說到大數據精準營銷，就不得不先提到個性化的用戶畫像。對於每壹類數據實體，我們進壹步分解可以落地的數據維度，刻畫ta的每壹個特征，聚集在壹起形成人群畫像。
01用戶畫像
用戶畫像是從用戶的社交屬性、生活習慣、消費行為等信息中抽象出來的標簽化用戶模型。具體而言，它包括以下維度:
用戶的固定特征:性別，年齡，地區，教育水平，出生日期，職業，星座。
用戶興趣特征:興趣愛好、使用APP、網站、瀏覽/收藏/評論內容、品牌偏好、產品偏好。
用戶的社交特征:生活習慣、婚姻、社交/信息渠道偏好、宗教信仰、家庭構成。
用戶消費特征:收入狀況、購買力水平、商品種類、購買渠道偏好、購買頻率。
用戶動態特征:如何在當前時間、需求、要去的地方、周邊商家、周邊人群、新聞事件中生成用戶的精準畫像，大致分為三步。
1.收集和清理數據:用已知預測未知。
首先要掌握復雜的數據來源。包括用戶數據、各種活動數據、電子郵件訂閱、在線或離線數據庫以及客戶服務信息。這是壹個累積數據庫；這裏最基本的就是如何收集網站//APP的用戶行為數據。例如，當妳登錄壹個網站時，它的Cookie會壹直留在瀏覽器中。當用戶觸摸動作，點擊位置，按鈕，喜歡，評論，粉絲，訪問路徑，妳就可以識別和記錄他/她的所有瀏覽行為，然後不斷分析瀏覽的關鍵詞和頁面，分析他/她的短期需求和長期興趣。還可以通過分析朋友圈對對方的工作、愛好、學歷等各方面有非常清晰的了解，比個人填寫的表格更全面、真實。
我們利用已知數據尋找線索，不斷挖掘素材，既能鞏固老會員，又能分析未知客戶和需求，進壹步開發市場。
2.用戶分組:分類標簽。
描述性分析是最基本的分析統計方法，描述性統計分為數據描述和指標統計兩部分。數據描述:用於描述數據的基本情況，包括數據的總數、範圍和來源。指標統計:對分布、比較和預測指標進行建模。這裏經常會有壹些數據挖掘的數學模型，如回復率分析模型、客戶傾向模型等。這種分組用Lift圖，通過打分告訴妳哪類客戶接觸和轉化價值更高。
在分析階段，數據會轉化為影響指數，然後就可以做“壹對壹”的精準營銷了。比如壹個80後客戶，喜歡早上10點餐，晚上6點回家做飯，周末去附近吃日本料理。收集轉化後會生成壹些標簽，包括“80後”、“生鮮”、“料理”、“日本料理”，貼在消費者身上。
3.制定策略:優化和重新調整。
有了用戶畫像，我們就能清楚地了解需求，在實踐中，我們就能深度管理客戶關系，甚至找到傳播口碑的機會。比如上面的例子，如果有壹家日本餐廳的生鮮折扣券和最新推薦，營銷人員會精準地將適合該產品的相關信息推送到消費者手機上；發送不同產品的推薦信息，同時通過滿意度調查和跟蹤碼確認，及時了解客戶的行為和喜好。
除了客戶分組，營銷人員還觀察不同階段的增長率和成功率，前後對比，確認整體經營策略和方向是否正確；如果效果不好，應該用什麽策略來應對。反復試錯，調整模型，實現循環優化。
這個階段的目的是提煉價值，然後根據客戶的需求精準營銷，最後跟蹤客戶的信息反饋，完成閉環優化。
我們從數據集成和導入開始，匯總數據，分析和挖掘數據。數據分析和挖掘還是有壹些區別的。數據分析的重點是觀察數據，簡單統計壹下，看看KPI漲跌的原因。而數據挖掘是從細微和模型的角度研究數據，從學習集和訓練集中發現知識規律。除了壹些商業軟件SAS和WEKA強大的數據分析挖掘軟件，這裏推薦R和Python，因為SAS和SPSS價格昂貴，很難做出頁面和服務級的API，而Python和R有豐富的庫，可以類似WEKA的模塊，與其他API和程序無縫交互。在這裏，妳需要熟悉數據庫。
02數據細分受眾
《顛覆式營銷》壹書中提到壹個例子，可以引用。我們來思考壹個問題:如果妳計劃回收200份有效問卷，根據以往的經驗，妳需要發出多少份問卷才能達到這個目標？預計實施需要多少預算和時間？
以前的方法是這樣的:網絡問卷回收率在5%左右。要保證收到200份問卷，就要發出20倍的問卷，也就是發出4000份問卷。如果能在壹個月內恢復，就是不錯的表現。
但現在不同了。在執行大數據分析的3小時內，您可以輕松實現以下目標:
精準選擇1% VIP客戶。
共發出問卷390份，全部收回。
郵寄後3小時內收回35%的問卷。
五天之內，超過目標數量86%的問卷被退回。
所需時間和預算都低於之前的10%。
這是如何在問卷發出後3小時內實現35%回收的？那是因為數據已經被壹對壹地定制了。利用數據可以得出，A先生最有可能打開郵件的時候，他會在那個時候發問卷。
比如有的人會在上班的路上打開郵箱，但是如果是司機就沒時間填答案，而坐公共交通的人會在上班的路上玩手機，所以填答案的概率高。這些就是數據分段的好處。
03預測試
預測使您可以專註於壹小組客戶，但這組客戶可以代表特定產品的大多數潛在買家。
當我們收集分析用戶畫像，就可以實現精準營銷。這是最直接最有價值的應用。廣告主可以通過用戶標簽向想要觸達的用戶發布廣告。在這種情況下，他們可以通過前面提到的後端CRM/供應鏈系統，通過多渠道營銷策略、營銷分析、營銷優化、壹站式營銷優化，全面提高ROI。
先說營銷時代的變化。傳統企業大多還停留在“營銷1.0”時代，以產品滿足傳統消費需求為主，進入“營銷2.0”，以社會價值和品牌為使命，無法全面精準滿足個性化需求。在營銷3.0的數據時代，我們要對每個消費者進行個性化定制，進行壹對壹的營銷，甚至精確計算交易轉化率，提高投資回報率。
大數據下的營銷顛覆了經典的營銷4P理論，產品、價格、場所、促銷，取而代之的是新4P、人、績效、過程、預測。大數據時代，線下地域的競爭邊界早已消失。比壹個早期預言家利用大數據從客戶真實的交易數據中預測下壹次購買時間的能力要好。營銷3.0時代的關鍵詞是“預測”。
預測營銷可以讓妳專註於壹小群客戶，但這壹群客戶可以代表特定產品的大多數潛在買家。以上圖為例。妳可以將營銷活動定位於200，000個潛在客戶或現有客戶，包括特定產品的大部分購買者(40，000人)。妳也可以分配壹部分預算來吸引更小的客戶群(比如20%的客戶)，而不是整個客戶群，從而優化妳的支出。
在過去，我們可能會被動地看數據，但預測營銷強調決策價值，如購買時間。妳要看的不是她上壹次購買日期，而是下壹次購買時間，看未來的生存概率，最終產生客戶終身價值(CLV)。預測營銷催生了壹種新的數據驅動的營銷方式，以客戶為中心。核心是幫助企業完成從以產品或渠道為中心到以客戶為中心的轉變。
04準確推薦
大數據最大的價值不是事後分析，而是預測和推薦。我就以電商為例，“精準推薦”已經成為大數據改變零售業的核心功能。以服裝網站Stitch fix為例，在個性化推薦機制方面，大部分服裝訂購網站采用的是用戶提交體型和款式數據+編輯人工推薦的模式。Stitch Fix的不同之處在於，它還結合了機器算法推薦。這些客戶提供身體比例，主觀數據，交叉核對銷售記錄，挖掘每個人獨特的服裝推薦模型。這種壹對壹的營銷就是最好的服務。
數據整合改變了企業的營銷模式。現在經驗不是積累在人身上，而是完全依靠消費者行為數據來做推薦。未來銷售人員將不再只是銷售人員，而是能夠以專業的數據預測和人性化的友好互動推薦產品，升級為顧問式銷售。
05技術工具
預測營銷的技術能力有幾種選擇:
1.使用預測分析工作平臺，然後通過某種方式將模型輸入到活動管理工具中；
2.由分析驅動的預測活動外包給市場服務提供商；
3.評估並購買預測營銷解決方案，如預測營銷雲和多渠道活動管理工具。
但無論哪種方式，我們都必須確定三個基本能力:
1)連接不同來源的客戶數據，包括線上和線下，為預測和分析準備數據；
2)分析客戶數據，使用系統並定制預測模型，做高級分析；
3)在正確的時間，在正確的客戶，在正確的場景開始正確的行為，並可能跨不同的營銷體系交叉銷售。
06預測模型
預測客戶購買可能性的行業標準是RFM模型(最新消費R，消費頻率F，消費金額M)，但該模型的應用是有限的，本質上是壹種沒有統計和預測依據的嘗試性方案。“過去的成就不能保證未來的業績”，RFM只關註過去，不把客戶當前的行為與其他客戶的行為進行比較。這使得在購買產品之前無法識別高價值客戶。
我們重點關註的預測模型是在最短的時間內對客戶價值產生最大的影響。以下是其他壹些模型參考:
參與傾向模型預測顧客參與壹個品牌的可能性，參與的定義可以是多樣化的，比如參加壹個活動，打開壹封郵件，點擊訪問壹個頁面。該模型可以確定電火花加工的傳輸頻率。並預測趨勢，是否增加或減少活動。
錢包模型是預測每個客戶的最大可能支出，定義為單個客戶購買產品的年度最大支出。然後看增長模型，如果目前的總目標市場比較小，但未來可能很大，我們需要找到這些市場。
價格優化模型是能使銷售額、銷售量或利潤最大化的結構。通過價格優化模型為每個客戶定價。在這裏，妳需要為妳想要的產品開發不同的模型，或者開發壹個通用的、可預測的客戶價格敏感度模型，以確定哪個報價對客戶的影響最大。
關鍵詞推薦模型，可以根據客戶的網絡行為和購買記錄來預測客戶對某個內容的喜歡程度，預測客戶對什麽熱點和爆款感興趣。營銷人員使用這壹預測結果來決定特定客戶的內容營銷主題。
預測聚合模型，預測聚合模型就是預測客戶會屬於哪壹類。
07AI在營銷領域的應用
去年人工智能特別火，尤其是機器視覺、語言識別、遊戲AI等深度學習的快速發展，讓人們開始恐慌人工智能是否能接管人類的工作。我個人對新技術有濃厚的興趣，非常看好新技術、數據和現實之間的關系。
以前在國外零售店買單的時候會被問“妳有購物卡嗎”？我說沒有收銀員，就會趕緊勸我免費開，還有優惠。我只需要填寫我的手機號碼和電子郵件地址，然後我就可以為我的購買記錄做營銷活動。當我下次來的時候，他們讓我報出我的電話號碼作為消費者識別。當時我覺得做人臉識別會更方便，刷臉就能買單。而這個場景去年也有過壹次實驗。螞蟻金服開發了壹款名為邁克·馬克的生物識別機器人，據說已經超過了人眼識別人臉的能力。還有VR購物，亞馬遜推出的無收銀店Amazon Go，通過手勢識別、物聯網以及後續的數據挖掘實現購物體驗。
對於營銷領域，主要有以下三種預測營銷技術:
1，無監督學習技術
無監督學習技術可以在不明確預測結果的情況下識別數據中的隱藏模式。比如在壹群客戶中尋找興趣群體，也許是滑雪或者長跑，通常會放入聚類算法中，以揭示數據集中真正的潛在客戶。所謂聚類，就是自動發現重要的客戶屬性，並據此進行分類。
2.監督學習技術
通過案例訓練機器，學習識別數據，得到目標結果。這壹般是給定輸入數據的預測，比如預測客戶的生命周期價值，客戶與品牌互動的可能性，未來購買的可能性。
3.強化學習技巧。
這是利用數據中的潛在模式來準確預測最佳選擇結果，例如應該為某個用戶的推廣提供哪些產品。這與監督學習不同。強化學習算法不僅僅需要輸入輸出訓練，學習過程是通過試錯完成的。
從技術角度來說，推薦模型使用了協同過濾、貝葉斯網絡等算法模型。強化學習被谷歌大腦團隊負責人傑夫·迪恩(Jeff Dean)認為是最有前途的AI研究方向之壹。近日，Google的AI團隊DeepMind發表了壹篇名為《學習強化學習》的論文。
按照團隊的話來說，叫做“學會學習”的能力，或者是解決類似相關問題的歸納能力。除了強化學習，也是轉移學習。遷移學習就是把壹個通用的模型轉移到壹個小的數據上使之個性化，在新的領域也能產生效果，類似於人的類比。
強化學習和遷移學習也可以用小數據，我覺得很刺激。通過AI創造AI，也可以讓數據科學家的壹些工作被機器實現。