BI数据分析-落地数字化进准营销

前面我们花了大量的篇幅给大家介绍了如何设计一个数字化精准营销方案。我们从探索洞察、定义机会点、设计举措、方案计划维度分析了各个环节的特点和作用。当我们完成这些设计方案后，就需要着手进行方案的落地实施了，下面我们就如何落地一个数字化精准营销进行探讨。

数字化精准营销是基于大数据背后的营销手段开展的用户运营工作，通过全渠道传递价值内容，在数字化赋能下实现“快、狠、准”的敏捷营销。而现在流行的元宇宙概念势必会加速数字化营销的进程，它会隐形的推动市场不断向前发展。随着媒介形态与受众偏好的改变，互联网、消费品、金融业、广告业等都存在机遇和挑战，数据化精准营销的传播是企业信息化再造和品牌的智能革命。

一、精准营销的核心思想

      这里的精准包括精确、精密 、可衡量的。精准营销也比较恰当地体现了精准营销的深层次寓意及核心思想。

1. 大数据与数据分析

实现精准营销可以通过可量化的精确的市场定位技术突破传统营销定位的局限性。

传统营销眼中只有简单的交易额，用户买了什么产品，买了多少产品等浅层意义上的分析来营销企业的产品和服务，对用户的数据是局部的，对分析也只能点对点的展开处理。

精准营销借助先进的大数据技术、网络通讯技术及现代高度分散物流等手段保障和用户的长期个性化沟通，使营销达到可度量、可调控等精准要求。通过模型来构建全方位的客户描述，每个用户身上的数据标签越多，针对用户的营销策略就越广，分析的逻辑层面就越深，带动数字化精细运营。反过来说，摆脱了传统广告的高成本束缚，使企业低成本快速增长成为可能。

2. 流程与执行

精准营销的系统手段保持了企业和客户的密切互动沟通，从而不断满足客户个性需求，建立稳定的企业忠实顾客群，实现客户链式反应增值，从而达到企业的长期稳定高速发展的需求。

传统营销中大部分ToB企业一般一年制定一次年度营销规化，一整年按照计划执行，不太可能执行一半转道，犹如瀑布一般。

而数字营销我们也称作是敏捷式营销。因拥有客户的大数据，就能在更短周期内获得市场洞察，通过数据波动的变化进行同期和往期的数值比较，制定可变化的营销策略从传统一年一次缩短成类似一个月一次的营销规划。

3. 组织与成员

精准营销借助现代高效广分散物流使企业摆脱繁杂的中间渠道环节及对传统营销模块式营销组织机构的依赖，实现了个性关怀，极大降低了营销成本。

传统营销在营销组织结构中主要根据职能分成品牌、活动、PR、SDR等，每个同事根据营销计划，各司其职，缺少联动性和组织性。

数字营销主要是以客户为中心的市场组织。核心就是依靠数字化理念开展客户运营，因数字化孵化出很多新星职位和数字化系统，例如CRM、SaaS工具、BI系统、中台等数字化转型营销。

那么如何利用大数据为精细化运营和精准营销服务。要实现这一总体目标，首先必须创建一套完善的用户画像。

         

二、建立用户画像体系

      用户画像最初是在电商领域得到应用的，在大数据时代背景下，网络中充斥着大量的用户信息，将用户的各个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。

      由此可知，用户画像的重点是给用户贴上标签，而标签一般是高度简洁的特征标签，如年龄、性别、区域、行为偏好等。用户的所有标签基本上都可以描绘用户的三维画像。此外，借助CRM框架，也可以轻松描绘用户的画像，例如：

1. 细分用户特征。

对当前用户或潜在用户的特征进行梳理和分析。这些信息是多层次的，包括名称、性别、年龄、联系电话、详细地址、职位、用户序列号等基本信息。另外，企业也可以根据需要添加定制字段，并在用户生命周期中逐步完善用户数据，形成对用户的立体认知。

2. 用户价值细分。

　　记录用户的交易记录。比如用户提交订单的时间、购买的产品品种、总数、价格、提交订单的频率等。

　　通过数据分析用户的价值，判断哪些用户是一次性消费，哪些用户是持续消费，哪些用户从未消费过。结合消费金额和消费频率，用户一般可以分为价值区段：高价值用户、低价值用户、中间用户等。这种方法就是常用的RFM模型。

3. 用户需求细分。

由于用户数据在属性上是相互独立和结合的，企业可以根据需要进行交叉数据统计分析。根据咨询记录、沟通和跟进记录、订单信息记录、付款记录和合同记录等。

举个简单的例子，下面是根据理财用户的不同的倾向分类成的两大类用户画像：

1. 高流失倾向客户

      此类客户到期后，大概率不会再交易任何产品且资金流失度高。用户画像属性可细分为：

平均行龄中高

产品持有活跃

信用卡高端客户

平均AUMXX万+

最近X个月交易频次高

账户余额波动性较高

同名他行高资金往来

历史购买定期、理财金额高

2. 资金闲置倾向客户

      此类客户到期后，大概率不会再交易任何产品，资金闲置在活期账户上。用户画像属性可细分为：

平均行龄居中

产品持有活跃度较低

平均AUM在XX万- XX万之间

历史购买定期、理财金额居中

账户余额波动较小

历史理财到期后平均承接时间较长

         

三、基于机器学习算法的用户标签建模

      实际上，用户画像的方法有很多，我们暂且将其分为两种，一种是传统机器学习算法，例如有监督的多分类算法、无监督聚类算法。这些方法需要手动提取每个用户的特征，用一个特征向量去代表一个用户，我们把特征向量放到模型里，得到分类和聚类的结果。

另一种是深度学习方法，深度学习主要的功能也是对用户特征向量进行有监督的分类，但是它还有一个更强大的应用。那就是特征向量不用再手动提取，而是深度学习模型根据数据信息自动将其进行线性和非线性的变换操作，这样的模型能自动得到用户的特征，进而得出分类结果。

我们在这里主要给大家引出传统的有监督的分类算法的建模流程。该流程中各个步骤的顺序可根据具体情况的不同进行适当调整，也可以根据需要重复某些步骤。

         

1. 数据获取：包括获取存量客户及潜在客户的基础变量数据。存量客户是指已经在金融企业开展相关融资类业务的客户，包括个人客户和机构客户；潜在客户是指未来拟在金融企业开展相关融资类业务的客户。

2. EDA（探索性数据分析）与数据描述：该步骤主要是获取样本总体的大概情况，以便制定样本总体的数据预处理的方法。描述样本总体情况的指标主要有缺失值情况、异常值情况、平均值、中位数、最大值、最小值、分布情况等。

3. 数据预处理：主要工作包括数据清洗、缺失值处理、异常值处理，主要是为了将获取的原始数据转化为可用作模型开发的格式化数据。

4. 变量选择：通过统计学的方法，筛选出对违约状态影响最显著的指标。

5. 模型开发：主要包括卡方检验、变量聚类和逻辑回归估算三部分。

6. 主标尺与模型验证：开发某类主体的主标尺并进行模型的验证与校准。

7. 模型评估：是根据模型验证和主标尺设计的结果，评估模型的区分能力、预测能力、稳定性、并形成模型评估报告，得到模型是否可以使用的结论。

8. 模型实施：即模型的部署和应用。

9. 监测与报告：该步骤主要工作是定期监测模型的使用情况，并关注和定期检验模型的区分能力与预测能力的变化及模型稳定性的变化，在出现模型可能不能满足业务需求的情况时，反馈至模型开发团队，及时进行模型更新或重新开发。

         

四、针对不同客户制定产品营销策略

关联规则是交叉营销中最常用的方法。通过几个指标的计算，挖掘出客户在所有产品间按照某种顺序进行选择的可能性。

1. 关联规则

      关联分析（association analysis）是一种在大规模数据集中寻找有趣关系的非监督学习算法。是利用一些有趣性的量度来识别数据库中发现的强规则。

      关联规则挖掘过程主要包含两个阶段：第一阶段必须先从资料集合中找出所有的高频项目组(Frequent Itemsets)，第二阶段再由这些高频项目组中产生关联规则(Association Rules)。

      在描述有关关联规则的一些细节之前，先来看一个有趣的故事："啤酒和尿布"的故事。

      故事的时间跨度从上个世纪80年代到本世纪初，甚至连故事的主角和地点都会发生变化——从美国跨越到欧洲。认真地查了一下资料，我们发现沃尔玛的 “啤酒与尿布”案例是正式刊登在1998年的《哈佛商业评论》上面的，这应该算是目前发现的最权威报道。“啤酒与尿布”的故事产生于20世纪90年代的美国沃尔玛超市中，沃尔玛的超市管理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中，这种独特的销售现象引起了管理人员的注意，经过后续调查发现，这种现象出现在年轻的父亲身上。在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲前去超市购买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒，这样就会出现啤酒与尿布这两件看上去不相干的商品经常会出现在同一个购物篮的现象。如果这个年轻的父亲在卖场只能买到两件商品之一，则他很有可能会放弃购物而到另一家商店，直到可以一次同时买到啤酒与尿布为止。沃尔玛发现了这一独特的现象，开始在卖场尝试将啤酒与尿布摆放在相同的区域，让年轻的父亲可以同时找到这两件商品，并很快地完成购物；而沃尔玛超市也可以让这些客户一次购买两件商品、而不是一件，从而获得了很好的商品销售收入，这就是“啤酒与尿布”故事的由来。通过对历史交易记录这个庞大数据库进行观察，沃尔玛还注意到，每当季节性飓风来临之前，不仅手电筒销量增加，而且美式早餐含糖零食蛋挞销量也增加了。因此每当季节性飓风来临时，沃尔玛就会把蛋挞与飓风用品摆放在一起，从而增加销量。

2. 以规则为导向的关联分析

      以规则为导向，通过筛选购买规则左边产品的客户群，来推荐其购买右边的产品。

      如上图。我们筛选出购买了定期存款的客户，然后向他们推荐保本理财，就如同套餐营销一样。因为从关联规则结果来看，保本理财和定期存款具有强关联性，在客户历史购买信息中，我们会发现购买了定期存款的用户，有很大的概率会购买保本理财。

3. 以产品为导向的关联规则

      以产品为导向，通过待销的产品，回溯规则的左边，找到最有可能购买的客户。

  

如上图。我们筛选出购买了左边产品的客户，然后通过计算产品的关联规则，找到活期存款和现金管理、信托类产品和资管计划具有强关联性。所以可以通过购买过一种产品的用户去推荐另一种强关联性的产品。

         

五、制定营销策略

      在一场活动营销中，需要先对相关行业市场、内容、竞争对手、用户喜好等因素进行市场调研分析分析。了解市场动态发现市场趋势、洞察用户需求、研究竞品活动营销的优劣势，以此分析机会点在哪里，找出产品自身和市场之间差异化的地方，明确整体的营销策略该怎么走，根据不同的渠道来制定不同的策略。

      这里我们以高流失倾向客户为例，来进行具体营销策略的制定。主要从以下三个要点进行思考。

1. 营销要点

      判断客户续存意愿，以较高收益理财、灵活申赎理财，增加沟通频次，为客户提供更多的产品选择，尽量体现服务价值。

2. 产品方案

产品的首选为T+0理财、高收益理财

主推：XXX

3. 注意事项

      在做好客户挽留的同时， 充分利用信用卡、专属权益等提升客户粘性，可以结合贷款产品进行交叉销售。

         

六、试点运行

      项目方案设计得再好，都是纸上谈兵。由于营销策略方案受企业文化、企业规模、行业特点、员工素质和地域差别等影响，不经过实践检验证明是可行的方案，不能轻易下结论。也正是如此，策划方案在试行过程发现问题也属正常。

通过试行，除了发现项目方案设计的不足，还可能发现设计方案出现遗漏，比如有缺失的制度、缺失的流程图或缺失的表格等等。

1. 试点选取

      试点选拔原则考虑：

§ 试点意愿度高

§ 销售人员迫切需要名单支持

2. 试点培训

§邀请试点的主管领导来总部，讨论工作方案

§讲解模型原理

§对名单进行初步评价，发现问题及时修改

§督促提出支持力度，配合的支持措施

§名单下发

3. 对试点销售人员进行宣导

§分行下发文件、支行督导网点

§鼓舞销售人员，通关演练

§总行领导现场督导

4. 试点数据收集、分析、模型优化

§ 试点数据收集

§ 试点数据分析

§ 试点效果检验

§ 模型优化

七、效果评估

      随着数字化转型和数字化建设的快速发展，效果评估已经成为数字化精准营销闭环中的关键环节，效果评估不仅仅是一份事后的汇报材料，还是能够通过数据分析与洞察判断营销环节中的优缺点的关键步骤。完善科学的效果评估能够反向指导营销活动方案设计，形成有效的营销活动模板，进行常态化营销。

      在精准营销落地过程中，需要定期进行效果评估。一般情况下评价可以多种形式并结合各个试点的具体情况选择及展开。一般情况下评价方案可分为以下三种：

 

     

1. 一线调研示例

·客户信息

·营销接触信息

·申请信息

·合同信息

·拒绝原因

2. 设计指标示例

·开展率

·营销响应率

·是否有激励

·是否营销前筛选

·单个网点最多/平均营销客户数

·单个客户经理最多/平均营销客户数

·单个客户经理单日最多/平均营销客户数

·实地走访营销率

·实地走访营销响应率

·电话营销率

·电话营销响应率

·网点营销率

·网点营销响应率

3. 效果评估的重要性

      效果评估能够从产品、用户、渠道、权益四个方面帮助优化营销活动，然而很多企业在进行营销活动后并没有充分重视效果评估这一环节，在该环节存在很多痛点，例如缺乏对全链路数据收集、仅仅关注关键指标、缺少完善效果评估框架等。

1）定位活动及产品设计优缺点

产品设计是否满足用户需求？活动流程是否符合用户习惯？用户体验是否流畅便捷？

2）选择精准用户群

根据活动ABtest分组，选择效果最佳的用户群或者剔除效果最差的用户群，节省营销成本；

3）高效的触达渠道

通过不同渠道活动参与情况选择高效的触达渠道，了解用户渠道偏好，增加活动曝光率；

4）最具吸引力活动权益

用户核销、使用优惠券等数据反映了产品对用户的吸引力，为了提高活动参与率，应该选择更加具有吸引力的权益。

         

八、运行成效

      营销活动运行成效我们可以采用数据领域最常见的一种“程式化”数据分析方法。

      漏斗分析是一种可以直观地呈现用户行为步骤以及各步骤之间的转化率，分析各个步骤之间的转化率的分析方法。漏斗分析模型已经广泛应用于用户行为分析中。在流量监控、产品目标转化等日常数据运营与数据分析工作中应用很广泛。

1. 漏斗分析的作用

      对于业务流程相对规范，周期较长、环节较多的流程进行分析，能够直观地发现和说明问题所在，可以更快地找出某个环节的转化率出现问题。

1）企业可以监控用户在营销活动的转化情况降低流失是运营用户的重要目标，通过营销活动具体情况，迅速定位流失环节，针对性分析可优化点，提升用户留存率。

2）多维度切分与呈现用户转化情况

科学的漏斗分析能够展现转化率趋势的曲线，能帮助企业精细地捕捉用户行为变化问题。漏斗能反映整体的转化现状，定位具体的问题环节。对于用户为什么购买、流失等具体情况，要知其所以然。

3）监控漏斗转化趋势

不同属性的用户群体漏斗的对比分析是科学漏斗分析的重要一环。我们可以通过对不同属性的用户群体（如新注册用户与老客户）各环节转化率的差异对比，分析漏斗合理性，并针对转化率异常环节进行调整。

2. 常见的漏斗模型

      在实际业务中，每个业务都有自己特有的漏斗。针对我们章节中所提到的高概率流失客户营销案例，我们可以进行如下构建。

       

1）用户获取

      通过营销推广手段和邀约方案，获取基础用户并参与到营销活动中，这一环节的用户量理论上来说是越大越好，但也需要介入一定分析手段，尽可能多的找到目标客户。

2）用户激活

      当获取到新用户的时候, 就要保证最大程度地去激活他进行应答和购买行为，以及不断用户的传播去触达好友，增加应答激活概率，提升活跃度。

3）用户留存

      在解决了活跃度的问题以后，又发现了另一个问题:“用户来得快、走得也快”，也就是用户粘性问题。

      解决这个问题首先需要通过留存率等指标监控应用的用户流失情况，并采取相应的手段在用户流失之前，激励这些用户继续使用应用。

4）用户付费

      获取收入其实是营销最核心的一块。收入的来源有很多种，主要包括：应用付费、应用内功能付费、广告收入、流量变现等，主要考核的指标比如ARPU（客单价）。