Siete elementos clave del marketing de precisión de datos

Siete elementos clave del marketing de precisión de datos

Cuando se trata de marketing de precisión de big data, primero debemos mencionar los retratos personalizados de los usuarios. Para cada tipo de entidad de datos, descomponemos aún más los posibles. Las dimensiones de datos fundamentados describen cada característica de AT y se reúnen para formar un retrato de la multitud.

01 Retrato de usuario

El retrato de usuario es un modelo de usuario etiquetado abstraído en función de los atributos sociales, hábitos de vida, comportamiento de consumo y otra información del usuario. En concreto, incluye las siguientes dimensiones:

Características fijas del usuario: género, edad, región, nivel educativo, fecha de nacimiento, ocupación, constelación

Características de interés del usuario: aficiones, uso de la aplicación, Sitio web, navegación/colección/contenido de comentarios, preferencias de marca, preferencias de productos

Características sociales del usuario: hábitos de vida, matrimonio y amor, preferencias de canales sociales/de información, creencias religiosas, composición familiar

Funciones de consumo del usuario: estado de ingresos, nivel de poder adquisitivo, tipo de producto, preferencias del canal de compra, frecuencia de compra

Características dinámicas del usuario: hora actual, demanda, hacia dónde se dirige, comerciantes circundantes, personas circundantes, cómo se producen las noticias Generar retratos precisos para los usuarios se divide aproximadamente en tres pasos.

1. Recopila y limpia datos: utiliza lo conocido para predecir lo desconocido

Primero, debes dominar las fuentes de datos complejas. Incluyendo datos de usuario, diversos datos de actividad, números de suscripción de correo electrónico, bases de datos en línea o fuera de línea e información de servicio al cliente, etc. Esta es una base de datos acumulativa; lo más básico aquí es cómo recopilar datos de comportamiento del usuario del sitio web/aplicación. Por ejemplo, cuando inicia sesión en un sitio web, su cookie siempre reside en el navegador. Cuando el usuario toca la acción, hace clic en la ubicación, el botón, los me gusta, los comentarios, los fans y la ruta de acceso, puede ser identificado y. registra todos los comportamientos de navegación y luego analiza continuamente las palabras clave y las páginas navegadas para analizar sus necesidades a corto plazo y sus intereses a largo plazo. También puedes analizar el círculo de amigos para obtener una imagen muy clara del trabajo, pasatiempos, educación, etc. de la otra persona. Esto es más completo y real que un formulario completado por un individuo.

Utilizamos datos conocidos para encontrar pistas y extraer materiales continuamente, lo que no solo puede consolidar a los miembros antiguos, sino también analizar clientes desconocidos y las necesidades para desarrollar aún más el mercado.

2. Agrupación de usuarios: etiquetado por categoría

El análisis descriptivo es el método de análisis y estadística más básico. La estadística descriptiva se divide en dos partes: descripción de datos y estadísticas de indicadores. Descripción de datos: se utiliza para describir la situación básica de los datos, incluido el número total de datos, el alcance y las fuentes de datos. Estadísticas de indicadores: Distribución de modelos, comparación e indicadores predictivos. A continuación se presentan algunos modelos matemáticos de minería de datos, como modelos de análisis de tasa de respuesta y modelos de preferencia de clientes. Este tipo de agrupación utiliza gráficos de elevación y métodos de puntuación para indicarle qué tipo de cliente tiene un mayor valor de contacto y conversión.

En la etapa de análisis, los datos se convertirán en un índice de impacto, que luego podrá utilizarse para un marketing de precisión "uno a uno". Por ejemplo, a un cliente nacido en la década de 1980 le gusta hacer un pedido de comestibles en un sitio web de alimentos frescos a las 10 a. m., ir a casa a cocinar a las 6 p. m. y comer comida japonesa cerca los fines de semana. Después de la recolección y conversión, algunas etiquetas. se generarán, incluidos "posteriores a los 80", "comida fresca", "cocina", "cocina japonesa", etc., todos se publican en los consumidores.

3. Formule estrategias: optimice y ajuste

Después de tener retratos de los usuarios, puede comprender claramente las necesidades en las operaciones reales, puede gestionar en profundidad las relaciones con los clientes e incluso encontrar personas que se difundan. Oportunidad. Por ejemplo, en el ejemplo anterior, si hay cupones de descuento para alimentos frescos y las últimas recomendaciones de restaurantes japoneses, los especialistas en marketing enviarán con precisión la información relevante adecuada para el producto al teléfono móvil del consumidor y enviarán información de recomendación para diferentes productos; al mismo tiempo, continuar pasando por la satisfacción A través de encuestas, confirmación del código de seguimiento, etc., podemos comprender todos los aspectos del comportamiento y las preferencias del cliente.

Además de la segmentación de clientes, los especialistas en marketing también observan las tasas de crecimiento y las tasas de éxito en diferentes etapas del tiempo, y las comparan antes y después para confirmar si la estrategia y la dirección general del negocio son correctas si los resultados no lo son; Bueno, qué estrategias se deben utilizar como respuesta. Repita prueba y error y ajuste el modelo para lograr una optimización cíclica.

El propósito de esta etapa es extraer valor, realizar un marketing preciso de acuerdo con las necesidades del cliente y, finalmente, realizar un seguimiento de la información de los comentarios de los clientes para completar la optimización de circuito cerrado.

Comenzamos con la integración e importación de datos, agregamos datos y realizamos análisis y extracción de datos. Todavía existen algunas diferencias entre el análisis de datos y la minería. El objetivo del análisis de datos es observar datos, estadísticas puras, y observar las razones del aumento y la caída de los KPI. La minería de datos estudia los datos desde una perspectiva sutil y de modelo, y descubre reglas de conocimiento a partir de conjuntos de aprendizaje y conjuntos de entrenamiento. Además de algunos de los software más comerciales, SAS y WEKA, que son potentes software de minería y análisis de datos, se recomiendan más R y Python. Aquí porque SAS y SPSS son más caros y es difícil crear API de nivel de servicio y de página, mientras que Python y R tienen bibliotecas ricas que pueden interactuar sin problemas con otras API y programas similares a los módulos WEKA. familiarizado con bases de datos, Hadoop, etc.

02 Segmentación de datos de audiencia

Se puede citar un ejemplo mencionado en el libro "Marketing disruptivo" Pensemos en una pregunta: si planea recopilar 200 cuestionarios válidos, según el. experiencia pasada, ¿cuántos cuestionarios necesita enviar para lograr este objetivo? ¿Cuánto presupuesto y tiempo se espera implementar?

El método anterior era el siguiente: para evaluar la tasa de respuesta de los cuestionarios online es de aproximadamente 5. Si quieres asegurarte de recibir 200 cuestionarios, debes tener 20 veces el volumen de envío, es decir, enviar Si se pueden reciclar en un mes, es un buen resultado.

Pero ahora es diferente. Tras 3 horas de realizar un análisis de big data, puedes lograr fácilmente los siguientes objetivos:

Seleccionar con precisión 1 cliente VIP

Enviar 390. cuestionarios y se recopilaron todos

Se recopilaron 35 cuestionarios dentro de las 3 horas posteriores al envío del cuestionario

El número de cuestionarios que excedió el número objetivo de 86 se recopiló dentro de los 5 días

El tiempo y el presupuesto requeridos son menos de 10 en el pasado

¿Cómo es posible recolectar 35 dentro de las 3 horas posteriores al envío del cuestionario? Esto se debe a que los datos logran una "personalización uno a uno" del tiempo de envío. Al utilizar los datos, podemos determinar cuándo es más probable que el Sr. A abra el correo electrónico y envíe el cuestionario en ese momento.

Por ejemplo, algunas personas abren correos electrónicos de camino al trabajo, pero si conducen, no tienen tiempo para completar las respuestas, mientras que las personas que toman el transporte público perderán su tiempo en el camino. para trabajar Si usa un teléfono móvil, la probabilidad de completar la respuesta es mayor. Estos son los beneficios de la segmentación de datos.

03 Previsión

La "pronóstico" le permite centrarse en un pequeño grupo de clientes, pero este grupo de clientes representa la mayoría de los compradores potenciales de un producto específico.

Cuando recopilamos y analizamos retratos de usuarios, se puede lograr un marketing de precisión. Esta es la aplicación más directa y valiosa. Los anunciantes pueden usar etiquetas de usuario para publicar anuncios para los usuarios a los que desean llegar. Además, pueden mostrar anuncios sociales, anuncios móviles y otros canales múltiples a través de los anuncios de búsqueda mencionados anteriormente. optimización de marketing que integra estrategia de marketing, análisis de marketing, optimización de marketing y sistemas back-end de CRM/cadena de suministro para mejorar integralmente el ROI.

Hablemos de los cambios en la era del marketing. La mayoría de las empresas tradicionales todavía se encuentran en la era del "Marketing 1.0", centrándose en productos para satisfacer las necesidades tradicionales de los consumidores, mientras entran en el "Marketing 2.0", centrándose en el valor de la sociedad. y la marca son misiones y no pueden satisfacer de manera completa y precisa las necesidades individuales. Al ingresar a la era de los datos del Marketing 3.0, debemos realizar coincidencias personalizadas para cada consumidor, realizar marketing uno a uno e incluso calcular con precisión la tasa de conversión de transacciones para mejorar el índice de retorno de la inversión.

El marketing bajo big data subvierte la clásica teoría del marketing de las 4P, Producto, Precio, Plaza, Promoción, y la reemplaza por las nuevas 4P, Personas, Desempeño, Proceso y Predicción. En la era del big data, los límites de la competencia geográfica fuera de línea hace tiempo que dejaron de existir. Lo que es más importante es la capacidad de predecir la próxima compra utilizando big data y a partir de los datos reales de las transacciones de los clientes. La palabra clave en la era del Marketing 3.0 es “predicción”.

El marketing predictivo te permite centrarte en un pequeño grupo de clientes que representa la mayoría de los compradores potenciales de un producto específico. Usando la imagen de arriba como ejemplo, podría orientar su campaña de marketing a 200.000 clientes potenciales o existentes, lo que incluiría a la mayoría de los compradores de un producto específico (40.000). También puede optimizar su gasto asignando parte de su presupuesto a atraer una base de clientes más pequeña (digamos, 20 clientes) en lugar de toda la base de clientes.

En el pasado, es posible que hayamos mirado los datos de forma pasiva, pero el marketing predictivo enfatiza el valor de la toma de decisiones, como el tiempo de compra. Lo que debes mirar no es su última fecha de compra, sino la fecha de su última compra. momento de su próxima compra, mirando hacia el futuro, la probabilidad de supervivencia y, finalmente, generar valor de vida del cliente (CLV). El marketing predictivo ha generado un nuevo enfoque de marketing basado en datos, cuyo núcleo es ayudar a las empresas a completar la transformación de centrarse en el producto o canal a centrarse en el cliente.

04 Recomendación precisa

El mayor valor de Big Data no es el análisis posterior, sino la predicción y la recomendación. Permítanme tomar como ejemplo el comercio electrónico. la forma en que el big data cambia la funcionalidad principal de la industria minorista. Por ejemplo, tomemos el sitio web de ropa Stitch Fix. En términos de mecanismo de recomendación personalizado, la mayoría de los sitios web de pedidos de ropa utilizan un modelo en el que los usuarios envían datos sobre la forma y el estilo del cuerpo y editan recomendaciones manuales. La diferencia con Stitch Fix es que también combina. Recomendaciones de algoritmos de máquina. Las proporciones corporales y los datos subjetivos proporcionados por estos clientes, además de la verificación cruzada de los registros de ventas, se utilizan para extraer el modelo de recomendación de ropa único de cada persona. Este marketing uno a uno es el mejor servicio.

La integración de datos ha cambiado la forma en que las empresas comercializan. Ahora la experiencia ya no se acumula en las personas, sino que depende completamente de los datos de comportamiento del consumidor para hacer recomendaciones. En el futuro, los vendedores ya no serán sólo vendedores, sino que podrán recomendar productos basándose en predicciones de datos profesionales e interacciones humanas, pasando a ser ventas consultivas.

05 Herramientas Técnicas

En cuanto a las capacidades técnicas del marketing predictivo, existen varias opciones:

1. Utilizar una plataforma de trabajo de análisis predictivo, y luego utilizar una. cierto método para introducir modelos en herramientas de gestión de campañas;

2. Subcontratar campañas predictivas basadas en análisis a proveedores de servicios de marketing

3. nube de marketing y herramientas de gestión de campañas multicanal.

Pero no importa qué camino tomes, debes determinar tres capacidades básicas:

1) Conectar datos de clientes de diferentes fuentes, incluso en línea y fuera de línea, y preparar datos para análisis predictivos;

2) Analizar los datos de los clientes, utilizar el sistema y modelos de predicción personalizados para realizar análisis avanzados;

3) En el momento adecuado, con el cliente adecuado, en el escenario adecuado, Es posible iniciar el comportamiento correcto de venta cruzada en diferentes sistemas de marketing.

06 Modelo de predicción

El estándar de la industria para predecir la probabilidad de compra del cliente es el modelo RFM (último consumo R, frecuencia de consumo F, cantidad de consumo M), pero la aplicación del modelo es limitado, y su esencia es un plan tentativo sin base estadística o predictiva. "El rendimiento pasado no garantiza el rendimiento futuro". RFM sólo se centra en el pasado y no compara el comportamiento actual de los clientes con el comportamiento actual de otros clientes. Esto hace que sea imposible identificar clientes de alto valor antes de comprar un producto.

El modelo de predicción en el que nos centramos es tener el mayor impacto en el valor del cliente en el menor tiempo. Aquí hay algunas otras referencias del modelo:

El modelo de propensión a la participación predice la posibilidad de que un cliente participe en una marca. La definición de participación puede ser diversa, como asistir a un evento, abrir un correo electrónico, hacer clic o. visitando una determinada página. La frecuencia de envío de EDM se puede determinar mediante modelos. Y hacer predicciones sobre tendencias, ya sea para aumentar o disminuir la actividad.

El modelo de billetera consiste en predecir el gasto máximo posible para cada cliente, que se define como el gasto anual máximo de un solo cliente para comprar un producto. Luego observe el modelo de crecimiento. Si el mercado objetivo total actual es relativamente pequeño, pero puede ser grande en el futuro, es necesario descubrir estos mercados.

El modelo de optimización de precios es una estructura que puede maximizar las ventas, las ventas o las ganancias. Utiliza el modelo de optimización de precios para establecer precios para cada cliente. Aquí debe desarrollar diferentes modelos para los productos que desea. Desarrollar un modelo general y predecible de sensibilidad al precio del cliente para determinar qué ofertas tienen el mayor impacto en los clientes.

Modelo de recomendación de palabras clave. El modelo de recomendación de palabras clave puede predecir el grado de agrado por un determinado contenido en función del comportamiento en línea y los registros de compra de un cliente, y predecir qué puntos calientes y productos populares le interesan al cliente. utilice esto Estas predicciones determinan temas de marketing de contenidos para clientes específicos.

Modelo de agregación predictiva, el modelo de agregación predictiva es para predecir en qué categoría caerá el cliente.

07Aplicación de IA en el campo del marketing

La inteligencia artificial fue particularmente popular el año pasado, especialmente el rápido progreso del aprendizaje profundo en visión artificial, reconocimiento de lenguaje e IA de juegos, por lo que la gente comenzó entrar en pánico por la inteligencia artificial: ¿Es posible hacerse cargo del trabajo humano? Personalmente tengo un gran interés por las nuevas tecnologías y soy muy optimista sobre la conexión entre las nuevas tecnologías, los datos y la realidad.

Me preguntaban "¿Tienes una tarjeta de compras" cuando pagaba en una tienda minorista en el extranjero? Cuando dije que no tenía una, el cajero rápidamente me aconsejaba que la activara. gratis Hay descuentos y solo necesito ingresar mi número de teléfono móvil y dirección de correo electrónico, y luego podrán realizar actividades de marketing basadas en mis registros de compras. La próxima vez que venga, me pedirán que les proporcione mi teléfono. número para identificación del consumidor En ese momento, pensé que sería más conveniente si se implementara el reconocimiento facial. Simplemente deslice su cara para pagar. Este escenario también se probó el año pasado. Ant Financial desarrolló un robot biométrico llamado Mark. Se dice que su capacidad de reconocimiento facial ha superado la capacidad del ojo humano. También está la compra en realidad virtual, Amazon Go, la tienda sin cajero lanzada por Amazon, que realiza la experiencia de compra a través de tecnologías como el reconocimiento de gestos, el Internet de las cosas y la posterior extracción de datos.

Para el campo del marketing, existen principalmente tres tecnologías de marketing predictivo:

1 Tecnología de aprendizaje no supervisado

La tecnología de aprendizaje no supervisado puede identificar patrones en los datos y también patrones ocultos. eliminar la necesidad de predecir explícitamente un resultado. Por ejemplo, descubrir grupos de interés entre un grupo de clientes, tal vez esquiar o correr largas distancias, generalmente se incluye en un algoritmo de agrupación para revelar los clientes potenciales reales en el conjunto de datos. La denominada agrupación consiste en descubrir automáticamente atributos importantes del cliente y clasificarlos en consecuencia.

2. Tecnología de aprendizaje supervisado

Entrene la máquina a través de casos, aprenda e identifique datos y obtenga resultados objetivo. Esto generalmente es una predicción dada los datos de entrada, como la predicción del ciclo de vida del cliente. valor, la probabilidad de que un cliente interactúe con la marca y realice una compra futura.

3. Tecnología de aprendizaje por refuerzo

Este método utiliza los patrones potenciales en los datos para predecir con precisión los mejores resultados de elección, como qué productos deben ofrecerse para su promoción a un determinado usuario. Esto es diferente del aprendizaje supervisado. El algoritmo de aprendizaje por refuerzo no requiere solo entrenamiento de entrada y salida. El proceso de aprendizaje se completa mediante prueba y error.

Desde una perspectiva técnica, el modelo de recomendación aplica modelos algorítmicos como el filtrado colaborativo y las redes bayesianas. Jeff Dean, líder del equipo de Google Brain, considera que el aprendizaje por refuerzo es una de las direcciones de investigación de IA más prometedoras. Recientemente, DeepMind, un equipo de inteligencia artificial de Google, publicó un artículo llamado "Aprender a reforzar el aprendizaje".

En palabras del equipo, se denomina capacidad de "aprender a aprender", o capacidad de generalizar para resolver problemas similares relacionados. Además del aprendizaje por refuerzo, también se incluye el aprendizaje por transferencia. Transferir aprendizaje consiste en transferir un modelo general a datos pequeños para personalizarlo y producir efectos en nuevos campos, similar a la inferencia y analogía de las personas.

El aprendizaje por refuerzo y el aprendizaje por transferencia también pueden utilizar datos pequeños. Creo que es muy interesante crear IA a través de la IA. Parte del trabajo de los científicos de datos también puede realizarse mediante máquinas.