本文共 5967 字，大约阅读时间需要 19 分钟。

商业进阶——营销科学的未来

本章主要从当今营销领域的五大分析应用领域：数据Data、探索数据Data Explorer、预测模型Predictive Model、优化Optimization和决策Decision这五个方面来进行学习。

营销科学的未来

公司利润新定义

在新兴营销领域，公司利润的计算方案可能是：通过对客户的分析，计算一次从一个客户获利的基础上进行累积的和。

什么是“客户分析”？

客户分析是指组织关于其客户行为的精细数据的收集，管理，分析和战略利用。

客户分析的特征：

1.固有的细化：关注个人层面的行为，而不是聚合模式。 2.行为：主要关注观察到的行为模式，而不是人口统计或倾向。 3.前瞻性：预测的方向，而不仅仅是描述。 4.多平台：希望结合多个测量系统的行为。 5.广泛适用：“客户”的定义与行业无关 - 可以是用户，读者，访客，捐赠者，客户等。 6.多学科：相关领域包括市场营销，统计学，计算机科学，信息科学和运筹学。

内容讲诉大纲

一，营销的历史数据

• “营销科学的过去/未来”

二， 市场营销中新出现的数据集

• 你可能会相信的公司和会让你震惊的公司！

三。，营销科学的未来（超越购买数据）

• 路径数据（与购买相关的地理空间数据）
• 眼动追踪（看与购买）

四， 预测分析

• 新兴企业的例子！

一，营销的历史数据

20世纪50年代

-数据粒度为店铺级

20世纪50年代的营销研究黄金时代

20世纪50年代：存储审计数据“统治地球”

20世纪50年代的可回答的商业问题：

•商店级价格与销售有何关系？ •优惠券的有效性是什么？ •“区域”广告对购买有多大影响？ •店内促销对销售的影响是什么？ 仍然有趣的问题，但在业务上留下了很多钱。 为什么？

20世纪60、70年代

直邮“统治地球” -数据粒度为家庭级

新的应对业务

20世纪60年代和70年代的问题 •个人价格如何与目录购物行为相关？ •目录/邮寄的频率和时间对购买行为的影响是什么？ •作为分类的产品如何影响家庭购买行为？ •哪种类型的广告上诉/消息更有效/更有效？ 在业务上留下很少的钱。 为什么？

20世纪80年代

革命性的扫描仪出现 -数据粒度为个人级

20世纪80年代是营销“现代”的开端

•结账时分发个人级折扣 •随着时间的推移跟踪客户，了解他们的长期购买习惯 •衡量人员级优惠券和折扣使用情况 •更好地了解店内体验 与这些数据一样，缺少的东西比看到的要多。

20世纪90年代和21世纪

•出现了可追踪页面浏览器 •可追踪产品过滤器 •基于购买记录和内容的跟踪广告 •基于浏览器Cookie和忠诚度项目来联接过去体验 •线上购买、线下送达的体验。 互联网改变了营销的面貌

新数据的爆炸显而易见

二，营销中新出现的数据集

比如业务问题：

为什么人们对客户分析如此兴奋？

如何有效地显示（长期）与SEM（短期）数字广告？

被称为广告归因问题（当前实践是最后点击） 如最终是从雅虎的网页的google广告来 客户如何利用多个媒体平台（朋友还是FOE？） 称为媒体优化或渠道同化问题

为什么重要？

覆盖面和频率，以及它的货币化对应物 GRP =达到*频率 是广告的货币，因此增加或不增加渠道？

• 发现：

• 频道不会长期相互蚕食，重度用户是重度用户（例如添加移动频道不会减少其他用户）
• 频道在某一天会相互蚕食

价值折扣如何有价值？

大多数公司忽略了促销的间接价值！ 消费者通过他们的社交网络带来额外的价值

FACEBOOK的投资回报率是多少？

更“喜欢”/提到有价值吗？ 为什么这是错误的问题？

如果你“喜欢”，你会买？

在线：小组成员在浏览互联网时会看到横幅广告。 电视：在看电视的同时，他在一周内接触了同一品牌的三个广告。 Facebook：小组成员的朋友成为该品牌的Facebook页面并邀请他加入的粉丝。 然后小组成员看到有人的状态更新在他的新闻Feed中提到了该品牌。

购买：小组成员从该品牌购买三种产品。

小结

•FB和在线有更大的短期影响 •电视具有更长的结转效果 •与成本相比，市场相当有效，即随时间的总体综合影响与成本成正比

三，市场营销中的新数据集

1.店内购物：关键要点

•我们使用一系列测量设备进行跟踪 消费者：

• 购物计划（意向调查）
• 购物路径（RFID）
• 视野（眼睛凸轮）
• 购买（扫描仪数据）

想象一下客户可以在商店中跟踪的世界

购物者如何移动？

•平均而言，购物者只能覆盖商店的约25％。 RFID跟踪导致改进零售，改善货架空间分配的结果 购物者的“效率”如何？ 旅行推销员问题

TSP最优路径

我们将TSP-Optimal路径定义为连接入口，所有购买和结账的路径，以及最短的总行程距离。

“高效”与“低效”路径

基于总行进距离，路径A具有比路径B更少的TSP偏差

• 平均 TSP-最优性= 28％
• 旅行偏差占大多数偏差

结果分析

基于偏差对消费者进行聚类 具有高阶偏差的路径往往与更多购买相关（对旅行偏差没有影响）。 2.意图和眼动追踪数据 我们使用由TNS Sorensen开发的“蓝牙”形状的眼睛凸轮来捕捉购物者的视野。(或者Google眼镜) 3.杂货架的放置方法：眼睛水平平齐 通过数据分析，得出对应的概率 眼睛焦距、选择、考虑和回忆之间的关系分析图 4.计划和未计划的购物关系 可以看出最多不超过40%的计划购买物品而最终没购买。 而且一般60%的已购物品是未经安排的。 5.未来的一种可能购物方式 在未来可能在你没有去购物店之前，系统已经通过分析推测出你可能购买的物品。然后到货架附近的时候根据你购买的物品实时推荐物理距离最近的可能关联的其他物品提供购买选择。

四，先进的企业使用先进管理科学

几个案例来阐述最新的管理方法。

1.实体零售商，Kohl

这是一家实体零售商，Kohl正在做以下事情。 他们正在做智能手机定位。 假定我去Kohl购物，他们通过我的手机和Wi-Fi网络拥有数据。 他们可能将这有希望地联系到我的在线行为和 可能通过他们的数据网络以及商店中的在线和离线。 他们知道我站在哪里。 而现在，他们采取的行动是向我发送一个目标或 给出我的实际位置的上下文折扣。 这是非常有价值的数据。 营销方面有一句古老的格言，不仅仅是出售这个人产品，它是在正确的时间在正确的地方正确的产品。 科尔正在利用， 这就是我所说的，发送Eric Bradlow男士鞋的最佳时机是什么 比他站在男鞋过道前的折扣。 在我到商店前30分钟它没有价值，它没有那么有价值30几分钟之后，当我站在那里时它却很有价值。

2.Netflix

Netflix当然正在做所谓的元标记数据， 当你登录Netflix时，他们知道你在看什么。 这是客户分析的终极目标。 他们可以根据客户对您正在观看的内容进行衡量。 但这也是他们正在做的事情。 您观看的每个节目都会获得所谓的元标记，或者您喜欢属性或 描述。 所以他们知道Eric Bradlow是否看过警察节目 这发生在20世纪70年代的一个温暖的天气城市。 想象一下，拥有来自数百万客户的数据语料库。 那么现在，而不是说，我们可以创造什么样的节目？现在，想象坐在那里的导演说，我看到数据告诉我的是什么。人们真的很喜欢在20世纪70年代在温暖的天气城市举行的警察节目。嘿，让我们在20世纪70年代的温暖天气中创建一个警察节目。因此，像Netflix这样的公司正在做的是他们正在使用数据挖掘和 客户分析方法来创建内容。

3.美国运通

美国运通今天面临的一个重大问题是客户流失建模。 他们想知道谁会放弃他们的美国运通卡，为什么？ 好吧，你在另一个听说过的司机之一 这个营销内容的讲座是客户终身价值的概念。 我不认为我需要重复，但是 我将简要地重复一次Churn是客户终身价值的重要组成部分。 如果有人通过美国运通， 美国运通在他们搅拌后没有从他们那里获得任何收入。 所以你说得好，美国运通需要分析什么？ 您申请美国运通卡，即可填写大量数据。 有什么问题？ 好吧，除非美国运通发现这一点，否则没有问题 您的社交网络数据是否是一个非常强大的预测因子 不是你要去流失。

4.Facebook

如果我今天在Facebook上发布。 哦，伙计，我破产了，我失去了工作。 这可能预示着我的收入也许不会还清我的美国运通卡。 可能非常有价值，如果美国运通知道，所以这带来了很多问题。 更好的数据，公司可以管理和收集数据。 他们可以量化这些数据， 意思是他们正在使用所谓的自然语言处理 从我在网上发布的内容中获取文本数据的技巧。 他们正在把它变成他们可以适应的数字数据 进入数值流失模型。

5.医疗保健

医疗保健。 虽然我不是医疗保健专家，但我是分析专家。 这是今天医疗保健的头号问题， 今天医疗保健中的两大问题是第一，患者坚持遵医嘱。 那么，您如何让患者服用他们服用的药物？ 这是一个很大的挑战。 第二个是所谓的预测分析和 这就是我之前在底部向你展示的内容。 如果你想一想今天药物的运作方式，以及为什么它的成本如此 对政府和地球来说很重要的是因为我们等到你生病了 然后我们以最佳方式对待你。 但想象一下，我可以预测你的医疗记录， 这是我在左边向你展示的图片。 想象一下，我可以预测你要去的疾病 在你得到它们之前要20年。 现在，而不是试图通过最佳地对待你来解决问题， 我试图阻止你最佳地得到这种疾病。 所以想象我知道Eric Bradlow， 从现在起20年后，我的血压会很高。 好吧，为什么我现在不开始服用这种药物阻止我服用 高血压？ 而现在，我已经将一个被动问题变成一个积极主动的问题。 这就是当今医疗保健分析的未来。 它试图在未来远远地预测人类的疾病，但是 如果你想到我们在你看到我的时候谈到了什么 我的同事谈到，这是分析。 这是营销分析。 我将根据他们的患者记录定位个人客户， 根据他们可能的家族病史，根据他们服用的药物， 基于他们的商品和服务的消费。 我会以最佳方式将它们作为目标，使它们坚持使用药物， 并有正确的协议，以防止未来的疾病。 这不是向后看，它是前瞻性的。

6.Google无人驾驶

想象一下，我们派了一辆无人驾驶汽车到埃里克布拉德洛的家里来接他 开车送他到Bloomingdale’s免费。 因此，谷歌与零售商实际合作 根据您的客户终身价值提供免费乘车到商店。 这是谷歌，谁知道你在做什么， 与实体店或在线零售商合作 根据客户的终身价值将实际汽车送到您的家中。 这具有数据捕获的所有方面，即分析类型 预测，以及将汽车送到您家中的行动。 如果你认为这是幻想和 这永远不会到来，它即将来临。 在接下来的十年里， 我向您保证，路上不仅会有无人驾驶汽车， 但是在路上会有无人驾驶汽车与分析相关联。

7.星巴克Starbucks

您并没有给你最好的顾客，而是为ROI最高的客户提供优惠。 星巴克通过他们的忠诚度计划认识到了这一点。 他们希望在忠诚的边缘向人们提供交易。 他们想把不忠诚或不常见的顾客变成频繁的顾客。 他们并没有试图将频繁的客户转变为更频繁的客户，因为频繁的客户已经是常客。 因此他们将分析提升到了一个新的水平。 在他们认识到的地方，您不仅要善待最高收入客户， 你最好的对待你的客户 该支出的投资回报率最高。

8.呼叫中心

第一个对你来说并不陌生。 首先，康卡斯特知道我正在打电话，因为我正在家里打电话。 他们可以看到我家里有十台电视，顺便说一句，我并不夸张。 我是一个电视大家庭。 我喜欢电视。 我有很多Comcast盒子，这意味着我是康卡斯特非常有价值的客户， 所以他们可以看到。 请注意，查看数据。 我的手机现已关联到我的帐户。 他们可以看到它是我。 他们不会问我这是我。 我打电话时他们知道这是我。 接听电话的人知道我的终身价值。 他们可以看到我在平均每月购买量上花了多少钱。 他们可以看到我已经成为客户已有15年了。 第二件事是，他们可以听到语调， 软件现在可以听到我的声音中的愤怒，并决定为那个去布拉德洛的人写了一个方案来防止客户流失。 所以这里有一个例子，一家公司采取了真正的，自然的语言和 语调软件并将其与CRM系统和数据库管理相结合 他们将这些合并在一起，他们可以做两件事之一。 一个是，剧本可以是为了这个人。 等等，让布拉德利先生冷静下来。 我们知道你生气了，等等。 或者他们可以把我打发给一个更善于处理的人 愤怒的人。 这甚至是使用分析的更大可能性。 所以这是一个做得更好的公司的例子如客户关系管理。

9.亚马逊

亚马逊可以做的事情 他们是否可以预测客户E将在购买之前购买的东西。 他们可以将它运送到我家附近的当地零售商处。 因此，如果我订购它，那天我会得到它。 想象一下您可以构建的可能性和客户终身价值 如果你在中午订购，该产品将于今天5点钟到你家。 想想你愿意为此付出什么。 再说一遍，是什么让亚马逊做到了这一点？ 第一，他们有非常好的数据，因为他们是 跟踪单个客户级别的数据。 二，他们有推荐引擎和他们建立它来做预测建模。 所以他们可以预测客户E将来会购买什么。 不是客户E过去买的东西。 客户E将来会购买什么。 第三，他们有广泛的分布。 但对我家附近的当地零售商而言。 第四，他们有能力为此采取行动和收费。 他们会免费为客户E做这件事吗？ 不，这将是亚马逊Prime。 亚马逊Prime不会免费送货，如果您想在那一天付款，这是您支付的额外费用。 想象一下分析给这些公司带来的力量。

结论 Conclusion

1.技术很棒很酷，但是 这不是关于您个人家庭使用和设备的事情。 我如何使用技术，无论是眼动追踪数据，GPS数据， 网络数据，购买数据，调查数据， 如何使用这些数据更好地了解我的客户？

2.它永远不是数据的黄金时代。 因此，如果您今天仍在使用商店级别数据做出决策 汇总数据，你可能会放弃很多钱，因为有数据 在更细粒度的水平上，你可以做出同样的决定，但是 在个人客户层面。

3.如果你认为这很好知道的东西， 我不是很了解生意。 如果我为每一项研究都花了一美元就可以了解，这很好。 但是我遇到了问题，我认为分析的方式就是采取行动。如果你觉得Kohl’s，谷歌，亚马逊正在做这件事这很好知道。 他们这样做是因为他们看到了赚钱的真正机会。 所以我要感谢你的关注。 转到我的网站，转到客户分析网站。 永远不要停止学习分析和 它如何应用于您的特定业务。

上课心得

对于数字营销，其作为一个科学研究方法从数据着手，建模然后进行预测。最终预测的结果反馈到公司帮助我们进行决策。

转载地址：https://lekkoliu.blog.csdn.net/article/details/87893692 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！