数据库营销在西方发达国家的企业里已相当普及，在美国，1994年Donnelley Marketing 公司的调查显示，56% 的零售商和制造商有营销数据库，10%的零售商和制造商正在计划建设营销数据库，85%的零售商和制造商认为在本世纪末，他们将需要一个强大的营销数据库来支持他们的竞争实力。从全球来看，数据库营销作为市场营销的一种形式，正越来越受到企业管理者的青睐，在维系顾客、提高销售额中扮演着越来越重要的作用。
一、宏观功能——市场预测和实时反应
客户数据库的各种原始数据，可以利用 “ 数据挖掘技术 ” 和 “ 智能分析 ” 在潜在的数据中发现赢利机会。基于顾客年龄、性别、人口统计数据和其它类似因素，对顾客购买某一具体货物可能性作出预测；能够根据数据库中顾客信息特征有针对性的判定营销策略，促销手段，提高营销效率，帮助公司决定制造适销的产品以及使产品制定合适的价格；可以以所有可能的方式研究数据，按地区、国家、顾客大小、产品、销售人员、甚至按邮编，从而比较出不同市场销售业绩，找出数字背后的原因，挖掘出市场潜力。企业产品质量上或者功能的反馈信息首先通过市场、销售、服务等一线人员从面对面的顾客口中得知，把有关的信息整理好以后，输入数据库，定期对市场上的顾客信息进行分析，提出报告，帮助产品在工艺或功能上的改善和完美，产品开发部门作出前瞻性的研究和开发；管理人员可以根据市场上的实时信息随时调整生产和原料的采购，或者调整生产产品的品种，最大限度的减少库存，做到 “ 适时性生产 ” （ JIT ）。
二、微观功能——分析每位顾客的赢利率
事实上，对于一个企业来说，真正给企业带来丰厚利润的顾客只占所有顾客中的 20% ，他们是企业的最佳顾客，赢利率是最高的，对这些顾客，企业应该提供特别的服务、折扣或奖励，并要保持足够的警惕，因为竞争对手也是瞄准这些顾客发动竞争攻击的。然而绝大多数的企业的顾客战略只是获取顾客，很少花精力去辨别和保护他们的最佳顾客，同时去除不良顾客；他们也很少花精力考虑到竞争者手中去策反顾客，增加产品和服务，来提高赢利率。利用企业数据库中的详细资料我们能够深入到信息的微观程度，加强顾客区分的统计技术，计算每位顾客的赢利率，然后去抢夺竞争者的最佳顾客，保护好自己的最佳顾客，培养自己极具潜力的顾客，驱逐自己最差的顾客。通用电气公司的消费者数据库能显示每个顾客的各种详细资料，保存了每次的交易记录。他们可以根据消费者购买公司家用电器的历史，来判断谁对公司和新式录象机感兴趣，能确认谁是公司的大买主，并给他们送上价值30 美圆的小礼物，以换取他们对公司产生下一次的购买。
目前在我国，传统的营销方式仍占据着相当的地位，数据库营销只是对传统营销方式的补充和改变。但从长期看，数据库营销必将随着企业管理水平、尤其是营销管理水平的提升而得到创新使用。现在一些具有领先观念的企业如上海罗氏、通用汽车、广东美的已经建设了CRM 系统。
随着经济的日益发展和信息技术对传统产业的改造，消费者的个性化需求的满足成为了可能，中国加入WTO 以后，企业将面临更加严峻的形势，如何在这场强敌环饲的角力中胜出，需要全方位的提升企业的竞争力——特别是企业的客户信息能力，作为企业经营战略中非常重要的营销体制也必须吸收西方先进的营销理念和手段，革除传统营销模式的弊端，数据库营销是先进的营销理念和现代信息技术的结晶，必然是企业未来的选择。
数据库营销的基本作用
（1）更加充分地了解顾客的需要。
（2）为顾客提供更好的服务。顾客数据库中的资料是个性化营销和顾客关系管理的重要基础。
（3）对顾客的价值进行评估。通过区分高价值顾客和一般顾客，对各类顾客采取相应的营销策略。
（4）了解顾客的价值。利用数据库的资料，可以计算顾客生命周期的价值，以及顾客的价值周期。
（5）分析顾客需求行为。根据顾客的历史资料不仅可以预测需求趋势，还可以评估需求倾向的改变。
（6）市场调查和预测。数据库为市场调查提供了丰富的资料，根据顾客的资料可以分析潜在的目标市场。
与传统的数据库营销相比，网络数据库营销的独特价值主要表现在三个方面：动态更新、顾客主动加入、改善顾客关系。
（1）动态更新
在传统的数据库营销中，无论是获取新的顾客资料，还是对顾客反应的跟踪都需要较长的时间，而且反馈率通常较低，收集到的反馈信息还需要繁琐的人工录入，因而数据库的更新效率很低，更新周期比较长，同时也造成了过期、无效数据记录比例较高，数据库维护成本相应也比较高。 网络数据库营销具有数据量大、易于修改、能实现动态数据更新、便于远程维护等多种优点，还可以实现顾客资料的自我更新。网络数据库的动态更新功能不仅节约了大量的时间和资金，同时也更加精确地实现了营销定位，从而有助于改善营销效果。
（2）顾客主动加入
仅靠现有顾客资料的数据库是不够的，除了对现有资料不断更新维护之外，还需要不断挖掘潜在顾客的资料，这项工作也是数据库营销策略的重要内容。在没有借助互联网的情况下，寻找潜在顾客的信息一般比较难，要花很大代价，比如利用有奖销售或者免费使用等机会要求顾客填写某种包含有用信息的表格，不仅需要投入大量资金和人力，而且又受地理区域的限制，覆盖的范围非常有限。
在网络营销环境中，顾客数据在增加要方便得多，而且往往是顾客自愿加入网站的数据库。最新的调查表明，为了获得个性化服务或获得有价值的信息，有超过50%的顾客愿意提供自己的部分个人信息，这对于网络营销人员来说，无疑是一个好消息。请求顾客加入数据库的通常的做法是在网站设置一些表格，在要求顾客注册为会员时填写。但是，网上的信息很丰富，对顾客资源的争夺也很激烈，顾客的要求是很挑剔的，并非什么样的表单都能引起顾客的注意和兴趣，顾客希望得到真正的价值，但肯定不希望对个人利益造成损害，因此，需要从顾客的实际利益出发，合理地利用顾客的主动性来丰富和扩大顾客数据库。在某种意义上，邮件列表可以认为是一种简单的数据库营销，数据库营销同样要遵循自愿加入、自由退出的原则。
（3）改善顾客关系
顾客服务是一个企业能留住顾客的重要手段，在电子商务领域，顾客服务同样是取得成功的最重要因素。一个优秀的顾客数据库是网络营销取得成功的重要保证。 在互联网上，顾客希望得到更多个性化的服务，比如，顾客定制的信息接收方式和接收时间，顾客的兴趣爱好、购物习惯等等都是网络数据库的重要内容，根据顾客个人需求提供针对性的服务是网络数据库营销的基本职能，因此，网络数据库营销是改善顾客关系最有效的工具。
网络数据库由于其种种独特功能而在网络营销中占据重要地位，网络数据库营销通常不是孤立的，应当从网站规划阶段开始考虑，列为网络营销的重要内容，另外，数据库营销与个性化营销、一对一营销有着密切的关系，顾客数据库资料是顾客服务和顾客关系管理的重要基础。
数据库的建立与管理
一、日益重要的数据库
企业顾客的基本资料分别加以搜集、筛选、测试、整理、编集及充实之后，妥善储存、保管。等到企业进行各种直复营销活动之时，依照特定的目的需求，迅速且完整地提供相关个别顾客资料。现在，由于计算机技术发展得十分迅速，电脑在顾客数据库的利用上，贡献很大。
直复营销是以目标顾客个人为对象，以双向沟通的方式进行信息传递的，因此，慎重选择目标顾客群，有系统地搜集目标顾客个别资料，进而形成顾客数据库，并有效运用顾客数据，将是直复营销成功的重要关键。
二、数据库形成的六个阶段
顾客数据库从决定成立到向直复营销人员提供信息，大致上有六个阶段：
1、决定建立顾客数据库 2、顾客资料的搜集 3、个别顾客资料卡的内容填写 4、资料的整理及筛选 5、智慧型信息的完成 6、灵活使用顾客数据库的信息。
数据库营销的前景
数据库营销缩短了商业企业与顾客之间的距离，有利于培养和识别顾客忠诚，与顾客建立长期关系，也为开发关系营销和“一对一”营销创造了条件。
（1） 以数据库为基础的顾客管理，为关系营销奠定了基础。
关系营销强调与顾客之间建立长期的友好关系以获取长期利益。实践证明，进行顾客管理，培养顾客忠诚度，建立长期稳定的关系，对商业企业是十分重要的。数据库营销不仅受到沃尔玛、麦德龙等传统企业的重视，像亚马逊这样的新型网上企业更是十分重视客户管理。比如，当客户向亚马逊买一本书以后，亚马逊会自动记录下顾客的电子邮箱地址、图书类别，以后定期以电子邮件的形式向顾客推荐此类新书。这种方式极大推动了亚马逊网上销售业务的增长。
（2） 数据库营销，使商业企业能够更详细地了解顾客，增加了“一对一”营销的可能。
“一对一”营销是基于信息技术的发展提出的新的营销理念，就是将市场细分到消费者个体，根据其消费习惯和需求特点提供个性服务。最近，在美国许多大城市出现一些“快速服装店”，其目标顾客是有一定身份和地位的职业女性。她们或者工作很忙无暇购物，或者是厌烦挑选商品的烦琐过程，但都需要不断改变形象。服装店便专门为这类顾客建立“一对一”档案，从身高、体重、体形到气质、职业、性格，都有详细的记录和分析。
数据精准营销的七个关键要素说到大数据精准营销，不得不先提个性化的用户画像，我们针对每一类数据实体，进一步分解可落地的数据维度，刻画TA的每一个特征，在聚集起来形成人群画像。 01用户画像用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。具体包含以下几个维度：用户固定特征：性别，年龄，地域，教育水平，生辰八字，职业，星座用户兴趣特征：兴趣爱好，使用APP，网站，浏览/收藏/评论内容，品牌偏好，产品偏好用户社会特征：生活习惯，婚恋，社交/信息渠道偏好，宗教信仰，家庭成分用户消费特征：收入状况，购买力水平，商品种类，购买渠道喜好，购买频次用户动态特征：当下时间，需求，正在前往的地方，周边的商户，周围人群，新闻事件如何生成用户精准画像大致分成三步。1.采集和清理数据：用已知预测未知首先得掌握繁杂的数据源。包括用户数据、各式活动数据、电子邮件订阅数、线上或线下数据库及客户服务信息等。这个是累积数据库；这里面最基础的就是如何收集网站／APP用户行为数据。比如当你登陆某网站，其Cookie就一直驻留在浏览器中，当用户触及的动作，点击的位置，按钮，点赞，评论，粉丝，还有访问的路径，可以识别并记录他／她的所有浏览行为，然后持续分析浏览过的关键词和页面，分析出他的短期需求和长期兴趣。还可以通过分析朋友圈，获得非常清晰获得对方的工作，爱好，教育等方面，这比个人填写的表单，还要更全面和真实。我们用已知的数据寻找线索，不断挖掘素材，不但可以巩固老会员，也可以分析出未知的顾客与需求，进一步开发市场。2.用户分群：分门别类贴标签描述分析是最基本的分析统计方法，描述统计分为两大部分：数据描述和指标统计。数据描述：用来对数据进行基本情况的刻画，包括数据总数，范围，数据来源。指标统计：把分布，对比，预测指标进行建模。这里常常是Data mining的一些数学模型，像响应率分析模型，客户倾向性模型，这类分群使用Lift图，用打分的方法告诉你哪一类客户有较高的接触和转化的价值。在分析阶段，数据会转换为影响指数，进而可以做"一对一"的精准营销。举个例子，一个80后客户喜欢在生鲜网站上早上10点下单买菜，晚上6点回家做饭，周末喜欢去附近吃日本料理，经过搜集与转换，就会产生一些标签，包括"80后""生鲜""做饭""日本料理"等等，贴在消费者身上。3.制定策略：优化再调整有了用户画像之后，便能清楚了解需求，在实际 *** 作上，能深度经营顾客关系，甚至找到扩散口碑的机会。例如上面例子中，若有生鲜的打折券，日本餐馆最新推荐，营销人员就会把适合产品的相关信息，精准推送这个消费者的手机中；针对不同产品发送推荐信息，同时也不断通过满意度调查，跟踪码确认等方式，掌握顾客各方面的行为与偏好。除了顾客分群之外，营销人员也在不同时间阶段观察成长率和成功率，前后期对照，确认整体经营策略与方向是否正确；若效果不佳，又该用什么策略应对。反复试错并调整模型，做到循环优化。这个阶段的目的是提炼价值，再根据客户需求精准营销，最后追踪客户反馈的信息，完成闭环优化。我们从数据整合导入开始，聚合数据，在进行数据的分析挖掘。数据分析和挖掘还是有一些区别。数据分析重点是观察数据，单纯的统计，看KPI的升降原因。而数据挖掘从细微和模型角度去研究数据，从学习集、训练集发现知识规则，除了一些比较商业化的软件SAS，WEKA功能强大的数据分析挖掘软件，这边还是更推荐使用R，Python，因为SAS，SPSS本身比较昂贵，也很难做页面和服务级别的API，而Python和R有丰富的库，可以类似WEKA的模块，无缝交互其他API和程序，这里还需要熟悉数据库，Hadoop等。02数据细分受众“颠覆营销”书中提到一个例子，可以引述一下，大家思考一个问题：如果你打算搜集200份有效问卷，依照以往的经验，你需要发多少份问卷，才能达到这个目标？预计用多少预算和时间来执行？以往的方法是这样的：评估网络问卷大约是5%的回收率，想要保证收到200份的问卷，就必须有20倍的发送量，也就是发出4000份问卷，一个月内如果可以回收，就是不错的表现。但现在不一样了，在执行大数据分析的3小时内，就可以轻松完成以下的目标：精准挑选出1%的VIP顾客发送390份问卷，全部回收问卷寄出3小时内回收35%的问卷5天内就回收了超过目标数86%的问卷数所需时间和预算都在以往的10%以下这是怎么做到在问卷发送后的3个小时就回收35%？那是因为数据做到了发送时间的"一对一定制化"，利用数据得出，A先生最可能在什么时间打开邮件就在那个时间点发送问卷。举例来说，有的人在上班路上会打开邮件，但如果是开车族，并没有时间填写答案，而搭乘公共交通工具的人，上班路上的时间会玩手机，填写答案的概率就高，这些都是数据细分受众的好处。03预 测“预测”能够让你专注于一小群客户，而这群客户却能代表特定产品的大多数潜在买家。当我们采集和分析用户画像时，可以实现精准营销。这是最直接和最有价值的应用，广告主可以通过用户标签来发布广告给所要触达的用户，这里面又可以通过上图提到的搜索广告，展示社交广告，移动广告等多渠道的营销策略，营销分析，营销优化以及后端CRM/供应链系统打通的一站式营销优化，全面提升ROI。我们再说一说营销时代的变迁，传统的企业大多还停留在“营销1.0”时代，以产品为中心，满足传统的消费者需求，而进入“营销2.0”，以社会价值与品牌为使命，也不能完全精准对接个性化需求。进入营销3.0的数据时代，我们要对每个消费者进行个性化匹配，一对一营销，甚至精确算清楚成交转化率，提高投资回报比。 大数据下的营销颠覆经典的营销4P理论，Product，Price，Place，Promotion，取而代之的是新的4P，People，Performance，Process，Prediction。在大数据时代，线下地理的竞争边界早就不存在，比的是早一步的先知能力，利用大数据，从顾客真实交易数据中，预测下一次的购买时间。 营销3.0时代关键词就是“预测”。预测营销能够让你专注于一小群客户，而这群客户却能代表特定产品的大多数潜在买家。以上图为例，你可以将营销活动的目标受众锁定为20万潜在客户或现有客户，其中包括特定产品的大多数买家（4万人）。你还可以拨出部分预算用于吸引更小的客户群（比如20% 的客户），而不是整个客户群，进而优化你的支出。过去我们看数据可能是被动的方式，但预测营销强调是决策价值，比如购买时间，你该看的不是她最后的购买日期，而是下次购买的时间，看未来的存活概率，最后生成客户终身价值（CLV）。预测营销催生了一种新的数据驱动营销方式，就是以客户为中心，核心在于帮助公司完成从以产品或渠道为中心到以客户为中心的转变。04精准推荐大数据最大的价值不是事后分析，而是预测和推荐，我就拿电商举例，"精准推荐"成为大数据改变零售业的核心功能。譬如服装网站Stitch fix例子，在个性化推荐机制方面，大多数服装订购网站采用的都是用户提交身形、风格数据+编辑人工推荐的模式，Stitch Fix不一样的地方在于它还结合了机器算法推荐。这些顾客提供的身材比例，主观数据，加上销售记录的交叉核对，挖掘每个人专属的服装推荐模型。 这种一对一营销是最好的服务。数据整合改变了企业的营销方式，现在经验已经不是累积在人的身上，而是完全依赖消费者的行为数据去做推荐。未来，销售人员不再只是销售人员，而能以专业的数据预测，搭配人性的亲切互动推荐商品，升级成为顾问型销售。05技术工具关于预测营销的技术能力，有几种选择方案：1、使用预测分析工作平台，然后以某种方法将模型输入活动管理工具；2、以分析为动力的预测性活动外包给市场服务提供商；3、评估并购买一个预测营销的解决方案，比如预测性营销云和多渠道的活动管理工具。但无论哪条路，都要确定三项基本能力：1）连接不同来源的客户数据，包括线上，线下，为预测分析准备好数据 ；2）分析客户数据，使用系统和定制预测模型，做高级分析 ；3）在正确时间，正确客户，正确的场景出发正确行为，可能做交叉销售，跨不同营销系统。06预测模型预测客户购买可能性的行业标准是RFM模型（最近一次消费R，消费频率F，消费金额M），但模型应用有限，本质是一个试探性方案，没有统计和预测依据。“过去的成绩不能保证未来的表现”，RFM只关注过去，不去将客户当前行为和其他客户当前行为做对比。这样就无法在购买产品之前识别高价值客户。我们聚焦的预测模型，就是为了在最短时间内对客户价值产生最大影响。这里列举一些其他模型参考：参与倾向模型，预测客户参与一个品牌的可能性，参与定义可以多元，比如参加一个活动，打开电子邮件，点击，访问某页面。可以通过模型来确定EDM的发送频率。并对趋势做预测，是增加还是减少活动。钱包模型，就是为每个客户预测最大可能的支出，定义为单个客户购买产品的最大年度支出。然后看增长模型，如果当前的总目标市场比较小，但未来可能很大，就需要去发现这些市场。价格优化模型，就是能够去最大限度提升销售，销量或利润的架构，通过价格优化模型为每个客户来定价，这里需要对你想要的产品开发不同的模型，或者开发通用，可预测的客户价格敏感度的模型，确定哪一块报价时对客户有最大的影响。关键字推荐模型，关键字推荐模型可以基于一个客户网络行为和购买记录来预测对某个内容的喜爱程度，预测客户对什么热点，爆款感兴趣，营销者使用这种预测结果为特定客户决定内容营销主题。预测聚集模型，预测聚集模型就是预测客户会归为哪一类。07AI在营销领域的应用去年人工智能特别火，特别是深度学习在机器视觉，语言识别，游戏AI上的突飞猛进，以至于人们开始恐慌人工智能是不是已经可以接管人类工作，我个人是对新技术有着强烈的兴趣，也非常看好新科技，数据与现实的关联。我以前在国外零售店买单的时候经常被询问“你有没有购物卡”，当我说没有收银员会赶紧劝我免费开通，有打折优惠，只需要填个手机号和邮箱，后面就可以针对我的购买记录做营销活动，而当我下次进来，他们就让我报出电话号码做消费者识别，当时我想如果做到人脸识别，岂不是更方便，刷脸就可以买单。而这个场景在去年也有了实验，蚂蚁金服研发出了一个生物识别机器人，叫蚂可Mark，据说其认脸能力已经超越了人类肉眼的能力。还有VR购物，Amazon推出的无收银员商店Amazon Go，通过手势识别，物联网和后续数据挖掘等技术实现购物体验。针对营销领域，主要有以下三种预测营销技术：1、无监督的学习技术无监督学习技术能识别数据中的隐藏模式，也无须明确预测一种结果。比如在一群客户中发现兴趣小组，也许是滑雪，也许是长跑，一般是放在聚类算法，揭示数据集合中 真实的潜在客户。所谓聚类，就是自动发现重要的客户属性，并据此做分类。2、 有监督的学习技术通过案例训练机器，学习并识别数据，得到目标结果，这个一般是给定输入数据情况下预测，比如预测客户生命周期价值，客户与品牌互动的可能性，未来购买的可能性。3、强化学习技术这种是利用数据中的潜质模式，精准预测最佳的选择结果，比如对某用户做促销应该提供哪些产品。这个跟监督学习不同，强化学习算法无须仅需输入和输出训练，学习过程通过试错完成。从技术角度看，推荐模型应用了协同过滤，贝叶斯网络等算法模型。强化学习是被Google Brain团队的负责人Jeff Dean认为是最有前途的AI研究方向之一。最近Google的一个AI团队DeepMind发表了一篇名为《学会强化学习》的论文。按团队的话来说，叫做“学会学习”的能力，或者叫做能解决类似相关问题的归纳能力。除了强化学习，还在迁移学习。迁移学习就是把一个通用模型迁移到一个小数据上，使它个性化，在新的领域也能产生效果，类似于人的举一反三、触类旁通。强化学习加上迁移学习，能够把小数据也用起来，我认为是很激动人心的，通过AI来创造AI，数据科学家的部分工作也可以让机器来实现了。欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）