Chinaunix
標題: 一步一步教你分析消費者大數(shù)據(jù) [打印本頁]
作者: hainiuxueyuan 時間: 2018-04-16 17:38
標題: 一步一步教你分析消費者大數(shù)據(jù)
做過面向消費者產(chǎn)品解決方案的人都知道，每個項目開始前，客戶都會提一些要求或者對現(xiàn)在營銷狀況的顧慮，比如我們想了解一下我們潛在消費者是誰；怎么發(fā)優(yōu)惠券效果最好；或者，我們應該推出什么樣子的新產(chǎn)品，能夠贏得消費者口碑和青睞。在量化決策分析法中，這一系列的前期需求，我們把他稱作為：客戶需求或未來期望。
接下來，你需要了解該問題的現(xiàn)狀，比如現(xiàn)有產(chǎn)品或服務的消費者是怎么樣的，以前發(fā)的優(yōu)惠券效果怎么樣，現(xiàn)在市場的銷量趨勢如何等等。
當了解了客戶需求和現(xiàn)在的現(xiàn)狀后，我們需要慢慢抽絲剝繭，找出解決方案，填補這個空檔。
一般來說，沒有任何方法論或者經(jīng)驗的咨詢員或者分析師聽到客戶的這些期望后，他們會開始不知所措，無從下手。他們完全不知道該從哪個角度切入，收集哪些數(shù)據(jù)，做哪些假設，用什么方法分析。
其實像這類問題是有方法論的，我們可以用四步循序漸進的方法來搭建現(xiàn)狀與未來的橋梁。
第一步：描述性分析－What
發(fā)現(xiàn)問題。我們可以用看病的場景來類比下，病人去看病，說最近不舒服。于是醫(yī)生讓病人進一步描述一下怎么不舒服。這里也是一樣，拿優(yōu)惠促銷的案例來說，我們會先了解客戶以往有沒有做過類似的促銷案例，什么時候做的，效果怎么樣。經(jīng)由這些的問題產(chǎn)生一系列的KPI。
KPI產(chǎn)生的方法有以下幾種：
1）我們提問，客戶解答
2）從客戶公司數(shù)據(jù)庫獲得信息（SQL）
3）從外部數(shù)據(jù)獲得信息（第三方數(shù)據(jù)加強）
4）競爭伙伴信息
5）政策信息
6）語義分析
7）其他
獲得KPI的工具：
1）問答（座談，電話，Email，短信，問卷）
2）數(shù)據(jù)庫（SQL）
3）Excel
4）R，Python等軟件
5）網(wǎng)站搜索資料
6）自然語言學習
7）其他
分析這些KPI變量：
這些KPI可以是絕對數(shù)，百分數(shù)，也可以是指數(shù)�？梢允沁^去不同時期的對比數(shù)據(jù)，也可以是不同分組（如：人群分組，模式分組）的對比數(shù)據(jù)，或者和競爭對手的對比數(shù)據(jù)等。
通常 KPI分析的方法有：
1）單變量分析（univariate）
2）雙變量分析（bivariate）
3）多變量分析（multivariate）
4）假設驗證（hypothesis）
5）簡單建模（clustering分組）
經(jīng)過對這些KPI的分析，可以幫助我們形成：
1）已有消費者人物畫像
2）潛在消費者人物畫像
3）忠誠客戶畫像
4）消費者價值分組
5）其他
第二步：診斷性分析（why）
回答問題。我們同樣用醫(yī)生看病的例子來類比一下，當醫(yī)生問完病人問題，通過問診，X光等等，醫(yī)生開始利用自己掌握的知識來對病人的病情做出診斷。
放到分析法中，這一步通常我們需要：
1）了解因果關(guān)系
2）了解各因素間敏感性如何
我們需要了解是由哪個原因，或者哪些原因造成了現(xiàn)在的市場現(xiàn)狀。比如在前一個階段，我們得到了50個非常有用的KPI，通過因果關(guān)系分析，我們確定了，其中有10個KPI起著重要的作用。結(jié)下來，我們會問，這10個因素中，每個因素單獨的貢獻是多少，有些可能非常高，有些可能相對較低。
那這個問題，我們可以通過建模來得到每個因素的貢獻大小，同時模型還能起到剔除高相關(guān)變量的作用。還有一種用到模型的原因是，當因素達到上百，上千個的時候，很難用傳統(tǒng)方法在如此多的因素中，甄別出最有用的事那些，這種情況下，也需要用到模型來幫助選變量，最后一個原因是我們可以甄別這個因素是正向促進因素，還是反向促進因素。
通過建模的結(jié)果，我們可以得到以下以下關(guān)于消費者的模型：
1）忠誠度模型
2）滿意度模型
3）價格敏感度模型
4）歸因模型
5）客戶流失模型
產(chǎn)生這些模型背后的算法有：
1）線性回歸
2）邏輯回歸
3）決策樹
4）時間序列
5）Random forest，boosting，SVM，PCA等等
第三步：預測分析
預測正確的時機，得到先發(fā)制人的營銷效果。有了第一步和第二步的準備，我們需要預測一下，如果我做一些調(diào)整，將會有什么變化和影響。
用到的模型有：
1）意向打分模型
2）品牌忠誠度打分
3）購買渠道偏好模型
4）觸媒使用習慣
6）銷量預測
5）生存分析模型
比如： 意向打分模型 。我們發(fā)現(xiàn)，如果用現(xiàn)有的因素，消費者會轉(zhuǎn)換的傾向可能是60%，但是如果我對一些因素做了一些調(diào)整，如：我給現(xiàn)有客戶多發(fā)2個廣告，客戶會購買的可能性上升到65%；如果，給客戶多發(fā)5個廣告，客戶會購買的可能性上升到85%。通過這樣的調(diào)整，我能夠預估，將來的廣告成本，或者轉(zhuǎn)化帶來的收入等。
又比如： 通過時間序列模型 ，我們可以預測到明年購買某品牌車型的消費者有10萬人，這樣對明年的生產(chǎn)計劃和營銷計劃就能有一個前期的應對準備。
第四步：決策分析應用
1）提供戰(zhàn)略推薦
2）優(yōu)化
3）市場模擬
4）A／B測試
第三步的例子提到多發(fā)2個廣告，轉(zhuǎn)化率為65%；多發(fā)5個廣告轉(zhuǎn)化率為85%。那么如果多發(fā)3個？多發(fā)4個廣告，結(jié)果又會如何呢？學術(shù)界一直在尋找最優(yōu)化完美的答案來解決這個問題：我到底發(fā)幾個廣告，才能讓我的利潤達到最大化呢？
我們都知道在做回歸模型的時候，有以下幾個假設條件：
1、隨機誤差項是一個期望值或平均值為0的隨機變量；
2、對于解釋變量的所有觀測值，隨機誤差項有相同的方差；
3、隨機誤差項彼此不相關(guān)；
4、解釋變量是確定性變量，不是隨機變量，與隨機誤差項彼此之間互相獨立
5、解釋變量之間不存在精確的線性關(guān)系，即解釋變量的樣本觀測值矩陣是滿秩矩陣
6、隨機誤差項服從正態(tài)分布
實際上，現(xiàn)實生活中很難達到這種理想的狀態(tài)，而且最大化這個概念，從數(shù)學角度講，會涉及到優(yōu)化求極值的問題，很多情況下，我們實際上求到是局部優(yōu)化（localoptimization）的解，而不是全局優(yōu)化（globaloptimization）的解。
所以在這種情況下，管理學中衍生出了市場模擬方法來決定最后方案，最有名的一個方法是沙盤模擬，但是這些模擬往往到了真正落地的時候，又會和之前的結(jié)果有差距。
所以近些年來，越來越多的公司選擇做A/B測試。當你對幾個方案沒有很大的把握，或者對預測結(jié)果不是特別自信的時候，A／B測試的出現(xiàn)，解決了這些顧慮。最近的一個成功的案例是Amazon通過A/B測試的方法，把“order”從賬戶欄，放入了主頁的菜單欄，為公司帶來的非�？捎^的營收增長。
A/B測試需要注意的是：
1）樣本的數(shù)量
2）人群的選擇
3）時間的跨度
4）顯著性統(tǒng)計
整個決策分析法即是階梯又是一個閉環(huán)，根據(jù)實際的市場反應，再進行進一步的分析與迭代優(yōu)化。
| 歡迎光臨 Chinaunix (http://72891.cn/) |
Powered by Discuz! X3.2 |
