伍拾伍- 大数据下 CRM 营运建模

没有哪一种营销,会比直达客户更好。 但关键是,如何找到你这次需要营销的客户。

大数据下的可能

大数据的本质并不需要数据量有多大,但需要的是足够多维度去描绘一个人。

新零售的环境下,越来越多的信息的交叉使原本无意义的行为维度变成可描述,例如:

  1. 一个人是晚上9点上班,凌晨3点下班的;
  2. 这个人的在上班期间地理位置从不长时间停留在某处。

如果仅以上述第一点来看,对于我们社区团购来说,就可以把他归类为夜班司机/维修员,继而可以选择在白天少进行信息推送或少安排社群群主进行沟通,进而达到节省资源精准营销,在该客户有消费意欲时进行接触。

用户分类

当拥有这个客户足够多的固有信息,且足够长的行为数据时,可以通过两种方法进行人群分类:

  1. 先统计定义分类并延展行为属性

直接通过统计手段,人为定义部分人群,并通过建模手段找出可以间接定义该类人群的行为数据。

aa

mimi

  1. 通过聚类等手段区分互斥的人群类别

先通过聚类手段,把用户分开有不同行为属性的多个群组,并通过这些群组的长时间统计人工去给出他们应该属于何种群组。

该方法仅对一个用户以一个标识

mimi

  1. 先以统计定义分类,但分成互斥的多组

类似方法1方法2的合体,与方法2的差异是,此种方法会对某种原本就有较大样本量的标签引起信息熵下降。

例如:

用户分类对营运的指导意义

客户分类必然是长期对该客户有效的,例如一个客户本月是偏爱熟食,不应该把他下月标识为不偏爱熟食

基于用户分类的营运指导可以通过下述方式:

  1. 方法1 已经是参考营运的指标对客户进行分类,所以很大程度是以营运的角度去进行分类,所以可直接用作营运手段

如营运想知道哪类型的用户是喜爱外送服务为什么喜爱外送服务,我们可以通过统计方式找出这类人和非这类人(对近期订单进行统计,如非近期则无意义,因为可能统计到尚未推出外送服务时的订单),然后进行建模,找出其余近期未下单或一些未有该行为但符合该人群,并且能再通过统计数据发现这群用户的其余有意义行为,例如找出喜爱外送服务的客户是否喜欢在凌晨进行消费。

  1. 可以通过放进不同行为数据进行建模,得出多个方法2建模后的分类,找出多种分类,并通过统计方式得出有意义的特定行为/属性。

该方法能被日常营运忽略的能被某种刺激引起的消费行为,例如购买在凌晨时段登录七鲜客户端的人更偏爱买计生用品

或近期购买冻肉以及奶粉的人会更偏好购买计生用品

但这需要对业务更熟悉的分析人员以察觉数据与业务之间的因果关系以及机会点

行为预测

行为预测从建模来说本质也是分类,但对营运业务来说与分类有本质的区别就是,分类结果是以标签形式,长期跟随一个客户,而行为预测是短期的、跟随时间变更以及近期行为而快速变化

例如,一个客户对于京东 APP 来说:

两者区别表征表先是:

两者区别的本质是 时效性样本定义

行为预测建模样本

为预测客户接下来的行为,必须以大量的客户历史行为,且根据时间进行切分,数据集如下图:

ss

则训练时需要输入为:

ss

行为预测目的

目前任何建模方法都是没办法预测出我们无法期望的目的,基于明确商业目的的确定输入输出是无法得出不可期的结果。

所以我们必须明确我们需要得到什么的结果。

换句话说,无法问出一个明确的问题,基本是没办法得到任何答案

如何正确的提出问题

当一个问题被提出时(),很多时候的目的是为了得到答案(期待的果),但现实会是会出现更多的问题(实际的果)。

所以如果想要得到一个符合自己内心的结果时,重要的是提炼出自己确切需要问的问题

而很多人其实不太清楚自己自己的具体问题是什么,这时候专业人士会通过询问你一些问题,通过回答,就会帮助你了解自己的问题

就好像你生病了,去看医生,会被讯问各种问题,在回答问题的时候会更明确的让医生帮助你。

但如果你不合作,就会像以下的对话:

病人:“医生,我呕吐啊,快点治好我。” 医生:“那最近有没有吃过一些过期或者有异味的食物?” 病人:“我哪知道,每天都吃那么多东西,我不是来给你问我吃什么,我想你治好我呕吐!” 医生:“我只是想确认一下是不是有与食物有关,那你最近有没有着凉?” 病人:“我没有感冒!我就是呕吐!你就来治我呕吐,别问那么多。” 医生:“但我不知道你为什么会呕吐,我怎么治呢?” 病人:“你就会问问题,你都没听到我的问题,我的问题是我呕吐!你治好我就是了!” ….. 然后病人因为不回答医生的问题食物中毒死了

所以如果想要解决问题的方法是:

  1. 先提炼问题(确立需求)
  2. 看问题可以通过什么方法解决(解决方案选型)
  3. 进行解决问题的措施(实施)
  4. 看看问题是否已经通过上述措施解决(测试、验证)