自助取数按常规理解(RMDBS,关系数据库)下的技术体系下,常规的做法是:
1. 指标自助选取
2. 目标人群自助选取
这2类自助应用分别面向企业管理层以及一线营销人员.指标选取这里不讨论.这里主要讨论针对一线营销人员,目标人群自助选取的场景.
假设一线营销人员需要通过信息系统查找潜力客户群的时候,往往需要结合自身对业务的理解或在由资深业务专家(资深业务科学家)提供对应潜力客户群的特征信息,而这些特征信息在信息量爆发和快速变革的今天及具时效性.很容易失效\变形从而失去指导意义.只有从不断变化的用户需求中(及数据分析中)实时归纳,才能相对准确的画出潜力客户群特征.
通过对海量数据的特定建模,能使得一线营销人员能够将自己选取的待营销人员能和参照人员进行相关维度的对比(自然属性\业务属性\画像属性).从而不断调整选取人员的属性达到优化选取人群,提高命中率,降低营销成本,减少客户反感度的目的.
这类的相似应用一是阿里的”黄金册” ,另外是”淘宝指数”.”黄金册”应资料难以获取暂不在本文说明,本文以”淘宝指数”为参照对象来说明
“淘宝指数”是以淘宝的会员数据结合消费行为数据相结合的一款在线数据分析应用,通过搜索商品的关键字,找到对应人群进行分析,也可以输入2~3个商品关键字,来对比分析相应人群的特征信息..
输入关键字后 我们可以先看到2种商品的在淘宝的关注程度以及销售情况
以市场趋势为角度分析一下特征:
我们一看便得知小米的关注度远远高出note2
那么哪些地方的人更关注小米呢?
那么关注小米和关注note2的人群特征又是什么?
接着我们还可以以市场细分领域角度继续分析
关注小米的人还关注哪些产品呢?
偏好小米的人他们还偏好哪些品牌
淘宝指数并没做太多方向性的分析,比如名单下载\针对买卖家的相关应用等(比如某家店铺购买者的等级分布,综合商品评价等等).目前应该还只是实验性质的项目,通过互联网来验证淘宝指数技术架构的可行性和稳定性.
通过以上了解.联想到电信业务,如果在选取某一业务待发展目标客户人群后,我们能和已是该业务的客户人群进行对比,那么也能使得一般的营销人员通过数据起到指导和发散思维的作用,来不断调整选取条件提高命中率.