摘要：大数据挖掘技术是对数据进行分析, 预测未来, 洞悉因果, 其终极目标是通过数据驱动实现精准决策。企业传统IT系统如ERP系统仅是基于采购、生产、销售等包括人、财、物在内的一系列企业经营供应链的事务型管理系统, 而非数据分析型系统。企业传统IT系统积累了大量真实可靠的数据化数据, 将大数据挖掘技术与传统IT系统相结合, 挖掘数据背后的逻辑, 展现潜藏的商业价值, 对企业的经营决策意义重大。本文主要研究数据挖掘技术在企业市场营销中的应用。
关键词：大数据; 数据挖掘技术; 市场营销;
一、引言
需求驱动发展, 企业信息化系统的应用与快速发展, 为企业带来业务处理与管理的便捷, 同时, 积累了大量数据。随着DT (Date Technology) 时代的到来以及智能化技术的快速发展, 企业意识到数据是一笔宝贵的无形资产, 企业迫切需要在ERP等传统IT系统的基础上, 运用数据挖掘技术对企业经营数据从产生、流动、变动等数据流形成的各个环节进行全生命周期的整合管理, 进而挖掘传统IT系统无法展现的大量隐含逻辑与规则。这必将为企业的决策, 尤其是产品品类划分、需求预测、客户识别、定价策略、广告定向、仓储以及渠道与客户管理等市场营销策略提供更为科学精准的数据支持。
二、何为数据挖掘
关于何为数据挖掘 (Data Mining) , 可以从数据挖掘的具体任务实现步骤进行阐述。首先, 从海量数据中寻找什么样的规则与逻辑, 即确定数据挖掘的目标任务, 明确需求;其次, 根据数据挖掘需求, 确定挖掘分析对象, 即进行数据的准备及一系列预处理动作;再次, 选择挖掘技术, 建立数据模型;最后, 数据规则与逻辑的展示。
数据挖掘技术通常有关联规则分析、聚类分析、异常分析、神经网络法、回归分析、演变分析等。无论是数据挖掘技术的方法选择还是过程的确定, 都应其应用领域的不同或者需求目标的不同而有一定的差异性, 数据挖掘技术的应用可以帮助企业实现业务的自动化向智能化发展。
三、对企业市场营销数据挖掘的目标任务
数据挖掘早已在零售业、生产制造业、金融、电子商务、交通、保险和电信等诸多行业领域得到了应用广泛, 并成为企业或组织行业竞争的利刃。无论哪种行业应用, 先确定数据挖掘的目标任务是必要前提。也就是明确企业面临的困惑与问题, 需要通过数据挖掘达到的目的。
(一) 企业在市场营销中面临的问题描述
目前, 企业在市场营销中的问题总体上有几点: (1) 产品品类结构划分以及销量的预测是诸多企业面临的问题。目前企业主要通过历史销售数据的统计, 粗略地对品类的销量分布及趋势进行分析预测。如何更深层次、更宽维度地找出产品品类、销量, 销售时间、地区, 门店地址、顾客群体等诸多数据信息之间的关联规则, 从而更好地进行预测, 并及时调整产品品类结构、仓储水平、促销强度提供依据。 (2) 顾客的管理方面, 虽然很多企业IT系统数据库存储了顾客消费记录, 也记录了用户基本信息, 但往往顾客信息数据仅用于通讯, 周期性发送促销广告信息, 对促进其再次消费, 提高顾客粘性价值不大, 反而会引起顾客的反感。急需对顾客信息数据进行深度挖掘, 例如从顾客居住地点、教育背景、职业背景等多种看似无关联的数据层, 寻找其隐藏的内在联系, 从而对制定促进顾客关系、保留顾客的最佳策略, 对顾客需求做出精准预期和快速反应, 以更好制定有效营销策略。 (3) 广告投放、促销活动的盲目性, 导致营销成本增大, 效率低下。现代企业在竞争中已经掌握了一定的营销策略, 进行顾客细分, 并有选择有针对地对更有购买可能的顾客进行广告投放、促销活动。但是, 如何寻找潜在顾客, 他们所具有的消费行为特征是什么, 他们的购买力、消费需求会受哪些因素影响, 哪种广告投放渠道收效更大等等, 这些都需要有大量数据依据来做判断。
(二) 企业市场营销数据挖掘的目标任务
根据以上所描述的企业在市场营销中所面临的问题, 确定应用数据挖掘技术的目标任务: (1) 运用聚类分析、关联规则分析, 挖掘不同顾客之间差异度、相似度、关联度, 对顾客购买行为进行分析, 进而细分顾客并对顾客价值进行有效评估。 (2) 运用关联规则分析, 解决产品品类结构划分问题, 品类组合问题, 比如, 一二线城市大型购物商场哪些品类更畅销, 哪些品类销量低, 降低配货量, 甚至取消品类, 哪些品类绑定销售更能提高销量, 哪种促销方式更有效, 选择什么样的广告媒体, 甚至是什么时间段投放, 重复次数多少, 能最大化刺激购买。
四、企业市场营销数据的采集与处理
(一) 构建数据仓库
根据数据挖掘的任务目标, 可以确定数据采集方向。任何企业都处于市场竞争环境中, 数据来源必然包括外部数据与内部数据两部分。外部数据有行业竞争对手数据, 经济相关指标以及天气、季节等所有影响销售因素。内部数据则主要来自企业内部进销存或ERP等IT系统。数据库的构建是数据挖掘应用的关键与基础。
(二) 数据预处理
通常进行原始数据都存在一定的问题, 比如数据的重复、冗余, 数据的完整性, 数据格式的统一化、标准化等问题。需要对原始数据进行预处理, 处理方法通常有 (1) 数据清洗, 即剔除冗余数据, 并通过极值检验、众数、标准差数学方法清除无效数据; (2) 数据规约整合, 按照要求标准化数据格式, 并对数据进行转换整合, 构建数据挖掘算法模型所需要的数据集合。
五、数据挖掘在企业市场营销中的应用
(一) 建立聚类分析模型, 分析顾客消费行为, 并细分顾客
聚类是按照各个变量之间的亲密和疏远程度, 将它们聚成多个“簇”的过程, 聚类的目标是使得同一簇内的点之间距离较短, 而不同簇点之间的距离较大[1]。
建立聚类分析模型, 运用聚类分析从顾客性别、年龄、购买产品的品类、地点、时间、消费金额等对顾客进行细分, 例如, 产品促销期间顾客的参与度高的顾客可以聚类到促销驱动型顾客, 根据数据进一步挖掘这类顾客的特征, 可能是以老年人和妇女家庭型为主, 这类顾客消费决策行为特点是对成本控制要求高, 顾客购买概率受其他顾客购买影响较大, 价格敏感度高, 购买习惯为简单、迅速, 需要重复广告刺激, 还可以计算出其购买时间和购买量与促销时间和强度的关联度, 从而制定针对性更强的促销策略。再比如, 根据购买新品类数据可以聚类到冲动型顾客, 他们对品牌有一定的忠诚度, 更愿意跟踪自己信赖的产品的新动向, 勇于尝试新事物, 这类顾客重复购买度较高, 购买行为自影响系数较大, 购买习惯为快捷、新鲜, 根据数据也可以进一步挖掘这类顾客的更多特征。此外, 还可建立顾客流失聚类分析模型, 对流失的顾客分析其特征, 找寻流失原因, 制定避免顾客流失的针对性策略。
(二) 建立关联分析模型, 细化品类结构, 精准广告与促销的投放
关联分析最早是应用于市场购物篮分析中, 统计分析顾客的购买记录, 发现顾客购物时的多种产品间的联系与购物规律。如下表1购物篮分析表, 简单例举了品类、赠品、折扣几项购买记录, 还可以增加广告渠道, 消费金额等更多种的数据信息。可以通过建立关联数据分析模型, 计算顾客同时购买的化妆品之间的联系, 购物与促销赠品的联系, 以及与价格折扣的联系等, 进而评测顾客购物行为。由表1数据可知6位顾客中, 3位顾客购买美白系列的同时, 购买了BB霜, 4位购买BB霜的顾客同时购买了唇彩, 由购物频次可以计算品类之间, 事务之间的关联强度, 还可以分析购物品类、总金额与促销赠品、折扣之间的关联规则等, 以对顾客购买行为进行分析预测, 便于寻找最优产品组合, 折扣力度, 以及更能刺激购买行为的促销与广告策略。当前日益激烈的市场竞争, 推动着企业在市场营销中不断创新发展, 从关注产品已经转变为顾客导向, 如何及时准确地预测需求、引导刺激购买, 建立与顾客的主动性关系模式, 降低营销成本的同时, 提高营销效率, 这是企业经营决策者迫切需要解决的问题。在市场营销中引入数据挖掘技术, 针对企业实际面临的营销现状与问题, 建立数据分析模型, 支持企业经营决策者制定更为精准有效的营销策略, 以使企业对变幻莫测的市场能做出更为迅速、更为精准的反应, 对企业在竞争中取胜具有意义重大。
六、总结
本文首先对企业在市场营销中普遍面临的问题进行了描述, 并在此基础上按照数据挖掘关键性步骤, 确立了数据挖掘目标任务, 介绍了数据采集与处理方法, 最后, 详细介绍了数据挖掘技术的具体应用。DT时代, 大数据挖掘、云计算、人工智能等技术推动企业乃至整个社会向智能化快速发展, 企业只有走在时代前沿, 同步于时代发展, 才能在这个新的生产力竞争时代崭露头角。
参考文献
[1] 徐渥明.基于K-means算法的中国商业银行零售业务顾客行为细分策略[D].上海:上海交通大学, 2013.
[2]叶成杰.大数据时代下市场营销的机遇与挑战[J].中国商论, 2016 (7) :11-12.
[3]申传华.数据挖掘过程中的数据清洗研究[J].通讯世界, 2016 (24) :81.
