大数据对精准营销起到的作用十分重要。我觉得谈到精准营销,应该分两个步骤:
简单点讲:商业目标→数据集合→指标及变量选取→算法选择→测试优化→数据建模这里在确定了数据分析目标为:实现精准营销,那么用户行为数据建模可以从以下几个步骤开展:1、商业目标:实现精准营销;2、用户行为数据集合;1)用户数据采集;— 购买,编程抓取(如Python),或自主积累(来自CRM,SCM,ERP等数据入口)等;这里需要注意:A.确保数据信度效度;B.避免“数据盲点”,即数据库里缺失,或未收集到,或人为忽略的,商业目的存在关联的数据;其中,最大的盲点是将不同数据来源的数据进行混合使用;2)数据统计、整理、清洗等(Mysql,Excel等);3、数据指标库构建及变量选取;1)我们在收集数据时,会发现一些是与业务层面相关的逻辑,也有一些是数据之间本身就具备强相关性,甚至有因果关系的逻辑存在;建立模型前都需要选择合适的指标及变量,而指标及变量的选取有需要从业务逻辑和数据逻辑两个方面来考量;3)在选择指标及变量时,业务逻辑一般优先于数据逻辑。这是业务逻辑是从实际情况中自然产生,与商业目的是强相关性,建模结果的可解释性,也是用于验证商业目的的有效价值,因此业务逻辑类指标及变量更重要。4)当一些变量不能直接用于建模时,需要进行重构,比如描述性变量,重构为数值型变量;或者将变量进行单独计算,如取均值;组合计算,如A*B等;也是常用的重构方法。4、算法选择;常用建模算法包括相关、聚类、分类(决策树)、时间序列、回归、神经网络等。比如:划分消费者群体:聚类,分类;购物车分析:相关,聚类;购买金额预测:回归,时间序列;满意度调查:回归,聚类,分类等等。5、导入算法及测试优化模型;算法选定后,需要使用数据分析工具进行建模。常用建模工具:SPSS,R,SAS等;针对不同的模型,需要调整参数,不断优化迭代模型的可解释性,最终达到商业目的。以上简单描述了为达成某种商业目标,而进行的数据分析挖掘过程中数据建模步骤,具体还需要结合行业特点,产品等来进行操作才能达到有效的商业目标;需要深入了解的可以自行百度或寻找专业大数类工具书研习;以上希望能给有兴趣或从事数据分析挖掘方面的朋友提供参考,有疏漏或异议之处,也欢迎在评论区交流探讨;【墨蔸集】作者:连续创业者,专注商业数据分析及团队管理。定期输出大数据商业运营管理实战经验。欢迎探讨交流,谢谢关注。
【墨蔸集】作者:连续创业者,专注商业数据分析及团队管理。定期输出大数据商业运营管理实战经验。欢迎探讨交流,谢谢关注。
大数据对精准营销起到的作用十分重要。我觉得谈到精准营销,应该分两个步骤:
1.大数据究竟有哪些常用模型?
再谈数据模型如何驱动营销