❶ 聯通大數據精準營銷是什麼
聯通大數據積累了豐富的數據能力、平台能力、產品交付能力和行業解決方案能力，累計服務17個行業。聯通大數據在精準營銷、數達營銷和數言輿情標准產品的基礎上形成了針對各個行業的解決方案。
今天我們就來講解一下，聯通大數據精準營銷，究竟厲害在哪？
一、用戶畫像
用戶畫像是聯通大數據根據用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標簽化的用戶模型。
具體包含以下幾個維度：
當我們採集和分析用戶畫像時，可以實現精準營銷，這是最直接和最有價值的應用。
廣告主可以通過用戶標簽來發布廣告給所要觸達的用戶。
這裡面又可以通過搜索廣告、展示社交廣告、移動廣告等多渠道的營銷策略，營銷分析，營銷優化以及後端CRM/供應鏈系統打通的一站式營銷優化，全面提升ROI。
三、技術工具
運營商大數據具備全面性、多維性、中立性、完整性是其它企業很難比擬的，而且通過這些不同維度數據的交叉關聯，可以創造更多的新數據和新價值 。
（01）身份-運營商不僅客戶信息覆蓋完整，還可以基於實際行為進行驗證，通過身份信息，快速判定用戶的信用程度。
（02）上網-基於用戶訪問什麼網址、下載什麼應用、訪問什麼內容等，得到上網喜好。
（03）位置-運營商的通過位置信息，可以掌握用戶出行特徵，給用戶帶來生活的極大便利。
（04）社交-基於通信交往圈的大小、主被叫、時間序列、得到用戶的社交特徵。
（05）支出-運營商有客戶最為詳實的消費賬單、比如流量費、簡訊費、語音費、新業務費等，能反映用戶的一些特徵。
（06）通信-通過用戶的通信使用情況，比如本地、漫遊、長途、了解用戶通話行為特徵。
（07）終端-識別記錄手機終端型號，了解用戶手機使用特徵、發展趨勢、用戶換機周期等。
（08）時序-通過用戶上網、位置、通話等行為按照時間排列，了解更多規律提供更多服務。
❷ 大數據精準營銷怎麼實現
以客戶為中心，依託強大的資料庫資源，通過對數據的分析整合，對客戶進行精確的分析定位，做到合適的時間、合適的地點、合適的價格、通過合適的營銷渠道，向准確的顧客提供需要的產品，實現企業效益的最大化。精準營銷的實質是根據目標客戶的個性化需求設計產品和服務，而大數據就是手段。
1，以用戶為導向。真正的營銷從來都是以用戶為中心的，而大數據把用戶實實在在「畫」在了眼前，營銷者可以根據資料庫內的數據構建用戶畫像，來了解用戶消費行為習慣、以及年齡、收入等各種情況，從而對產品、用戶定位、營銷做出指導性的調整。
2，一對一個性化營銷。很多銷售在推銷產品時常常會遇到這樣的問題：產品是一樣的，但是用戶的需求是各不相同的，如何把相同的產品賣給不同的用戶？這就需要我們進行「一對一」個性化營銷。利用大數據分析，可以構建完善的用戶畫像，了解消費者，從而做出精準的個性化營銷。
3，深度洞察用戶。深度洞察用戶，挖掘用戶潛在需求，是數據營銷的基礎。利用數據標簽，可以准確獲知用戶的潛在消費需求，例如：我們得知一位用戶曾購買過奶粉，那麼我們可以得知，家裡有小孩，相應的可以向他推送早教課程等適合嬰幼兒的產品。洞察消費者需求後再進行投放，營銷的效果將比撒網式有效且更易成交。
4，營銷的科學性。實踐證明，數據指導下的精準營銷相對與傳統營銷來說更具有科學性。向用戶「投其所好」，向意向客戶推薦他們感興趣的東西，遠遠要比毫無目標的被動式營銷更具成效。
❸ 數據分析師日常都分析哪些數據
數據分析有：分類分析，矩陣分析，漏斗分析，相關分析，邏輯樹分析，趨勢分析，行為軌跡分析，等等。 我用HR的工作來舉例，說明上面這些分析要怎麼做，才能得出洞見。
01） 分類分析
比如分成不同部門、不同崗位層級、不同年齡段，來分析人才流失率。比如發現某個部門流失率特別高，那麼就可以去分析。
02） 矩陣分析
比如公司有價值觀和能力的考核，那麼可以把考核結果做出矩陣圖，能力強價值匹配的員工、能力強價值不匹配的員工、能力弱價值匹配的員工、能力弱價值不匹配的員工各佔多少比例，從而發現公司的人才健康度。
03） 漏斗分析
比如記錄招聘數據，投遞簡歷、通過初篩、通過一面、通過二面、通過終面、接下Offer、成功入職、通過試用期，這就是一個完整的招聘漏斗，從數據中，可以看到哪個環節還可以優化。
04） 相關分析
比如公司各個分店的人才流失率差異較大，那麼可以把各個分店的員工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、員工年齡、管理人員年齡等）要素進行相關性分析，找到最能夠挽留員工的關鍵因素。
05） 邏輯樹分析
比如近期發現員工的滿意度有所降低，那麼就進行拆解，滿意度跟薪酬、福利、職業發展、工作氛圍有關，然後薪酬分為基本薪資和獎金，這樣層層拆解，找出滿意度各個影響因素裡面的變化因素，從而得出洞見。
06） 趨勢分析
比如人才流失率過去12個月的變化趨勢。
07）行為軌跡分析
比如跟蹤一個銷售人員的行為軌跡，從入職、到開始產生業績、到業績快速增長、到疲憊期、到逐漸穩定。
❹ 數據精準營銷的七個關鍵要素
數據精準營銷的七個關鍵要素
說到大數據精準營銷，不得不先提個性化的用戶畫像，我們針對每一類數據實體，進一步分解可落地的數據維度，刻畫TA的每一個特徵，在聚集起來形成人群畫像。
01用戶畫像
用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標簽化的用戶模型。具體包含以下幾個維度：
用戶固定特徵：性別，年齡，地域，教育水平，生辰八字，職業，星座
用戶興趣特徵：興趣愛好，使用APP，網站，瀏覽/收藏/評論內容，品牌偏好，產品偏好
用戶社會特徵：生活習慣，婚戀，社交/信息渠道偏好，宗教信仰，家庭成分
用戶消費特徵：收入狀況，購買力水平，商品種類，購買渠道喜好，購買頻次
用戶動態特徵：當下時間，需求，正在前往的地方，周邊的商戶，周圍人群，新聞事件如何生成用戶精準畫像大致分成三步。
1.採集和清理數據：用已知預測未知
首先得掌握繁雜的數據源。包括用戶數據、各式活動數據、電子郵件訂閱數、線上或線下資料庫及客戶服務信息等。這個是累積資料庫；這裡面最基礎的就是如何收集網站／APP用戶行為數據。比如當你登陸某網站，其Cookie就一直駐留在瀏覽器中，當用戶觸及的動作，點擊的位置，按鈕，點贊，評論，粉絲，還有訪問的路徑，可以識別並記錄他／她的所有瀏覽行為，然後持續分析瀏覽過的關鍵詞和頁面，分析出他的短期需求和長期興趣。還可以通過分析朋友圈，獲得非常清晰獲得對方的工作，愛好，教育等方面，這比個人填寫的表單，還要更全面和真實。
我們用已知的數據尋找線索，不斷挖掘素材，不但可以鞏固老會員，也可以分析出未知的顧客與需求，進一步開發市場。
2.用戶分群：分門別類貼標簽
描述分析是最基本的分析統計方法，描述統計分為兩大部分：數據描述和指標統計。數據描述：用來對數據進行基本情況的刻畫，包括數據總數，范圍，數據來源。指標統計：把分布，對比，預測指標進行建模。這里常常是Data mining的一些數學模型，像響應率分析模型，客戶傾向性模型，這類分群使用Lift圖，用打分的方法告訴你哪一類客戶有較高的接觸和轉化的價值。
在分析階段，數據會轉換為影響指數，進而可以做"一對一"的精準營銷。舉個例子，一個80後客戶喜歡在生鮮網站上早上10點下單買菜，晚上6點回家做飯，周末喜歡去附近吃日本料理，經過搜集與轉換，就會產生一些標簽，包括"80後""生鮮""做飯""日本料理"等等，貼在消費者身上。
3.制定策略：優化再調整
有了用戶畫像之後，便能清楚了解需求，在實際操作上，能深度經營顧客關系，甚至找到擴散口碑的機會。例如上面例子中，若有生鮮的打折券，日本餐館最新推薦，營銷人員就會把適合產品的相關信息，精準推送這個消費者的手機中；針對不同產品發送推薦信息，同時也不斷通過滿意度調查，跟蹤碼確認等方式，掌握顧客各方面的行為與偏好。
除了顧客分群之外，營銷人員也在不同時間階段觀察成長率和成功率，前後期對照，確認整體經營策略與方向是否正確；若效果不佳，又該用什麼策略應對。反復試錯並調整模型，做到循環優化。
這個階段的目的是提煉價值，再根據客戶需求精準營銷，最後追蹤客戶反饋的信息，完成閉環優化。
我們從數據整合導入開始，聚合數據，在進行數據的分析挖掘。數據分析和挖掘還是有一些區別。數據分析重點是觀察數據，單純的統計，看KPI的升降原因。而數據挖掘從細微和模型角度去研究數據，從學習集、訓練集發現知識規則，除了一些比較商業化的軟體SAS，WEKA功能強大的數據分析挖掘軟體，這邊還是更推薦使用R，Python，因為SAS，SPSS本身比較昂貴，也很難做頁面和服務級別的API，而Python和R有豐富的庫，可以類似WEKA的模塊，無縫交互其他API和程序，這里還需要熟悉資料庫，Hadoop等。
02數據細分受眾
「顛覆營銷」書中提到一個例子，可以引述一下，大家思考一個問題：如果你打算搜集200份有效問卷，依照以往的經驗，你需要發多少份問卷，才能達到這個目標？預計用多少預算和時間來執行？
以往的方法是這樣的：評估網路問卷大約是5%的回收率，想要保證收到200份的問卷，就必須有20倍的發送量，也就是發出4000份問卷，一個月內如果可以回收，就是不錯的表現。
但現在不一樣了，在執行大數據分析的3小時內，就可以輕松完成以下的目標：
精準挑選出1%的VIP顧客
發送390份問卷，全部回收
問卷寄出3小時內回收35%的問卷
5天內就回收了超過目標數86%的問卷數
所需時間和預算都在以往的10%以下
這是怎麼做到在問卷發送後的3個小時就回收35%？那是因為數據做到了發送時間的"一對一定製化"，利用數據得出，A先生最可能在什麼時間打開郵件就在那個時間點發送問卷。
舉例來說，有的人在上班路上會打開郵件，但如果是開車族，並沒有時間填寫答案，而搭乘公共交通工具的人，上班路上的時間會玩手機，填寫答案的概率就高，這些都是數據細分受眾的好處。
03預 測
「預測」能夠讓你專注於一小群客戶，而這群客戶卻能代表特定產品的大多數潛在買家。
當我們採集和分析用戶畫像時，可以實現精準營銷。這是最直接和最有價值的應用，廣告主可以通過用戶標簽來發布廣告給所要觸達的用戶，這裡面又可以通過上圖提到的搜索廣告，展示社交廣告，移動廣告等多渠道的營銷策略，營銷分析，營銷優化以及後端CRM/供應鏈系統打通的一站式營銷優化，全面提升ROI。
我們再說一說營銷時代的變遷，傳統的企業大多還停留在「營銷1.0」時代，以產品為中心，滿足傳統的消費者需求，而進入「營銷2.0」，以社會價值與品牌為使命，也不能完全精準對接個性化需求。進入營銷3.0的數據時代，我們要對每個消費者進行個性化匹配，一對一營銷，甚至精確算清楚成交轉化率，提高投資回報比。
大數據下的營銷顛覆經典的營銷4P理論，Proct，Price，Place，Promotion，取而代之的是新的4P，People，Performance，Process，Prediction。在大數據時代，線下地理的競爭邊界早就不存在，比的是早一步的先知能力，利用大數據，從顧客真實交易數據中，預測下一次的購買時間。 營銷3.0時代關鍵詞就是「預測」。
預測營銷能夠讓你專注於一小群客戶，而這群客戶卻能代表特定產品的大多數潛在買家。以上圖為例，你可以將營銷活動的目標受眾鎖定為20萬潛在客戶或現有客戶，其中包括特定產品的大多數買家（4萬人）。你還可以撥出部分預算用於吸引更小的客戶群（比如20% 的客戶），而不是整個客戶群，進而優化你的支出。
過去我們看數據可能是被動的方式，但預測營銷強調是決策價值，比如購買時間，你該看的不是她最後的購買日期，而是下次購買的時間，看未來的存活概率，最後生成客戶終身價值（CLV）。預測營銷催生了一種新的數據驅動營銷方式，就是以客戶為中心，核心在於幫助公司完成從以產品或渠道為中心到以客戶為中心的轉變。
04精準推薦
大數據最大的價值不是事後分析，而是預測和推薦，我就拿電商舉例，"精準推薦"成為大數據改變零售業的核心功能。譬如服裝網站Stitch fix例子，在個性化推薦機制方面，大多數服裝訂購網站採用的都是用戶提交身形、風格數據+編輯人工推薦的模式，Stitch Fix不一樣的地方在於它還結合了機器演算法推薦。這些顧客提供的身材比例，主觀數據，加上銷售記錄的交叉核對，挖掘每個人專屬的服裝推薦模型。 這種一對一營銷是最好的服務。
數據整合改變了企業的營銷方式，現在經驗已經不是累積在人的身上，而是完全依賴消費者的行為數據去做推薦。未來，銷售人員不再只是銷售人員，而能以專業的數據預測，搭配人性的親切互動推薦商品，升級成為顧問型銷售。
05技術工具
關於預測營銷的技術能力，有幾種選擇方案：
1、使用預測分析工作平台，然後以某種方法將模型輸入活動管理工具；
2、以分析為動力的預測性活動外包給市場服務提供商；
3、評估並購買一個預測營銷的解決方案，比如預測性營銷雲和多渠道的活動管理工具。
但無論哪條路，都要確定三項基本能力：
1）連接不同來源的客戶數據，包括線上，線下，為預測分析准備好數據 ；
2）分析客戶數據，使用系統和定製預測模型，做高級分析 ；
3）在正確時間，正確客戶，正確的場景出發正確行為，可能做交叉銷售，跨不同營銷系統。
06預測模型
預測客戶購買可能性的行業標準是RFM模型（最近一次消費R，消費頻率F，消費金額M），但模型應用有限，本質是一個試探性方案，沒有統計和預測依據。「過去的成績不能保證未來的表現」，RFM只關注過去，不去將客戶當前行為和其他客戶當前行為做對比。這樣就無法在購買產品之前識別高價值客戶。
我們聚焦的預測模型，就是為了在最短時間內對客戶價值產生最大影響。這里列舉一些其他模型參考：
參與傾向模型，預測客戶參與一個品牌的可能性，參與定義可以多元，比如參加一個活動，打開電子郵件，點擊，訪問某頁面。可以通過模型來確定EDM的發送頻率。並對趨勢做預測，是增加還是減少活動。
錢包模型，就是為每個客戶預測最大可能的支出，定義為單個客戶購買產品的最大年度支出。然後看增長模型，如果當前的總目標市場比較小，但未來可能很大，就需要去發現這些市場。
價格優化模型，就是能夠去最大限度提升銷售，銷量或利潤的架構，通過價格優化模型為每個客戶來定價，這里需要對你想要的產品開發不同的模型，或者開發通用，可預測的客戶價格敏感度的模型，確定哪一塊報價時對客戶有最大的影響。
關鍵字推薦模型，關鍵字推薦模型可以基於一個客戶網路行為和購買記錄來預測對某個內容的喜愛程度，預測客戶對什麼熱點，爆款感興趣，營銷者使用這種預測結果為特定客戶決定內容營銷主題。
預測聚集模型，預測聚集模型就是預測客戶會歸為哪一類。
07AI在營銷領域的應用
去年人工智慧特別火，特別是深度學習在機器視覺，語言識別，游戲AI上的突飛猛進，以至於人們開始恐慌人工智慧是不是已經可以接管人類工作，我個人是對新技術有著強烈的興趣，也非常看好新科技，數據與現實的關聯。
我以前在國外零售店買單的時候經常被詢問「你有沒有購物卡」，當我說沒有收銀員會趕緊勸我免費開通，有打折優惠，只需要填個手機號和郵箱，後面就可以針對我的購買記錄做營銷活動，而當我下次進來，他們就讓我報出電話號碼做消費者識別，當時我想如果做到人臉識別，豈不是更方便，刷臉就可以買單。而這個場景在去年也有了實驗，螞蟻金服研發出了一個生物識別機器人，叫螞可Mark，據說其認臉能力已經超越了人類肉眼的能力。還有VR購物，Amazon推出的無收銀員商店Amazon Go，通過手勢識別，物聯網和後續數據挖掘等技術實現購物體驗。
針對營銷領域，主要有以下三種預測營銷技術：
1、無監督的學習技術
無監督學習技術能識別數據中的隱藏模式，也無須明確預測一種結果。比如在一群客戶中發現興趣小組，也許是滑雪，也許是長跑，一般是放在聚類演算法，揭示數據集合中 真實的潛在客戶。所謂聚類，就是自動發現重要的客戶屬性，並據此做分類。
2、 有監督的學習技術
通過案例訓練機器，學習並識別數據，得到目標結果，這個一般是給定輸入數據情況下預測，比如預測客戶生命周期價值，客戶與品牌互動的可能性，未來購買的可能性。
3、強化學習技術
這種是利用數據中的潛質模式，精準預測最佳的選擇結果，比如對某用戶做促銷應該提供哪些產品。這個跟監督學習不同，強化學習演算法無須僅需輸入和輸出訓練，學習過程通過試錯完成。
從技術角度看，推薦模型應用了協同過濾，貝葉斯網路等演算法模型。強化學習是被Google Brain團隊的負責人Jeff Dean認為是最有前途的AI研究方向之一。最近Google的一個AI團隊DeepMind發表了一篇名為《學會強化學習》的論文。
按團隊的話來說，叫做「學會學習」的能力，或者叫做能解決類似相關問題的歸納能力。除了強化學習，還在遷移學習。遷移學習就是把一個通用模型遷移到一個小數據上，使它個性化，在新的領域也能產生效果，類似於人的舉一反三、觸類旁通。
強化學習加上遷移學習，能夠把小數據也用起來，我認為是很激動人心的，通過AI來創造AI，數據科學家的部分工作也可以讓機器來實現了。