基于大數據精準營銷的數據分析研究

尹景喆

【摘 要】精準營銷是在充分了解顧客信息的基礎上，針對顧客偏好，有針對性地進行營銷，并以事實為依據，以數據為基礎，實現對未來客戶的精準定位、銷售情況的準確預估以及對不同客戶不同業務內容的精確推薦。本文基于大數據精準營銷，從精準營銷的定性分析與定量分析兩個方面，對數據進行分析和挖掘，為精準營銷提供依據和支持。

【關鍵詞】精準營銷；數據分析；定性分析；定量分析

精準營銷，是在充分了解顧客信息的基礎上，針對顧客偏好，有針對性地進行營銷，就是在合適的時間向合適的人提供合適的產品。同時，精準營銷要以事實為依據，以數據為基礎，實現對未來客戶的精準定位、銷售情況的準確預估以及對不同客戶不同業務內容的精確推薦。基于大數據精準營銷的數據分析，就是從精準營銷的角度，對數據進行挖掘與分析，找出數據的內在規律，對未來情況進行預計，為企業營銷戰略的制定和營銷目標的實現提供重要依據。

一、背景介紹

隨著近年來互聯網、新社交媒體的發展，信息過載，數據爆炸、大數據分布式存儲、大數據分析及挖掘技術的發展使得對海量數據進行收集、分析、整合成為可能。基于大數據精準營銷對企業營銷戰略提出了很大的機會和挑戰。可以說，精準營銷是一個基于數據分析的量化過程，從而實現對客戶的精準定位、數據的準確預估等。因此，怎樣面對大量數據進行數據分析，并通過分析得出有價值的營銷信息，實現精準營銷，這里就需要一些數據統計分析方法的支持。

在精準營銷領域，數據統計分析的方法又可分為定性分析法和定量分析法。定性分析法如分類、關聯等，重點解決的問題有：哪些客戶是某個產品或者營銷活動的目標用戶？每個用戶最適合推薦的產品是什么？定量分析法如時間序列預測、移動平均模型、指數平滑模型、趨勢預測法、季節指數法、貝葉斯統計預測方法、馬爾可夫分析法等，重點關注怎樣通過對客戶消費行為數據和歷史規律的挖掘與分析，預測未來客戶需求數據的問題，實現以客戶為中心的精準營銷。本文從精準營銷的定性數據分析與定量數據分析兩個方面展開討論。

二、精準營銷數據中的定性分析

分類法：分類就是按照事物的性質、特點、用途等作為區分的標準，將符合同一標準的事物聚類，不同的則分開的一種認識事物的方法，是數據分析應用最廣泛的應用之一。可利用分類法尋找目標客戶的共有特征，通過分析準確的找到目標用戶。構建分類模型方法有決策樹、神經網絡、判別分析等方法。

關聯法：主要解決的問題是研究產品購買的關聯性，即購買A產品的同時是否會對B產品感興趣。關聯分析又叫“購物籃分析”，意思是在超市購物時，一個購物車中往往會放多種不同的商品，通過大量的購物車分析商品之間可能會存在眾多意料之中或意料之外的關聯性。主要解決兩大類問題：一是如何對客戶進行商品推薦，二是把哪些商品捆綁在一起銷售更好。關聯法就是從一種行為中發現與之相關聯的另一中行為，其廣泛應用于零售業、金融業及互聯網行業。最典型的運用是超市的購物籃分析，挖掘一般顧客在購買X產品的同時還會購買其他什么產品，于是制定相應營銷策略，進行捆綁銷售，增加銷售量。電子購物網站也使用關聯法對相關數據進行分析。一些購物網站使用關聯規則設置相應的交叉銷售，也就是使得購買某種商品的顧客會看到相關的另外一種商品的廣告。

三、精準營銷數據中的定量分析

時間序列預測：時間序列就是一個變量在一定時間段內不同時間點上觀測值的集合。這些觀測值是按時間順序排列的，如按年、季度、月、周等統計的商品銷量、銷售額或庫存量。通過時間序列觀測值的變化規律與趨勢或因變量觀測值與自變量觀測值之間的函數依賴關系，來推算未來預測值的方法。

移動平均模型：利用平均使各個時間點上的觀測值中的隨機因素互相抵消掉，以獲得關于穩定水平的預測，將包括當前時刻在內的N各時間點上的觀測值的平均值作為對于下一時刻的預測值。

例：某商品在過去12周的銷售數量以用移動平均預測模型進行預測的數據如下表：

折線圖如下：

按照移動平均預測模型，某商品第13周銷量預測值為20.25。

指數平滑模型：也稱為改進的移動平均預測模型，是在移動平均預測模型的基礎上，將計算平均值時對于不同時期觀測值的權數設置的不同，近期的全數較大，遠期的權數較小。

將上例按照指數平滑法進行建模，阻尼系數取0.3時的模擬出第13周銷量預測值為20.8，如下圖：

趨勢預測法：對于含有線性趨勢成分的時間序列，可以將預測變量在每一個時期的值和其對應時期之間的線性依賴關系表示出來，確定相關系數（直線方程的斜率和截距）后，可得到直線趨勢方程。以此可求得每個預測區間的預測值。

季節指數法：對于既含有線性趨勢成分又含有季節成分的時間序列，對其成分進行分解，分解出趨勢成分、季節成分與不規則成分的乘積。由于不規則成分的不可預測性，預測值可表示為趨勢成分與季節成分的乘積。

貝葉斯統計預測方法：一種以動態模型為研究對象的時間序列預測方法。在做統計推斷時，一般由先驗信息加總體分布信息加樣本信息，從而推斷出后驗分布信息。貝葉斯模型不僅利用了前期的數據信息，還加入了決策者的經驗和判斷等信息，將客觀因素和主觀因素結合起來，使得預測結果更加貼合實際。

馬爾可夫分析法：又稱馬爾可夫轉移矩陣法，是指在馬爾可夫過程的假設前提下，通過分析隨機變量的現時變化情況來預測這些變量未來變化情況的一種預測方法。這里以一個灰色馬爾可夫預測模型擬合為例介紹馬爾可夫分析法的運用。

（一）馬爾可夫過程概念介紹

人們在實際生活中常遇到具有下述特性的隨機過程：在已知它目前的狀態（現在）的條件下，它未來的演變（將來）不依賴于它以往的演變（過去）。這種已知“現在”的條件下，“將來”與“過去”獨立的特性稱為馬爾可夫性，具有這種性質的隨機過程叫做馬爾可夫過程。endprint

如荷花池一只青蛙的跳躍是馬爾可夫過程的一個形象化例子。青蛙依照它瞬間或起的念頭從一片荷葉上跳到另一片荷葉上，因為青蛙是沒有記憶的，當所處的位置已知時，它下一步跳往何處和它以往走過的路徑無關。如果將荷葉編號并用X0，X1，X2，…分別表示青蛙最初處的荷葉號碼及第一次、第二次、……跳躍后所處的荷葉號碼，那么{Xn，n≥0} 就是馬爾可夫過程。液體中微粒所作的布朗運動，傳染病受感染的人數，原子核中一自由電子在電子層中的跳躍，人口增長過程等等都可視為馬爾可夫過程。還有些過程（例如某些遺傳過程）在一定條件下可以用馬爾可夫過程來近似。

以上述荷花池中的青蛙跳躍過程為例，荷葉號碼的集合E叫做狀態空間，馬爾可夫性表示為：對任意的0≤n10，i0，i1，i2，…，i（n-1），i，j∈E，有

P[x（n）=in|x（0）=i0，x（1）=i1，...，x（n-1）=i（n-1）]=P[x（n）=in|x（n-1）=i（n-1）]（1）

只要其中條件概率有意義。一般地，設E={0，1，…，M}（M為正整數）或E={0，1，2，…}，Xn，n≥0為取值于E的隨機變量序列，如果（1）式成立，則稱{，n≥0}為馬爾可夫鏈。

（二）灰色馬爾可夫預測模型

傳統的灰色模型是利用微分方程給出系統生成序列長期、持續的變化過程，這一過程通過生成序列轉換得到，生成序列指減弱原序列隨機性后的序列，還原生成序列就得到系統趨勢作用。GM（1，1）是灰色模型中最常見的，兩個參數1分別表示系統含有一個變量，使用一階微分方程模型。其建模方式如下：

假設有非負的原始序列將其累加得到生成序列，其中，k=1，…，n，利用可建立下列形式的方程：

這是一個一階變量的一階微分方程，其中a和u是待識別的灰色參數，按最小二乘法求解得到：

其中

再由累減可得到原始序列的變化規律，即有

以上就是GM（1，1）模型的基本思路和公式。

對于利用GM（1，1）模型得到的預測結果，我們可以根據馬爾可夫鏈的方法獲得GM（1，1）模型在已知序列里的偏差規律（即偏差的狀態轉移矩陣），并且依照此規律對GM（1，1）模型結果進行修正，由GM（1，1）模型結果的一個預測數值，修正成為區間和概率組成的預測范圍，增加預測的可信度。這就是馬爾可夫預測方法的基本思路。

（三）實例分析

本文選取2003至2016年的某商品的銷售數據作為原始數據，見下表。

由此計算得到商品銷售總額的累加生成序列：

={1.2081，2.9484，4.986，7.3716，10.1647，13.4349，17.2637，21.7465，26.995，33.14，40.3346，48.7581，58.6204，70.1673}

進一步可以得到

由灰色馬爾可夫預測模型原理可以得到

于是可以得到某商品銷售總額的灰色預測模型：

由上式可以計算出2004-2016年某商品銷售總額的預測值，見下表。

由表3我們可以得到預測值與實際圖的比較圖，見下圖：

下面對于灰色預測結果進行馬爾可夫鏈改進。

首先，根據馬爾可夫鏈分析方法的應用經驗和實際情況，將預測值與實際值的偏差程度劃分為5種狀態。見下表：

按照上面分級標準，各年份商品銷售總額預測值與實際值偏差所處的狀態如表3所示。可見這13年沒有出現狀態4和狀態5。

計算出灰色預測結果馬爾可夫狀態轉移矩陣：

根據馬爾可夫鏈預測原理以及上述灰色預測模型，2012年到2015年銷售總額預測結果分別為6.1450，7.1946，8.4235和9.8623（千億元），且狀態向量均為，最大概率區間計算情況見下表：

如表5所示，我們建立的灰色預測模型在2012至2015年的預測值均落在最大概率區間內，且這些區間包含實際值，因此認為該模型擬合狀態良好。

根據馬爾可夫預測原理，2017年的預測狀態向量為（0 0.4921 0.5079），2017年銷售額預計落在在（11.48972，12.84165）區間和（12.84165，14.19695）區間的概率均約為50%。也就是說，根據此預測模型，2017年銷售額預計會超過1.1億元，并低于1.4億元。

以上運用灰色預測模型和馬爾可夫鏈預測相結合的方法，為營銷預測提供了一種全新的思路。本方法既考慮了從時間序列中挖掘數據的演變規律，又通過狀態轉移概率矩陣反映數據的隨機波動，具有嚴密性和科學性。此模型原理簡單易懂，計算簡便，可以隨著時間的變化將預測對象的新的實際值加入模型中，達到修正模型，提高預測精度的目的。

在市場競爭日益激烈的大環境下，營銷方式正在發生意義深遠的變革，從傳統的、大眾的、粗糙的轉向深度的、細分的、精準的模式轉變。這種轉變要求營銷工作要建立在在深度數據分析挖掘的基礎上，因此，營銷數據的統計與分析，必將在精準營銷領域中發揮強大的作用。

參考文獻：

[1]曾志生，陳桂玲.精準營銷：如何精準的找到客戶并實現有效銷售[M].北京：中國紡織出版社，2007.

[2]伍青生.精準營銷的思想和方法[J].市場營銷導刊，2006.

[3]劉征宇.精準營銷方法研究[J].上海交通大學學報，2007.

[4]韓家煒，數據挖掘：概念與技術[M]，北京：機械工業出版社，2006.

[5]丁建石.基于數據挖掘的精準營銷應用研究[J].商業時代，2007.