用“数据分析技术”重新定义“传统零售”

定义“传统零售”"/>

用“数据分析技术”重新定义“传统零售”

面对不断变化的消费者需求，零售商和品牌商们需要以数据和技术作为转型的基础，以消费者需求为指引，布局创新的消费者全触点，全面、快速、针对性地满足消费者需求。通过全触点的布局，企业能够实现占据消费者更多时间，培养消费者粘性，并且掌握更加全面精准的消费者画像。

 数据分析技术

数据收集的根本目的是根据需求从数据中提取有用的知识，并将其应用到具体的领域之中。

要让其产生商业价值必须进行大数据分析，需要特定的一些人通过特殊的软件、特制的机器，对数据进行处理、计算、分析、挖掘，从而获取很多智能的，深入的，有价值的信息，最终帮助企业进行营销决策的调整与优化，帮助品牌发现机遇，如新客户、新市场、新规律、回避风险、潜在威胁等。

大数据技术能够将大规模数据中隐藏的信息和知识挖掘出来，为人类社会经济活动提供依据，提高各个领域的运行效率，甚至整个社会经济的集约化程度。

什么是数据挖掘？

数据挖掘技术是对数据库中的数据进行深入挖掘分析的一种技术。

其作用是利用各种先进的分析工具，对海量数据库中的数据与模型间的关系进行分析，在表述模糊的、信息不健全的、数据庞大的随机数据库中，提取出人们不知道的、隐藏于其中的、有用的信息知识，根据数据模型间的关系作出具体预测，以预测未来的某一领域的某种趋势或行为，帮助人们做出相应的前瞻性决策。

通俗的讲，就是在数据中找到有用的东西，哪些东西有用就要看具体的业务目标了。

最简单的应用是统计应用，比如电商数据，如淘宝统计过哪个省购买泳衣最多等，进一步，可以基于客户的浏览、点击、收藏、购买等行为推断客户的年龄、性别、购买能力、爱好等能表示一个人的画像，就相当于用这些挖掘出来的属性来刻画一个人。

CRISP-DM (跨行业数据挖掘标准流程)是世界公认的方法论之一，也较有影响力。在这一流程中DM不再只是数据的组织或者简单的呈现，也不仅仅表现为对数据的分析和统计建模，其强调的则是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。

CRISP-DM将整个挖掘过程分成了以下六个步骤:①商业理解；②数据理解；③准备数据；④建立相应的模型；⑤对模型进行评估；⑥发布模型。

数据挖掘方法有很多，对于营销来说，主要有分类、关联规则、决策树和聚类等，分类主要用来对销售数据分析，其目的是通过构建分类模型，以此来确定顾客的兴趣和消费倾向，然后将数据分成给定的类别，从而推断消费者下一步的消费行为；

关联规则主要是利用产品相似性进行推荐营销，比如经典的啤酒与尿布的故事，就是利用关联规则成功营销的案例；决策树主要用来保留顾客分析和顾客流失率分析；聚类则是根据“物以类聚，人以群分”的思路，根据产品的相似性、顾客的群特征，对消费者进行分类。

聚类方法包括许多，像基于层次的聚类、基于密度的聚类、基于网格的聚类，聚类可以用来对客户群体进行分类、对客户背景分析、对客户购买趋势预测等。

 什么是预测分析？

随着数据源越来越多，数据信息越来越碎片化，不仅给企业的数据管理带来了困局难，同时也导致技术人员在大数据处理分析时必须要使用会更加精细化的数据处理工具和更加垂直创新的数据模块。所以，大数据预测分析技术也成为目前大数据领域最难的一个环节。

大数据预测分析是基于每一种非常规的变化事前一定有征兆，每一件事情都有迹可循，如果找到了征兆与变化之间的规律，就可以进行预测。大数据预测无法确定某件事情必然会发生，它更多是给出一个概率。

大数据预测分析（Big Data Predictive Analytics）是大数据最核心的应用，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。

大数据预测分析，不仅需要大规模数据调用、流式数据处理技术，同时还需建立准确的预测模型。大数据时代下，随着越来越多的数据被记录和整理，未来预测分析必定会成为所有领域的关键技术。

大数据预测分析最常见的应用案例便是“预测消费者行为”、“天气预报”等，客户行为预测是基于客户搜索行为、浏览行为、评论历史和个人资料等数据，从而洞察消费者的整体需求，进而进行针对性的产品生产、改进和营销。

百度基于客户喜好进行精准广告营销、阿里根据天猫客户特征包下生产线定制产品、亚马逊预测客户点击行为提前发货均是受益于互联网客户行为预测。预测性分析是根据可视化分析和数据挖掘的结果做出预测性的判断。数据挖掘可以预测“谁可能是手机报倾向使用客户。

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。

还有其他一些模型参考：

①参与倾向模型，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。

②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。

③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。

④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。

⑤预测聚集模型，预测聚集模型就是预测客户会归为哪一类。

来源：哈步数据