivo ha generado un nuevo enfoque de marketing centrado en el cliente y basado en datos, cuyo núcleo es ayudar a las empresas a pasar de estar centrados en productos o canales a estar centrados en el cliente.
04 Recomendación precisa
El mayor valor de big data no es el análisis posterior, sino la predicción y la recomendación. Tomo el comercio electrónico como ejemplo. La "recomendación precisa" se ha convertido en un ejemplo. El cambio de big data en la industria minorista. Por ejemplo, tome el sitio web de ropa Stitch Fix. En términos de mecanismo de recomendación personalizado, la mayoría de los sitios web de pedidos de ropa utilizan el modelo de envío de datos de forma y estilo del cuerpo + recomendación manual del editor. Recomendaciones de algoritmos de máquina. Estos clientes proporcionan proporciones corporales, datos subjetivos y verificaciones cruzadas de registros de ventas para extraer el modelo de recomendación de ropa exclusivo de cada persona. Este tipo de marketing personalizado es el mejor servicio.
La integración de datos ha cambiado los métodos de marketing de las empresas. Ahora la experiencia ya no se acumula en las personas, sino que depende completamente de los datos de comportamiento del consumidor para hacer recomendaciones. En el futuro, los vendedores ya no serán solo vendedores, sino que podrán recomendar productos a través de predicciones de datos profesionales, junto con interacciones humanizadas y cordiales, pasando a la venta consultiva.
05 Herramientas Técnicas
En cuanto a las capacidades técnicas del marketing predictivo, existen las siguientes opciones:
1. Analizar Subcontratar campañas de marketing predictivo a proveedores de servicios de marketing.
3. Evaluar y comprar soluciones de marketing predictivo, como nubes de marketing predictivo y herramientas de gestión de campañas multicanal.
Pero independientemente del enfoque que se adopte, es necesario determinar tres capacidades básicas:
1) Conectar datos de clientes de diferentes fuentes (incluidos en línea y fuera de línea) para prepararlos para el análisis predictivo. preparación
2) Analizar los datos de los clientes y realizar análisis avanzados utilizando sistemas y modelos predictivos personalizados
3) Dirigirse al cliente adecuado en el momento adecuado, para el cliente adecuado. Los escenarios inician el proceso; acciones correctas, posiblemente venta cruzada entre diferentes sistemas de marketing.
06 Modelo de predicción
El estándar de la industria para predecir la probabilidad de compra del cliente es el modelo RFM (consumo reciente R, frecuencia de consumo F, cantidad de consumo M), pero el alcance de aplicación de este modelo es limitado y es básicamente un escenario tentativo sin base estadística o predictiva. "El rendimiento pasado no es garantía de rendimiento futuro", RFM sólo se centra en el pasado y no compara el comportamiento actual de un cliente con el comportamiento actual de otros clientes. Esto nos impide identificar clientes de alto valor antes de que compren un producto.
Nos centramos en modelos predictivos diseñados para tener el mayor impacto en el valor del cliente en el menor tiempo. Aquí hay una lista de referencia de algunos otros modelos:
Modelado de propensión a la participación que predice la probabilidad de que un cliente participe en una actividad de marca. El compromiso se puede definir de muchas maneras, como asistir a un evento, abrir un correo electrónico, hacer clic, visitar una página, etc. La frecuencia a la que se envía EDM se puede determinar mediante modelado. Y hacer predicciones sobre tendencias, ya sea para aumentar o disminuir la actividad.
El modelado de billetera, que predice el gasto máximo posible de cada cliente, se define como el gasto máximo de un solo cliente en un producto por año.
Luego observe el modelo de crecimiento, si el mercado objetivo es actualmente pequeño pero puede ser grande en el futuro, necesita descubrir el tamaño total del mercado objetivo.
Modelo de optimización de precios, es decir, puede utilizar el modelo de optimización de precios para lograr la estructura de maximizar las ventas, el volumen de ventas o las ganancias, así como el precio para cada cliente. Aquí, debe desarrollar el producto que necesita. diferentes modelos, o desarrollar un modelo general y predecible de sensibilidad al precio del cliente y determinar qué segmento de la oferta tiene el mayor impacto en los clientes.
Modelo de recomendación de palabras clave. El modelo de recomendación de palabras clave puede predecir cuánto les gusta a los clientes un determinado contenido en función de su comportamiento en línea y su historial de compras, y predecir qué les interesa a los clientes, qué está de moda y qué está de moda. Tendencias, los especialistas en marketing utilizan esta predicción para decidir temas de marketing de contenidos para dirigirse a clientes específicos.
Modelado de agregación predictivo, el modelado de agregación predictivo consiste en predecir a qué categoría pertenecerá un cliente.
07 La aplicación de la inteligencia artificial en el campo del marketing
El año pasado, la inteligencia artificial fue particularmente popular, especialmente el rápido progreso del aprendizaje profundo en visión artificial, reconocimiento de lenguaje y juegos. Inteligencia artificial, por lo que la gente está empezando a entrar en pánico sobre si la inteligencia artificial puede reemplazar los trabajos humanos. Personalmente tengo un gran interés en las nuevas tecnologías y soy muy optimista sobre la correlación entre las nuevas tecnologías, los datos y la realidad.
En el pasado, cuando pagaba en una tienda minorista extranjera, a menudo me preguntaban: "¿Tiene una tarjeta de compras?". Cuando respondía que no, el cajero se apresuraba a convencerme para que la activara. gratis Hay un descuento y solo necesito completar el formulario con un número de teléfono móvil y una dirección de correo electrónico, mi consumo se puede registrar más tarde para actividades de marketing. La próxima vez que venga, me pedirán que proporcione mi cuenta. Número de teléfono móvil para identificación de consumo. En ese momento, pensé, ¿no sería más conveniente si se usara el reconocimiento facial y pudiera pagarlo con solo deslizar el dedo por la cara? También hubo un experimento en este escenario el año pasado. Ant Financial desarrolló un robot biométrico llamado Ant Mark. Se dice que su capacidad para reconocer rostros ha superado la capacidad del ojo humano. También está la compra en realidad virtual: Amazon ha lanzado Amazon Go, una tienda sin cajeros que utiliza tecnologías como el reconocimiento de gestos, el Internet de las cosas y la posterior extracción de datos para lograr una experiencia de compra.
En el campo del marketing, existen tres tecnologías de marketing predictivo principales:
1. Tecnología de aprendizaje no supervisado
La tecnología de aprendizaje no supervisado puede identificar patrones ocultos en los datos. sin predecir explícitamente el resultado. Por ejemplo, descubrir un grupo de interés dentro de un grupo de clientes (tal vez esquiar, tal vez correr largas distancias) normalmente se incluiría en un algoritmo de agrupación para revelar los verdaderos clientes potenciales en el conjunto de datos. Por agrupación nos referimos a descubrir automáticamente atributos importantes de los clientes y clasificarlos en consecuencia.
2. Tecnología de aprendizaje supervisado
Entrene la máquina a través de casos, aprenda e identifique datos y obtenga resultados objetivo. Esto generalmente es una predicción de casos dados los datos de entrada, como la predicción del ciclo de vida del cliente. Valor, probabilidad de que un cliente interactúe con la marca, probabilidad de compra futura, etc.
3. Tecnología de aprendizaje por refuerzo
Se trata del uso de patrones potenciales en los datos para predecir con precisión los resultados de las mejores opciones, como qué productos se deben ofrecer a los usuarios durante las promociones. . Esto es diferente del aprendizaje supervisado. Los algoritmos de aprendizaje por refuerzo no solo requieren entrenamiento de entrada y salida, sino que el proceso de aprendizaje también se completa mediante prueba y error.
Desde una perspectiva técnica, el modelo de recomendación aplica modelos algorítmicos como el filtrado colaborativo y las redes bayesianas. Jeff Dean, jefe del equipo de Google Brain, considera que el aprendizaje por refuerzo es una de las direcciones de investigación de inteligencia artificial más prometedoras. Recientemente, el equipo de inteligencia artificial de Google, DeepMind, publicó un artículo titulado "Aprender a reforzar el aprendizaje".
En palabras del equipo, esta es la llamada capacidad de "aprender a aprender", o la capacidad de generalizar para resolver problemas similares relacionados. Además del aprendizaje por refuerzo, también estamos trabajando en el aprendizaje por transferencia. Transferir aprendizaje es el proceso de transferir un modelo general a una pequeña porción de datos, personalizarlo y hacerlo efectivo en un nuevo dominio, similar a cómo las personas aprenden con el ejemplo.
Creo que es emocionante que el aprendizaje por refuerzo se combine con el aprendizaje por transferencia para poder utilizar datos pequeños y, a través de la inteligencia artificial para crear inteligencia artificial, parte del trabajo del científico de datos ahora puede ser realizado por máquinas.