Cómo entender el significado de “análisis de datos” en la industria de Internet
Las empresas de Internet tienen una gran cantidad de datos en línea y la cantidad de datos sigue creciendo rápidamente. Además de utilizar big data para mejorar sus negocios, las empresas de Internet han comenzado a implementar negocios de datos y a utilizar big data. para descubrir nuevo valor empresarial.
Tomemos a Alibaba como ejemplo. No solo está fortaleciendo continuamente las aplicaciones de big data orientadas al consumidor, como recomendaciones personalizadas y "miles de personas, miles de caras", sino que también está tratando de utilizar big data para fines inteligentes. Servicio al cliente.Este escenario de aplicación se extenderá gradualmente desde aplicaciones internas a los centros de llamadas de muchas empresas externas.
Entre las aplicaciones de big data para comerciantes, tomemos como ejemplo "Business Advisor". Más de 6 millones de comerciantes están utilizando "Business Advisor" para mejorar las operaciones de sus tiendas de comercio electrónico. Además de enfrentar su propio ecosistema, el negocio de datos de Alibaba también se está acelerando. "Sesame Credit", una aplicación de evaluación de crédito personal basada en datos personales recopilados, ha logrado grandes avances y sus escenarios de aplicación se han extendido desde el interior de Alibaba hasta más allá. Son cada vez más escenarios externos, como alquiler de coches, hoteles, visados, etc.
Debido a que todos los comportamientos de los clientes dejarán rastros en la plataforma de Internet, las empresas de Internet pueden obtener fácilmente una gran cantidad de información sobre el comportamiento de los clientes. La información generada por las plataformas comerciales de Internet es generalmente auténtica y segura. El uso de tecnología de big data para analizar estos datos puede ayudar a las empresas a formular estrategias de servicios específicas para obtener mayores beneficios. La práctica de los últimos años ha demostrado que el uso racional de la tecnología de big data puede mejorar la eficiencia del negocio del comercio electrónico en más del 60%.
Big data ha cambiado la cara del comercio electrónico en los últimos años. Específicamente, las aplicaciones de big data en la industria del comercio electrónico incluyen los siguientes aspectos: marketing de precisión, servicios personalizados y recomendaciones de productos personalizadas. .
1. Marketing de precisión
Las empresas de Internet utilizan tecnología de big data para recopilar diversos datos sobre los clientes y utilizan análisis de big data para crear "retratos de usuarios" para describir de forma abstracta la información de un usuario de forma completa. imagen, para que se puedan proporcionar a los usuarios recomendaciones personalizadas, marketing de precisión y publicidad.
Cuando un usuario inicia sesión en el sitio web, el sistema puede predecir por qué vino hoy, encontrar productos adecuados en la biblioteca de productos y recomendárselos. La Figura 1 muestra qué información y características básicas del usuario incluiría un perfil de usuario.
Figura 1 Retrato de usuario
El núcleo del marketing respaldado por big data es llevar el negocio de la empresa a las personas que más lo necesitan en el momento adecuado, a través del operador adecuado y de la manera correcta.
En primer lugar, el marketing de big data es muy urgente. En la era de Internet, el comportamiento de consumo de los usuarios puede cambiar fácilmente en un corto período de tiempo. El marketing de big data puede implementar estrategias de marketing de manera oportuna cuando las necesidades de los usuarios son más fuertes.
En segundo lugar, se puede implementar un marketing personalizado y diferenciado. El marketing de big data puede lograr un marketing uno a uno para usuarios segmentados en función de los intereses y necesidades de los usuarios en un momento determinado, de modo que el marketing empresarial pueda orientarse y ajustarse de manera oportuna en función de la retroalimentación de efectos en tiempo real. Estrategia de marketing.
Finalmente, el marketing de big data puede realizar análisis de correlación en la información del usuario objetivo. Big data puede realizar análisis de correlación multidimensional sobre diversa información del usuario y descubrir correlaciones interesantes y conexiones relacionadas entre conjuntos de elementos de datos a partir de una gran cantidad de datos.
Por ejemplo, al descubrir las conexiones entre diferentes productos en la cesta de la compra del usuario, se pueden analizar otros hábitos de consumo del usuario. Al comprender qué productos compran con frecuencia los usuarios al mismo tiempo, ayuda a los especialistas en marketing a descubrir los hábitos de consumo del usuario de otros productos a partir de los hábitos de consumo del usuario de un producto, a fin de formular estrategias de marketing para productos relacionados para este usuario. La Figura 2 muestra que el sitio web recomienda diferentes productos a diferentes clientes según los retratos de los usuarios.
Figura 2 Marketing de precisión
Por ejemplo, una plataforma de comercio electrónico comprende los patrones de consumo de los clientes a través de sus registros de navegación en Internet y de compras, analizando y clasificando así las características relacionadas con el consumo de los clientes. . Como ingresos, características familiares, hábitos de compra, etc., y finalmente comprender las características del cliente, y juzgar los productos y servicios que pueden interesarle en función de estas características.
Desde el momento en que los consumidores ingresan al sitio web, el sitio web implementa 5 columnas de recomendación utilizando diferentes algoritmos en 4 páginas, incluida la página de lista, la página de un solo producto y la página del carrito de compras, para recomendar productos de su interés. exposición y promover las ventas cruzadas y adicionales. Después de optimizar exhaustivamente el sitio web desde múltiples ángulos, la tasa de conversión de pedidos del centro comercial aumentó un 66,7%, la tasa de conversión de pedidos de productos aumentó un 18% y el volumen total de ventas aumentó un 46%.
En los hipermercados Wal-Mart de Estados Unidos, después de que el cajero escanea los artículos comprados por el cliente, se mostrará información adicional en la máquina POS y luego el vendedor utilizará esta información para recordarle al cliente qué otros artículos se pueden comprar. El sistema de "marketing consultivo" de Walmart implementado con el apoyo de un sistema de big data puede construir un modelo predictivo. Por ejemplo, si un cliente tiene mucha cerveza, vino tinto y ensalada en su carrito de compras, hay un 80% de posibilidades de que esto suceda. Tendrá que comprar guarniciones y condimentos que combinen con el vino.
2. Servicios personalizados
El comercio electrónico tiene la ventaja inherente de proporcionar servicios personalizados. Puede obtener los registros en línea de los usuarios en tiempo real a través de soporte técnico y brindarles servicios personalizados. de manera oportuna.
Muchas empresas de comercio electrónico han intentado confiar en el análisis de datos para proporcionar a los usuarios recomendaciones integrales de productos personalizados en la página de inicio. Haier y Tmall ofrecen la función para que los usuarios personalicen los televisores en línea. Los clientes pueden seleccionar el tamaño, el marco, la claridad, el consumo de energía, el color, la interfaz y otros atributos antes de que se produzca el televisor, y luego el fabricante organiza la producción y lo entrega al cliente. hogar. . Estos servicios personalizados han sido ampliamente bien recibidos.
También se encuentran disponibles servicios personalizados similares en las industrias del aire acondicionado, la confección y otras industrias. Estas industrias permiten a los clientes obtener productos y servicios más satisfactorios al satisfacer necesidades personalizadas, acortando así los ciclos de diseño, producción, transporte, ventas y otros, y mejorando la eficiencia de las operaciones comerciales.
Si una empresa quiere brindar a los usuarios servicios personalizados ideales, primero debe comprender completamente la personalidad del usuario a través de los datos y, en segundo lugar, debe controlar y diseñar razonablemente la personalidad del servicio. Comprender la personalidad del usuario es la base para brindarles los productos y servicios que desean. Las empresas necesitan encontrar los datos más valiosos en enormes bases de datos, luego agrupar a los usuarios mediante métodos de extracción de datos y luego diseñar servicios específicos basados en las características de los tipos de usuarios.
Las unidades personalizadas y dispersas pueden ser grandes o pequeñas, tan grandes como un grupo de clientes con las mismas necesidades, o tan pequeñas como cada usuario es una unidad con necesidades personalizadas. Las empresas deben dominar la granularidad de los servicios personalizados. Los servicios personalizados demasiado dispersos aumentarán los costos de servicio de la empresa y la complejidad de la gestión. El aumento de los costos personalizados debe ser proporcional a los beneficios reales.
Figura 3 Proporcionar servicios de viajes personalizados
La aplicación de big data de Ctrip comienza desde la perspectiva del usuario y analiza los datos de todos los usuarios de Ctrip, incluidas las consultas de los usuarios, la navegación, las reservas y los datos generados a partir de una serie de comportamientos previos y posteriores al viaje, como viajes y comentarios. Al eliminar los datos no válidos, Ctrip garantiza la autenticidad de los datos dejados por los usuarios y luego filtra, clasifica y reorganiza una gran cantidad de datos en tiempo real y los aplica a las necesidades personalizadas de los usuarios antes, durante y después del viaje. se muestra en la Figura 3.
Para lograr la personalización, es crucial aclarar las necesidades del target del usuario. No sólo debemos fijarnos en el orden, sino también preocuparnos por el contenido que le interesa al usuario. Por ejemplo, al reservar un hotel de cinco estrellas, algunos usuarios son muy sensibles a las instalaciones del hotel, algunos valoran la ubicación del hotel y otros se preocupan más por los servicios del hotel. En este sentido, Ctrip recomendará diferentes hoteles según las necesidades del usuario.
Los grandes almacenes Target de Estados Unidos han creado un formulario de registro para baby shower y han realizado modelos y análisis de los datos de consumo de los clientes en el formulario de registro. Descubrieron que muchas mujeres embarazadas compran paquetes grandes de crema de manos sin perfume al comienzo del segundo trimestre y productos de salud como suplementos de calcio y zinc en grandes cantidades durante las primeras 20 semanas de embarazo.
Target finalmente seleccionó datos de consumo de 25 productos básicos típicos para construir el "Índice de predicción de embarazo". A través de este índice de predicción, Target puede predecir el estado de embarazo de los clientes dentro de un pequeño rango de error, de modo que pueda enviar anuncios de descuentos por maternidad a los clientes en el momento adecuado.
Las “zapatillas Nike o pulseras con sensores” hacen que Nike se convierta poco a poco en una empresa innovadora en el marketing big data. Siempre que los atletas usen zapatillas Nike para hacer ejercicio, el iPod asociado a ellas puede almacenar y mostrar datos como la fecha, hora, distancia y consumo de calorías del ejercicio.
Nike tiene una base de datos de las mejores rutas para correr en las principales ciudades a través de rutas cargadas por corredores, y es mejor organizando eventos de carrera en la ciudad. Actualmente, la comunidad deportiva en línea de Nike tiene más de 5 millones de usuarios activos que cargan datos todos los días, lo que permite a Nike construir una relación sólida sin precedentes con los consumidores. Al mismo tiempo, los datos masivos también desempeñan un papel insustituible en la comprensión de Nike de los hábitos de los usuarios, la mejora de los productos, la entrega precisa y el marketing preciso. Nike incluso sabe qué canciones les gusta más a los corredores. Los servicios personalizados son inseparables de la participación activa y el intercambio de los clientes, y los datos de los clientes pueden servirles con mayor precisión.
El rápido desarrollo de "Three Squirrels" en los últimos años se basa en la promoción de la marca, por un lado, y en la mejora continua de los detalles basada en el análisis de datos, por otro, incluidos títulos personalizados, "Three Squirrels" y "Tres Ardillas". "Imagen de dibujos animados, diferenciación de regalos, diferentes clasificaciones de etiquetas de clientes y experiencia de usuario, etc. "Three Squirrels" puede comprender los registros de compras de todos los clientes en el centro comercial a través del sistema ERP y puede capturar con precisión las opiniones de los usuarios a través del sistema CRM. Algunos mensajes y calificaciones casuales reflejarán sus necesidades.
Al analizar los hábitos de compra anteriores de los clientes en el centro comercial y las evaluaciones de compra de los usuarios, podemos determinar qué sabor de producto se vende mejor en qué región y qué producto es el más aceptable para los consumidores. Recomendaciones de la página de inicio de productos más específicos. . Al mismo tiempo, realizarán una clasificación de etiquetas personalizada y humanizada y un análisis detallado de los clientes, y luego impulsarán diferentes tipos de productos en función de estas clasificaciones. Por ejemplo, si un cliente amante de su esposa compra productos principalmente para el consumo de su esposa, las "Tres Ardillas" pondrán una carta en el paquete y le escribirán una carta a su esposa con la voz de la "ardilla" en nombre del cliente.
3. Recomendación personalizada de productos
A medida que la escala del comercio electrónico continúa expandiéndose, la cantidad y los tipos de productos crecen rápidamente y los clientes necesitan dedicar mucho tiempo. para encontrar los productos que quieren comprar.
El sistema de recomendación personalizado analiza y explora la correlación entre clientes y productos analizando el comportamiento del usuario, incluidos comentarios, registros de compras y datos sociales, para descubrir las necesidades e intereses personalizados del usuario, etc., y luego recomendar. información y productos que le interesan al usuario.
El sistema de recomendación personalizado recomienda productos en función de las características e intereses del usuario, lo que puede mejorar eficazmente las capacidades de servicio del sistema de comercio electrónico y así retener a los clientes.
1) Sitio web de comercio electrónico
Con el vigoroso desarrollo del comercio electrónico, la posición dominante de los sistemas de recomendación en Internet se está volviendo cada vez más evidente.
A nivel internacional, el algoritmo de recomendación utilizado en la plataforma de Amazon se considera muy exitoso. En China, los sitios web de plataformas de comercio electrónico relativamente grandes incluyen Taobao (incluido Tmall Mall), JD.com, Dangdang, Suning.com, etc.
En estas plataformas de comercio electrónico, la cantidad de productos proporcionados por el sitio web es incontable y la cantidad de usuarios en el sitio web también es muy grande. Según estadísticas incompletas, la cantidad de productos en Tmall Mall ha superado los 40 millones.
En un sitio web de comercio electrónico tan grande, los usuarios obtendrán muchos resultados similares después de ingresar consultas de palabras clave basadas en sus intenciones de compra. También es difícil para los usuarios distinguir similitudes y diferencias entre estos resultados y elegir los elementos apropiados. El sistema de recomendación puede recomendar algunos productos que le interesan en función de sus intereses. Los sitios web de comercio electrónico utilizan sistemas de recomendación para recomendar productos a los usuarios, lo que facilita a los usuarios y, por tanto, aumenta las ventas del sitio web.
2) Sitios web de películas y vídeos
Los sistemas de recomendación personalizados también se utilizan ampliamente en sitios web de películas y vídeos, lo que puede ayudar a los usuarios a encontrar lo que les interesa en la amplia biblioteca de vídeos. Una empresa que ha utilizado con éxito sistemas de recomendación en este ámbito es Netflix.
Netflix fue originalmente un sitio de alquiler de DVD y luego se diversificó hacia el negocio de videos en línea. Netflix concede gran importancia a la tecnología de recomendación personalizada y comenzó a realizar el famoso concurso del sistema de recomendación del Premio Netflix en 2006, con la esperanza de que los investigadores puedan mejorar en 10 la precisión de la predicción del algoritmo de recomendación de Netflix.
Este concurso jugó un papel importante en la promoción del desarrollo de sistemas de recomendación: por un lado, el concurso proporcionó a la comunidad académica datos de comportamiento de los usuarios a gran escala establecidos en un sistema real (400.000 usuarios vs. 20.000 películas) (cientos de millones de registros de calificación); por otro lado, durante los tres años de competencia, los concursantes propusieron muchos algoritmos de recomendación, lo que redujo en gran medida el error de predicción del sistema de recomendación.
La Figura 4 es la interfaz de recomendación de películas de Netflix, que incluye el título y el póster de la película, los comentarios de los usuarios y los motivos de la recomendación. Netflix utiliza un algoritmo de recomendación basado en elementos, que recomienda películas a los usuarios similares a películas que les han gustado en el pasado. Netflix afirma que el 60% de sus usuarios encuentran películas y vídeos interesantes a través de su sistema de recomendación.
Figura 4 Recomendaciones de películas de Netflix
Como el sitio web de vídeos más grande de Estados Unidos, YouTube tiene una gran cantidad de contenido de vídeo subido por los usuarios. Para resolver el problema de la sobrecarga de información en la biblioteca de videos, YouTube también ha realizado una investigación en profundidad en el campo de las recomendaciones personalizadas y ahora utiliza un algoritmo de recomendación basado en elementos. Los experimentos han demostrado que la tasa de clics de las recomendaciones personalizadas de YouTube es el doble que la de los vídeos populares.
3) Radio por Internet
La radio por Internet personalizada también es muy adecuada para recomendaciones personalizadas. En primer lugar, hay mucha música y es imposible para los usuarios escuchar toda la música antes de decidir qué les gusta escuchar. Además, cada año se agregan nuevas canciones a un ritmo muy rápido, por lo que sin duda los usuarios están más contentos. frente al problema de la sobrecarga de información. En segundo lugar, cuando las personas escuchan música, generalmente la escuchan como una especie de música de fondo y pocas personas tienen que escuchar una canción específica. Los usuarios normales pueden escuchar cualquier canción, siempre que coincida con su estado de ánimo en ese momento. Por tanto, la radio por Internet de música personalizada es un producto muy acorde con la tecnología de recomendación personalizada.
Existen muchas emisoras de radio online de música personalizada conocidas. Los de fama internacional incluyen Pandora y Last.fm | Reproduzca música, busque canciones y descubra artistas, mientras que el representante nacional es Douban Radio. Estas tres estaciones de radio por Internet personalizadas no permiten a los usuarios solicitar canciones, pero les brindan varios métodos de comentarios: me gusta, no me gusta y omitir. Después de un cierto período de comentarios de los usuarios, la estación de radio puede obtener el modelo de interés del usuario a partir del comportamiento histórico del usuario, de modo que la lista de reproducción del usuario se alinee cada vez más con el interés del usuario en las canciones.
El algoritmo de Pandora se basa principalmente en el contenido. Sus músicos e investigadores escucharon personalmente decenas de miles de canciones de diferentes cantantes y luego analizaron las diferentes características de las canciones (como la melodía, el ritmo, el arreglo y la letra). ). etc.) están anotados, y estas anotaciones se denominan genes musicales. Pandora calculará entonces la similitud de las canciones basándose en los genes marcados por los expertos y recomendará al usuario otra música que sea genéticamente similar a la que le gustaba antes.
Last.fm | ¿Reproducir música, buscar canciones y descubrir artistas? registra los registros de escucha de todos los usuarios y los comentarios de los usuarios sobre las canciones y, sobre esta base, calcula las preferencias de los diferentes usuarios en las canciones. recomendar al usuario canciones que les gusten a otros usuarios que tienen intereses de escucha similares a él o ella. Al mismo tiempo, Last.fm | ¿Reproducir música, buscar canciones y descubrir artistas? también ha establecido una red social para permitir a los usuarios establecer conexiones con otros usuarios y recomendar sus canciones favoritas a sus amigos.
Last.fm | ¿Reproducir música, buscar canciones y descubrir artistas? No utiliza anotaciones de expertos, sino que utiliza principalmente el comportamiento del usuario para calcular la similitud de las canciones.
4) Redes Sociales
La tecnología de recomendación personalizada en las redes sociales se utiliza principalmente en tres aspectos: uso de la información de la red social de los usuarios para recomendar elementos personalizados a los usuarios, recomendaciones de sesiones de flujo de información y recomendaciones. amigos a los usuarios.
Facebook almacena dos tipos de datos más valiosos: uno es la relación de red social entre los usuarios y el otro es la información de preferencias del usuario.
Facebook ha lanzado una API de recomendación llamada Personalización instantánea, que puede recomendar elementos a los usuarios en función de la información que les gusta a sus amigos. Muchos sitios web utilizan la API de recomendación de Facebook para personalizar sus sitios web.
Clicker, un conocido sitio web de recomendación de series de televisión, utiliza la personalización instantánea para hacer recomendaciones de vídeos personalizadas a los usuarios. Clicker ahora puede usar los datos de comportamiento del usuario de Facebook para proporcionar un "flujo" personalizado de contenido que pueda interesarle y, lo que es más importante, el usuario no necesita ingresar demasiados datos en el sitio web de Clicker (a través de calificaciones, comentarios o vistas). Clicker puede proporcionar dichos servicios a través de vídeos en Clicker.com, etc.).
Además de utilizar la información de las redes sociales de los usuarios en los sitios de redes sociales para recomendar varios elementos de este sitio a los usuarios, los propios sitios de redes sociales también utilizarán las redes sociales para recomendar a los usuarios las conversaciones de otros usuarios en las redes sociales. sitios de redes. Cada usuario puede ver varias acciones de sus amigos en su página de inicio personal de Facebook y puede comentar sobre estas acciones. Cada acción compartida y todos sus comentarios se denominan conversación, y Facebook desarrolló el algoritmo EdgeRank para clasificar estas conversaciones para que los usuarios puedan intentar ver las últimas conversaciones de amigos conocidos.
Además de recomendar contenido a los usuarios en función de sus redes sociales y comportamientos de usuario, los sitios de redes sociales también recomiendan amigos a los usuarios a través de servicios de recomendación personalizados.
5) Otras aplicaciones
Debido a que las empresas de comercio electrónico básicamente han digitalizado todos los aspectos de sus procesos comerciales, pueden aprovechar al máximo la tecnología de big data para extraer y analizar estos datos para optimizarlos. . sus procesos de negocio y mejorar los beneficios empresariales. Además de las diversas aplicaciones presentadas anteriormente, los big data también se pueden aplicar en muchos otros aspectos de la industria del comercio electrónico.
① Precios dinámicos y ofertas especiales
Las empresas de comercio electrónico pueden realizar un seguimiento del consumo de los clientes utilizando datos para crear perfiles de clientes y descubrir cuánto les gusta gastar a los usuarios y qué productos les gusta comprar. comportamiento, utilizando análisis de big data para desarrollar políticas flexibles de precios y descuentos. Por ejemplo, si los análisis muestran un aumento en el interés de los usuarios en una categoría específica de artículos, una empresa de comercio electrónico puede ofrecer descuentos u ofertas compre uno y llévese otro gratis.
② Ofertas personalizadas
Las empresas de comercio electrónico pueden utilizar datos para determinar los hábitos de compra de los clientes y enviarles ofertas especiales específicas y códigos de descuento basados en compras anteriores. Los datos también se pueden utilizar para volver a atraer a los clientes cuando han cancelado una compra o simplemente no han realizado la compra, por ejemplo, enviando correos electrónicos para recordarles los productos que vieron o invitándolos a completar una compra.
③ Gestión de la cadena de suministro
Las empresas de comercio electrónico pueden utilizar big data para gestionar las cadenas de suministro de forma más eficaz. El análisis de datos puede revelar retrasos o posibles problemas de inventario en la cadena de suministro. Si hay un problema con un artículo, se puede retirar de la venta inmediatamente para evitar problemas de servicio al cliente.
④ Análisis predictivo
El análisis predictivo se refiere al uso de tecnología de big data para analizar varios canales de negocios de comercio electrónico para ayudar a las empresas a formular planes comerciales para operaciones futuras.
El análisis de datos puede revelar nuevas tendencias de compra o una desaceleración de las ventas de artículos en el segmento de tiendas en línea de una empresa de comercio electrónico.
Utilice esta información para ayudar a planificar la siguiente fase del inventario y desarrollar nuevos objetivos de mercado. Puede ser un desafío mantenerse informado sobre las últimas tendencias en el comercio electrónico, pero aprovechar la tecnología de big data puede mejorar significativamente sus resultados y ayudarlo a construir un negocio exitoso y con visión de futuro. Si no aprovecha el poder de la extracción de big data, puede perder oportunidades de éxito en el mercado.