數(shù)據(jù)挖掘在企業(yè)精準(zhǔn)營(yíng)銷服務(wù)的應(yīng)用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了數(shù)據(jù)挖掘在企業(yè)精準(zhǔn)營(yíng)銷服務(wù)的應(yīng)用范文，希望能給你帶來靈感和參考，敬請(qǐng)閱讀。

【摘要】企業(yè)精準(zhǔn)營(yíng)銷服務(wù)是在充分了解客戶的基礎(chǔ)上，針對(duì)客戶特點(diǎn)及需求，有針對(duì)性地進(jìn)行產(chǎn)品營(yíng)銷的行為。大數(shù)據(jù)時(shí)代數(shù)據(jù)呈現(xiàn)井噴式爆炸性增長(zhǎng)，不斷驅(qū)動(dòng)企業(yè)大數(shù)據(jù)精準(zhǔn)營(yíng)銷的應(yīng)用，數(shù)據(jù)挖掘成了企業(yè)從海量數(shù)據(jù)中獲取信息知識(shí)的必要技術(shù)手段。本文主要探討數(shù)據(jù)挖掘常見方法、挖掘過程及在企業(yè)精準(zhǔn)營(yíng)銷服務(wù)的應(yīng)用，以實(shí)際案例分析總結(jié)企業(yè)利用數(shù)據(jù)挖掘開展精準(zhǔn)營(yíng)銷工作更為合理的方法、流程。

【關(guān)鍵詞】數(shù)據(jù)挖掘；方法論；精準(zhǔn)營(yíng)銷服務(wù)；策略

一、引言

大數(shù)據(jù)時(shí)代的來臨，數(shù)據(jù)呈現(xiàn)井噴式爆炸性增長(zhǎng)。在海量數(shù)據(jù)中，隱藏著無數(shù)商業(yè)機(jī)會(huì)，但如何將大數(shù)據(jù)利用起來卻是一項(xiàng)艱巨的工作。在企業(yè)實(shí)施精準(zhǔn)營(yíng)銷服務(wù)過程中，面臨著客戶在哪？客戶有什么特征？客戶需要什么產(chǎn)品？如何進(jìn)行有效營(yíng)銷，提升客戶價(jià)值？我們?cè)跀?shù)據(jù)的海洋里淹死了，卻在知識(shí)的海洋里渴死了……而從龐大的數(shù)據(jù)中，借助合適的數(shù)據(jù)挖掘技術(shù)及工具，借助結(jié)合實(shí)際的數(shù)據(jù)挖掘方法，以客觀統(tǒng)計(jì)分析和挖掘算法挖掘出企業(yè)精準(zhǔn)營(yíng)銷服務(wù)的潛在目標(biāo)用戶、用戶特征，同時(shí)匹配合適的營(yíng)銷服務(wù)策略，可以顯著提升企業(yè)營(yíng)銷服務(wù)精準(zhǔn)度與成功率。

二、數(shù)據(jù)挖掘方法

數(shù)據(jù)挖掘工作本質(zhì)上是一個(gè)解決實(shí)際業(yè)務(wù)問題的過程，需要有系統(tǒng)、科學(xué)的數(shù)據(jù)挖掘方法論來指導(dǎo)。業(yè)內(nèi)主流的數(shù)據(jù)挖掘方法論有：歐盟機(jī)構(gòu)聯(lián)合起草的CRISP-DM、SAS公司提出的SEMMA。CRISP-DM將數(shù)據(jù)挖掘分為6個(gè)階段，即商業(yè)理解（Busi-nessunderstanding）、數(shù)據(jù)理解（Dataunderstanding）、數(shù)據(jù)準(zhǔn)備（Datapreparation）、建模（Modeling）、評(píng)估（Evaluation）、部署（Deployment）。而SEMMA將數(shù)據(jù)挖掘分為5個(gè)階段，即數(shù)據(jù)取樣（Sample）、數(shù)據(jù)特征探索、分析和預(yù)處理（Explore）、問題明確化、數(shù)據(jù)調(diào)整和技術(shù)選擇（Modify）、模型的研發(fā)、知識(shí)的發(fā)現(xiàn)（Model）、模型和知識(shí)的綜合解釋和評(píng)價(jià)（Assess）。從工作流程來看，CRISP-DM是從項(xiàng)目執(zhí)行角度談的方法論，更關(guān)注與商業(yè)目標(biāo)的結(jié)合，而SEMMA則是從具體數(shù)據(jù)探測(cè)和挖掘出發(fā)談的方法論，更關(guān)注數(shù)據(jù)探索的過程。但從具體工作內(nèi)容來看，CRISP-DM和SEMMA本質(zhì)上都是在數(shù)據(jù)挖掘應(yīng)用中提出問題、分析問題和解決問題的過程。因此，CRISP-DM和SEMMA互不矛盾，只是強(qiáng)調(diào)的重點(diǎn)不同而已。結(jié)合企業(yè)實(shí)施數(shù)據(jù)挖掘工作的實(shí)踐經(jīng)驗(yàn)，經(jīng)常采用PDMA數(shù)據(jù)挖掘方法。PDMA將數(shù)據(jù)挖掘分為4個(gè)階段，即定義業(yè)務(wù)問題（Problemdefinition）、數(shù)據(jù)準(zhǔn)備（DataPreparation）、模型構(gòu)建（ModelCreation）、模型應(yīng)用（ModelApplication）。與CRISP-DM、SEMMA等相比，PDMA類似CRISP-DM，但又有較大差異。首先，PDMA將CRISP-DM的數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備做了提煉與分解。PDMA的數(shù)據(jù)準(zhǔn)備是在滿足業(yè)務(wù)目標(biāo)的前提下，確定挖掘建模的數(shù)據(jù)范圍，并構(gòu)建生成寬表數(shù)據(jù)及核查數(shù)據(jù)準(zhǔn)確性。PDMA的模型構(gòu)建是在數(shù)據(jù)準(zhǔn)備后，從數(shù)據(jù)集中采集業(yè)務(wù)問題相關(guān)的樣本數(shù)據(jù)集，探索數(shù)據(jù)的規(guī)律和趨勢(shì)，針對(duì)數(shù)據(jù)建模的數(shù)據(jù)集數(shù)據(jù)進(jìn)行探索，選擇一種或幾種挖掘算法，進(jìn)行模型構(gòu)建及從技術(shù)和業(yè)務(wù)兩個(gè)角度進(jìn)行模型評(píng)估?？梢?，PDMA的數(shù)據(jù)準(zhǔn)備只負(fù)責(zé)建模挖掘?qū)挶頊?zhǔn)備，數(shù)據(jù)探索包括衍生變量的生成、選擇等部分?jǐn)?shù)據(jù)處理工作在模型構(gòu)建階段實(shí)現(xiàn)，各階段間的工作分工也更為清晰。其次，PDMA的模型應(yīng)用不僅僅是模型部署，還包括模型評(píng)分、模型監(jiān)控與維護(hù)，確保當(dāng)市場(chǎng)環(huán)境、用戶數(shù)據(jù)發(fā)生變化時(shí)，能及時(shí)判別在用的挖掘模型是否還有效、適用。對(duì)于不適用的挖掘模型及時(shí)調(diào)整優(yōu)化，實(shí)現(xiàn)模型閉環(huán)管理。同時(shí)，PDMA的模型應(yīng)用還強(qiáng)調(diào)模型輸出目標(biāo)用戶的細(xì)分，及與市場(chǎng)營(yíng)銷策略的匹配建議，幫助業(yè)務(wù)部門更好理解模型輸出及指導(dǎo)后續(xù)工作的開展。PDMA數(shù)據(jù)挖掘方法論是CRISP-DM、SEMMA等方法論的提煉優(yōu)化。

三、數(shù)據(jù)挖掘精準(zhǔn)營(yíng)銷應(yīng)用

隨著三大運(yùn)營(yíng)商全業(yè)務(wù)經(jīng)營(yíng)的迅猛發(fā)展，寬帶市場(chǎng)競(jìng)爭(zhēng)激烈、市場(chǎng)日益飽和，越發(fā)呈現(xiàn)價(jià)格戰(zhàn)的競(jìng)爭(zhēng)格局。借助大數(shù)據(jù)分析挖掘可精準(zhǔn)識(shí)別寬帶營(yíng)銷服務(wù)潛在目標(biāo)客戶及特征，從而實(shí)現(xiàn)營(yíng)銷服務(wù)有的放矢。

1、定義業(yè)務(wù)問題

（1）基于歷史數(shù)據(jù)挖掘過往寬帶營(yíng)銷服務(wù)客戶寬帶使用特征、消費(fèi)水平特征、上網(wǎng)偏好等，剖析營(yíng)銷服務(wù)用戶的主要特征和原因，輸出潛在目標(biāo)用戶清單。（2）在輸出潛在目標(biāo)用戶清單的基礎(chǔ)上，對(duì)目標(biāo)客戶進(jìn)一步深入挖掘分群，剖析出不同人群客戶的寬帶使用、消費(fèi)行為的典型特點(diǎn)，提出針對(duì)性營(yíng)銷服務(wù)策略。（3）針對(duì)輸出的潛在目標(biāo)用戶清單和分群制定具體的銷售策略，進(jìn)行派單執(zhí)行，跟蹤效果，做好下次模型迭代優(yōu)化。

2、數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)準(zhǔn)備是在滿足業(yè)務(wù)目標(biāo)前提下，確定數(shù)據(jù)建模的數(shù)據(jù)范圍，描述和檢查這些數(shù)據(jù)，并構(gòu)建建模寬表。針對(duì)寬帶用戶的行為特征，可以選取以下幾個(gè)數(shù)據(jù)維度：上網(wǎng)偏好維度、消費(fèi)行為維度、產(chǎn)品及終端結(jié)構(gòu)維度。其中，偏好類別數(shù)據(jù)主要利用DPI數(shù)據(jù)對(duì)用戶訪問的目標(biāo)URL地址，進(jìn)行多維度的統(tǒng)計(jì)計(jì)算后，得出的興趣類別標(biāo)簽。輸入模型的變量要根據(jù)不同區(qū)域和每次預(yù)測(cè)的數(shù)據(jù)源動(dòng)態(tài)調(diào)整。經(jīng)過數(shù)據(jù)清洗、整理、派生，最終確定模型輸入變量時(shí)，主要依據(jù)對(duì)于模型輸出結(jié)果的影響顯著性選擇。

3、模型構(gòu)建

模型構(gòu)建就是在數(shù)據(jù)準(zhǔn)備后，從數(shù)據(jù)集市中采集業(yè)務(wù)問題相關(guān)的樣本數(shù)據(jù)集，探索數(shù)據(jù)的規(guī)律和趨勢(shì)，針對(duì)數(shù)據(jù)建模的數(shù)據(jù)集數(shù)據(jù)進(jìn)行修正，選擇一種或幾種挖掘方法，進(jìn)行數(shù)據(jù)模型構(gòu)建，從技術(shù)和業(yè)務(wù)兩個(gè)層面進(jìn)行模型評(píng)估。通常情況下，主要以邏輯回歸和決策樹等作為建模主要方法，此類模型能輸出具體流失公式和規(guī)則。在進(jìn)行用戶分群時(shí)，主要以聚類模型為主要方法，尋找不同類型用戶特征，制定分群針對(duì)性維系策略。

4、模型應(yīng)用

在輸出潛在目標(biāo)用戶清單的基礎(chǔ)上，對(duì)目標(biāo)客戶進(jìn)行分群。根據(jù)數(shù)據(jù)挖掘模型結(jié)果，寬帶營(yíng)銷服務(wù)用戶可以分為以下5類：低需求型用戶、供給過剩型用戶、供給不足型用戶、長(zhǎng)期高需求型用戶、短期高需求型用戶?；诜秩汉蟮哪繕?biāo)用戶，可以針對(duì)性進(jìn)行營(yíng)銷服務(wù)策略匹配，如低需求型用戶可以采用寬帶資費(fèi)優(yōu)惠（如對(duì)上網(wǎng)少用戶采取特定的低資費(fèi)），供給不足型用戶可以采用加快低寬帶客戶向高帶寬的遷移政策。最后進(jìn)行派單執(zhí)行，跟蹤效果。

四、結(jié)束語

大數(shù)據(jù)時(shí)代，由于信息技術(shù)的應(yīng)用普及，產(chǎn)生了大量的數(shù)據(jù)，每年都以指數(shù)級(jí)速度增長(zhǎng)。數(shù)據(jù)量大導(dǎo)致數(shù)據(jù)應(yīng)用也會(huì)變得越來越困難，而借助合適的數(shù)據(jù)挖掘技術(shù)及工具，結(jié)合實(shí)際的數(shù)據(jù)挖掘方法，可以更加有效地提高數(shù)據(jù)的利用率，更深層次地挖掘出對(duì)企業(yè)精準(zhǔn)營(yíng)銷有價(jià)值的信息，實(shí)現(xiàn)對(duì)海量信息的掌控，讓企業(yè)實(shí)現(xiàn)更為精準(zhǔn)的營(yíng)銷服務(wù)。

作者：陳慶波 單位：中電福富信息科技有限公司