基于大數(shù)據(jù)精準(zhǔn)營(yíng)銷的數(shù)據(jù)分析研究

尹景喆

【摘 要】精準(zhǔn)營(yíng)銷是在充分了解顧客信息的基礎(chǔ)上，針對(duì)顧客偏好，有針對(duì)性地進(jìn)行營(yíng)銷，并以事實(shí)為依據(jù)，以數(shù)據(jù)為基礎(chǔ)，實(shí)現(xiàn)對(duì)未來客戶的精準(zhǔn)定位、銷售情況的準(zhǔn)確預(yù)估以及對(duì)不同客戶不同業(yè)務(wù)內(nèi)容的精確推薦。本文基于大數(shù)據(jù)精準(zhǔn)營(yíng)銷，從精準(zhǔn)營(yíng)銷的定性分析與定量分析兩個(gè)方面，對(duì)數(shù)據(jù)進(jìn)行分析和挖掘，為精準(zhǔn)營(yíng)銷提供依據(jù)和支持。

【關(guān)鍵詞】精準(zhǔn)營(yíng)銷；數(shù)據(jù)分析；定性分析；定量分析

精準(zhǔn)營(yíng)銷，是在充分了解顧客信息的基礎(chǔ)上，針對(duì)顧客偏好，有針對(duì)性地進(jìn)行營(yíng)銷，就是在合適的時(shí)間向合適的人提供合適的產(chǎn)品。同時(shí)，精準(zhǔn)營(yíng)銷要以事實(shí)為依據(jù)，以數(shù)據(jù)為基礎(chǔ)，實(shí)現(xiàn)對(duì)未來客戶的精準(zhǔn)定位、銷售情況的準(zhǔn)確預(yù)估以及對(duì)不同客戶不同業(yè)務(wù)內(nèi)容的精確推薦?；诖髷?shù)據(jù)精準(zhǔn)營(yíng)銷的數(shù)據(jù)分析，就是從精準(zhǔn)營(yíng)銷的角度，對(duì)數(shù)據(jù)進(jìn)行挖掘與分析，找出數(shù)據(jù)的內(nèi)在規(guī)律，對(duì)未來情況進(jìn)行預(yù)計(jì)，為企業(yè)營(yíng)銷戰(zhàn)略的制定和營(yíng)銷目標(biāo)的實(shí)現(xiàn)提供重要依據(jù)。

一、背景介紹

隨著近年來互聯(lián)網(wǎng)、新社交媒體的發(fā)展，信息過載，數(shù)據(jù)爆炸、大數(shù)據(jù)分布式存儲(chǔ)、大數(shù)據(jù)分析及挖掘技術(shù)的發(fā)展使得對(duì)海量數(shù)據(jù)進(jìn)行收集、分析、整合成為可能。基于大數(shù)據(jù)精準(zhǔn)營(yíng)銷對(duì)企業(yè)營(yíng)銷戰(zhàn)略提出了很大的機(jī)會(huì)和挑戰(zhàn)。可以說，精準(zhǔn)營(yíng)銷是一個(gè)基于數(shù)據(jù)分析的量化過程，從而實(shí)現(xiàn)對(duì)客戶的精準(zhǔn)定位、數(shù)據(jù)的準(zhǔn)確預(yù)估等。因此，怎樣面對(duì)大量數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，并通過分析得出有價(jià)值的營(yíng)銷信息，實(shí)現(xiàn)精準(zhǔn)營(yíng)銷，這里就需要一些數(shù)據(jù)統(tǒng)計(jì)分析方法的支持。

在精準(zhǔn)營(yíng)銷領(lǐng)域，數(shù)據(jù)統(tǒng)計(jì)分析的方法又可分為定性分析法和定量分析法。定性分析法如分類、關(guān)聯(lián)等，重點(diǎn)解決的問題有：哪些客戶是某個(gè)產(chǎn)品或者營(yíng)銷活動(dòng)的目標(biāo)用戶？每個(gè)用戶最適合推薦的產(chǎn)品是什么？定量分析法如時(shí)間序列預(yù)測(cè)、移動(dòng)平均模型、指數(shù)平滑模型、趨勢(shì)預(yù)測(cè)法、季節(jié)指數(shù)法、貝葉斯統(tǒng)計(jì)預(yù)測(cè)方法、馬爾可夫分析法等，重點(diǎn)關(guān)注怎樣通過對(duì)客戶消費(fèi)行為數(shù)據(jù)和歷史規(guī)律的挖掘與分析，預(yù)測(cè)未來客戶需求數(shù)據(jù)的問題，實(shí)現(xiàn)以客戶為中心的精準(zhǔn)營(yíng)銷。本文從精準(zhǔn)營(yíng)銷的定性數(shù)據(jù)分析與定量數(shù)據(jù)分析兩個(gè)方面展開討論。

二、精準(zhǔn)營(yíng)銷數(shù)據(jù)中的定性分析

分類法：分類就是按照事物的性質(zhì)、特點(diǎn)、用途等作為區(qū)分的標(biāo)準(zhǔn)，將符合同一標(biāo)準(zhǔn)的事物聚類，不同的則分開的一種認(rèn)識(shí)事物的方法，是數(shù)據(jù)分析應(yīng)用最廣泛的應(yīng)用之一?？衫梅诸惙▽ふ夷繕?biāo)客戶的共有特征，通過分析準(zhǔn)確的找到目標(biāo)用戶。構(gòu)建分類模型方法有決策樹、神經(jīng)網(wǎng)絡(luò)、判別分析等方法。

關(guān)聯(lián)法：主要解決的問題是研究產(chǎn)品購(gòu)買的關(guān)聯(lián)性，即購(gòu)買A產(chǎn)品的同時(shí)是否會(huì)對(duì)B產(chǎn)品感興趣。關(guān)聯(lián)分析又叫“購(gòu)物籃分析”，意思是在超市購(gòu)物時(shí)，一個(gè)購(gòu)物車中往往會(huì)放多種不同的商品，通過大量的購(gòu)物車分析商品之間可能會(huì)存在眾多意料之中或意料之外的關(guān)聯(lián)性。主要解決兩大類問題：一是如何對(duì)客戶進(jìn)行商品推薦，二是把哪些商品捆綁在一起銷售更好。關(guān)聯(lián)法就是從一種行為中發(fā)現(xiàn)與之相關(guān)聯(lián)的另一中行為，其廣泛應(yīng)用于零售業(yè)、金融業(yè)及互聯(lián)網(wǎng)行業(yè)。最典型的運(yùn)用是超市的購(gòu)物籃分析，挖掘一般顧客在購(gòu)買X產(chǎn)品的同時(shí)還會(huì)購(gòu)買其他什么產(chǎn)品，于是制定相應(yīng)營(yíng)銷策略，進(jìn)行捆綁銷售，增加銷售量。電子購(gòu)物網(wǎng)站也使用關(guān)聯(lián)法對(duì)相關(guān)數(shù)據(jù)進(jìn)行分析。一些購(gòu)物網(wǎng)站使用關(guān)聯(lián)規(guī)則設(shè)置相應(yīng)的交叉銷售，也就是使得購(gòu)買某種商品的顧客會(huì)看到相關(guān)的另外一種商品的廣告。

三、精準(zhǔn)營(yíng)銷數(shù)據(jù)中的定量分析

時(shí)間序列預(yù)測(cè)：時(shí)間序列就是一個(gè)變量在一定時(shí)間段內(nèi)不同時(shí)間點(diǎn)上觀測(cè)值的集合。這些觀測(cè)值是按時(shí)間順序排列的，如按年、季度、月、周等統(tǒng)計(jì)的商品銷量、銷售額或庫(kù)存量。通過時(shí)間序列觀測(cè)值的變化規(guī)律與趨勢(shì)或因變量觀測(cè)值與自變量觀測(cè)值之間的函數(shù)依賴關(guān)系，來推算未來預(yù)測(cè)值的方法。

移動(dòng)平均模型：利用平均使各個(gè)時(shí)間點(diǎn)上的觀測(cè)值中的隨機(jī)因素互相抵消掉，以獲得關(guān)于穩(wěn)定水平的預(yù)測(cè)，將包括當(dāng)前時(shí)刻在內(nèi)的N各時(shí)間點(diǎn)上的觀測(cè)值的平均值作為對(duì)于下一時(shí)刻的預(yù)測(cè)值。

例：某商品在過去12周的銷售數(shù)量以用移動(dòng)平均預(yù)測(cè)模型進(jìn)行預(yù)測(cè)的數(shù)據(jù)如下表：

折線圖如下：

按照移動(dòng)平均預(yù)測(cè)模型，某商品第13周銷量預(yù)測(cè)值為20.25。

指數(shù)平滑模型：也稱為改進(jìn)的移動(dòng)平均預(yù)測(cè)模型，是在移動(dòng)平均預(yù)測(cè)模型的基礎(chǔ)上，將計(jì)算平均值時(shí)對(duì)于不同時(shí)期觀測(cè)值的權(quán)數(shù)設(shè)置的不同，近期的全數(shù)較大，遠(yuǎn)期的權(quán)數(shù)較小。

將上例按照指數(shù)平滑法進(jìn)行建模，阻尼系數(shù)取0.3時(shí)的模擬出第13周銷量預(yù)測(cè)值為20.8，如下圖：

趨勢(shì)預(yù)測(cè)法：對(duì)于含有線性趨勢(shì)成分的時(shí)間序列，可以將預(yù)測(cè)變量在每一個(gè)時(shí)期的值和其對(duì)應(yīng)時(shí)期之間的線性依賴關(guān)系表示出來，確定相關(guān)系數(shù)（直線方程的斜率和截距）后，可得到直線趨勢(shì)方程。以此可求得每個(gè)預(yù)測(cè)區(qū)間的預(yù)測(cè)值。

季節(jié)指數(shù)法：對(duì)于既含有線性趨勢(shì)成分又含有季節(jié)成分的時(shí)間序列，對(duì)其成分進(jìn)行分解，分解出趨勢(shì)成分、季節(jié)成分與不規(guī)則成分的乘積。由于不規(guī)則成分的不可預(yù)測(cè)性，預(yù)測(cè)值可表示為趨勢(shì)成分與季節(jié)成分的乘積。

貝葉斯統(tǒng)計(jì)預(yù)測(cè)方法：一種以動(dòng)態(tài)模型為研究對(duì)象的時(shí)間序列預(yù)測(cè)方法。在做統(tǒng)計(jì)推斷時(shí)，一般由先驗(yàn)信息加總體分布信息加樣本信息，從而推斷出后驗(yàn)分布信息。貝葉斯模型不僅利用了前期的數(shù)據(jù)信息，還加入了決策者的經(jīng)驗(yàn)和判斷等信息，將客觀因素和主觀因素結(jié)合起來，使得預(yù)測(cè)結(jié)果更加貼合實(shí)際。

馬爾可夫分析法：又稱馬爾可夫轉(zhuǎn)移矩陣法，是指在馬爾可夫過程的假設(shè)前提下，通過分析隨機(jī)變量的現(xiàn)時(shí)變化情況來預(yù)測(cè)這些變量未來變化情況的一種預(yù)測(cè)方法。這里以一個(gè)灰色馬爾可夫預(yù)測(cè)模型擬合為例介紹馬爾可夫分析法的運(yùn)用。

（一）馬爾可夫過程概念介紹

人們?cè)趯?shí)際生活中常遇到具有下述特性的隨機(jī)過程：在已知它目前的狀態(tài)（現(xiàn)在）的條件下，它未來的演變（將來）不依賴于它以往的演變（過去）。這種已知“現(xiàn)在”的條件下，“將來”與“過去”獨(dú)立的特性稱為馬爾可夫性，具有這種性質(zhì)的隨機(jī)過程叫做馬爾可夫過程。endprint

如荷花池一只青蛙的跳躍是馬爾可夫過程的一個(gè)形象化例子。青蛙依照它瞬間或起的念頭從一片荷葉上跳到另一片荷葉上，因?yàn)榍嗤苁菦]有記憶的，當(dāng)所處的位置已知時(shí)，它下一步跳往何處和它以往走過的路徑無關(guān)。如果將荷葉編號(hào)并用X0，X1，X2，…分別表示青蛙最初處的荷葉號(hào)碼及第一次、第二次、……跳躍后所處的荷葉號(hào)碼，那么{Xn，n≥0} 就是馬爾可夫過程。液體中微粒所作的布朗運(yùn)動(dòng)，傳染病受感染的人數(shù)，原子核中一自由電子在電子層中的跳躍，人口增長(zhǎng)過程等等都可視為馬爾可夫過程。還有些過程（例如某些遺傳過程）在一定條件下可以用馬爾可夫過程來近似。

以上述荷花池中的青蛙跳躍過程為例，荷葉號(hào)碼的集合E叫做狀態(tài)空間，馬爾可夫性表示為：對(duì)任意的0≤n10，i0，i1，i2，…，i（n-1），i，j∈E，有

P[x（n）=in|x（0）=i0，x（1）=i1，...，x（n-1）=i（n-1）]=P[x（n）=in|x（n-1）=i（n-1）]（1）

只要其中條件概率有意義。一般地，設(shè)E={0，1，…，M}（M為正整數(shù)）或E={0，1，2，…}，Xn，n≥0為取值于E的隨機(jī)變量序列，如果（1）式成立，則稱{，n≥0}為馬爾可夫鏈。

（二）灰色馬爾可夫預(yù)測(cè)模型

傳統(tǒng)的灰色模型是利用微分方程給出系統(tǒng)生成序列長(zhǎng)期、持續(xù)的變化過程，這一過程通過生成序列轉(zhuǎn)換得到，生成序列指減弱原序列隨機(jī)性后的序列，還原生成序列就得到系統(tǒng)趨勢(shì)作用。GM（1，1）是灰色模型中最常見的，兩個(gè)參數(shù)1分別表示系統(tǒng)含有一個(gè)變量，使用一階微分方程模型。其建模方式如下：

假設(shè)有非負(fù)的原始序列將其累加得到生成序列，其中，k=1，…，n，利用可建立下列形式的方程：

這是一個(gè)一階變量的一階微分方程，其中a和u是待識(shí)別的灰色參數(shù)，按最小二乘法求解得到：

其中

再由累減可得到原始序列的變化規(guī)律，即有

以上就是GM（1，1）模型的基本思路和公式。

對(duì)于利用GM（1，1）模型得到的預(yù)測(cè)結(jié)果，我們可以根據(jù)馬爾可夫鏈的方法獲得GM（1，1）模型在已知序列里的偏差規(guī)律（即偏差的狀態(tài)轉(zhuǎn)移矩陣），并且依照此規(guī)律對(duì)GM（1，1）模型結(jié)果進(jìn)行修正，由GM（1，1）模型結(jié)果的一個(gè)預(yù)測(cè)數(shù)值，修正成為區(qū)間和概率組成的預(yù)測(cè)范圍，增加預(yù)測(cè)的可信度。這就是馬爾可夫預(yù)測(cè)方法的基本思路。

（三）實(shí)例分析

本文選取2003至2016年的某商品的銷售數(shù)據(jù)作為原始數(shù)據(jù)，見下表。

由此計(jì)算得到商品銷售總額的累加生成序列：

={1.2081，2.9484，4.986，7.3716，10.1647，13.4349，17.2637，21.7465，26.995，33.14，40.3346，48.7581，58.6204，70.1673}

進(jìn)一步可以得到

由灰色馬爾可夫預(yù)測(cè)模型原理可以得到

于是可以得到某商品銷售總額的灰色預(yù)測(cè)模型：

由上式可以計(jì)算出2004-2016年某商品銷售總額的預(yù)測(cè)值，見下表。

由表3我們可以得到預(yù)測(cè)值與實(shí)際圖的比較圖，見下圖：

下面對(duì)于灰色預(yù)測(cè)結(jié)果進(jìn)行馬爾可夫鏈改進(jìn)。

首先，根據(jù)馬爾可夫鏈分析方法的應(yīng)用經(jīng)驗(yàn)和實(shí)際情況，將預(yù)測(cè)值與實(shí)際值的偏差程度劃分為5種狀態(tài)。見下表：

按照上面分級(jí)標(biāo)準(zhǔn)，各年份商品銷售總額預(yù)測(cè)值與實(shí)際值偏差所處的狀態(tài)如表3所示?？梢娺@13年沒有出現(xiàn)狀態(tài)4和狀態(tài)5。

計(jì)算出灰色預(yù)測(cè)結(jié)果馬爾可夫狀態(tài)轉(zhuǎn)移矩陣：

根據(jù)馬爾可夫鏈預(yù)測(cè)原理以及上述灰色預(yù)測(cè)模型，2012年到2015年銷售總額預(yù)測(cè)結(jié)果分別為6.1450，7.1946，8.4235和9.8623（千億元），且狀態(tài)向量均為，最大概率區(qū)間計(jì)算情況見下表：

如表5所示，我們建立的灰色預(yù)測(cè)模型在2012至2015年的預(yù)測(cè)值均落在最大概率區(qū)間內(nèi)，且這些區(qū)間包含實(shí)際值，因此認(rèn)為該模型擬合狀態(tài)良好。

根據(jù)馬爾可夫預(yù)測(cè)原理，2017年的預(yù)測(cè)狀態(tài)向量為（0 0.4921 0.5079），2017年銷售額預(yù)計(jì)落在在（11.48972，12.84165）區(qū)間和（12.84165，14.19695）區(qū)間的概率均約為50%。也就是說，根據(jù)此預(yù)測(cè)模型，2017年銷售額預(yù)計(jì)會(huì)超過1.1億元，并低于1.4億元。

以上運(yùn)用灰色預(yù)測(cè)模型和馬爾可夫鏈預(yù)測(cè)相結(jié)合的方法，為營(yíng)銷預(yù)測(cè)提供了一種全新的思路。本方法既考慮了從時(shí)間序列中挖掘數(shù)據(jù)的演變規(guī)律，又通過狀態(tài)轉(zhuǎn)移概率矩陣反映數(shù)據(jù)的隨機(jī)波動(dòng)，具有嚴(yán)密性和科學(xué)性。此模型原理簡(jiǎn)單易懂，計(jì)算簡(jiǎn)便，可以隨著時(shí)間的變化將預(yù)測(cè)對(duì)象的新的實(shí)際值加入模型中，達(dá)到修正模型，提高預(yù)測(cè)精度的目的。

在市場(chǎng)競(jìng)爭(zhēng)日益激烈的大環(huán)境下，營(yíng)銷方式正在發(fā)生意義深遠(yuǎn)的變革，從傳統(tǒng)的、大眾的、粗糙的轉(zhuǎn)向深度的、細(xì)分的、精準(zhǔn)的模式轉(zhuǎn)變。這種轉(zhuǎn)變要求營(yíng)銷工作要建立在在深度數(shù)據(jù)分析挖掘的基礎(chǔ)上，因此，營(yíng)銷數(shù)據(jù)的統(tǒng)計(jì)與分析，必將在精準(zhǔn)營(yíng)銷領(lǐng)域中發(fā)揮強(qiáng)大的作用。

參考文獻(xiàn)：

[1]曾志生，陳桂玲.精準(zhǔn)營(yíng)銷：如何精準(zhǔn)的找到客戶并實(shí)現(xiàn)有效銷售[M].北京：中國(guó)紡織出版社，2007.

[2]伍青生.精準(zhǔn)營(yíng)銷的思想和方法[J].市場(chǎng)營(yíng)銷導(dǎo)刊，2006.

[3]劉征宇.精準(zhǔn)營(yíng)銷方法研究[J].上海交通大學(xué)學(xué)報(bào)，2007.

[4]韓家煒，數(shù)據(jù)挖掘：概念與技術(shù)[M]，北京：機(jī)械工業(yè)出版社，2006.

[5]丁建石.基于數(shù)據(jù)挖掘的精準(zhǔn)營(yíng)銷應(yīng)用研究[J].商業(yè)時(shí)代，2007.