商业营销的大数据应用分析

     “大数据(Big Data)，或称巨量资料，指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理并整理成为帮助企业经营决策更积极目的的资讯。”这是网络中诸多“大数据”定义中的一个。“大数据”——这个至今仍没有统一定义及特点总结的名词，却已迅速成为焦点并引起了各个行业的关注，其热度绝不亚于“世界杯”。
　　大数据在商业领域的应用可描述为，企业借助海量数据的分析利用，有效地实现市场动向预测，并支持市场活动各个阶段的不同商业行为决策，实现追踪消费者行为，对其心理甚至下一步行为实现相对精准的预测，产生更好的用户体验，满足目标消费者的多元化需求。
　　如何挖掘大数据并转化成果支持营销策略的制定？
　　在聚焦大数据的同时，也有很多不同的声音：“花钱不少，搞出来的大数据也没什么价值”、“传统企业在大数据应用上存在先天不足，现在谈大数据不现实”、“企业小，技术弱，大数据对于我们来说是伪命题”……但不管大家对大数据给出多少不同的定义，也不管有多少人对大数据的应用表示不屑。不得不承认的是，依靠当今技术，我们通过手机、电脑、信用卡等工具留下的生活痕迹，正在以大数据的身份使商业营销智能化。
　　中国连锁经营协会日前就以“大数据时代的营销策略”为主题举办了一场沙龙活动，邀请传统企业及电商企业共同分享他们是如何获取及挖掘大数据，并转化成果支持营销策略的制定。
　　大数据正成为电商发展最有力的助推器
　　电商企业在大数据的获取方面具备得天独厚的优势条件，这也使得大数据成为了电商企业发展最有力的助推器。
　　由于电商企业商业模式的特点，覆盖全流程（包括浏览、交易、仓储、配送、售后、客服等等）的用户数据成为实现精准营销，提升用户体验的巨大利器。通过数据挖掘和分析洞察用户的需求是实现营销策略的前提，企业主要从三个方面去构建立体的用户视图：（1）基于用户特征、购物心理、社交关系等方面的用户画像建模；（2）基于用户需求变迁、购物特点等方面的消费趋势预测；（3）基于用户价值、商品价值的全生命周期的营销策略体系。
　　用户需求的个性化、多样性需要电商对用户行为数据进行深度挖掘，比如通过用户购买品类的特征判断用户的购物偏好（进行兴趣分群）、通过用户购物 过程中的行为数据判断用户的购物特点（比如冲动还是理性）等等，一系列相关的挖掘、建模工作会让企业对用户的购物轮廓慢慢清晰，包括在此过程中使用计算方 法去预测用户的年龄、收入等社会属性，将大大提升营销的精度和实际效果。
　　京东的大数据营销平台同时服务于EDM、短信、移动消息推送等多种营销渠道，大大优化了对用户的立体式营销。基于用户需求所构建的“非营销式” 营销，效果显著。如已经通过大数据分析获取到顾客的单反相机购买需求后，不去推荐商品或者促销活动，而是发送知识邮件教用户如何去选购单反相机，大大提升 了用户的黏性，在潜移默化中影响用户的购物决策和购买行为。
　　京东大数据应用对消费者的消费趋势也进行了诸多分析，包括网上购物人群的性别比例正在悄然变化，正趋向男女平衡；在一天24小时中，用户习惯于在休息时间使用移动设备购物，而在工作时间使用电脑购物等等。还有个有趣的发现是“线上看，线下买”的顾客并不少于“线下看，线上买”的顾客。
　　1号店也 是早早就着手大数据研究的电商企业。其与中科院虚拟经济与数据科学中心合作组建的一个包括几十位来自斯坦福、牛津、剑桥、香港理工、清华、上海交大等国际 知名高校博士或硕士毕业生构成的大数据分析团队，创建了1号店大数据部门，重点研究虚拟商务和大数据挖掘，成功地支持了企业前端营销活动及后端供应链的各 项决策。
　　实体零售商也可以唱响大数据
　　关注归关注，前面提到过，很多传统企业仍认为大数据对于他们来说是阳春白雪。虽如此，在对大数据关注度较高的百货、购物中心行业中，仍不乏起步较早，成果斐然的，大悦城便是其中之一。
　　大悦城拥有70多万的会员顾客，其信息团队利用三年的时间，对会员进行大数据研究，分析会员的购物生命周期。研究发现，消费者在办了会员卡的前 3个月的消费力都非常好，从第4个月开始下滑，第4至第9个月为消费平稳期，如果从第3个月开始进行基础性的会员维护，那么第9至第12个月会员的消费力 就会有所增长。
　　公司通过不同的算法，将大数据转化为不同的结果，支持公司决策。如重点商户识别运用Pareto帕累托法则，业态、商户销售识别运用BCG波士顿矩阵，单体消费者运用CLV生命曲线算法，总体销售预测运用向量、因变量算法，竞争预测运用贝叶斯算法等等。
　　当然，运用什么算法或模型还要根据企业类型及经营思路来定。很多企业更关注销售额，不做精细化分析。更没有相关部门做这样的事情，企业更多的是 做历史销售记录简单推算，这样的预测水平并不高。大悦城做销售预测，考虑历史销售因素仅占一半。大悦城拥有一个预测管理平台，里面有更多的不同纬度的信 息，包括消费者层面、推广层面、品牌层面、竞争层面……全部要整体综合计算。现在预测30天的销售准确度达到了93%，60天销售预测达到90%。行业水 平一般在60%-70%之间。这样的成果不仅是依靠分析，还有对业务、市场、竞争对手的了解，都可以量化成可参考的数据指标，并赋予准确的权重，他们将直 接影响预测的准确度。
　　先关注小数据，为与大数据融合做准备
　　企业也可先关注和运用好企业的小数据，为后续工作中与大数据进行更好的对接与融合做好准备。北京甘家口大厦便是一直力求做精小数据的企业。
　　ERP系统数据是最有价值的黄金数据。企业循序渐进的使用数据，通过实际问题找到数据并进行分析，逐步发展成为通过数据找对问题的过程。实现通过20%的ERP数据分析，实现80%的业绩大幅提升。
　　最有帮助的融合数据。大数据是一种融合，不只是同业、异业间的交互合作，还有跨领域数据的融合。[大数据技术]如结合德尔菲气象定律及多年来的数据收集会发现，什么情况的入冬时分应该减少保暖商品量，什么情况应提前准备换季服装。
　　最新的交互式“活”数据。通过微博、微信、APP端等网络新媒体数据，配合店内布置的WIFI、探针、蓝牙等手段，收集到顾客进店、路线、停留时长等关联数据。让这些数据去印证其他数据获取的分析结果，从而挖掘出更有价值的资讯进行调整并不断交互。
　　另外，数据的使用也应该根据企业情况有所取舍，不能一味地为了获取尽量多的数据，将自己困住。
　　大数据实现价值顾客精准营销
　　大数据的来源有四类：1.交易数据，来自于企业ERP系统、各种POS终端，以及网上支付系统等业务系统；2.交互数据，来自于移动通信记录以及社交媒体等；3.传感数据，来自于GPS设备、RFID设备、视频监控设备等；4.环境数据，来自自然环境和社会环境。
　　IBM曾提出，企业可以通过大数据收集，全面地了解顾客，做到洞察顾客的态度，发现顾客的偏好、需求与愿望。有了这些数据，企业就可以利用新的模型对顾客进行新的分群并挖掘出潜在的最有价值的顾客个体。
　　利用分析模型把这些顾客个体与他们愿意接受的优惠或其它营销活动相匹配，利用模型中归纳出的事件实时地激活这些营销活动，并通过顾客个体在不同 时间偏好的交互渠道，传达给个体的目标顾客。然后来评估营销效果，把顾客个体进行生命周期的划分，再通过反复使用这种实时的适当渠道进行个性化的个体营 销，实现顾客个体从潜在最有价值顾客向忠诚的最有价值顾客的转变。
　　传统零售企业“大数据”有点疼
　　其实，传统企业所谈的“大数据”和电商企业所谈的“大数据”是有很大差异的。
　　就从商品数据和客户数据这两个大数据的基础来说，第一是商品数据。传统企业受时间和空间限制，多采用二八法则经营商品，商品数据仅限主体品类或商品。而电商企业在这方面却没有限制，他们是长尾积累经营商品，理论上来说每个品类的长尾商品可以无限长，商品数据自然可以达到无限多。
　　第二是顾客数据。传统企业获取顾客数据的来源主要是依靠POS系统、CRM系统、企业微信、[大数据魔方]定位技术（WIFI/探针）、市场调研等方式获取顾客行为数据，更多的是依靠会员数据做数据支撑。而电商企业可以通过网络全天候、全方位地获取顾客数据，并对其进行用户画像，画像越清晰，顾客营销就越智能化。
　　正如一些传统企业所说，现阶段传统企业在大数据应用上面临着诸多困难。
        （1）技术获取方式传统。传统企业获取数据方式如采用新技术或打通线上， 成本支出较高，有一定难度。
        （2）人才、技术不足。由于传统企业的商业逻辑转换难，大数据人才匮乏，同时也导致了大数据应用的技术欠缺。
        （3）内部数据汇 总较难。电商企业的大数据是大数据研究部门在后台全部获取的。传统企业部门间相对独立，企业大数据皆分布在营运部、信息部、财务部等各独立部门中，而且企 业大数据分析部门多数为信息部兼管，其职能权限在企业内较弱，导致数据汇总有难度。
        （4）外部数据获取条件差。传统企业如需获取企业外部环境数据，只能通 过BAT，但数据的挖掘、采样工作量非常大，分析结果时间过长会影响大数据的时效性。所以大部分传统企业做大数据的投入、产出以及实际作用并不能达到预期 目标，这确实是客观存在的。