大数据营销:你该怎样洞察客户
开篇：润墨网以专业的文秘视角，为您筛选了一篇大数据营销:你该怎样洞察客户范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
分析数据能指导企业有针对性地有效调整自身营销策略。你可以追踪了解人们在互联网上对你的产品和服务评价如何，以此调整改进你的定位。比如美国拉斯维加斯的凯撒宫酒店了解到，同城巴黎酒店的客人很喜欢在客房里远眺拉斯维加斯长街的迷人景色。因此，凯撒宫改变了本公司官网上放置的图片，以长街的美景作为特色。凯撒宫还发现，入住的客人对本酒店的客房设施兴趣浓厚，如房间大小、酒店提供的餐饮和事无巨细的服务。于是，这家酒店开始在官网的介绍信息中加入套房的建筑面积、酒店供应的菜单等这类服务详情。网站经过这样一番改动后成效明显：网上订房业务攀升10%左右。
这个简单的例子可以解释为什么掌握客户的需求和想法十分重要，具体了解的内容包括客户看重哪些、他们喜欢什么、厌恶什么。总之，为了解应该与客户交谈什么内容，就要把握客户的喜好。如果你真正理解了自己的客户，就能适当修正自己传达的信息、向客户提供的产品、与客户沟通的方式，甚至与客户接触的渠道。数据可以帮助你贯彻进行上述了解以后得到的深刻体会，如果你像销售额增加数百万美元的凯撒宫酒店那样方法得当，必将受益无穷。
高斯的理论
让我们来看一看促进客户洞察最常用的信息源——市场调查。
定性调查可以提供很有洞察力的信息，但这类调查规模较小，需要确认交流的调查对象是的确代表一个人数较多的群体，还是仅代表他们本人。定量调查调查时间较短，不过调查群体规模更大，动辄数千人之多。可是，接受调查的受访者越多，调查获得的数据就越多，我们这些数据分析师就越开心。因为数据是我们的原材料，我们拥有的原材料越多，就越容易找出重要的观点，识别趋势，确认我们建立的多种模型。
将定性与定量两类调查的调查结果综合以后，你就可以得到有可信度的结果。我的朋友史蒂夫·纳尔特（Steve Naert）为比利时安特卫普的研究机构Censydiam工作。纳尔特所在的这家公司专门探究人们的心理。他们信奉的观点是，客户用来证明自己采购的外在理由是容易观察到并测量的，然而，决定消费者满意度战略威力的最强大因素还深埋在表象之下。这也是Censydiam公司关注的焦点。“在漂浮着冰山的水位下方，我们能发现人们的感受与情绪、动机、欲望与需求。这些都是我们无法凭肉眼观察到的。”
Censydiam不仅有心理学家，也有分析数据的部门。这个部门有一些像我这样喜欢数字的分析师。他们会从定量调查与趋势中筛选信息，提炼有关的客户洞察。Censydiam和比利时根特大学教授赫尔穆特·高斯（Helmut Gaus）曾经携手合作。在我所目睹的分析成果中，那次协作的分析是最有创造性的。由于从事的职业以数字为研究对象，我们始终在寻找方法，要依据数据预测我们现有与潜在的客户可能有哪些行为。Censydiam和高斯的合作与我们这种工作特质毫无区别，但他们开头会提出一个引人注目的问题，这个问题可能比较标新立异，类似于：社会心理变化是否会导致经济也出现改变？
如果要证明衣裙越短时股价越高并非只是巧合，裙子的长度与股价高低其实有关联，这通常会吸引人。可高斯是真正严肃对待经济与社会行为之间的关系这个问题的。
高斯的理论起源于俄国统计学家尼古拉？康德拉捷夫（Nikolaj Kondratieff）的作品。康德拉捷夫1925年发现，宏观经济的增长与下跌交替出现，宏观经济长波则是历史上每50年循环一次。
康德拉捷夫为自己的发现付出了沉重的代价。他预计经济增长最终会下跌，但斯大林并不欢迎这样的预测，将他流放到西伯利亚。当然，并不是所有人都相信存在康德拉捷夫长波，是否存在这种宏观经济波还需要大量论述。而事实是，直到今天，他们的预测依然有合理性。
高斯最感兴趣的是康德拉捷夫长波的成因。大多数人认为自己受到GDP、失业率等宏观经济的力量驱使。高斯相信，真正的动力源于心理因素。他将心情焦虑波动称为焦虑波，认为康德拉捷夫长波会与焦虑波吻合，甚至有时还会追随后者而动。因此，康德拉捷夫波可以预测人们口味、价值与行为的变化。
为了证明自己的观点，高斯收集了女性时尚潮流的数据。他发现，在心情很焦虑的时候，女士们着装的色彩也没有那么鲜艳，图案比较少，领口开得较高，裙子较长。而在不那么焦虑的时期，女士们的服色会更艳丽，图案也更明快，领口较低，裙子更短。根据这些时尚潮流的变迁历史，高斯提出了焦虑波一说。
他发现，长期来看，人们的焦虑水平与自身婚姻状况、生日、就业状况、自杀行为和投资水平有惊人的关联。
如果认为经济的波动起伏是由上述焦虑的综合水平所致，这种看法虽然饶有趣味，但很难证实。社会心理的数据是稀缺的，这就是高斯用时尚数据作为替代的原因。但现在出现了一种较新的数据源，它能提供极其丰富的信息体现人们的内心想法，这些数据都来自搜索引擎。假如了解人们搜索的具体内容，以及这些内容随着时间流逝怎样变化，就可能找到把握社会心理动向的晴雨表。
高斯的理论现在还没有完全得到证实。可我喜欢这种设想，他主张将现实生活中的硬数据与深入的客户洞察相结合，由此推断的结论可能提供有用的信息。所以，我彻底研究了Censydiam公司的方式，我并没有把精力主要投入到研究它们的调查报告上。与研究报告相比，我的时间更多用在和史蒂夫聊天，除了探讨怎样运用数据辨别与BT（英国电信）的哪些客户交谈，我们想更进一步，不仅是发现合适的目标客户，还要让BT的沟通交流对客户有吸引力，进而帮助BT开拓业务。
BT从硬到软的蜕变
为了真正了解BT的客户，我们和本公司的策划师以及一家位于伦敦的趋势观察专业机构Henley Centre（现名为Futures Company）合作。我们的目的是由此得出有洞察力的结论，同时将它与我们拥有的数据联系起来。这样我们就不仅可以发出吸引中小企业的信息，还能确认那些会对这类信息最感兴趣的客户。
我们采取的方式分为三个步骤：
第一步，我们拟订一份有关小企业需求的全面清单，内容是BT可能满足的需求。
第二步，我们必须确认哪些需求对中小企业客户最为重要。
第三步，我们务必确定不同类型的小企业是否需求可能各不相同。例如，一家营业收入500万美元的服务公司是否与一家营业收入相同的制造企业需求相同？
我们首先会开列一份我们尽一切可能想到的需要满足的需求清单，包括17项内容：
新渠道与市场：1.进入新的地域市场； 2.开发新的分销渠道；3.向市场推出新的产品或服务。
以客户为中心：4.扩大你的客户群；5.改善提供给客户的服务及与客户的关系；6.增加现有客户给你带来的营业收入。
运营效率：7.提高对供应及存储链的管理水平；8.提高对采购的管理水平；9.提高对贵公司内部流程的管理水平；10.保证关键的业务系统与流程持续运转。
企业管理：11.削减企业遵循政府法规的相关开支；12.提高对企业或财务账目的管理水平；13.提高对信息技术的管理水平。
劳动力效率：14.与同事分享信息；15.让员工的工作时间更有弹性（分担工作或者在家工作）；16.让员工能够移动办公。
安全：17.保证企业免受网络诈骗、电脑病毒和盗窃等犯罪活动和其他风险的侵害。
既然专心致志处理以上全部17个事项很重要，那我们的第二个任务就应该是确定哪些客户是我们最重 要的目标。确认需要进行定量调查，这意味着我们要采访大量小企业，询问哪些需求对它们而言最为重要。结果发现，这些企业所认为的最重要需要，所占的比例分别为：以客户为中心占33%，劳动力效率占18%，新的渠道与市场占17%，运营效率占14%，安全占13%，企业管理占5%。
最后，我们希望根据客户觉得重要的所需要素区分不同的类别。在此使用的统计技巧是我喜爱的一种，它名叫聚类分析。你可以表达数据透露的信息，组成不同的客户群。但你还需要判断这样划分客户群是否有意义及是否可行。将数据与数据解读融合始终是个有趣的过程，因为它既体现了科学又展示了艺术。
假设我们调查了1000家中小企业，只询问它们有关供应链的需求。受访企业之中，每十家里只有一家认为管理供应链很重要。假如我们得到的调查反馈结果中，受访企业分为两类：一类企业发现供应链管理（SCM）重要，另一类不这么认为。这种情况适合做一个简单的聚类分析。我们可以用方形线框界定两个显而易见的现有类别。
现在，假设我们分别问了两个问题，一个是管理供应链的重要性，另一个是调配员工进行供应链管理的重要性。假定调查这两个问题得到的回答如图1所示。
如你所见，这次我们发现受访客户可分为三类：有的客户认为SCM重要（右侧）；有的客户虽然认为SCM不重要，但觉得员工流动性重要（左上方）；还有的客户认为SCM和流动性都不重要（左下方）。
目前我们很容易把这些方框明显区分开来，但如果要试着向一台电脑解释如何像我们这样分类，难度就大了。有一种方法是告诉电脑用距离的概念划分最佳的界线。以下是让电脑了解聚类分析梗概的方法。我们会这样诠释：
①对属于同一群体的那些圆点，要尽可能缩短它们之间的距离。这可以确保一个团体内部的客户彼此很相似。
②对不同团体的核心，要尽可能扩大它们之间的距离，重复图1。这么做是因为你想让这些团体看起来差别明显，这样就更容易找到它们。
如果聚类分析不过就是询问两三个需求，我们根本不需要电脑。我们可以在观察后自己列出圆点，然后在聚合的分类周围划下界线。但别忘了，实际上我们提的问题不仅与两个需求有关，我们问的是17个需求。这就超出了常人的分类能力。（不信我的话？即使只是问7个需求的问题，分类的工作也能让人抓狂了。）
如果我们让电脑负责全部17个需求的分类工作，我会省略所有涉及圆点与分类方框的步骤，然后就会得到以下五大类别。在看待17种需求的重要性方面，这五类人的观点截然不同。但在判断17种需求哪些很重要时，属于同一类别的中小型企业就非常相似。（请注意，下面所列的清单之中，ICT代表集成通信技术，BT这个常见的缩写在这里指代尖端的通信产品。）
第一类—基本需求（16%）：这类讲究“生活方式”的小企业主要着重于让企业所有者能定期招聘用人及得到收入。这类公司对ICT的需求低。
第二类—以客户为中心（33%）：面向客户提供服务的公司希望减少增强客户关系和改善服务的投入。这类公司需要那些以聚焦客户为本的技术。
第三类—运营效率（14%）：中等规模的企业会为精简生产流程及改善客户服务而采取行动。这类公司对改善运营流程的技术有大量需求。
第四类—灵活性与安全性（18%）：对那些依赖科技的朝阳型服务业公司，灵活性是第一位的优先需求。这类公司对有利于灵活性和安全性的技术有大量需求，同时，它们也渴望得到ICT。
第五类—大量需求（18%）：对于偏重技术的初创企业，增长与扩张是主要的动机。这类公司各类需求都很多。
上述分类法会带来极大的回报。将市场以这样的方式区分使BT有机会与各种不同类型的客户流。对于第二类专注于自己客户的企业，我们谈论的是安全相关的话题，这与第三类关心内部运营的企业迥然不同。比如与第二类企业交流时，谈话内容也许就是BT的技术怎样为该企业的客户提供安全服务。而如果是与第三类企业交流，我们会强调BT的解决方案会有利于公司内部系统安全。
这种根据需求分类的方法使我们拥有了可以有针对性地调整自己沟通交流的有力武器。
这种方式可以与你已开展的工作相辅相成
为了更进一步地深入了解自己的客户，你可以将这种以需求为本的方式与你现在开展的任何一种分类工作结合使用。我们在思科就是这样做的，我们当时分类分析的依据就是客户对一类需求（技术）的投入，以及客户购买思科产品的支出。虽然思科的销售人员都急切地希望采用我们的价值分类框架，但一些营销人员起初并没有那么热情，因为他们已经有自己的分类方法。思科营销部门原有的方法是根据对技术的态度将客户分为四类，比如受建议驱动的客户、受价格驱动的客户、处于最前沿的客户、像财富100强企业那样经营的客户。有些营销人员认为两种分类框架是相互竞争淘汰的关系，但在我看来，显然它们是互补的。思科的营销人员已经采用基于态度进行分类的方法，这样的方法告诉他们要与客户交流什么内容。
我试图用图2展示两种可以相互配合发挥作用的方法。
从左到右一列列看过去，你会发现价值分类的类别。而从上到下看下来，你会看到以态度为依据分类的类别。图2的泡泡大小代表属于某一类型的公司有多少。泡泡越大，该类别的客户越多。
我们从第一列看起，它代表着金块，是对思科最有价值的一类客户。这些是比其他类型更前沿的金块。不过，很多金块类客户都是建议驱动、价格驱动或是类似知名企业。同时运用两种分类法不仅能让你找到金块，还能让你根据每位客户的需求专门设计要传达的信息。
我们发现思科最初有16类客户，类别太多，无法一一制定不同的战略及进行相应各异的沟通交流。于是，我们最终将思科的客户分为三大类。划分的依据是凭直觉感到有什么意义以及我们怎样区分对待这些类型。
①恋爱类（Romance）：这些客户对思科而言最有价值，而且很有潜力，即金块与头奖类客户。他们是思科品牌的最佳客户，金块与头奖也出现在图3中的“最前沿”和“类似知名企业”类型里。我们需要爱上这些客户，用谈恋爱那样的互动保证我们始终留住这些客户。
②防御类（Defense）：这类对思科而言价值高的客户（金块）并非十全十美（我们把这些客户归入了“建议驱动”及“价格驱动”类）。我们需要确保一直拥有这些重要的客户，不要在竞争对手发起的公开争夺战中失去他们。
③普通类（Vanilla）：这是指除以上两类客户以外的其他所有客户，我们最初决定在与这些客户沟通时不会区分对待。
由于仅仅需要专心对待三类客户，所以我们能十分迅速地推行有针对性的不同类型营销活动。聚类分析不仅能很快操作，而且成本很低。
自动推荐工具
除了我们刚提到的依据态度分类，其他技巧也可以帮助你沟通时有针对性地做出调整。
例如，购物篮分析（m a r k e t b a s k e t analysis）就常常可以揭示你需要了解的一切信息，因为它向你透露的许多信息都与客户感兴趣的产品有关。顾名思义，这类分析就是发现客户的购物车里购买了哪些物品。20世纪90年代，购物篮分析深受零售商喜爱，因为它讲述了“啤酒与尿布的故事”。
这是个精彩的故事。遗憾的是，事实证明，它是一家咨询公司编造的谣传，目的只是要兜售购物篮分析，凸显这种分析的价值。没有哪家零售商做过这种研究，得到这样的发现。虽然情节是虚构的，但这个故事本身很好地诠释了为什么购物篮分析可以成为营销的利器。让我们用另一个幻想的故事进一步解释说明。
假如有一家采取直接邮购营销方式的大型商家在考虑针对特定产品与客户沟通，需要从中得到一些改善目标定位的建议。他们希望深入了解客户怎样使用产品，尤其是客户在购买产品时还买了什么以及同时没有买什么。他们还想用这些客户洞察在与客户沟通产品时如何更好地设定具体的目标产品。
这个商家的数据库里有3360种不同的产品。为了帮助他们达到以上目的，我们首先会将相似的产品归为一类。因为要寻求相似性，我们用了两个级别的分类标准。第一级将这3000多种产品分为20个产品系列。第二级将这些产品分为159个范围更小的产品系列。无论哪一级别，我们都会分析可能与其他某种产品共同购买的一种产品。我们凭直觉也会理解，这种搭配组合的数量会爆炸式增加，远超产品系列的数量。
分析结束后，我们接下来的工作就是建立一个模型，用它预测（在同一交易中或是特定的时间段内）顾客购买不同的产品时有多大可能性也选购其他产品。测试这个模型需要与两个客户群进行同样的营销沟通。以推销0.5美元的肯尼迪纪念币为例。第一群客户会用购物篮分析的原理从数据库里选择，我们希望这些客户买过其他的纪念币；第二群客户不会遵循任何原理随机选择。购物篮分析的公式如下所示：
A = B & C & D N， P， S
乍看起来，这样的公式就像没有来由的胡言乱语，但它是真正直截了当的说法。
①A = 根据原理预测一定范围的产品（产品或产品系列）。在这个例子里，我要试着预测你是否会买那款0.5美元的纪念币。假如你在某个商家的网站购物，A就代表上述纪念币。
②B、C和D = 预测指标（用于预测购买A的指标）。它们是其他一些也许你会购买的产品（如其他纪念币、真正的纪念品和有特殊历史意义的物件）。这些产品可以代表你也会将0.5美元肯尼迪纪念币放入购物篮的可能性。
③N = 表示绝对范围的数值（在同一交易中购买B、C和D的客户总数）。
④P = 已经买了B、C和D的顾客会再购买A的可能性。
⑤S = 支持（购买B、C、D和A的顾客人数分别在购物顾客总人数中占多少百分比）。
为测试这一模型，我们会用同样的营销沟通手段，向两个客户群直接邮寄购物名单。第一群客户将用购物篮分析原理从数据库中选出。第二群客户则是没有运用任何原理随机选择而来。如果第一群客户的转化率明显比第二群高，前者也许是后者的5倍。那就意味着分析数据取得了成功。
如果你喜欢这个，就会爱上那个
购物篮分析这样的自动推荐工具在互联网已经很受欢迎。正如我们所说的，亚马逊和Netflix的推荐引擎可能是这类工具中最负盛名的。它们为顾客提供购买产品的建议，比如你喜欢某本书或者某部电影，自动推荐工具对比你和那些读类似图书或者看类似影片的顾客，就会推测你可能也对相似的书或者电影感兴趣。我喜爱Netflix向我推荐电影的方式，它们推荐的都是我从未听说的影片。这是我准备付费订购Netflix的一个主要原因，这家网站也了解我的想法。它们追踪到我根据它们的推荐租了多少部电影，也知道我租过的片子占它们推荐总数的百分比。亚马逊和Netflix所做的和超市预测你的购买行为毫无二致。如果你在一家超市购物，超市就会预计，同一次购物期间你会不会既买苹果又买香蕉。此前我们提到的邮局服务也是，邮局会尽力分辨提供的哪些产品组合能得到邮票收藏家青睐。
目前可以采取的现有解决方法能提供帮助，有助于让你的营销沟通大多像亚马逊和Netflix提供的那样人性化。这些工具使较小的企业能与业内巨头同登一个竞技场，同场竞技。那些做过这类客户调查并特别为相关客户调整推荐的企业拥有了极大的优势。正如此前提到的，我们探讨的大多数现有解决方法随时都可以使用，它们揭示的客户洞察成本并没有高得离谱，而且能很好地发挥作用。你没有任何借口不用这样的方法，应该看看别的公司成效如何，比如Audience Science、Proclivity和Netmining这样的公司。其中Netmining通过实时网络浏览收集客户的数据，用这些数据预测客户会对什么感兴趣。然后，这家公司就自动调整广告内容，让它符合客户个人的兴趣。
这样的工具可以带来惊人的效果，体现了将对的产品提供给对的人有多大的威力。例如，刚开始用这种工具时，菲亚特公司的网站访问量就增长了350%，销售转化率高达500%。而Netmining真正了不起的地方是形象地展现分析的成果。这家咨询公司让菲亚特的管理者很容易就发现，客户最感兴趣的是哪种车，以及客户可能怎样买车。