你好,游客 登录 注册 搜索
背景:
阅读新闻

大数据时代,你必须知道的精准营销核心秘密

[日期:2016-09-09] 来源:数据堂  作者: [字体: ]

  随着移动互联网、大数据时代来临,基于移动终端的大数据精准营销逐渐成主流。企业如何利用大数据发掘用户需求、精准找到目标用户群从而形成强有力的营销方案是关键所在。今天,堂主就跟大家探讨一下,大数据下的精准营销到底有哪些核心秘密值得我们注意呢?

大数据

  精准营销 合适的时间遇上对的人

  简单点来说,堂主认为精准营销就是在合适的时间、合适的地点、将合适的产品以合适的方式提供给合适的人。就好比中国人恋爱喜欢讲究缘分,一见钟情遇上对的人。从大数据角度来说,企业需要通过对数据的采集、处理、分析,从中提取用户需求,形成决策,从而实现企业、用户体验双赢。

  精准营销:有效利用大数据

  为什么说大数据跟精准营销有联系了?我们通过以下三个真实案例来探究一下两者的关系。

  1、尿布与啤酒

  你一定想象不到,尿布和啤酒这两种产品也能发生故事?这并不是一个笑话,在美国一家超市里,因为两者摆在一起的举措,使得尿布与啤酒的销量大幅度增加,这件事情被人们津津乐道,这是发生在美国沃尔玛连锁超市的真实案例。

  其实就是因为当地的妇女经常在家照顾孩子,所以她们会经常嘱咐丈夫,丈夫在下班回家的路上为孩子买尿布,而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒。所以商家把他们摆在一起,带来了两者销售量的剧增。

  2、半夜12点秒杀

  这一案例发生在淘宝,有数据显示,用户每天上网高峰期主要集中在中午12点之后和晚上的12点之前。研究人员发现,出现这种“怪现象”的原因是因为现代人普遍睡觉前都会有上网的习惯,于是有些淘宝商家就利用消费者这种“强迫症”在晚上12点进行促销秒杀活动,带动销量的倍增。

  3、出行定制服务

  在北上广的童鞋应该对堵车深有体会。按照通常的惯例,市民出行一般搭乘公共交通,那就得去固定的巴士站点等待,一旦遇上堵车,等上一个小时都是分分钟都会发生的事。而现在,我们通过数据信息化手段可以直接进行客源组织,为处于相同区域、相同出行时间、具有相同出行需求的人群量身定做公共交通服务,并享受”一人一座“的定制服务,着实为出行提供了不少便利。

  很明显,以上三个案例都是出于对历史数据进行挖掘,从而发现用户购买、出行等行为数据,再通过数据系统提取、整合有价值的数据,从而实现数据到行为分析再到营销方案售卖产品的转化。

  精准营销核心:用户画像

  俗话说知己知彼才能百战不殆。所谓知己,就是说要了解自己的产品定位和产品卖点是什么。所谓知彼,就是要了解竞争对手的情况、目标用户的情况。然后在根据不同的对象采取不同的策略,直面用户痛点,达到转化的目的。

  对于用户画像我们不陌生,精准营销的核心就是用户画像。我们在对企业产品本身的定位以及分析的时候,就是根据产品特征,寻找定位出目标用户。对用户的分析,也就需要用户画像。

  1、什么是用户画像?

  简单来说,就是通过一系列标签去描述一个人物。例如,林心如,性别:女;职业:演员;年龄:40;婚姻状态:已婚;收入情况:高;当然还有很多因素,我们可以自定义。

  但是很显然,用户画像最关键的是:我们希望从哪些角度去了解我们的目标用户,比如说:林心如喜欢吃什么、喜欢买什么、喜欢什么类型的化妆品、皮肤属性(干性还是油性),从而去给她推荐化妆品。所以重要点就是给用户打标签。

  2. 用户画像三部曲

  用户画像怎么做?一般分为三步,数据采集、分析数据、综合标签。

  (1)数据采集:我们做用户画像的目的,就是需要收集用户所有的数据。用户数据一般包括静态数据、动态数据两大类,静态数据如性别、地区、职业、消费等级等相对不变的信息数据,而动态数据一般是指,如网页浏览行为、购买行为等用户不停变化的行为信息;

  (2)分析数据:做好数据采集后,我们需要给用户打上标签和指数,标签表示用户对该内容有兴趣、偏好、需求等,指数代表用户的兴趣程度、需求程度、购买概率等;

  (3)综合标签:整理标签,综合起来,我们就能对目标用户群体有了大概的了解。

  3. 用户画像实际运用

  既然已经完成了用户画像,我们就可以开始精准营销了。确定好应用场景,我们选择该场景需要用到的用户标签,进行精准用户营销信息推送等。当然,具体的应用我们还需要考虑到公司、业务的实际情况来进行决策设计。

  精准营销:找准数据源是关键

  大数据时代,企业如何正确驾驭海量繁杂数据,达到企业、用户体验双赢,并不是一件容易的事情。做好用户画像的前提是大量的用户数据,数据堂(微信:shujutang)汇聚了来自行业合作、数据众包采集、政府合作和网络爬取等方式获取的涵盖科技、信用、交通、医疗、卫生、通信、天气、地理、质监、环境、商户、电力等十几大领域的近5万组共2000TB海量数据,通过彼此关联融合为立体维度数据库,以数据库和API接口的服务形式满足近千家数据应用商数据需求。

 

  注:本文由 数据堂 投稿数据猿发布。





收藏 推荐 打印 | 录入:elainebo | 阅读: