论大数据视角下零售业精准营销的应用实现

报告是数据展现最重要的承载形式。深入浅出的数据报告、言简意赅的数据结论更利于业务理解和接受。数据应用是将数据挖掘和分析的结果应用到业务操作过程中，这个过程需要数据应用人员具备业务推动能力，即在业务理解数据的基础上，推动业务落地，实现数据建议。

零售业精准营销应用实例

基于上述，精准营销可定义为：精准营销=精准数据+精准分析+精准推送。

（一）精准数据

精准营销是一项商业主题，构建面向该主题的数据仓库或数据集市是其精准数据的直接表现。本文引用数据挖掘软件Clementine自带的用于关联分析的“购物篮”数据和购买者个人资料数据，它们分别取自超市的“交易”数据表和“会员卡”数据表，结果存于BASKETS1n数据文件中，共18个字段，1000条记录，如图1所示。BASKETS1n是面向“购物篮”分析的已被精准化了的数据集市，其每条记录代表一个购物篮（即一次购物内容的集合），其中，T表示客户购买了对应的物品，F表示没有购买。具体内容包括：

购物篮摘要：Cardid（会员卡标识符）、value（购物篮付款总额）、pmethod（购物篮付款方法）。会员卡个人信息：Sex（性别）、homeown（持卡者是否拥有住房）、income（收入）、age（年龄）。购物篮内容：fruitveg（水果蔬菜）、freshmeat（新鲜肉品）、dairy（牛奶）、cannedveg（罐装蔬菜）、cannedmeat（罐装肉品）、frozenmea（冷冻肉品）、beer（啤酒）、wine（酒）、softdrink（苏打饮料）、fish（鱼）、confectionery（糖果）。

（二）精准分析

就零售业而言，利用数据挖掘技术对客户群体进行精确细分，其步骤如下：第一步，产品消费分群。基于客户的购买行为（交易数据），通过关联分析，找出产品购买偏好的客户群。第二步，客户群人口特征归纳。将交易数据和客户会员卡资料绑定，通过决策分析（如决策树），对各群客户的人口特征进行规则归纳。第三步，客户群个体画像。运用人口特征规则集，对每类客户个体进行画像，如收入水平、支付能力、性别、年龄等，进而为精准营销策略设计提供精确支持。

1.产品消费分群。在中文版Clementine软件环境中，加载BASKETS1n数据源，并附加类型节点，打开类型节点编辑选项，将cardid字段类型设置为“无类型”，然后执行“读取值”（即实例化），再将所有物品种类字段的方向设置为“两者”，其它字段的方向设置为“无”。将GRI模型节点附加到类型节点上，编辑GRI模型节点，在“模型”选项页中，将“最小规则置信度（%）”设置为40、“最大前项数”设置为1（只表现物品间双向关联），选中“仅包含标志变量的真值”选项，执行GRI模型节点，产生9条物品购买之间的关联规则，如图2所示。由图2可知，frozenmea（冷冻肉品）、beer（啤酒）、cannedveg（罐装蔬菜）有关联（规则1、2、3、4、5），wine（酒）和confectionery（糖果）有关联（规则6、7），fruitveg（水果蔬菜）和fish（鱼）有关联（规则8、9）。

网络图方式可更加形象直观地反映购物篮物品间的关联。附加网络图节点到类型节点上，编辑网络图节点，在“图”选项页中，仅选中所有物品种类字段，选中“仅显示真值标志”选项；在“选项”选项页中，将“以下弱链接”和“以上强链接”均设置为100，选中“链接大小显示强/正常/弱类型”，然后“应用”确定，执行网络图节点，结果显示如图3所示。

从图2、图3可以看出，用GRI和网络图两种分析技术所得到的物品购买之间的关联是一致。由此，可以将客户购买物品的偏好概括为三类：“健康饮食者”，即喜欢购买水果、蔬菜（fruitveg）和鱼（fish）的客户；“甜食偏好者”，即喜欢购买糖果（confectionery）和甜酒（wine）的客户；“速食偏好者”，即喜欢购买冷冻肉品（frozenmea）、罐装蔬菜（cannedveg）和啤酒（beer）的客户。

2.客户群人口特征归纳。这里使用C5.0算法来建模，将三类购买群体的客户特征筛选出来。首先，为每类客户群生成一个节点标记，该标记可以使用已经建立的网络图来自动产生。以购买frozenmea、cannedveg和beer物品为例，选中该物品类各连线，连线变为红色后，在菜单栏中选择“生成”，从下拉菜单中选择“导出节点（“和”）”，该导出节点将自动生成。编辑生成的导出节点，在“设置”选项页中将“导出字段”命名为“速食偏好者”，在“注解”选项页中将该节点也命名为“速食偏好者”。

其次，归纳该客户群的人口特征。将刚导出的节点连接到现存的类型节点上，然后再附加一个类型节点。在新的类型节点中，将value、pmethod、Sex、homeown、income、age字段方向设置为“输入”，客户群的导出字段方向设置为“输出”，其它剩余字段的方向设置为“无”。给新的类型节点附加一个C5.0模型节点，编辑C5.0模型节点，将模型“输出类型”设置为“规则集”并执行，得出的结果如图4所示。

“健康饮食者”和“甜食偏好者”两类的客户群人口特征归纳可重复上述过程。至此，该购物篮分析所构建的“数据流”如图5所示。

3.客户群个体画像。从图4的规则集中可以看出，“速食偏好者”客户群的人口特征是：收入较低（income<=16，900）的男性（sex=M）客户。而且，影响该客户群偏好的主要因素（变量）是收入（income）和性别（sex）。其它两类的客户群个体画像可照此作出。如果要想获得更详尽一些的客户个体画像信息，在使用C5.0算法建模时，可将模型“输出类型”设置为“决策树”，然后分析其结果，从中可以找出更多、更详细的支持精准营销的分类信息。

（三）精准推送

精准推送包含两个层面：第一，面向企业内部。它是数据展现，即向企业管理层精准推送高质量的数据分析报告。通过分析报告，把数据分析的目的、过程、结果及方案完整呈现出来，以供商业决策时参考。另外，数据分析报告要有明确的结论、建议和解决方案，否则就称不上是好的分析。第二，面向企业外部。它是数据应用，是精准营销的策略设计以及方案实施。以超市啤酒海报促销为例。海报设计主要考虑两个问题：一是海报的发放人群，二是海报放入哪些商品。对于发放人群，根据前面的数据分析，喝啤酒的主流人群属“速食偏好者”，是收入相对较低的男性。通过“因子分析”模型，可进一步得知，收入较低的男性一般都比较年轻。所以，海报的发放人群应是相对较年轻的男性，这样就能更精准地吸引更多的消费者进超市购物，为超市带来更多的利润。至于海报放入哪些商品，根据前面的数据分析，可以把冷冻肉品、罐装蔬菜等速食类商品设计成优惠商品放入促销海报中，同时把相关促销商品放在啤酒旁边，这样将可能增加客户的单笔销售金额，实现销售额增长。如果海报的发放人群不精准，其真相很可能是大部分的消费者只购买了特价啤酒，而没有顺带购买任何其他商品，虚假的热销背后是超市的毛利受损。

综上，在大数据时代的今天，数据被提到一个前所未有的高度。精准营销是大数据在零售业应用价值最大的地方。大数据不仅能“挖掘”客户曾经的需求，还能够“创造”客户将来的需求。

参考文献：

1.维克托·迈尔·舍恩伯格，肯尼思·库克耶.大数据时代：生活、工作与思维的大变革[M].浙江人民出版社，2013

2.谢邦昌.数据挖掘Clementine应用实务[M].机械工业出版社，2008

推荐访问:精准 零售业 视角 营销 数据

---