信科网络：怎么做客户数据的深度挖掘？帮助企业提升产品销售
前面一篇文章信科网络给大家说明了CIDR模型通过数据以及系统化的联系管理机制生成客户应对策略，这些应对策略包含了客户主动来到门店或是访问网站时企业应对的方法，也包含了企业应该主动联系客户，进行客户关系的维护以及客户的消费提升、挽回、推荐、裂变等工作的情况。
图7-1 CIDR 模型
不仅仅描绘出整个体系的分类理念以及流程，并没有深入讨论这些联系场景时机是如何通过数据发掘的，以及应该采用哪些商业逻辑判断或者数据科学的算法来发掘数据。这两篇非常紧密的，用武侠小说里学习功夫来类比的话，前一篇讲的是外家拳法的套路，第7章则是教你如何运气、如何发力的内功。前一篇的客户联系管理机制让我们知道在哪些情形下应该联系客户，这些联系时机的场景判断属于商业思维逻辑，但是，在每个具体场景下，应该如何确定联系对象，以及面对这些人该说什么、推荐什么，则需要大数据分析的支持。大数据分析涉及整套的方法论以及进阶的统计与算法，就是本章要讲述的内容。
本章涉及大数据的概念以及统计学的知识，对统计课程不熟悉的读者们在阅读时无需全部理解，只要掌握大致概念就可以了。至于学习过统计方法的读者，我建议你们深入了解本章内容，掌握了本章的要领， 将使你在大数据营销上功力大增，让你成为企业数字营销的核心骨干。
l客户数据标签
客户数据标签的概念
客户数据标签一般又称为360度的客户视角，其目的是分辨客户属性，并且进行客户分群。有了客户数据标签就能快速筛选人群、进一步采取统计与数据挖掘方法，进行大量数据的运算，产生不同销售机会的客户清单，进行精准营销。
简单地说，客户数据标签就是观察客户的维度。我们用一个比喻来说明客户数据标签，假设有1000个客户，站在一个大操场上，如何在瞬间找出身高1.6~1.7米、体重60~70公斤的男性？
可以通过三个维度对这群客户进行标签化：
性别标签：男性客户带黄色帽子，女性客户带白色帽子。
身高标签：身高1.7米以上的人穿白上衣，身高1.6~1.7米的人穿黄色上衣，身高1.6米以下的人穿黑色上衣。
体重标签：体重大于70公斤的人穿白色裤子，体重60~70公斤的人穿黑色裤子，体重60公斤以下的人穿红色裤子。这时，你只需发出指令，要求戴黄色帽子，穿黄色上衣和黑色裤子的人出列，这些人就是你要找的人了。客户数据标签让你能够快速地区分客户，找到你要的客户。
为什么需要客户数据标签
为什么直接用原始数据还不够，还需要制作客户数据标签。很简 单，许多数据是有连续性的，例如前面说的体重，有人是60.5公斤，也有人是62.5公斤，还有人是59公斤，如果直接用原始数据对客户进行分类，那么就会产生无限多组组合，这就不是分组了。所以客户数据标签是用一些尺度颗粒将客户原始数据进行标签化区分，以便进行更有意义的分类、筛选以及运算。另外一个原因是，许多的数据无法直接运算，或是如果采用原始数据运算太耗费时间，这些经过处理后的数据标签，我们称为二次运算数据。例如，一般在收集客户年龄时，不会问这个人几岁，而是问他的出生年月日，因为如果把年龄作为原始记录的话，今年客户年龄登记的时候假设是30,5年以后他就成了35岁，这时原始数据30就不对了。所以在进行数据采集时，通常问的都是客户的出生年月日，这样未来的任何时间，只要经过简单的计算，把需要数据当天的年月日减去客户的出生年月日，就可以知道客户的年龄了。这样的原始数据确实满足了数据随着时间改变而保持有效性的要求。但是如果我们把需求场景改变一下，我们想要在100万名客户中确定年龄35~40岁的人群人数，这时候我们就需要对这100万人逐一计算“今天日期减去生日”得出每个人的年龄，然后再进行年龄范围比对，再加总人数，才能算出年龄35~40岁的人群有多少人，这个计算工作会非常繁琐。如果我们能够事先处理，按客户的年龄每隔5年做一个标签，这样每个客户数据就有可以直接读取的“年龄段”，这时如果需要找出35~40 岁有多少人，就便捷得多了。为了避免每次从原始数据去计算的繁琐，我们会制定出一些经常需要使用的二次运算数据，定期维护它，在使用的时候就方便快速了。这种问题在大数据上我们称为二次运算数据，就是一种数据标签。
l企业客户数据标签如何设计
客户数据标签怎么设计呢？一般我们可以把客户数据区分为三种， 第一种是客户基本资料，第二种是客户行为记录，第三种是客户行为预测。客户基本资料通常就是客户个人的人口统计变量。客户行为记录则是客户与企业在互动过程中所产生的记录，例如浏览行为、购买行为。第三种客户行为预测的数据无法从原始数据直接获得，而是经过分析、推理后，对个别客户行为的预判。
虽然每个行业的客户数据标签可能有所不同，但是基于多年大数据领域的工作经验，图7-2所示的六个维度标签，对于那些直接面对终端消费者类型的企业应该是比较通用的。这六个标签涵盖了传统交易、行为数据以及社交媒体数据的整合，是非常实用而且跨行业都可以参考的数据标签体系。
身份象征
个人基础信息就是我们一般社会心理学中说的人口统计变量，在社会学或统计学上常常拿来作为群体区分。在营销1.0的4P时代，人口统计变量也构成了最主要的群体划分标准。例如年龄、性别、身高、体重、居住地、工作职业等，除了这些比较基本的标签以外，也可以在这些标签当中进行较细的划分，例如工作职业又可以区分为蓝领、白领、金领、将近退休、已经退休等不同群体。人口统计变量是一些最基础的变量，不同的变量又可以重新组合。例如通过年龄、性别、工作这三个属性进行组合，就可以划分为5×2×3=30 个群体组合。这30个群体可能代表着不同的需求，可能就需要不同的营销诱因。
生活风格
生活风格是每个个人在生活上展现出来的行为特色，在同样的人口统计属性群体当中，因为某些个人的生活价值观不同，这些人的行为或偏好会与同年龄或同样工作身份的其他人有着显著不同。同时，某些人的人口统计变量不同，却展现出相同的行为偏好。例如，同样是上班 族，因为生活方式与生活风格的不同，又可以区分为标准上班族，他们的行为是朝九晚五、两点一线，另外一些上班族则是夜猫子，晚上不睡觉、白天睡到日正当中。又例如工作身份同样是上班族，有的人喜欢泡吧夜生活，有的人喜欢规律生活，有的人追求创新改变，有的人则偏爱保守不喜欢改变等。这些人从人口统计变量角度看都是同一个身份群 体，但是在生活上展现出来的态度与行为有很大的差异。
显然，这些人对生活的价值取向不同，营销学者认为通过这种不同的生活价值取向将可以设计出更深入每个消费者个人内心世界的的营销方案。这种群体划分的方法，比单纯的人口统计变量划分更有效。例如一个消费者是否会购买某个商品，并不完全取决于他是否能够承担这个商品的价格，一个属于享乐型生活价值观的消费者，如果他看上一台能够彰显他个性的汽车，即使他手头的现金不够，他可能也会以分期付款的方式先把车买下来享受生活，而不会考虑以后每个月分期付款的压 力。相反的，一个生活态度保守的人，即使有钱，看到这台新车时，会想着汽车只是代步工具，现有的汽车能用就好了，就不会购买这台新车了。汽车厂家如果只依据人口统计变量数据，以客户的年龄、性别、居住地来评估消费者购车的意向，就可能无法设计出深入消费者内心世 界、能够让消费者产生共鸣的促销活动了。
所以近代营销学，例如4C营销模式，就倾向采取这些指标对客户进行分类。因为生活风格能够比人口统计变量更深入消费者的内心世界， 营销策划必须能打动消费者内心，才会有效。
消费行为
第三种维度是消费行为，这个维度与前面两个维度基本的思路是完全不同的。个人基础信息以及生活风格标签很大程度暗示出了一个客户可能需要什么，但是没有过多关注如何刺激客户产生立即购买行动，而消费行为标签。则指出了如何影响购买决策以及如何激发消费者立即采取购买行动。
例如消费者对于产品需求的急迫性不同，有的消费者即使没有立即使用的需求，还是会事先购买一些商品，存放着以备不时之需，另外一些消费者则是有明确的使用需求时才会采取购买行动。在服饰行业、汽车维修行业、日用快消品行业，这种客户行为的信息就很重要。服饰、汽车维修、日用快消品都有预防性的购买或是反季型的购买特性。预防性消费是消费者预期未来某个产品将缺货或是价格会上涨而提前购买。现在很多营销手法是告诉消费者，未来什么时间商品价格将会上涨，以促使消费者赶快行动。反季销售的消费者更是没有立即使用的需求，但是考虑现在买的价格比未来更便宜，所以在夏天买羽绒服，在冬天买短袖。这种反季销售对很多只在某些季节销售产品的企业非常重要，因为成功的反季销售可以让企业在淡季时仍然有一些业绩，有时甚至可以达到预先塞货给消费者，阻绝未来竞争的目的。
还有一种非常重要的购买行为指标是客户对于价格的敏感度，在经济学上价格敏感度称为价格弹性，意思就是价格变动对客户的购买行为的影响。有些客户对价格比较敏感，稍微降价，就会引发购买，另外一些消费者的价格弹性较低，无论价格怎么变动，对他们都没影响，消费者只有在需要时才会购买。当我们掌握哪些客户价格敏感度高、哪些客户价格敏感度低的信息时，就可以分群进行推广，减少不必要的让利。
另外一种消费习惯的人群在实践工作上也非常需要重视，那就是月光族。这些人在每个月初，发薪水时口袋有钱，花钱就不太节制、尽情消费，到了月末，口袋里没钱了只好节衣缩食。掌握客户是月光族的信息对发动营销的价值也非常大，因为月初很容易促成交易，月底无论企业怎么推销、价格怎么降都没效果。
最近几年由于互联网商业的崛起，用户的购买渠道选择多元化，有一些消费者倾向在线下门店中购买，另外一些人比较喜欢在网上购买， 还有一些人则是跨越线上线下的混合式购买行为，这些人可能先到网上查询了解价格，然后再到门店去购买，也有一些消费者是先到线下门店查看商品，有个实际体验，然后再回到线上找价格最便宜的商家下单。所以掌握每个消费者购物渠道的偏好信息，驱动消费者到他们比较偏爱的渠道中消费，也将会提高成交的概率。
上述这些指标都属于消费行为维度的数据标签，企业掌握这些客户相关习惯的信息越完整，就越能精准掌握促销发动时机，准确度也将大幅提高。
社交媒体行为这类型的标签属于比较新的营销常用标签，它涉及对个别消费者在线上与线下的行为掌握。在网上行为方面，一般我们关注客户比较常用哪些社交平台、在社交平台的活跃度、以及在社交平台扮演的是意见领袖还是跟随者的角色。目前用户生成内容盛行，这些UGC早已经成为消费者最重要的的信息来源之一。企业善用UGC也已经成为影响消费者的重要工具，所以企业不仅仅要有客户，更需要有这些喜欢在网上发出内容的粉丝客户们的强力支 持，而这些粉丝通常就需要从社交媒体和企业网上商城的商品评论当中去寻找，这些人也就是KOL，企业需要很有技巧地找到这群人，并且设法发动这群人为企业在网上或是朋友圈当中进行宣传。线下的社交行为也逐渐引起学者和营销人员的关注，主要是因为移动技术使得大多数现代人的手机是7 × 24小时长时间在线，人际之间的往来模式也发生巨大改变，刷朋友圈是最主要的现象之一。一个企业如果锁定广场舞大妈为主要客户群，那么通过广场舞大妈的手机将是最佳的信息覆盖与传递渠道，企业需要找到那些积极参与活动的广场舞大 妈，她们手机里的朋友圈，一定充满了企业想要的那些广场舞大妈客户名单。
社交媒体行为还需要关注另外一件事，就是每一名客户的信息渠道偏好。过去企业最主要的客户联系渠道是短信，但是因为朋友之间的联系工具的发展，社交媒体取代了电话与短信，这种生活习惯的改变也使得手机上的短信页面不再有太多的朋友间信息沟通。相对之下，手机短信看起来尽是商家广告，这种变化使得消费者越来越不关注短信息。从负面网络效应来解释，短信的联系效果越来越差，未来将更少人会使用它。各位读者可以想想，你现在还会天天看短信吗，你是否记得最近一次在短信上还看到过什么比较有价值的信 息？大概不是广告，就是快递通知吧！
企业要维系与客户的良好沟通，就必须充分掌握每一个客户的联系渠道偏好，到底每一个客户应该用何种方式触达最有效，这个标签也成为目前大数据至关重要的标签。
l品类偏好
这类标签因行业不同而有极大差异，客户在超市喜欢买什么和在服饰店喜欢买什么东西，完全是两码事，所以这个是行业化的标签，我们就不在这里赘述了。
RFM
RFM 这组标签无论是在学术界或是实践上，都是最常被拿来作为追踪客户行为变化以及区分客户购买行为的指标，这三个指标分别代表了客户行为的三种维度。
R代表客户最近一次购买时间，也就是客户当前活跃度的指标。
F代表一个周期时间内客户购买的频次，也就是这名客户过去购买行为在频次方面的指标。
M代表这名客户每次交易平均购买的金额，也就是客户每次的贡献度大小的指标。
这三个指标的组合可以表示不同的客户属性。F × M就是客户在一段时间内的购买次数乘以平均每次购买金额，就代表某一段时间的客户贡献，也就是这名客户的重要性。例如以每个月作为衡量周期，这名客户一个月来3次，每次消费100元，这名客户的消费总价值就是300元， 这个结果就代表了客户的贡献价值，或是客户重要性。R代表着客户最近一次购买时间的远近，所以如果一个客户的F×M的值比较高，R的值也较高那么就表示这个重要客户目前行为正常， 反过来说如果F×M较高，但是R比较差，就代表了这个客户有流失的风险，这时企业就应该赶快采取挽回行动。
RFM这三个标签，我们通常不是用绝对数值来衡量，而是用1~3或是1~5作为衡量指标。以1~3为例说明，3表示最佳，1表示最差，也就是说F=3就表示消费频次较高，F=1就表示消费频次较低。同样的概念， M=3表示平均购买金额较高，M=1表示平均购买金额较低。R=3表示这名客户最近还有来消费，R=1表示这名客户已经很久没来消费了。所以通过这套方法，所有客户就被放进3×3=9的格子当中的一个格子，客户在这9个格子之间移动，就代表了这名客户的消费行为发生变化，发生变化就值得关注了。例如一名客户的R-F-M分别为3-3-3，就代表这为客户最常光临、每次买的金额较多，两个因素合在一起F×M=9，就表示他是重要客户了.R为3表示这位客户最近还是活跃的。如果我们突然发现，这名客户的RFM改变为2-3-3，就代表这位重要客户，已经有一段时间没来，有流失的可能，我们就需要特别关注了。而这名客户又从2- 3-3移转到1-3-3，就代表了这位重要客户已经有较长时间没来，应该列入高流失风险客户，我们就应该赶快采取行动了。
l大数据如何找出应该关注的客户
在上一章讨论联系管理时，曾经提出来四种应该主动联系客户的场景，第一种是需要问候的时候、第二种是客户有升级机会的时候、第三种是客户可能流失需要挽回的时候、第四种是企业有新产品、新服务、新活动推出，需要找到对这些新东西比较有兴趣的客户的时候。上述四种联系类型当中的第一种是问候类型，不涉及数据挖掘方法，我们在上一章中已经比较详细讨论，这里我们就不多谈，我们把重点放在升级、挽留、新品销售机会这三种场景。找出有升级机会的客户其实企业的每一个客户都有升级的机会，只是企业要在众多客户当中找出升级概率较高的人群，优先去提升他们。
找这些客户的时候就要从客户金字塔找起，应该先找那些升级概率最高的，而且对业绩贡献最大的那一群人，然后再依次找出升级概率低的、对业绩贡献较小的其他群体。我们来看图7-3这个金字塔。
1.这个金字塔当中，最应该优先促使哪个群体的客户升级？按照前面讲的两个条件，符合这两个条件的显然就是金字塔顶端的那一群客户，顶端的那群客户是目前购买金额最高的客户，目前对企业的满意度也较高，鼓励他们扩大消费应该会比较容易。所以企业应该从金字塔结构最顶端的客户群体先着手开展升级，接下来是金字塔结构中前2%~5%的客户，再接下来是前5%~10%的客户，一直到前20%的客户， 按照2/8原则，稳住了这些客户，应该就掌握了企业的80%业绩了。
2.找出这些人以后，接着该怎么做呢？最重要的就是要把这些客户在既有的等级基础上先稳住然后再向上提升。是否记得我们在前面给会员做的定义是“企业与客户之间双向承诺”，这时企业如果想要让这些客户的等级向上提升，应该设计一个方案，让这群人看到企业对他们承诺的决心。这些人既然已经是比较优质的客户，对企业的满意程度也是相对比较高的，只要企业能给出客户认为更有价值的承诺，就可以换得这群消费者的忠诚，取得这群客户的最大口袋占有率。那么找到了这些头部客户，到底用什么方法来换取他们的忠诚度呢？那就是我们在第5章讨论的付费会员的机制。这一群人在过去既然是对企业相对满意的客户， 劝说他们成为付费会员的成功概率必然较高，即使当中有一部分客户最近已经流失，也要尽可能地把他们唤回并且巩固起来。
3.我在某家大型服务企业做咨询项目时，一位高层主管听到我建议他们优先针对这群头部客户开展提升促销，问我为什么没有同时考虑其他基层客户的提升。我的回答是，对门店人员的工作指令要简单化，而且必须聚焦，应该每次只交付一件最重要的工作让他们执行，否则门店人员将难以操作。面对这么多不同群体，到底哪个群体的工作更为重要。举例而言，如果你是急诊室的医生，当你看到一个受伤的人，脚上没穿袜子或鞋子，正在大量出血，你是应该先帮他止血，还是先帮他穿袜子鞋子？答案当然是先止血，相信通过这样的比喻，读者们应该就了解， 为什么我建议企业先从头部客户下手。
找出该发动挽留的客户
巩固了金字塔顶端的用户后，接下来我们还需要关注那些正在流失的其他客户，如何找出这些正在流失的客户并发动挽留，我们可以参考图7-4，这个模型是在许多行业验证过非常有效的工具。
本章前面介绍过RFM模型，掌控客户的流失信息，最有效的方法就是规律性地比对每一名客户过去和现在的行为是否产生变化，这个关键在RFM的R与F。图7-4纵轴是客户过去3个月的消费行为，F 值分别是过去3个月，平均每7天、14天、21天、28天、28天以上到门店来消费一次的客户。横轴是客户最近一次来店的时间距离，分别是7天、8~14天、15~21天、22~28天以内，我们只要将客户过去的消费频次和最近一次来店时间相对照，就可以看出哪些人正在流失当中，以及他们的流失严重性。举例而言，我们看第一行的数字，过去平均每7天就会来店一次的客户总共有39069人，这些人当中，最近一次来店时间是7天以内的有30327人，他们的活跃程度与前期相比是一致的。再往右边一栏看，39069人当中上一次来店时间已经超过一周，但还是在两周以内的人数有5447人，这些人已经有轻度流失的迹象。再往右看上次来店时间是两周以上三周以内的有2173人，这些人的流失较左边一组更为明显。依此类推，越靠右边的那些人，流失越严重。我们可以立即分辨哪些人需要额外关注，我们以图形当中楼梯状的对角虚线作为分割线，这条线的右上角的几个格子内的客户就是流失客户，而且越往右上的人群流失状态就越明显。讲到这里，优先次序的问题又来了，面对初期流失与重度流失客户，我们应该先挽回哪一种人群呢？很多企业家提出应该先挽回那些过去贡献高而且流失比较严重的客户群体，这个想法对吗？如果是在医院里救人，这个逻辑可能就是对的，因为需要先救重伤患者。可是在客户挽回工作上这个逻辑就不一定成立了。在实际工作经验中，严重流失的客户已经很久没来了，企业成功召回的概率本来就比较低，对企业的帮助也就比较有限。应该先从轻度流失的VIP客户下手，因为这些人的流失变化只是初期现象，企业成功召回的概率是很高的。所以建议先找那些贡献高的初期流失人群进行挽回，接着再找那些贡献次高的初期流失者，当这些人都处理好以后，再去找那些重度流失的客户。针对这个次序的逻辑，笔者曾经做过多次的对比测试。我们将客户分为初期流失、中度流失、以及重度流失三个群，我们发现用同样的促销政策，挽回的概率高低排序就是初期流失高于中度流失高于重度流 失。千万不要认为应该先去关注重度流失的客户，如果这样，你会发 现，你的CRM永远在处理重度流失的客户，效果必然不好。客户挽回请记住以下四个原则。
l预防重于治疗
企业家们要关注企业当中与客户服务相关的工作是否到位，避免客户产生不满。如果你的企业是以门店为主，主要业务是销售商品或提供服务，请先关注商品是否有问题、门店的服务是否到位，如果这些基础工作没做好，再好的CRM或会员制度都难以留住客户。
定期筛检
企业必须按照图7-4介绍的方法，规律性地追踪、筛选，找出那些已经露出流失迹象的客户。筛选的频率可以参考以下行业的建议：
便利店行业或超市行业应该以周作为会员活跃度指标，每周扫描一次客户行为是否产生变化。
在写字楼附近开快餐店供应上班族午餐的店，应该以周作为会员活跃度指标，每周扫描一次客户行为是否产生变化。
做西式快餐的企业，例如炸鸡、汉堡类快餐店，可以用一个月作为活跃指标，每周扫描一次客户行为是否产生变化。
汽车养护、清洁的企业，或是卖衣服、家居饰品的行业，最少应该用1~2个月作为活跃标准，每周扫描一次客户行为是否产生变化。
标靶“治疗”
每个客户的状况都是不一样的，所以客户的挽回措施必须对症下药，首先需要了解客户流失的原因，设计挽回优惠的内容必须考虑这名客户原来的消费品类，激励内容千万不能“一视同仁”。例如，在便利店或超市行业，要先找出这名客户原来比较喜欢购买的产品，基于这些产品提供优惠，效果会比通用优惠券好些。早期“治疗”，治愈率高，越早期的“治疗”效果更好，因为初期流失的客户对企业还有比较深的印象，可能只是一次的不满意，或是受到竞争对手的利诱使得客户暂时不来光顾。企业应该在发现问题后，立即采取补救行动，让客户有些改观，否则时间久了，客户与企业的关系越来越淡，挽回效果也就更差了。
有一次，我帮一家企业进行客户唤回工作，可是多次实验看到唤回效果就是不见起色。后来问了一下企业的负责人这些客户流失了多久，才知道这些是流失一年以上的重度流失客户，于是我赶紧让这家企业先找浅度流失客户开展挽回工作，效果立刻提升。本着上面的四个原则来处理企业的客户流失问题，企业的客户流失一定可以降到最低。
找出新商品、新服务机会的客户还有一种状况，企业营销部门也需要确定联系的客户群体，那就是当企业有一个新产品或是新服务推出的时候。这时就需要动用数据挖掘的方法，我们会在下面内容中详述。
大数据帮助企业精准地面对客户
建立了客户数据标签，企业就应该在日常运营过程当中，定向、持续地收集客户行为数据，逐步积累对客户的了解。接下来就可以通过这些积累出来的大数据，建立更好的营销机制。不过数据是死的，企业需要一些数据分析与挖掘的能力，才能让数据活用起来。
讲到数据分析，很多搞数据的人动不动就说自己懂得许多神秘的算法。根据实践经验，企业其实不需要急着花大钱去搞那些过于复杂的数据分析方法，因为还有更多有脉络可循的逻辑或是经验法则，可以更有效地为企业解决大部分的问题。如果这些基础的方法都用上了，而且在财力、人力许可的条件下，再去研究一些算法也不迟。这里列举说明一些常用的基础数据分析方法，相信可以有效地满足大多数企业的大数据分析需求。
逻辑推理法
很多企业家在进行数据分析时总是先想到运用统计学、算法，觉得这样做才能有效。不过我建议在实践工作中，请先不要太急着去运用那些纯数学的工具，因为很多商业现象或消费者行为规则，其实可以很直观地看出来。例如早上吃牛奶豆浆、中午吃快餐，这些事情其实不太需要动用到统计或是多深奥的算法，凭着生活上的经验大概就知道了。根据经验，有几种逻辑推理的规则，其实就可以发现许多很好的商业机 会。
基于时间维度的推理
基于时间维度的推理就是客户什么时间会需要什么产品，这个推理是最直接的。如果你是开便利店的，早上七点推荐早餐相关的产品是最直接的，例如包子、三明治、牛奶、豆浆等。如果你是汽车后市场的行业，很多开车的人在假期会有出远门的行程安排，凭经验你也可以很直观地想到这些客户会在出发前需要什么服务。如果你是卖服饰的，需要在不同季节推出当季产品。这些都是不需要分析就知道的客户的应对策略。因此这些按照时间维度整理出来的内容，就是很直观、有效的规则。
基于相关品类消费先后次序的推理
第二种常用的推理方法是基于商品消费的先后次序关系进行推理。例如你是装修行业，看到一位客户买了房子，你一定会知道，这位客户接下来的需求就是要装修，装修完了就是买家具，这些都是生活常识， 并不需要太多分析就可以知道的。另外在母婴行业，当一个女性客户生了小孩，开始会需要买尿布、买奶粉，到了一定时间又会需要购买婴儿辅食食品，这些事也是不需要什么分析就可以知道的。在汽车的使用与维护上也有一定的规律，例如汽车行驶5000公里需要一次小保养，小保养一般是按照一个清单一条条进行处理的，从这些清单常常会衍生出一些其他容易耗损的零部件更换、清理的项目，这些内容虽然不是小保养的必须项目，但是检查后一并处理也是很合乎逻辑的。
基于场景进行推理
第三种常识性的判断是根据行业的不同场景推理。如果你是开便利店的，下雨天时，你需要把雨伞拿到比较显眼的位置，因为一定会有人忘了带伞，需要买一把伞以免淋雨，这就是从场景维度推理的需求。很多数据也证明，在购物中心内，人们看电影时会买一些零食，看完电影后，如果正巧遇上吃饭时间，很自然地就会需要找个餐厅去吃饭，这都是很合理的场景推理。
上面讲的按照时间、品类消费次序关系、场景需求进行的推理，都是不需要数据分析就能知道的。我在某家连锁便利集团总部工作时，公司觉得大数据分析很重要，于是花大钱请了某家国际知名的大数据公 司，开展大数据项目，经过这些国外数据专家几个月的数据整理与分 析，结果得出消费者买早餐时豆浆与包子是相关的，面包与牛奶是相关的。这些所谓大数据专家分析的结果，让我们这些实际负责业务运营的人啼笑皆非，因为对于稍有经验的营销人员来说，这些根本都是常识， 哪里需要动用这么高深的算法，这简直是杀鸡用牛刀。
统计与数据挖掘方法
统计学上有很多不错的方法可以用于数据挖掘，本书整理了几个在实践过程中非常有效的统计方法给各位做概念性的介绍。对于企业家们来说，粗略掌握这些数据统计方法就可以，实战人员则建议多花一些时间来研究这些方法。
l相关分析
相关分析是一种非常基础的统计方法，它的主要概念是测度两个现象之间同时出现或是大小变化正向或反向同时发生的概率。我们在学统计时，常常会用家庭所得与学生学业成绩是否相关作为例子。许多研究发现，在同一班级当中，学生家庭所得与学生的成绩有一定程度相关， 家境条件好的学生，成绩好的概率比家境差的学生要高。
相关分析发现两个现象相关的结果并不一定具有因果关系，例如上面说的学生家境与学业成绩的关系，究竟是因为学生家境好，有条件接受课外辅导所以成绩好，还是因为家境好的学生，他们的父母通常教育水平比较高，通过父母后天对孩子的教育或是父母的遗传，使得学生成绩好，这是一个在教育心理学上说不清的问题。
在企业的营销上，相关分析的应用也极为广泛。例如我们需要判断某一个商品的消费群体是哪些人，这时就可以利用相关分析，将商品销售作为一个变量，不同的客户数据标签作为另外一个变量，就能够找出符合某些客户数据标签的客户购买某些商品的概率特别高。有了这个答案，我们就知道遇到哪些人应该推荐这个产品，因为这时某个人群标签与这个商品销售两个变量出现了相关性。
例如在便利店当中购买蔬菜沙拉的客户与体重有一定的相关性，通常体重轻的女性客户，购买蔬菜沙拉的概率显著高于体重较重的女性。虽然我们并不知道，到底是因为这些女性爱吃沙拉，所以体重比较轻， 还是因为体重轻的人，本身就更注意体重变化，所以更喜欢吃蔬菜沙 拉。不管谁是因、谁是果，营销人员只需要知道两者确实有一定关系， 那么见到体重轻的女性推荐蔬菜沙拉的成功率就是较高的。
l回归分析
简单回归分析
统计上有一种分析叫做回归分析，它是用来发现一个变量受到另外一个或是多个变量的影响程度的大小，前者我们称为因变量，后者称为自变量。例如，一个学生的成绩可能受到家庭人数、家庭收入、住家与学校距离等三个因素影响，这时我们可以用一个回归分析模型，依据某个学生的家庭人数、家庭收入、住家与学校距离推测出这个学生的学业成绩。
逻辑回归分析
上面介绍的回归分析因变量是一个连续的数据，也就是说，学生的得分这个因变量可能是80、81、90等连续的不同数值，但是在精准营销上，我们更在意的是这些客户买与不买的概率，这是二选一的结果，我们称之为“非连续性”的数据。这时我们会用另外一种统计方法来测度买与不买的概率，这种统计方法称为逻辑回归分。
逻辑回归分析是一般回归分析的一种特殊形式。例如，我们要分析一个消费者是否会购买某件时尚款的轻薄羽绒服，这时某几个消费者的标签是自变量，消费者买与不买的选择是因变量，消费者的选择只有0或是1。影响消费者买不买的因素可能是性别、年龄、工作身份以及是否购买过同品牌的其他款衣服等四个变量。这时根据逻辑回归分析就可以预测某个类型客户买与不买的概率。
从上面这些对统计分析工具的介绍，大家应该可以感觉到客户数据标签的价值。我们在做客户行为分析以及预测时，这些客户数据标签就是因变量或是自变量，利用这些比较科学的方法，我们对于客户行为的预测就是科学的，而不是纯粹想象的。我们常常用这些统计方法运算出来一个客户最可能买什么产品或是某个产品最适合推荐给什么样的客 户，把这些结果储存在每一个客户的档案当中。当我们在网站上或是门店遇到一名客户时，就可以通过客户身份辨识，检查适合推荐给这个客户的商品并给予推荐，这就是精准的应对客户，也就是千人千面了。
当企业开发出一个新商品，我们也可以按照已经购买客户的特性， 找出那些具有相类似标签的客户，给他们发送短信或是定向广告，这就是精准营销了。
上述的三种方法，相关分析、回归分析、逻辑回归分析的应用场景还是有些差别的。相关分析可以用在比较简单的两个商品之间的关系， 或是某个客户数据标签与某个商品间的关系，前者我们称之为P2P分析, 后者称为 P2C 分析。回归分析与逻辑回归分析则用在通过多个自变量来预测因变量结果的分析，自变量可以是多个客户标签，例如性别、居住地、薪资、身份等多个因素，来预测消费者的购买概率。客户数据标签可能有着成千上百个，有时候我们会将这些标签进行分类聚合，形成几个群体，例如我们可能把“男性+居住在城区+薪资5千到1万+上班族+喜欢上网”聚合成一个大标签称为“城市白领新贵”，又把“男性+居住在郊区+薪资3千元以下+务农+喜欢上网”聚合成一个大标签称为“新时代农民”， 然后分析两个群体的购买概率差异，一旦确定这两个群体将导致不同购买结果，就可以根据这些条件筛选对象进行精准营销。
购物篮分析
购物篮分析是一个应用极为广泛的大数据算法，它的概念源于超市的购物车。统计学家发现，当一个客户进入超市买东西的时候，商品之间存在着一些关系，相关分析比较适合处理的是个别商品间的关系，例如一个客户买了尿布，同时买奶粉的概率必然比较高。或是某个属性客户与个别商品的关系，例如穿牛仔裤的男性更倾向买万宝龙 品牌香烟，这些都是一对一的关系。但是在许多环境下我们可能要考虑，一个客户买了某个商品后，有较高的概率会再买其他某个或是某几个商品，当我们发现某些商品的相关性较高时，在卖场当中，我们就可以把这些商品放在一起做促销。这种概念不止适用于快消品，在餐饮行业也非常重要，餐饮业者希望用更少的菜品产生更多的销售，因为菜品种类少就可以降低采购复杂度以及采购成本，因此也会降低运营成本，并且提高上菜速度，增加客户的满意。客户来餐厅吃饭，通常不会只点一道菜，这时服务员的精准推荐就非常重要。当服务员推荐的菜品被客户接受，客户的感觉会比较好，也节省了点菜时间。如果连续推荐几道菜都被拒绝，客户就会产生强迫推销的感觉，索性拒绝再多点菜，这就会影响销售客单价。统计学者发现，消费者在点菜时，不同菜品之间也有相关性。例如在西餐厅， 点了沙朗牛排的客户，更倾向点牛尾汤或是蔬菜汤，在中餐厅，点了咖喱炖牛肉的客人，更容易点青菜或是大白菜。如果我们掌握这个规律，就可以把相关性比较高的菜，在菜单上放在比较靠近的位置，或是索性组合成一个套餐，这样就可以有效增加客户的消费总金额。
购物篮分析的逻辑与统计学方法比较起来相对简单也比较容易理解。图7-5上列出了11个商品，这些商品都是超市中常见的商品，到底哪两个或是三个商品比较容易被一起购买呢？统计学家想出了一个点子，他们在超市找出大量的小票，列出每张小票上的所有商品，来找这些商品的并买关系。例如某个客户买了白酒又买了碳酸饮料，我们就在白酒与碳酸饮料之间画一条线，另外一个客户买了红酒又买了瓶装咖啡，我们又在红酒和瓶装咖啡之间画一条线。这些所有两两配对的商品组合，称为品项组。
我们把每一个两两配对的连接线数进行加总，例如买了白酒又买碳酸饮料的这条线出现了1000次，其他有的两两连接线则只出现了100次，这种结果就支持白酒和碳酸饮料的并买概率高于其他商品组合，所以这两个商品就可以放在临近位置，或是捆绑销售，这样消费者一并购买这两个商品的概率就会大幅提升。
当两两连接测试做完以后，我们会再从当中找出每组三个商品的连接，这时就会发现某三个商品的并买概率更高。同样的道理我们也可以把这三种商品做捆绑销售，也同样能够提高三个商品一并购买的概率， 这样又进一步的提高了客单价。
l贝叶斯定理的应用
通过上面的统计分析算法，我们知道了产品与客户之间的相关程 度，这样对于不同标签的客户，我们就可以采取不同的产品建议方案。有了这些数据作为基础，企业在面向个别客户时的应对策略就可以更为精准。如果你的推荐精准，客户会认为“你懂我”，如果你的推荐不够精准，对于客户来说就是骚扰。
相较于盲目推荐，当一位客户已经购买了某个商品，我们再推荐某个分析所锁定的特定商品给这位客户，这时的购买率就会增加。我们再介绍一个较为深入的统计方法，它可以告诉企业这个推荐的精准度是多少，成交率会提高多少。这个问题是很关键的，因为它直接影响了销售客单价以及客户满意度，在客户心里，“你懂我”还是“不懂我”，就表现出来了。
例如你是开餐厅的，你想向客户推荐酸辣汤，如果你直接推荐，客户接受的概率可能只有20。经过统计的算法，当这位客户已经先点了另一道菜，例如他点了红烧排骨，你再推荐酸辣汤，这时他接受的概率可能会大幅提升到60%。这个时候你就可以根据这名客户已经发生的行 为，经过计算再决定下一步应该怎么推荐。同样的，假设你是开运动用品店的，你想推荐一件T-Shirt给客户，为了提高成交率，你也可以用类似的方法来计算，当这个客户买了其他产品，例如买了运动鞋，这时再推荐T-Shirt，推荐被接受度可能也会提高。
我们也可以用个人标签作为已知事件，如果对所有人都推荐一个商品，可能就构成了骚扰，但是如果我们知道客户的特定标签，经过分 析，就会知道符合某个属性条件的客户会购买的概率较高。例如假设客户是夜猫族，向他推荐某款啤酒的成交率会大幅提升，这时，我们知道谁是夜猫族就很重要了。
上面描述的方法在统计学上叫做贝叶斯定理。贝叶斯定理属于统计学上更进阶的方法论，贝叶斯定理就是在检验当某个行为发生后，是否另外一个行为发生的概率也会提高。具体描述这个定理需要用几个统计学上的符号 ：P、P、P。
P：所有客户购买某一产品A的概率。
P：P表示支持度，是某个客户同时选择购买A、B两个产品的概率。
前面两个数据，我们可以从所有客户的购买记录中计算得到，然后用来计算置信度与提升度。
P：P表示置信度，就是客户购买A之后，还会再选择购买B的概率，P的计算公式是P=P/P，等号右边的意思就是在购买A的情形发生的前提下，又同时买了A和B的概率。我们用一个生活上的例子来说明，P是一个市场上消费者买鱼的概率，假设100人当中有30个人，P是市场上消费者买虾的概
率，假设100人当中有40人，P就是市场上消费者既买鱼又买虾的概率，假设100人当中有15人。那么买鱼的人当中又会买虾的概率就是15/30，也就是50%。置信度的概念就是给你一个信心程度，知道这种状况发生的概率大小。分母变小或是分子变大置信度都会增加。例如上面的例子，如果买鱼的人数不变，即P不变， 而鱼虾同时买的人数增加，即P增加，假设增加到20人，这时人们买了鱼会再买虾的概率就提高到20/30 = 66.7%。置信度必然小于一，因为同时买鱼又买虾的人数，必然比只买鱼的人数少。
提升度: 以P/P来计算，它是测量消费者先购买某一产品A后，对另一产品B购买度的提升比例，所以当提升度大于 1才需要把A,B的组合列入考虑推荐。我们再从公式上来解释一下，提升度就是P与P的大小做对比，以上面的例子为例，P是买虾的概率，P是人们买了鱼后会再买虾的概率， 所以提升度是50%/20%= 2.5。也就是说我们在不知情的状况下推荐客人买虾的成功概率是20%，但是如果我们知道这个客人买了鱼，我们向他推荐虾的成功概率就是50%了，所以事先知道他是否买鱼再决定要不要推荐虾，可以提高推荐成交的概率。
上面所说的提升度大于1，表示接受推荐的概率会提高，但是概率会提高不一定就表示一定要做推荐，因为组合方案有很多，我们需要从中找出更优的方案，所以我们需要先列出所有可行方案，再从中择优推荐，推荐的优先次序是：
首先，选出提升度大于1的所有组合。
接着，再从这些大于1的组合当中，按照置信度从大到小排列，作为推荐次序。
贝叶斯定理在电子商务上已经被大量采用，而且为电商企业带来很大的业务增量.例如亚马逊的个性化推荐以及千人千面机制，就是根据这个原则制定的。
图7-6 亚马逊基于贝叶斯定理计算的商品推荐
如图7-6所示，如果某个客户对左边的书包有兴趣，这时他购买右边四个商品的概率，就会比一般客户的概率要高。亚马逊在左边这个商品页面的结尾，就推荐了这四个相关商品，这个推荐就是用贝叶斯定理计算出来的。
聚类分析
我们用相关分析、逻辑回归分析解决了什么人需要什么商品的问题，用购物篮分析解决了购买的产品与产品之间的关联度的问题。这些问题都属于战术层面的问题，但是在战略层面，我们还有一个重要的问题没有解决，就是我们的客户到底是谁。
企业在开发出产品时经常会说，这个产品的目标客户是谁，但是经过一段时间销售，到底这商品是不是卖给了这些人，则是评估商品定位或是诉求是否准确的标准。在帮许多企业做咨询的时候经常会听到企业家告诉我，“我们面向的客户群体是80后、90后、或是年轻白领”。我常常问他们一句话，“你确定吗？在你的想象中希望能够吸引到的客户和实际来购买的客户属性一致吗？”这个问题对企业来说至关重要。另外，即使你想象的目标群体是对的，这些所谓的白领或是80后、90后里面其实还有很多不同的次级群体，我们能否在白领群体里面再细分，掌握这个信息对于产品策略以及促销绩效至关重要，有没有统计或是算法可以回答这个问题呢？统计学上的聚类分析常被用来解决这个客户区隔 的问题，聚类分析是选取多个变量，把这些变量值相近的客户分成一个群体，图7-7 就是聚类分析的表现。
图7-7 聚类分析的表现
图7-7是个聚类分析简化的模型，它只取了两个维度进行客户区分，横坐标是体重，越往右边越重，纵坐标是身高，越往上越高。这时我们可以根据所有客户的身高体重，划分为A、B、C三组人群，A组属于身高较高但体重较轻的人，C组属于身高较矮但体重较重的人，B组则是身高与体重居中的人。这样是不是就很清楚地把客户区分出来，如果你是做健身或是减肥、塑身的行业，你应该就会发现这种区分太有用了。如果你和BAT合作，在没有见过客户的状况下，BAT提供你这些客户标签，你就应该知道面对每个族群，应该跟他们说什么比较容易说服他们加入你的健身俱乐部。
分析时如果只有两个变量为坐标，我们可以在二维坐标平面图上清楚地将所有客户进行区分，但是在实际工作中，我们可能需要三个、四个甚至十个维度的变量做更精确的划分。例如上面的例子里我们可以再加上文化程度这个维度，这样就形成了三维空间，分群的视角可能就会发生改变。人的眼睛只能判断出三个维度的分布，如果有更多的维度就需要靠数学方法了，聚类分析可以让营销人员任意选取N个维度进行客户分群，这就是聚类分析的用途了。当然选择过多的维度不见得就一定比较好，在统计学上我们通常还会用因子分析方法把N个维度的变量聚合成少数几个维度变量。
广州信科网络，发现营销好渠道
广州信科网络是为企业提供品牌公关压制,品牌口碑营销,论坛博客营销,问答营销,百科创建,SEO优化,纸媒新闻发稿等整合营销，全网营销方案的公司，能帮你解决销售渠道。
那我们可以为你做哪些呢？
快速建站
三屏站
、微信小程序
搜索营销
长尾关键词排名，实现低成本获客
SEO系统，按天收费无限制关键词
AI万词霸屏，快速排名，迅速曝光
品牌营销
热点新闻造势
口碑传播，知道，知乎，问问多渠道传播
第三方百科平台背书
品牌危机公关
商盟营销
云广告，多个高质量B2B与分类信息平台商铺建设，商机群发
抖抖客，采购数据人工筛选，精准匹配优质商家
流量营销
广告投放，行业商机旁大广告位展现实现低成本截流获客
铺盖全国城市200+，社区2000+，媒体资源40000+，社区住户200万+
