像互联网公司一样精确化营销

像互联网公司一样精确化营销市场研究中心柯欣2012-05精确化营销已经成为一种趋势互联网正从搜索时代进入发现时代——美国财富杂志我们正从信息时代迈向推荐时代——TheLongTail克里斯•安德森推荐系统将成为未来十年里最重要的变革——JohnRiedl明尼苏达大学教授2目录互联网时代的精确化营销精确化营销范畴数据处理、挖掘算法及关键问题未来展望3亚马逊(amazon.com)的精确化营销41.在首页显著位置进行针对性产品推荐2.根据群体的共性规律为用户个体推荐相关产品（查看此商品的用户还察看了……）3.用户不需要登录，Amazon自动识别132百度知道的推荐5分析用户搜索行为，推荐“相关内容”用户即时行为分析用户历史行为，推荐“相关问题”精确化营销效果Amazon销售额35%来自其推荐系统ChoiceStream调查显示，45%的用户更喜欢到有产品推荐功能哦网站购物，而高端消费者中69%更愿意去推荐功能的网站–有推荐系统时，消费者找到所需产品之前平均查看6.6个商品；没有推荐系统时为11.7个–有推荐系统时，只有21%的用户会改变初始决策；没有推荐系统的话，初始决策质量会大幅下降，有60%的消费者会更改初始选择–有推荐系统时，93%的消费者选择了更优的产品，否则只有65%YouTube首页60%的点击来自于推荐，且个性化视频推荐点击率是最热门视频点击率的207%6Amazon灵活、多样化的推荐系统经常一起购买的商品–FrequentlyBoughtTogether看了该商品的用户还看了–CustomersWhoViewedThisItemAlsoViewd看了该商品的用户还买了–WhatOtherItemsDoCustomersBuyAfterViewingThisItem买了该商品后的用户还买了–CustomersWhoBoughtThisItemAlsoBought收藏了该商品的用户还收藏了–CustomersWhoAddedThisItemtoFavoritesAlsoAdded7淘宝网的数据交易额1万亿注册会员超过3.7亿美国总人口数单日UV（访问用户）峰值6000万≈意大利总人口数从您看这页PPT的10秒内，成交商品8000件每日新增数据20T；累积数据14P；每天处理1P+数据1300+服务器的云计算平台每天处理100000+作业任务，包括100+新增作业任务8以客户为中心，同时面对内部/外部、买家/卖家客户9效益客户产品（网站）销售服务效益客户产品（信息）联系交易电商销售方采购方销售人员卖方客户买方客户Intranet：CRMInternet：网站传统：如何建立、发展和维护客户关系互联网：如何优化眼球经济的资源配置，帮助客户成功精确化营销对于电商的价值显著提升客户体验，并提升网站粘性和访问量通过交叉销售推荐、定向广告推荐，直接提升经济效益发现长尾价值，给用户惊喜，提升购买商品的覆盖范围帮助进行客户发展和留存的主动营销自动化算法帮助提升人工运营的效率10用户对于非互联网的传统业务也开始产生针对化营销的需求根据调研公司Thunderhead和YouGov对美国互联网用户的研究发现①平均43%的用户表示他们首选的数据渠道被他们的服务提供商所使用②至少45%的受访者抱怨营销内容定位糟糕③超过50%的用户表示，如果服务提供商在服务沟通时能根据他们的帐号推荐相关联的内容，他们会更加满意11使用美国互联网用户首选电子渠道营销占比美国互联网用户对个性化营销内容的满意度123目录互联网时代的精确化营销精确化营销范畴数据处理、挖掘算法及关键问题未来展望12精确化营销范畴13精确化营销产品研究（基础）用户洞察（基础）数据挖掘(核心)以数据挖掘为核心，在深度用户洞察和产品研究的基础上实现精确化营销目录互联网时代的精确化营销精确化营销范畴–用户洞察–产品研究–精确化营销数据处理、挖掘算法及关键问题未来展望14用户洞察用户洞察：通过用户属性及行为数据挖掘，理解、量化、总结用户产生行为的动机、条件和规律，对目标用户未来行为进行预测，从而占据营销的先机。研究内容15用户智能用户兴趣社会性智能意愿识别性别校准、预测年龄校准、预测情绪和情感的探测类型偏好地域偏好时代偏好属性偏好影响者识别借助社会网络的用户画像扩展基于社会网络的好友倾向本地性意愿商业购买意愿信息导航意愿购买周期意愿用户洞察示例（1/2）357感冒指数16•今天最高、最低温度相差超过7度•昨天和今天温度相差超过5度•昨天和今天湿度差超过30%如果同时满足以下3条感冒的人数将增加零售业会增加口罩、温度计、感冒药等商品上架用户洞察示例（2/2）用户的流量是会上升还是下降？1731423533333635331个月2个月3个月4个月5个月6个月7个月8个月用户月均流量（M）1、学习期（入网当月）2、兴趣期（入网次月）3、衰减期（入网第3、4月）4、理智期（入网第5月及以后）用户生命周期流量走势1960-4(0,25%](25%,50%](50%,75%](75%,100%]月户均流量在10M-80M的用户流量增量（M）套餐流量使用率用户洞察模型的建立原则1：时间衰减控制18HeaverWeighttoRecentBehaviorsNow6monthsago(casualinterest)3monthsago(research)present(highlyengaged)原则2：不同行为的不同权重•交易•收藏•阅读/收听/分享用户洞察模型的建立原则3：用户兴趣会随时间发生改变–年龄增长：青年-中年–生活状态变化：学生-工作–热点事件影响：奥运会、世界杯原则4：季节效应的影响19010020030040050006-0107-0108-0109-0110-01移动MOU固话MOU中国固话、移动月MOU走势（2006-2010年）目录互联网时代的精确化营销精确化营销范畴–用户洞察–产品研究–精确化营销数据处理、挖掘算法及关键问题未来展望20产品（item）研究业务专家和算法工程师一起进行item推荐对象的深入研究，发现“好的商品”发现item的特征与规律，设计推荐的应用逻辑，选择合适的营销方法21什么是好的产品沃尔玛的产品分类–主力产品：销售额排名靠前的产品，实现了主要的销售数量及销售额–辅助产品：从产品深度、广度上对主力产品进行补充的产品，满足用户选择购物的需求–关联产品：与主力产品具有关联作用的产品，对主力产品销售具有提升作用22产品分类销售额比例产品比例主力产品75%20%辅助产品15%40%关联产品10%40%该不该续约李学林李学林是北京队的大脑——闵鹿蕾（北京队主教练）232011-12赛季冠军北京队主力后卫场均：32.3分钟、5.3分、3.7助攻得分效率：第203位助攻效率：第18位辽宁队90后替补后卫场均：21分钟、8.1分、3.2助攻VS.李学林的作用不亚于马布里——杨健（CCTV5篮球主持人）下赛季没有李学林，北京队肯定没戏——张舒博（北研院专家）李学林的价值李学林出场的比赛：10胜、1负李学林未出场的比赛：11胜、10负24场均得分2分球命中率3分球命中率104.450.9%31.2%场均得分2分球命中率3分球命中率103.548.1%36.0%马布里出场时间：28.6分钟马布里出场时间：37.4分钟马布里：全明星产品李学林：关联产品小米手机：辅助产品在用户心中CPU（中央处理器）：高通双核MSM82601.5GHzRAM（内存）：1GDDR2ROM：4G图形处理器（GPU）：Adreno220屏幕：夏普4英寸、分辨率854X480半反半透TFT相机：800万像素，2.4最大光圈，自动对焦，LED闪光灯电池：1930mAh（1930毫安时）25CPU全球最快！！！IPhone4S摄像头800万像素！什么样的产品最适合推荐条目增长相对稳定能够获得快速反馈稀疏性、多样性和时效性的平衡具有媒体性的产品（MediaProduct）–口味（taste）很重要–单位成本不重要–有瀑布效应（informationcascade）–多样性26媒体类产品的数据特征27目录互联网时代的精确化营销精确化营销范畴–用户洞察–产品研究–精确化营销数据处理、挖掘算法及关键问题未来展望28精确化营销的发展阶段29细分式市场营销目标式市场营销客户驱动的营销活动交互式营销大众式营销阶段一阶段二阶段三阶段四阶段五广播式营销对特定客户群广播式的营销信息基于预测分析和客户细分技术的目标客户营销基于个体行为模式的个性化营销多渠道协同的事件驱动、交互式营销交互式营销案例（淘宝）由客户忘记密码事件引起的针对性营销30客户问题•2010年2月因“忘记密码”和“登录失败”给客服发邮件的占比4.86%，月投诉量680人场景还原原因分析主动服务效果监控•3月3日连续尝试登录大于3次，截至11日未成功登录的会员714人•每月因忘记密码而永远流失的用户超过20000人•24%的休眠用户是由于忘记用户名或密码•正常忘记•初始密码设置随意•业务员变动•……3月4日针对1月23日至28日连续尝试登录，且截至3月4日未成功登录的会员3322人，主动发送密码重置的提醒邮件42%的用户重置密码并登录营销推荐方法分类基于搜索的推荐基于业务（手工）确定的推荐基于类目统计的推荐基于商品属性的推荐基于用户群组的推荐基于产品相关性的推荐基于用户相关性的推荐31推荐方法优劣对比（1/2）推荐方法优势劣势与不足基于搜索的推荐容易实施•不够强大，改进空间小，受到搜素引擎的制约•推荐的排序标准？•用户只能获得其明确想要的产品•并非真正意义的精确化营销基于业务（手工）确定的推荐能够充分体现业务人员的意志•基本上没什么改进空间•不够自动化，需要业务人员长期投入时间与精力•马太效应明显基于类目统计的推荐容易实施•不够强大，改进空间小•极其受限于类目的数量、受限于分类的准确性•推荐的排序标准？基于商品属性的推荐相对容易实施，有一定新颖性•仍然不是真正意义的精确化营销，不能体现“集体智慧”32推荐方法优劣对比（2/2）33推荐方法优势劣势与不足基于用户群组的推荐物以类聚、人以群分，能够有效发现群体用户的共性需求•需要与业务深度结合，进行有效的用户分类与数据挖掘•需要强大的推荐系统支持基于产品相关性的推荐能够“发现”用户需求，给用户以惊喜•实施难度大•计算量很大，往往需要在分布式平台上实现•数据量很大，存储应用时要特别考虑高并发响应基于用户相关性的推荐能够“发现”用户需求，给用户以惊喜•实施难度大•计算量很大，往往需要在分布式平台上实现•数据量很大，存储应用时要特别考虑高并发响应目录互联网时代的精确化营销精确化营销范畴数据整理、挖掘算法及关键问题未来展望34数据整理：对产品、用户相互间的关系进行量化描述35•关联检查：确保用户、产品、行为3者之间的对应匹配•异常检查：识别或清洗异常数据（如频率过高、次数过多等）•明确标识“产品与产品”、“产品与用户”或“用户与用户”之间相互关系的规则方法和数据基础−购买重叠：通过在单位时间内产品被同时购买的次数分析产品间的关系−评分重叠：通过用户对各产品评价的分数分析用户间的相似性−……•单一维度指标计算−规则判断：满足某特定条件时记为1，否则为0−单一数值：支持度、置信度、提升度……•多维度向量指标计算−相似系数：-夹角余弦：-欧式距离：2_2___)()())((bbiaaibbiaaiabvvvvvvvvcorr−−−−=∑∑22),cos(BABABA••=2/112)(∑=−=mkjkikijxxd数据清洗建立关系规则产品、用户关系量化计算数据整理示例：Amazon产品到产品的协同过滤36为了给每一个产品匹配最相似的产品，采用“购买重叠”的规则，按照“夹角余弦”的算法计算各产品间的相似程度1、通过统计用户倾向于一起购买的产品，建立一个产品到产