大数据下的精准营销

刘晓春

（对外经济贸易大学统计学院在职人员高级课程研修班学员 北京 100029）

引言

近年来，在互联网行业经常出现数字经济、数字化赋能等概念，其实数字经济它是一种新兴的经济学概念，主要实现就是把数据、知识、信息等通过特定的方式或方法进行选择、存储、分析、处理和应用的过程。而大数据就是数字经济的主要载体和要素。所以实际上数字经济是一个概念很宽泛的经济形式，它的主要作用是实现大数据的真正价值，从而实现资源的配置优化，推动生产关系和生产力的快速发展。

近年来，我国的经济发展较为稳定，国内广大人民群众的生活质量和生活水平有了很好的提升，生活越来越便利，并且朝着智能化生活服务迈进。而且国家经济工作的重点一直强调扩大内需，大力发展数字经济是一个很好的契机。如果从市场的角度考虑扩大内需，那么需要从质和量两个方面进行建设。一是从供给端增加产品的数字内涵，二是从需求端形成产品数字消费的新市场。近年来，在现代社会经济下，传统行业的经济由于原有经营模式和理念已经落后于电商经济的步伐，特别是中国的消费互联网高速发展的大背景，电商经济更是在 2020年的疫情期达到了历史的巅峰。这种情况倒逼传统企业必须借助产业互联网进军数字空间，并在数字空间中形成新的产品和服务的运营模式，这种物理空间与数字空间并重的商业模式，将会使中国制造业逐渐开始引领全球制造业的数字化转型。

1 数字化精准营销

大数据时代最大的营销挑战，是在公司品牌客户或广告把所需要宣传的信息传达给潜在消费者以后，是否实际产生效益，这需要了解用户进一步的转化效果。互联网给电商经济带来流量红利，促使电商可以快速占领市场。但是在现有的激烈竞争模式下我们也不得不面对一个现象，伴随着目前互联网的流量红利已经快要用尽，存量时代来临，电商企业GMV增长必须靠消费者的精细化运营来实现。

1.1 那么如何实现精准营销呢

对全量用户精准营销，而这一切必须依赖大数据对用户精准分群才能实现。所以大数据时代的数据不在于拥有，在于运用。大数据时代的来临，如何利用大数据来为精细化运营和精准营销服务，如何能快速对用户进行全方位刻画，如何能准确的找到目标人群，成为企业迫切需要解决的问题，为了应对这一需求，企业必须建立用户洞察，对用户进行全面刻画。

1.2 全域用户画像，可以促进产业赋能与精细化运营

用户画像，俗称对用户打标签，并且全方位打标，从而形成画像，标签类型有属性标签比如年龄，职业，性别，消费水平等；兴趣标签比如教育，购物，影音，游戏，金融理财等；行为标签如近期活跃的应用，近期去过的场景等，也有根据特定场景所设立的定制化标签。用户画像是企业大数据应用的根基，是定向广告投放与个性化推荐的前置条件。从对用户的标签的打标规则对标签分类，主要类型包括简单的统计类标签、常规的规则类标签和常用于预测使用的机器学习挖掘类标签。

其中机器挖掘形成的标签是模型的抽象，营销千变万化，每场活动都有独特的场景和规则，如何将差异化的活动抽象初共性的部分是设计时第一步要考虑的事情。核心内容是大数据处理，数据挖掘、清洗、特征提炼，需要大量运算，标签最终将结果作为一种知识沉淀，通过算法、模型实现了“认识”人。当计算机具备打标能力后，广告投放的精准度也就能更好的提升，信息获取的效率也得到提高。

在最后实现上，消费者精细化运营不是一句空话，要实现GMV增长目标，需要知道市场的决策因子有哪些，市场费用如何去做精准人群营销，才能接近目标GMV。

这里引入业界知名的AIPL模型概念做进一步解释。

A（Awareness）人群：有品牌意识的人，对品牌有所认知，并产生过浏览，被动触达过的人群；

I（Interest）人群：兴趣人群，指的是与品牌的商品有过主动点击或者使用等行为的人；

P（Purchase）人群：指地是实际发生过购买行为的人，和店铺注册的电商会员或加粉行为的人群；

L（Loyalty）人群：指地是品牌的忠实用户，并且在品牌内发生过复购行为的人；

所以在广告投放种采用AIPL人群的正确分层，可以有效的实现品牌人群资产的定量化，以及链路化运营，从而实现最大化的GMV的转化。AIPL模型，使得大家对品牌用户有了一个清晰的认识，同时也可以预估出品牌的资产总量，对品牌的生产和营销能够建立一个综合的数据模型，同时对品牌的消费者有个比较全面的衡量。

2 具体案例解析

2.1 数据来源

本次数据的数据来源于某线上平台美妆品的拉新转化营销实验，分别根据品类以往的点击行为，以及人群的画像刻画，对人群进行分层，分为认知人群和兴趣人群；触点投放，选择在站外的流量渠道和站内的流量渠道分别建立营销策略，做精细化人群的广告营销。

2.2 数据采集

数据采集是通过各触点产品线投放后，将投放打点日志进行过滤，写入kafka，让后通过落地server服务将曝光log日志、点击log日志、商品交易日志、店铺加购、关注等日志，传送到flume，写入hadoop集群中，供数据处理人员，做数据获取和统计分析操作。

2.3 数据清洗

根据设置的投放计划id，从投放曝光日志、投放点击日志过滤出测试人群投放数据，对数据进行清洗处理，去除脏数据，将正确的结果数据写入的新的表里，以供DWD层人员分析使用。

2.4 数据统计及分析

时间窗口：在2020年05月01日到2020年05月08日

分别针对A人群和I人群做了8天的定向投放并进行相关的数据统计，其结果如下：

表3-1 【A人群转化趋势统计】与【I人群转化趋势统计】

对以上表格数据进行趋势处理，y1用柱形图标记转化客单价，y2用折线图标记点击率，如下图所示：

通过数据分析统计得出结论：

A人群(认知人群)

点击率偏低，只有百分之10%左右，转化客单价偏高，人均拉新单价在50-60左右，

I人群(兴趣人群)

很明显点击率一直很高，平均在35%，相反转化价格较低，人均拉新单价在15-20元

所以针对不同人群进行拉新转化，可以有效降低客户的推广成本。

2.5 人群洞察

针对A（认知人群）和I（兴趣人群），通过消费力分析，划分为低购买力人群、中购买力人群、和高购买力人群，通过气泡图对比发现，在同样的消费带人群里，I人群的消费GMV占比要高于A人群的消费GMV占比，那么也得出一个结论，人群需要根据地域、兴趣、年龄段、性别等属性，进行细分，然后分群对比发现不同属性下的AI人群，她们的消费力也是不同的。

另外品牌也具有渗透作用，品牌与品牌之间可以通过一些量化的手段，主要基于品牌下用户的兴趣，属性的相似度分析，计算出品牌距离，这样在品牌拉新的时候，就可以容易去扩展品牌的人群量级，品牌一般都有目标特征人群，需要通过分析品牌的TGI指数，得出显著特征，在我们分析上述数据的时候，就是针对特定的目标分析人群（高购买人群），TGI大于100的就是我们的目标特征。

3 数字风控

广告营销是一种快捷和直接的变现途径，是各个流量渠道的重要收入来源。市场上的广告流量商有百度、腾讯、京东、淘宝、新浪等，广告收入在其收入中占比极高，然而相对的有利益的地方就有风险，广告作弊的出现也就成为必然。黑产中常见的有刷点击，刷留存，刷激活，刷请求，刷曝光等业务，都属于广告作弊常用手法。

识别行为异常是识别广告作弊的有效手段，比如识别短时间内点击次数异常，单ip下是否存在大量账号聚集，广告行为顺序异常，广告访问地域异常等，结合设备维度识别如无设备指纹、设备是否篡改、同设备点击次数超过阈值等。只要认为是作弊流量，所有广告数据都认定为无效数据。

据某商业广告反作弊组不完全统计，站外流量M端流量占比40%，通过反作弊识别的正常流量仅占30%，Pc流量占比20%，通过反作弊50%，App流量占比40%，通过反作弊70%，相对来说，app的流程质量要高于其他端，反作弊工作任重而道远。