大数据营销的特征范文第1篇

[关键词] 特征规则 属性归纳 针对性营销

一、引言

很多推销员们总在抱怨虽然他们很热情，对产品也很熟悉，甚至说很专业，但是却总会被客户拒绝。其实造成这种局面的主要的原因是他们在制定营销策略时缺乏针对性！

针对性的好处就在于，它可以缩小受众群体，尽量对最有可能购买你产品或服务的人进行营销，这无疑会减少拒绝，提高成功率。

对历史销售数据进行深入分析是提高针对性的有效方法，本文将介绍一种基于特征规则挖掘的针对性营销方法。

二、征规则概述

特征规则是数据挖掘的一个重要内容, 它是指原始数据的一些描述规则,这些规则概括了数据集中不同概念的特征。面向属性的归纳学习方法是挖掘特征规则的一个重要手段。

三、向属性归纳方法及特征规则挖掘的算法步骤

面向属性的归纳算法挖掘特征规则是针对每一个概念进行挖掘的, 通过对概念正例集POS的概括归纳出概念的特征规则。对正例集POS的概括程度可以通过规定一个阀值β来进行控制, β的含义是将符合概念定义的数据划分为β类, 算法的任务就是从数据中挖掘出每一类数据的特征规则，β的大小是用户根据决策需要确定的。

特征规则挖掘的算法步骤如下：

输入：关系数据库DB ,条件属性的概念层次表H ,阀值β,概念的定义。

步骤一:：根据概念定义将相关数据汇聚到数据集POS 中,将数据集POS 中的所有条件属性存入集中集合A 中(即A为数据集POS 的条件属性集)。

步骤二：调用属性归纳算法模块。

步骤三：将经过概括的数据表转变为特征规则。

步骤四：特征规则有效性检验。

输出：规律性的描述（即特征规则）。

四、应用示例

了解各种汽车购买者的特征对指导汽车销售具有重要的决策参考价值。我们对今年购买家庭小汽车的消费者进行了抽样调查, 样本量为1000人, 并将调查数据存储在关系数据库中, 调查内容如表1所示。其中汽车品牌有吉利、马自达、奔驰等类型, 汽车配置有低配、中配、高配三种类型。年龄, 性别, 年薪等属性的概念树通过统计方法自动生成, 其他属性的概念树由专家进行定义。

经挖掘后得到的其中一例特征规则结果如下：

例： buy car =“mazda626”

sex = “male”and salary =“100000―200000”andown of house =“yes”andmarried =“yes”[60% ], [45% ]

or sex =“male”and salary =“200000―300000”andown of house =“yes” andmarried = ”yes”[25% ], [75% ]

or sex =“female”and salary =“150000―250000”and own of house =“no” andmarried = “no”[15% ], [65% ]

该特征规则表示如果将mazda626 汽车的买主划分为3类, 60%的mazda626汽车被年薪在100, 000元～200, 000元、拥有住房的已婚男士购买,但在本汽车市场中只有45% 的这类用户购买了mazda626 汽车. 式中[60%], [45%] 是对规则的定量描述, 从这一特征描述中, 决策者可以判断出: 这类买主是mazda626汽车的主要买主, 且这类用户群还有很大的开发潜力; 而规则中描述的第2, 3类用户群, 既不是主要用户也没有很大的开发潜力。利用特征规则, 决策者便可以作出一个正确的销售和广告宣传决策。

五、结论

特征规则挖掘方法不只在营销领域能发挥巨大作用，在其他领域的决策支持系统中同样具有广阔的应用前景。

参考文献：

大数据营销的特征范文第2篇

摘　要:服装销售人员常常根据消费者的外表特征来进行快速营销活动，以提高购买率。从数据挖掘技术的角度来探讨基于消费者外表印象的快速营销技术，以帮助营销人员快速寻找外表印象营销规则。介绍了决策树算法原理;其次，讨论了消费者外表印象评价指标体系，并根据该体系由销售人员在服装店铺里进行了消费者的外表及其行为数据采集;应用了计算实例来说明服装消费者的外表营销决策树分类模型;利用工具Clementine中的决策树方法来进行营销规则的挖掘。研究表明了该应用是切实可行的。

关键词:快速营销;服装供应链;决策树算法;数据挖掘;外表印象

0　引言

计算智能与数据库应用技术的快速发展，为企业的营销活动提供了新的手段，也带来了一些新的市场营销突破口。

近些年出现的客户关系管理( Customer RelationshipManagement，CRM)被企业整合进企业资源规划(EnterpriseResourse Planning，ERP)以及企业管理决策系统中，以求在这个个性化时代更好地服务客户，并留住客户[1-3]。数据库营销是一种靠收集客户特征信息以及消费习惯的技术，并希望通过应用计算智能模型来进行知识挖掘，以支持管理决策。

数据挖掘技术是数据库营销的技术基础，其原理大部分都离不开数理统计方法，例如:决策树、粗糙集、神经网络、CHAID等[4-6]，但也包括一些高性能的计算智能或者是混合体。数据挖掘技术近些年的应用集中在客户消费行为的信息处理[7-8]，例如根据Web的访问规律来判断其喜好特征，根据消费者的个人基本资料如收入、学历、家庭结构等来分析其购买力、信用等级等，或者是收集客户Cookies信息来推荐商品，或者通过收集和处理其关联的消费信息来规划营销方式。

从实际营销的角度来看，企业的销售人员最常遇到的问题是如何将所面临的对象进行分类。特别是服装销售人员，如何快速地确定面前的消费者类型，从而判断其与目标服装之间的吻合度，在有限的时间内采取有效的推荐，以促成交易，提高服装的购买率很重要。就服装销售而言，销售人员更需要一种能通过观察消费者显露在外的特征而可预知其行为的能力或技术，这样可大大提高销售效率。而现在研究的消费行为分类一般都是从消费者的心理着手[9]，或者是依赖消费内在条件[10]。从技术的角度来看，决策树是一种不错的分类方法[11]，简单有效，应用广泛。

本文将讨论服装销售的决策树算法模型，通过分析消费者外表特征印象与消费行为的关系，以期对消费者分类，指导营销，提高效率。

1　决策树算法原理

1. 1　决策树分类模型

决策树模型最早由Hunt提出，他将概念表示成“属性—值”形式。例如，对消费者的描述有多种属性:性别、年龄、打扮、发型和眼神等，属性的值域可表示为:1)属性(性别)={男，女};2)属性(年龄)= {儿童，少年，青年，中年，老年};3)属性(打扮)= {时髦，讲究，大众化，寒酸}。

概念学习系统(Concept Learning System， CLS)中的决策树节点就是决策属性，对应于待分类对象的属性，由某一节点引出的弧对应于这个属性的可能取值，叶节点对应于分类的结果。图1表示了一棵决策树。显然，决策树本身就对应着一种分类模式。

图1　一棵消费者外表属性构成的消费行为树要提高搜索树的效率，首先必须保证树是一棵理想、最优的决策树。为了提高效率，Quinlan提出了一种启发式搜索算法，称为ID3算法。它以信息熵和信息增益度为衡量标准，搜索原则是首先选择熵增益最大的节点。C4. 5、C5. 0算法对ID3进行了改进[12-13]。

1. 2　决策树ID3算法

ID3算法的基本步骤是:1)选择属性表AttrList = {A1， A2，…， Ai，…， An}，检测属性设为Ai;2)Ai的值域ValueType(Ai) = {V1，…，VS}的S个取值把训练实例集T分为S个子集，则T =∪Sk=1T(i)k;子集T(i)k中的所有实例的属性Ai的取值为Vk;3)T中实例分类结果组成class = {C1， C2，…， Cj，…，Cm}，Cj的实例数为ej，1≤j≤m，且∑mj=1ej=|T |， |T |表示训练实例集T的实例总数，实例分类结果为Cj的概率为Pj=ej/|T |;4)求取相对信息熵。

定义训练实例集T的实例信息量为式(1):I(T) =-∑mj=1PjlbPj=-∑mj=1ei|T |lbej|T |=-(∑mj=1ejlbej|T |) /|T |(1)定义子集T(i)k的实例平均信息量为式(2):I(T(i)k) =-(∑mj=1e(i)jlbe(i)j|Tik|) /|T(i)k|(2)子集实例数与实例总数关系如式(3):∑mj=1e(i)j=|T(i)k|(3)如果选择属性Ai作为检测属性来将训练实例集T分为S个子集后，可以由各实例子集的实例总信息量| T(i)k|·I(T(i)k)之和对实例集T的实例总数|T |的平均值来表示实例集T的实例平均信息量，相对信息熵由式(4)确定:I(T，Ai) =(∑sk=1|T(i)k|·I(T(i)k)) /|T |(4)5)搜索的启发式如式(5)，称为熵增益原理。

GI(T， Ai) = I(T) -I(T， Ai)(5)ID3选择信息量最大的属性Ai作为检测属性来划分实例集，达到分类的目的。

2　外表特征印象营销与决策树模型

现在企业人员想通过了解详细的个人隐私来掌握消费者消费行为规律的做法遇到了强大阻力，人们对市场调研已经构筑了一道道心理防线，而且研究人员无法避免受访者的应付行为。为了获得消费者在自然状态下的消费行为特征、对流行元素的感应规律，本文放弃了传统的调查研究法，而是通过营销人员对消费者外表特征的观察和评价，在自然状态下跟踪和记录消费者对指定款式服装的感应和行为变化;再利用决策树算法模型来建立客户印象类型与服装消费规则模型，并使用决策树挖掘工具进行实例分析。

2. 1　实验方法与步骤

在广州选择了一家大型商场，指定了一款新的针织时尚衫，从8月底秋季上市，由销售人员一直观察记录了3个多月。

观察记录内容包括2个表，销售人员在消费者走后，进行现场回忆，在1~2min内完成消费者的购物行为与外表特征记录工作。一个表是该款服装的销售日志，按时间与访问顺序记录每天访问的每个消费者行为类型，共分三种: a表示观察和咨询、b表示比划和试穿但没购买、c表示购买。另一个表是消费者的外表特征，包括:身高、体型、衣着打扮、气质等体现人的消费心理和习惯的因素。对这些可观察的外表特征进行了分类和索引。表1是消费者外表特征评价指标体系。销售人员只需要在消费者走后，进行现场回忆，就可在1~2min内完成消费者的外表特征记录工作。每张表对应一条日志记录。在本销售季节结束后，将数据输入到数据库中，然后根据决策树模型由研究人员进行数据处理。此方法称为消费者外表印象分析。

表1　消费者外表印象与消费行为评估指标体系指标选择项性别(I1) A:男; B:女年龄(I2)A: 12~17; B: 18~24;C: 25~34;D: 35~49;E: 50~64; F: 65岁以上身高(I3)A: 1. 4米以下; B: 1. 4~1. 5米;C: 1. 51~1. 6米;D: 1. 61~1. 7米;E: 1. 71~1. 8米; F: 1. 8米以上体型(I4) A:很瘦; B:比较瘦;C:匀称;D:比较丰满;E:很丰满衣裤(I5)A:高档; B:有点档次;C:大众化;D:比较低档; E:非常低档服饰(I6)A:非常精致; B:比较淡雅;C:大众化;D:比较有个性;E:非常独特打扮(I7)A:很合体; B:比较合体;C:大众化;D:比较有个性;E:非常独特发型(I8)A:很流行; B:有修饰、简洁;C:自然、普通;D:刻意、新潮;E:非常独特文化(I9)A:很有知识; B:比较知识;C:大众化;D:比较少文化;E:很少文化气质(I10) A:高贵; B:文雅;C:大众化;D:大方;E:急躁行动(I11)A:小心谨慎; B:有点保守;C:一般; D:比较随意;E:率直脸谱(I12) A:很有活力; B:阳光;C:一般;D:刻板;E:低沉眼神(I13)A:非常灵活; B:比较灵活;C:一般; D:比较专注;E:非常专注言谈(I14)A:喜欢交谈; B:能交谈;C:一般;D:少言语;E:沉默不语2. 2　数据预处理表2和表3是指定的女式长袖针织时尚衫的消费者消费行为统计表，销售季节为8月底到12月初，其5折价为250元。厂家给此产品的定位为25~34岁、温柔典雅型、中等收入的白领女性。

表2　各特征各类别分布情况

特征A B C D E F总计性别3 402— — — —405年龄9 65 220 82 17 12 405体型6 105 180 102 12—405衣裤20 143 215 27 0—405服饰12 159 177 54 3—405打扮37 156 182 30 0—405发型15 165 198 24 3—405文化8 222 148 27 0—405气质0 107 187 98 11—405行动15 66 165 144 15—405脸谱42 69 243 15 36—405眼神15 126 174 81 9—405言谈30 150 183 31 11—405表3　各特征各类别的购买分布情况特征A B C D E F总计性别3 78— — — —81年龄3 12 42 15 6 3 81体型0 24 39 15 3—81衣裤0 33 43 5 0—81服饰0 24 49 8 0—81打扮3 36 36 6 0—81发型0 24 51 6 0—81文化0 39 39 3 0—81气质0 21 36 24 0—81行动7 16 32 17 0—81脸谱7 18 44 10 2—81眼神0 24 41 13 3—81言谈7 29 34 13 0—81实验中共记录了405位女性的特征，未排除重复访问的女性。表2为消费者特征分布表，表3为对应的购买情况分布表。405条消费行为记录中购买记录有81条，其他为未购买记录。

2. 3　决策树模型与分类实例

经过上面的数据预处理后，可以利用信息熵来分析厂商产品营销定位是否准确，也可通过最后规则的建立来为销售人员提供推销策略，以集中精力对付那些犹豫不决的人。下面分别给出面向“性别、年龄和打扮”的信息熵增益情形。可以看出，性别的增益最大，这说明，厂商首先必须按“性别”进行分类，其次是“年龄”，然后是“打扮”。这说明厂商的分类基本上是正确的。这样可得到一条营销规则:如果对象为女性，其年龄为25~34岁，打扮合体，则可能会购买该服装。通常推销人员会根据厂商的指导意见来进行营销，但是还需要加入更多的元素。推销人员可进一步根据上面的分类方法来进行分类，包括发型、气质与眼神等特征，从而可锁定对象，重点应对，在有限时间内推销给更多合适的顾客，提高购买率(目前统计的结果未超过20% )。

分类属性信息量与增益(“消费行为”信息总量I0=1.28750)如下。

1)基于“性别”的分类:“性别”A的信息量IA= 0;“性别”B的信息量IB= 1. 274 31;“性别”平均信息量I=1. 26487;“性别”信息增益GI = I0-I= 0. 02263;2)基于“年龄”的分类:“年龄”A的信息量IA=0. 918296;“年龄”B的信息量IB= 1. 494919;“年龄”C的信息量IC= 1. 249884;“年龄”D的信息量ID= 1. 486566;“年龄”E的信息量IE= 1. 584963;“年龄”平均信息量I= 1. 5;“年龄”信息增益GI = I0-I= 0. 2125;3)基于“打扮”的分类:“打扮”A的信息量IA=1.29574;“打扮”B的信息量IB= 1. 54302;“打扮”C的信息量IC=1.39605;“打扮”D的信息量ID= 1. 485 48;“打扮”平均信息量I= 1.44963;“打扮”信息增益GI = I0-I=0.16213。

3　服装消费的外表印象决策树挖掘实例

第2章中的分类过程计算繁琐，在大数据量情况下，必须借助于计算机技术。决策树的程序化实现也比较简单，目前各大数据库提供商如微软提供的AnalysisManager(数据分析与联机分析器)里有决策树工具， SPSS提供的强大的数据挖掘软件Clementine也有决策树工具。本研究利用Clementine10. 1来进行基于消费者外表印象特征的消费行为挖掘，并给出分析结果。Clementine中的决策树算法C5. 0可生成树图和规则集。

图2　试穿行为规则集

分析结果显示了31条规则，包括只看或询问(a)、比划和试穿(b)、购买(c)等三种行为的分类规则。每一类规则包含若干子规则。图2显示了分析后生成有3类规则集， a类行为规则包含14个子规则， b类行为规则包含9个子规则， c类行为规则包含8个子规则。

下面给出a类行为规则的

14个子规则。a类行为是“非购买”行为，只询问或查看，营销人员无需对这部分人群分出注意力。

基于顾客印象的“非购买”规则集如下:Rule 1: if I1=B∩I5=B∩I7=A then action=aRule 2: if I8=C∩I12=A∩I13=B then action=aRule 3: if I9=A∩I11=C then action=aRule 4: if I2=C∩I11=D∩I14=E then action=aRule 5: if I2=C∩I8=B∩I11=D∩I13=E then action=aRule 6: if I2=E∩I8=B then action=aRule 7: if I8=E then action=aRule 8: if I2=C∩I4=C∩I8=B then action=a…c类行为是“购买”行为，这部分来到店铺基本上有购买意向，取决于服装对其吸引力。营销人员的主要任务是培养其忠诚度。

基于顾客印象的“购买”规则集如下:Rule 1: if I8=B∩I12=A then action=cRule 2: if I4=C∩I6=C∩I12=C∩I14=B then action=cRule 3: if I2=C∩I11=A then action=cRule 4: if I8=B∩I13=D then action=cRule 5: if I8=C∩I14=A then action=cRule 6: if I2=B∩I14=D∩I8=B then action=cRule 7: if I2=D∩I7=B∩I8=B∩I11=D then action=cRule 8: if I8=C∩I12=D then action=c对于营销人员来说，最重要也最需要花时间精力应对的就是b类用户，这部分用户中有部分人有购买倾向，因此，营销人员必须采用适当的手段，包括:价格或促销性优惠、重点推荐、说服与对比以及其他策略。这些方法的应用必须根据具体的消费者特征来实施。图2是对比划、试穿行为规则的展开，显示了4条规则。例如:规则3表示如果客户的年龄在24~35岁，体型匀称，而服饰比较淡雅，能交谈，但行动比较随便，则客户的行为通常是比划或试穿，不购买。比划或试穿这说明客户有需求意向，但最后未买。原因可能是价格问题，也可能是一些服装特征如尺码、款式风格、细节部件或者颜色等不符合消费者需求，如果是尺码问题回旋余地小，但其他问题应该可能得到解决。

从数据挖掘的结果来看，对于该款服装的分类应该从性别、年龄着手，然后是打扮、言谈、脸谱，这说明厂商的分类大范围内是恰当的，而销售商还需要进一步细分才能提高销售效率。

4　结语

建立这种消费行为与客户外表特征印象关联模型的好处是为营销人员提供一些经验规则，以指导销售人员在有限的时间内把握客户，把b型客户尽量转化为c型客户，从而创造更大的销售量，供应链的上游成员也可因此获得更大的订单而获利。从另一个角度来说，生产商可根据消费群体的喜好特征、群体密度来开发有针对性的产品，从而帮助实现小批量生产、个性化地开展快速营销活动。决策树算法的数据挖掘技术，计算速度快，实现起来比较容易，而且现在很多的数据库厂商的产品中都提供了这种功能，容易为一般操作人员使用。要嵌入到自己的小商业系统中，则需自己建立挖掘模型。

未来的工作是将服装按性别、年龄、款型分类，然后进行实地跟踪和观察，集中进行规则挖掘，构成服装消费者的外表特征印象与消费行为关联规则库，指导销售人员的营销。

参考文献

[1]　许多顶.网络数据库营销[J].商业研究， 2002(18): 121-123.

[2]　唐晓宇.个性化消费需求下的网络数据库营销的竞争优势[J].

商业研究， 2002(4): 94-95.

[3]　欧阳钟辉，王欢.客户关系管理与数据库营销体系[J].统计与决策， 2008(18): 165-167.

[4]　LI S T， SHUE L Y， LEE S F. Business intelligence approach tosupporting strategy-making of ISP service management[J]. ExpertSystem withApplication， 2008， 35(3): 739-754.

[5]　APTE C， WEISS SM. Dataminingwith decision trees and decisionrules[J]. FutureGeneration ComputerSystems， 1997， 13(2): 197-210.

[6]　何田中，程从从.基于Rough集的规则抽取技术[J].南昌大学学报:工科版. 2007， 29(1): 91-94.

[7]　罗后平.数据挖掘在市场营销中的应用[J].商业研究， 2003(23): 143-14.

[8]　WENW. A knowledge-based intelligentelectronic commerce systemfor selling agricultural products[J]. Computers and Electronics inAgriculture， 2007， 57(1): 33-46.

[9]　张红霞，黄建军.消费者个人特征对其超市购买频率的影响[J].商业研究， 2005(13): 35-41.

[10]　王国顺，权明富，李小文.基于客户消费行为细分的营销决策分析[J].南开管理评论， 2005， 8(1): 52-56.

[11]　SAFAVIAN SR， LANDGREBE D. A survey ofdecision tree classi-fiermethodology[J]. IEEE Transactionson System， Man andCyber-netics， 1998， 22(5 /6): 660-674.

大数据营销的特征范文第3篇

关键词：客户数据库 信息 利用

为什么要建立客户数据库

管理学大师彼得・德鲁克曾说过，商业的惟一目的就是创造消费者。在今天这样一个技术先进、产品丰富、收入提高的时代，顾客无疑具有重要的发言权，谁了解顾客，谁拥有顾客，谁留住顾客，谁就是最大的赢家，从生产观念到营销观念到社会营销观念，新的营销观念越来越人性化，越来越体现对人的关心和关怀，营销手段也越来越多样化，从各种各样的促销手段到忠诚营销计划到一对一营销，越来越重视与顾客建立更有价值的关系，客户关系管理（CRM）也越来越受到众商家的追捧，成为企业重新建立竞争优势的一件法宝。对于国内企业来说，刚刚开始从计划经济转向市场经济，就遭遇到了入世带来的激烈竞争，我们的营销观念、营销手段、资源的利用都还处于比较初级的阶段，因此，面对这样的形势，必须从基础抓起，将一些工作做的更深入更细致，才能提高我们的经营水平和效益。

我国的企业存在的普遍和突出的问题是粗放经营，对问题了解的不深、不透，决策停留在经验的水平上，对信息的价值认识不足。比如，对顾客的需求和特征，产品的流向以及企业收入的构成等缺乏足够的认识和把握，基本处于坐等顾客登门的状态，缺乏对有价值的顾客的有效沟通和互动，缺乏对信息资源的充分利用，企业的各种统计报表只是提供了一堆杂乱无章的数据，并没有形成信息，更不用说上升为指导企业开展经营活动的智慧了。因此，从最基本的管理客户数据开始，作些基础工作，是开展数据库营销、一对一营销、客户关系管理，充分挖掘隐藏在数据背后的关系，改善营销活动的重要基础。我们的企业提高经营活动的水平，首先应该从管理好客户数据开始，因此，建立好客户数据库是非常重要的。

如何建立客户数据库

客户就是曾经购买或可能购买企业产品或服务的人，因此客户包括实际的客户和潜在的客户，客户数据库也分成两个层次，包括实际客户数据库和潜在客户数据库。数据库就是关于企业及其顾客关系所有信息的中心存储库。数据库从本质上讲就是一张关系数据表，在此之上记载着有相互联系的一组信息，反映个体的不同属性与特征，数据库是由一条条记录所构成，每一条记录反映一个个体的特征，比如，有以下一条记录：

该记录反映了这一顾客的基本情况，包括人口统计特征、行为特征（购买行为）以及生活观念（兴趣爱好）等信息。许多条记录连在一起就是一个基本的数据库，另外通过一些关键的字段（如顾客姓名、编号）等，还可以将一个数据库和另外一个数据库联系起来，达到信息相互调用的目的。

为了提高数据库管理的效率，往往建立一组数据库，每一个数据库反映一组相关的信息，例如建立反映客户基本情况的数据库，反映客户行为的数据库，反映客户态度的数据库等，数据库之间通过关键字段相联系。总之，客户数据库就是和客户有关的各种信息的集合，通过数据库的建立，可以全面记录与反映客户的特征，从而为企业更好地了解客户、与客户沟通、分类管理等提供信息支持。

对一个企业而言，如果开始认识到建立客户数据库的重要性，那么如何建立客户数据库呢？假设是一家生产女性护肤品的企业，它的实际和潜在客户是20―40岁的中青年女性，它的产品是通过传统的销售渠道进行，比方说是通过专门的化妆品商店或者是商场里的化妆品柜台、或者是超级市场的化妆品货架来销售，对企业来讲，其销售要经过中间商来进行，因此，企业并没有直接接触最终的消费者，对企业而言，一级客户是与企业直接打交道的批发商，二级客户是从批发商处进货的各级中间商，三级客户才是最终的真正意义上的客户。企业的各类客户资源都应该很好地规划和利用，我们重点探讨最终客户数据库的建立与信息资源的利用问题，对其它层次的客户也基本适用。客户数据库的建立，既有技术问题，也有管理问题，还会涉及到企业经营战略的变化和内部机构以及工作过程的重新设计，所以，客户数据库的建立，必须得到企业高层管理的高度重视，并投入足够的资源，客户数据库建设的早期，投入的资源要远远大于其产生的收益，因此，使企业管理层认识到这一点对于工作的顺利进行至关重要。客户数据库建立的工作过程如下：

在客户数据库建设过程中，客户数据的获取是一个重要而困难的问题，制定好数据获取战略就非常重要，当企业设计数据获取战略时，除了要解决获取什么样的数据和利用什么技术去获取这些数据等问题外，还必须注意两个关键性的问题：确保企业员工能够接受并执行这些战略，并就数据获取的问题向顾客做出解释。可以通过以下方法获取顾客数据：建立客户俱乐部，吸收俱乐部会员，来获取客户的一些基本数据；推出消费积分计划，按购买情况积分，并给予一定的奖励和优惠，前提是得到客户的基本数据；发行忠诚卡，获取客户数据；派出代表与顾客进行沟通，获取客户数据；开展市场调查活动，获取实际的或潜在的客户数据；通过中间商或合作伙伴获取部分客户数据；通过互联网上的调查、互动等获取客户数据；其它与客户接触的机会获取客户数据。在所有这些获取数据的过程中，企业要向客户解释数据的用途并承诺承担保密的责任，并使客户看到一些实际的利益，取得客户的信任和好感，避免由于数据收集工作打扰客户，特别是避免由于数据的不当使用可能带来的纠纷影响企业的形象，考虑隐私保护并充分遵守有关隐私保护的法律、法规是数据获取时的重要考虑因素。客户数据主要包括客户基本信息（人口统计特征）、购买行为特征以及生活方式和生活态度等特征。

如何利用客户数据库

客户数据库本身并不直接带来收益，客户数据库价值的大小，取决于如何充分利用客户数据库提供的信息资源，开展提升企业价值的营销和管理活动。客户数据库包括了客户人口统计和购买行为、生活观念等数据，因此可以利用这些数据分析客户的不同需要与特征，从而为市场细分、产品定位、开展个性化营销等提供信息支持。利用客户数据库以及与其相关的销售数据库，可以做以下基本的分析：

市场细分研究

现代营销的核心就是细分、定位与目标市场选择，只有深入的了解顾客的需要，才能更好地满足其需要。市场细分是企业进行营销的基础，市场细分就是根据顾客对市场营销组合的不同反应将顾客或潜在顾客分成几个不同的群体，在同一群体内部的个体间有较强的共性，在不同群体间则差异性较明显，企业就可以根据不同的顾客群体制定不同的定位或营销组合。利用客户数据库，可以进行市场细分的研究，主要的技术手段是聚类分析，可以按照人口统计特征、行为特征和态度等进行聚类。

将现有顾客分类

分类是研究问题的基本方法，市场细分本质上就是一种分类。另外，我们还可以根据顾客的购买行为对顾客进行分类，可以分为交易顾客和关系顾客，交易顾客是那些只关心商品价格的顾客，他们对价格比较敏感，缺乏对某一企业的忠诚度，在品牌之间变化较大。关系顾客是那些对购买地点和品牌的其他因素比较看重，具有较高忠诚度的顾客。进一步还可以按照顾客对销售额和利润的贡献进行分类，一类顾客占销售额的10%左右，却占接近一半左右利润的顾客，一类顾客是占销售额的40%-50%，占利润的40%-50%，另外一类顾客是占销售额的40%左右，但利润却很少，对不同的顾客应采取不同的营销策略和政策。

联合分析（交叉销售分析）

联合分析或交叉销售分析就是根据现有的客户数据库的有关顾客购买行为的信息，分析在销售活动中一起发生的事情，就像我们经常所说的那样：“男人买尿布时会捎带买瓶啤酒”。通过交叉分析，可以为零售商进货和组织商品的组合提供帮助，也可以更好地了解不同顾客的需求，从而更好地满足其需要。

鉴别分析（判别分析）

就是根据顾客的分类情况和其他数据，通过多元统计分析技术，建立并估计鉴别函数。得到鉴别函数后，根据一个新顾客的有关测量信息（如收入，每月的消费等）来预测这个顾客可能属于那一类顾客（如交易顾客或关系顾客等），鉴别分析可以使我们根据一些指标来鉴别顾客的类型，使我们更好地预测或掌握顾客的需求，依靠鉴别分析，可以大大提高预测的准确性。如美国的Fair公司利用鉴别分析可以有效地判别什么样的顾客会及时付款，什么样的顾客会拖欠，什么样的顾客会赖帐，美国联邦政府也利用鉴别分析技术来预测那些公司可能会逃税。

除了上述分析，还可以根据需要进行各种分析，满足不同决策对信息的需要。

客户数据库建立的困难及注意的问题

建立客户数据库，技术上没有什么障碍，最大的困难来自于高层的认识不足和重视不够，以及员工对于建设客户数据的认同和配合，其次，由于涉及到保护个人隐私等敏感问题，收集客户数据也比较困难，再就是企业是否有足够的人力和物力资源用于早期的投入，最后是企业基础工作以及对信息的利用能力方面的条件。如果这些问题都能够很好地解决，从长远来看，建立客户数据库还是很有价值的。因此，在推动企业作好客户数据库建立以及充分利用信息资源的时候，应注意解决以下问题：使高层管理者认识到建立客户数据库的必要性；使高层管理者认识到客户数据库的价值以及需要的早期投入；使高层管理者认识到客户数据库建设与企业工作调整的关系；准备进行数据库建设的技术和管理人才；成立负责数据库建设、维护、信息开发的机构，明确工作任务和目标；搞好与外部合作伙伴的关系，取得必要的配合；制定工作计划，逐步实施，不断完善。

总之，建立客户数据库是一个很复杂的工作，需要很好地规划与实施，特别是信息资源的利用，更要结合企业的实际情况进行，充分发挥信息分析在帮助决策中的作用，并处理好定性分析与定量分析的关系，通过对客户数据库提供资源的利用，来丰富企业营销知识，提高营销水平，为企业发展做贡献。

参考资料：

1. 菲利普・科特勒，市场营销管理：亚洲版[M]，北京：中国人民大学出版社，1997

大数据营销的特征范文第4篇

计算机技术的发展和互联网时代的到来，使人们越来越熟悉如电子商务和网络营销等字眼与服务，而随着人们在互联网上花费时间的增多，一些遗留在互联网上的数据通过计算被追踪与处理，并成为了企业营销中的主要分析数据，而随着海量数据的出现，大数据这一概念的出现也逐渐被国内外企业所接受和运用。大数据的主要特征在于“4V”，即数据量大、类型复杂、价值密度低和实效高四种。企业合理手机消费者行为数据并将其归纳为大数据进行分析，能够更为快速的了解消费者的生活方式与消费状态，同时也有助于企业更快的研发出更为贴合消费者心理的营销策略。大数据在市场营销中已然成为了主要的方式。此外，客户数据的海量性和有效性能够帮助企业更好的寻找产品发展新方向。大数据的出现对于企业，尤其是电力营销战略的制定将会具有极其重要的促进意义。

二、大数据在电力营销中的应用策略

大数据时代正在逐渐崭露头角，企业要想顺应时代的变化获得新的发展，就必须对营销体系进行重构，若能够通过大数据资源开展电力营销，必然会产生极大的市场价值。

1通过消费者视角，分析潜在需求行为大数据的特征表现在海量化的数据上，企业要想获得更为精确的信息，就需要通过大数据的分析来寻找顾客的潜在需求。因此，电力营销企业要想做好营销体系的构建，扩大企业经济市场，就要制定好多种方案，在大数据中寻找潜在的客户需求，学会通过客户的视角，对客户的消费行为进行行为与特征分析，从而进一步提高客户满意度，最大化的打开企业知名度。

2精准定位消费群体，开展个性化营销大数据能够为电力营销提供海量的数据信息，让企业能够在追求精准化的同时准确定位自身营销方式，从而划分出消费群体，打造个性化营销。随着社会经济的发展，电力营销企业开始越来越重视营销的精准化，而大数据的出现在一定程度上改变了产品的质量，导致消费者市场也出现变化。消费者市场的划分需要通过大数据进行主要原因自傲与企业所面临的是个体消费者，而不是群体消费，这样一来，个性化的营销必然会成为电力企业的营销主体。

3拓展营销新市场，制定产品新战略大数据是营销策略制定的基础和依据，这对于市场和业务的开拓也具有重要的意义。如腾讯游戏的研发，往往是通过大数据来进行精确地分析，从而使其能够领先于其他手游行业，牢固自己的经济市场地位。运用大数据分析数据，开拓新市场、新业务也是当今时代电力企业营销发展的必然趋势。要想做到领先同行企业，牢固自身市场地位，就需要在产品研发前期深入分析和研发大数据，制定更为符合客户个性化需求的产品战略，并进一步确定产品营销渠道，拓宽产品领域。

4依靠互联网技术，合作开展大数据营销随着互联网营销的兴起，互联网行业将绝大部分的精力都放在了大数据的应用上，大数据的应用也逐渐成为了营销的主要手段。大数据从狭义来看是人们通过互联网的使用而产生的数据，互联网行业拥有者手握最大的数据源，如阿里巴巴、百度和微博等等，其搜索引起联合线下进行，已经覆盖了人们绝大部分的生活。而电力营销要想得到进一步的发展，就要挤入互联网行业中，进行大数据营销。除了在自身领域建立数据资源优势以外，还可以通过业务延伸来实现多元化的发展。

三、结语

大数据营销的特征范文第5篇

关键词：大数据技术；对公业务营销

中图分类号：F274 文献标识码：A 文章编号：1003-9031（2016）03-0070-04 DOI：10.3969/j.issn.1003-9031.2016.03.15

当今时代，以移动互联网、云计算技术、搜索引擎为代表的新一代信息技术全面渗入金融行业，对金融业态产生重要影响。同时，伴随网络技术的发展，数据渗透到了每一个行业，“大数据”应运而生，已成为重要的生产要素。对最早实现数字化交易的银行业来说，大数据能反映银行产品管理的综合信息，也隐藏着产品相关的客户行为模式，有助于实现基于客户行为的产品营销管理。

一、大数据技术概况

大数据尚未有统一的概念，目前采用较多的是麦肯锡咨询公司的定义，大数据是“规模大到传统的数据库软件工具已经无法采集、存储、管理和分析的数据集”，且大数据具有“4V”的特点，即数据量大（Volume）、数据种类繁多（Variety）、数据更新快（Velocity）、数据具有极大的价值（Value）[1]。IDC的报告预测未来5年中国的数据量将以51.4%的速度增长[2]。数据作为一种信息，记录了企业所有的产品信息，并能更精确、更客观地展现客户需求，具有重大的商业价值[3]。基于大数据技术的各种商业创新，会使得未来的营销活动以更贴近消费者需求方式以及在更为合理的时间实施，取得更好的效果[4]。

现有的大数据分析挖掘的方法有很多，常用的有如下几种。

1.关联分析法。这是最常见的大数据分析方法之一，指的是从现有的数据库中找出特定序列的数据在特定事件中存在的数据关联性。确定关联规则是关联分析法的重要基础，不同关联规则的设定会产生不同的关联结果。该方法主要用于发现某一事件中不同数据是否存在关联性，如产品间的内在关联性。

2.序列分析法。序列分析法与关联分析法规则类似，但寻找的是某一事件中数据之间在时间上的关联性。加入了时间序列，使得分析结果更具动态性和延续性。这种分析法对于发现潜在用户具有明显作用，能够广泛应用到金融、医疗、工程等领域的企业中。

3.分类和预测分析法。实际上是两个过程，第一步是确定模型描述，针对指定的数据类型和概念集进行分类划分，第二步是使用这种分类基于模型进行预测分析。这一类分析方法主要用于挖掘隐藏在数据背后的消费者特定的消费习惯，并预测其后续的可能行为。

4.聚类分析法。聚类分析法能够将数据库内数据特征未知的信息进行相似性最大化处理，帮助企业了解哪些是较为典型性的用户，哪些是忠实用户，哪些是流失用户等，从而有助于企业根据不同用户的消费特征制定不同的营销策略。

二、大数据技术在商业银行的应用现状

国内的金融行业，尤其是银行业，大数据的应用尚处于起步阶段，远远落后于互联网行业。但金融行业实现数字化交易以来，沉淀了大量的用户数据，是较为适合大数据分析的行业。银行业的数据分析尚处于从数据碎片化到数据整合时代的过渡阶段。现阶段，大数据技术在商业银行的应用主要集中在风险控制和零售业务，主要有三种模式。

首先，基于网上交易流水的数据挖掘。银行与电商合作，直接接触电商平台、支付平台上的大量卖家和买家，并通过交易流、信息流、资金流覆盖其产业链上的生产、物流、消费等多个环节。基于此，银行借助成熟的数据分析技术，实施风险控制和拓展营销。如工商银行“易融通”会自动处理客户信息，选取客户融资需求量、还款资金来源及其可靠性等因素作为贷款额度指标，在线批量审批与发放贷款。招商银行与敦煌网共同推出的“敦煌网生意一卡通”客户信息共享，为小微企业提供融资、结算、理财一体化的金融服务。

其次，基于第三方系统的征信数据挖掘。这一类数据主要包括人行征信、工商、税务、电力、房管局、车管所、社保、海关等政府数据，学历、购物、支付、物流等社会征信数据以及各大金融机构的金融数据等。这些数据使得银行能更加全面判断企业客户的属性和资质，更有针对性地根据其综合情况实施精准营销。如平安银行在接入平安保险、平安租赁等集团子公司数据的同时，辅之以政府公共数据，全面分析客户情况并据此营销。

最后，基于POS流水的数据应用。商业银行依托在线贷款业务平台系统，对客户进行综合信用评价，向符合贷款条件的POS商户，以其一定期限内的POS结算流入量为授信额度的依据，在线发放用于生产经营的信用贷款。已有的POS流水数据应用有招商银行和通联支付合作的流水贷、中信银行和银联商务合作的网络商户贷款业务，浦发银行和通联支付合作的流水贷业务等。

除了基于行内数据进行挖掘分析外，国内许多商业银行还与专业第三方公司合作，争取顺应大数据潮流，进一步加快应用大数据的步伐。如平安银行与SPSS公司合作，进行消费贷产品的大数据营销管理；宁波银行利用客户购买某项产品大数据分析结果挖掘潜在客户。这些探索为商业银行拥抱大数据技术，利用大数据技术转变营销理念和营销方法提供了很好的借鉴。

随着云计算、物联网等新型信息技术的发展和跨渠道跨终端的整合，银行的大数据将日渐完善。产品的客观数据与客户信息也将有效结合，形成完整的“产品――用户”数据库，用于银行各类产品的规模化和定制化综合推介，尤其是对于具有复杂的金融产品综合运用需求的对公客户来说，大数据的应用将是一片蓝海。

三、大数据技术在对公业务营销中的应用方案

对公客户是商业银行的主要利润来源之一，且该类客户沉淀了大量复杂的数据，将大数据技术应用于对公客户服务和对公产品营销具有重要意义。基于大数据技术的营销管理是一项系统性工程，需循序渐进，最终形成一套成熟体系。张湛梅等提出一套针对移动互联网的大数据营销体系“PDMA”，主要包括认知客户（perceive）、挖掘需求（data-mining）、精准营销（marketing）、营销评估（assessment），构成一个闭环体系[5]。基于“PDMA”的框架能很好地建立银行产品和客户两个维度。结合客户属性进行产品大数据分析，才能以更符合客户偏好和需求的方式实施产品营销，并对营销的效果进行事后评估，以持续改进。本文以“PDMA”为框架，系统阐述商业银行借助大数据技术进行对公产品营销管理的应用方案。

（一）P――认知客户行为

对公客户与零售客户有本质的区别，客户的金融需求复杂，且更加个性化多样化。在银行进行大数据分析之前，应当对对公客户有一个全面认识，并结合客户情况认知银行对公产品现状。认知企业客户行为可以从三个方面着手。

1.基于客户属性建立客户特征库。客户特征库包括银行数据库中的所有对公客户相关字段，可以对客户的自身属性、所在地区、财务状况、与银行合作紧密程度等进行初步分析，掌握客户基本情况。

2.结合客户持有产品情况，认知银行的产品结构。以产品管理系统中的产品库为依据，分析持有不同数量产品的客户分布、各门类产品的客户总体分布、下属分行及其经营机构的客户持有产品情况，以及结合多个时点的各门类产品客户数的变化趋势等。

3.在认知产品的基础上，基于产品记录，分析客户行为习惯。包括客户对产品门类的偏好，对产品购买渠道的偏好，对资金流动性的需求，购买产品时段偏好等。

（二）D――挖掘客户需求

在认知产品和客户的基础上，应用大数据技术，挖掘隐藏在产品信息和客户信息背后的客户需求，为后续的精准营销打下基础。

1.基于客户产品持有行为判断不同产品的相关程度。在客户持有产品的全数据中，同一客户持有多种产品的现象较为普遍。分析客户持有的产品明细清单，找出同一客户持有产品组合的一般规律，可以准确判断各产品之间的相关程度，测算出持有某种产品的客户同时使用该产品相关产品的可能性。产品相关分析的结果可以形成定期的产品相关性监测报告和营销建议。

2.基于产品的监测报告，判断产品持有的平均水平。结合客户产品的平均持有水平分析，将低于产品平均持有水平的对公客户认为是具有产品潜力的客户群，生成这一类客户清单。同时根据客户清单中对公客户所在分行进行分类，将这部分产品需求未充分挖掘的客户清单推送到分行，以帮助分行更好地锁定目标营销客户。同时也可以针对不同门类产品的客户情况进行统计分析，判断持有某类产品的客户使用其它门类产品的情况，也即产品的跟进情况。

3.对非结构化的大数据进行分析，全方位挖掘客户的产品需求。非结构化数据可以分为行内数据和行外数据。行内数据中，银行内部的资金来往记录和银行内部企业授信报告等都可以作为非结构化数据来源。此外，银行还可综合应用外部数据，如电力、税务、工商和人行征信系统数据。通过这类交易数据可以形成企业的社会网络关系图，作为供应链金融大数据营销的重要依据。

总之，需求发现环节应紧密结合产品和客户的数据，挖掘大数据背后客户对产品的需求，是借助大数据实现对公产品营销管理的基础性工作。

（三）M――产品精准营销

充分挖掘客户需求后，根据需求实施精准营销。具体可以有如下应用。

1.结合客户的产品门类偏好推荐同一类别的其它产品。根据客户偏好分析和需求挖掘结果，掌握客户对某类产品的使用记录，为其推荐同门类产品中其它热门产品（依据热门产品排名），提高同一门类产品的渗透率。此外，还可以具体到各分行，分析各分行同类产品使用情况，并将之与全行产品应用情况对比分析。低于全行各门类产品应用水平的分行建议就其薄弱的产品门类进行重点营销。

2.对持有某些产品的客户推荐产品组合中的其它产品。通过产品相关分析梳理出相关度高的产品组合，结合只持有这些产品组合中的部分产品的客户清单，生成各个客户还可进行关联营销的具体产品清单，推送给各分行，指导其根据该客户潜在产品清单对客户进行产品关联推荐。

3.通过客户属性分析开发潜在客户。从产品出发，通过聚类法和分类预测法分析持有某种产品的客户群体的共同属性，然后比对具有这些属性但还未持有该种产品的客户，作为该种产品的潜在客户名单，对名单上的客户推荐该种产品，通过分析现有客户成功开发新客户。

（四）A――营销效果评估

营销评估是贯穿“PDMA”大数据营销体系全流程的最后一环，也是营销管理流程中承上启下的重要步骤，能及时帮助商业银行掌握大数据分析的效果。银行在精准营销评估过程中，应当加入时间序列，结合产品和客户情况进行综合评估，并定期对基于大数据分析的精准营销实施评估，根据评估效果改善大数据分析和精准营销的成果。对有成效的分析结果形成定期营销报告，对于成果不显著的从业务角度总结原因，调整大数据分析模型和参数，改进结果。

四、对公业务营销中的典型案例

总体来说，相比国有银行，股份制银行更加积极拥抱大数据技术。2015年3月，民生银行“金融e管家”平台正式上线，这是民生银行利用大数据技术的一大利器。该平台主要针对国内商业银行客户关系管理系统管理功能、分析功能、应用功能相互脱离的弊端而开发的基于大数据分析的一站式服务平台。“金融e管家”服务于全行对公客户管理，覆盖“PDMA”框架的四个环节，是对公业务应用大数据技术的典范。

首先，认知客户行为（P）。该平台对接民生银行内200多个生产系统和数据中枢，并导入上市公司数据、人行征信数据、工商数据等行外的数据，形成完善的数据结构，通过不同的规则组合数据，如对公客户和产品的交叉组合，或者基于供应链的客户上下游集合等，使用户可从不同角度解读对公客户的特性，同时通过行内资金流和行内外信息流，精确掌握客户的行为习惯。

其次，挖掘客户需求（D）。该平台对客户信息更深层次的挖掘，去除无效信息，将有效信息放大，结合线下业务资源，挑选出最适合营销的企业关系群体，应用多种大数据分析方法，建立关系网络分析模型，识别出群体的特征和相互之间业务重点，并以极具可用性的界面展示客户潜在需求挖掘的结果，帮助客户经理深度挖掘客户的金融需求。

再者，产品精准营销（M）。该平台是一个智能化的融资理财和资源整合平台，主要围绕核心客户，通过后台数据的支撑，建立交易网络模型和上下游客户推荐模型，并据此匹配最适合的金融产品，实现精准营销。该平台上线后，对公产品关联营销的成功率大大提高。

最后，产品营销评估（A）。该平台建立了基于历史记录的客户绩效评价体系，科学全面的评价客户绩效，并根据评价结果改进营销方向。后评价功能涵盖对公业务的不同情况，如对个性化服务方案的综合评价，对集团客户也能建立综合收益的评价，而不仅仅是单独考虑单笔业务的收益，适应了缺资产时代的商业银行经营新思路。

可以预见，在信息技术发展日新月异的当代，随着对公业务背后纷繁复杂的信息流、资金流、物流等多样化数据不断沉淀，大数据技术在商业银行对公业务营销中的应用价值将日益凸显，并将逐渐成为商业银行对公业务的核心竞争力之一。

参考文献：

[1]Manyika， J.，M.Chui andB.Brown et al.Big Data：The Next Frontier for Innovation[R].Competition， and Productivity，2011.

[2]Franks， B.著，黄海，车皓阳，王悦等译.驾驭大数据[M].北京：人民邮电出版社，2013.

[3]杨威.大数据时代下的电子商务企业营销方式变革[J].中国电子商务，2014（14）.