17数据分析经验告诉你大数据行业的门道。
本文基于对在数据分析行业拥有17年经验的嘉宾陈辰的采访记录。
采访嘉宾:陈辰。
简历:现任电通安基斯-默克中国(上海/南京)数据分析部高级总监,兼任默克南京公司总经理。在美国、加拿大和中国拥有超过17年的咨询行业和领先公司的数据营销、风险分析、量化模型和客户关系管理策略经验,具有扎实的市场营销、量化方法、计量经济学和统计学基础,以及丰富的建立银行/金融/零售营销模型和信用评分模型的项目背景。
问:如果一个企业想挖掘数据的价值,但是由于各种原因,数据本身的维度不完整,或者有很多缺失的数据。能否用多年的项目经验和我们分享一下这样的企业应该如何有效的利用数据?
陈辰:对于广告营销来说,有用的数据维度越多越好。即使企业自身的CRM已经非常完备,再加上其他数据源的补充,对于了解现有的客户群体,以及如何准备接下来的营销活动也是非常有益的。
事实上,没有一家数据提供商能够满足品牌所有的营销信息需求。品牌需要的是因地制宜的购买和组合最相关的优质数据内容。Merkle可以利用其购买力和强大的合作伙伴网络,帮助品牌在全球范围内寻找所需数据,并结合数据整合和落地效果分析,为客户创造战略优势。
根据Merkle常用的用户生命周期,我们将用户生命周期分为接触潜在用户(获客阶段)、老客户维护(互动阶段)和留存分析(复购推广阶段)。在获客阶段,Merkle可以结合其他数据源来丰富数据维度。比如我们在服务某知名在线英语教育品牌时,由于客户自身的数据不足以支撑建模,我们利用运营商的数据和某知名科技公司的数据来增强客户的数据,用户画像和建模的准确率提高了很多。
而且和运营商的数据对接也有优势。运营商自然有接触消费者的渠道。因此,在这个项目的第二阶段,我们将利用模型选择最有可能被转化的消费者,通过发送短信和弹窗的方式在合适的触点做营销活动。
如果是在交互阶段,数据维度越多,就越能根据用户行为/状态对用户进行分组,实现个性化交互。例如,我们为NBA提供了LoyaltyPlus平台解决方案,帮助客户创建“NBA球迷圈”。球迷圈”是Merkle通过对多个数据源的客户数据进行收集、清洗和整合,建立会员策略,为NBA中国建立的客户忠诚度系统,使球迷可以根据他们的行为和状态进行分组,与球迷进行个性化的有效互动。
目前,忠诚度系统注册粉丝超过60万,活跃用户达到64%。收集的会员互动数据将用于客户分组和定制服务,达到闭环营销的效果。留存分析,多做竞争产品分析,了解用户流失的原因。
在用户生命周期的不同时期,有不同的对应策略。
问:公司在什么情况下会考虑使用数据分析/模型进行优化,具体如何操作,落地效果如何评估?
陈辰:从根本上说,数据分析/建模/统计是用来更科学地测量数据资产的一些方法。在我看来,只要你有数据,有余力,就可以尝试从数据中感知用户,提高营销效果。
我们把公司分为两类,一类是注重用户增长的企业,一类是注重客户维护的企业。当然这个划分不是很严格,很多企业都是两者并重。关注用户增长就是获取客户。没有一个企业是需要获取客户的,但是随着互联网和数据的兴起,获取客户的具体做法发生了很大的变化。
当互联网刚刚兴起的时候,人们会发现在网上获得客户既简单又便宜,比如在搜索引擎上投资付费广告或者做SEO,效果显著。
现在呢?上网流量越来越贵。对于一些特定的行业,比如汽车或者教育,一个销售线索的成本达到几十甚至几百人民币,那么如何在当前的环境下找到有效且廉价的方式去触达更多的潜在消费者,对企业来说非常重要。
我们现在做的是帮助客户量身定制精准的获客策略和完整的CRM(客户关系营销)解决方案。
首先了解现有的获客流程,结合行业和客户自身的特点提出解决方案。落地后还可以将结果与历史数据进行对比,以及在这个过程中学到的东西,进而调整具体的操作或实施步骤,形成一个闭环的优化结果。以某知名电脑品牌客户为例。原来的获客方式是做线上线下活动,在网上买一些用户资源,但是我们可以帮他具体做。我们可以通过模型挑选出对品牌感兴趣的人,然后在此基础上做活动,省钱又省力。
后来在转型阶段,原来客户的方法是通过电话中心联系,或者以直销的形式。我们可以丰富这些手段,比如可以结合数据验证用户的真实意图和具体需求,在接触时进行个性化推荐;或者你可以用模型把这些用户分组,然后推动转化,这是一个非常好的方法。
Merkle CRM解决方案流程图
对于注重客户维护的企业,我们可以帮助企业建立用户价值和生命周期的体系。用户价值的主要目标是作为投资标准,对用户的投资有多种形式:比如为高价值用户提供更频繁、更便捷的服务;在营销活动中为不同用户提供定制化的联系策略。
我们在确定用户价值时会考虑很多因素,比如使用权、营业额、风险、营销和服务成本、交易历史和预期的未来盈利能力和收入。而且用户价值会随着其生命周期的变化而变化,这是一个动态的过程,在这种变化中完全可以放大营销效果,增加决策的正确性。我们以计算机行业为例。我们可以结合用户的历史购买/保修/在线浏览行为,给每个用户一个生命周期阶段,然后在合适的时间接触用户。
问:能给对大数据行业感兴趣的年轻人一些建议吗?
陈辰:我觉得从事大数据行业,首先要能安下心来,要能掌握一两个常用的数据分析工具,比如R、Python,还要能一定程度的编程,这样对数据理解和分析有一个直观深入的学习过程,也能锻炼新人的数理逻辑思维能力。
当然,这是入行的基本前提。然后需要具备一定的统计学基础和业务分析能力,能够从数据分析的结果中快速得出对业务应用或其他相关专业领域的洞察和应用方向。简单来说,不仅仅是把模型跑出来,把图表画出来,而是要从模型结果和数据可视化中推断总结出真实的故事和意义。
在掌握了这些基本的能力和技能后,要保持不断学习的心态,不断跟踪和了解行业的最新动向和趋势,能够横向融合多行业方向。此外,大数据分析专业往往需要与不同部门、不同类型的客户进行沟通和解释,因此如果需要在职业生涯的后端保持可持续的竞争力,用专业和非专业的语言与不同背景水平的合作伙伴进行有效沟通也是必不可少的技能。
采访结束了。感谢陈辰分享一些关于数据集成/增强、数据分析和建模的项目经验。