現代商業中大數據的價值體現在哪

大數據最大的價值不是事后分析，而是預測和推薦我們可以看到”精準推薦”在電商中的運用，預測性分析成為大數據在零售業的主流。

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采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不一樣的地方在于它還結合了機器算法推薦。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，現在經驗已經不再是單純地人去一步步試錯，而是通過消費者的行為數據做推薦，幫助有經驗的營銷人員進行更高效準確的決策。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。

下面舉個例子說明精準營銷的好處。

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：評估網絡問卷大約是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：

1. 精準挑選出1%的VIP顧客

2. 發送390份問卷，全部回收

3. 問卷寄出3小時內回收35%的問卷

4. 5天內就回收了超過目標數86%的問卷數

5. 所需時間和預算都在以往的10%以下

怎么做到在問卷發送后的3個小時就回收35%? 因為數據做到了發送時間的”一對一定制化”，利用數據得出，A先生最可能在什么時間打開郵件就在那個時間點發送問卷。

比如有些人在上班路上會打開郵件，但如果是開車族，并沒有時間填寫答案，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。

生成用戶的精準畫像大致分成三步：

1 采集和清理數據：用已知預測未知

首先要掌握繁雜的數據源。包括用戶數據、各式活動數據、電子郵件訂閱數、線上或線下數據庫及客戶服務信息等。這個是累積數據庫;這里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，這個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，可以識別并記錄他/她的所有瀏覽行為，然后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。比如一個80后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后””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

有了用戶畫像之后，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，前后期對照，確認整體經營策略與方向是否正確;若效果不佳，又該用什么策略應對。反復試錯并調整模型，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，最后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件SAS，WEKA功能強大的數據分析挖掘軟件，這邊還是更推薦使用R，Python。由于SAS，SPSS本身比較昂貴，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，這里還需要熟悉數據庫，Hadoop等。