[摘 要]本文主要阐述了基于数据挖掘技术的精确营销在国内外的发展状况以及在零售业的一些应用研究,目的在于协助零售企业改进原有的无目的的粗犷式营销模式,及时制定、分析、跟踪和总结,以期达到拟定的目标并解决具体的营销问题,从而实现精细化运营。
[关键词]数据挖掘;精确营销;零售业
[中图分类号]F713.32 [文献标识码]A [文章编号]1005-6432(2010)14-0016-03
1 引 言
随着零售业的迅速发展,市场环境日益成熟,营销竞争趋向白热化,不管是产品或是服务,都试图在这个信息爆炸的年代找到更大的发展空间,然而在产品供应大于消费需求的年代,如何将各式各样的产品找到不同需求的消费者是企业最关心的问题。但是对于目前国内的零售业来说,粗犷式的促销方式给企业带来了较大的成本,也没有促进企业良好有序的发展。在这种背景下,培养顾客忠诚度和针对性营销成了近几年来零售业营销的热门话题,“精确营销”的概念也应运而生。
下文将主要阐述基于数据挖掘技术的精确营销在国内外的发展状况以及在零售业的一些应用研究,目的在于协助零售企业改进原有的无目的的粗犷式营销模式,及时制定、分析、跟踪和总结,以期达到拟定的目标并解决具体的营销问题,从而实现精细化运营。
2 精确营销
在现代社会中,消费者的需求越来越分化,要求营销策略对各细分市场更加具有针对性,也就是要更加“精确”。
“精确营销”(Precision Marketing)是建立在充分了解顾客信息的基础上,通过定量和定性相结合的方法对目标市场的不同消费者进行细致分析,根据其不同的消费心理和行为特征,采用有针对性的现代技术、方法和指向明确的策略,实现对目标市场不同消费者群体强有效性、高投资回报的营销沟通。
数据库营销作为精确营销的一种方式,在国外发达国家已经有几十年的历史,20世纪90年代,数据挖掘技术在西方发达国家得以推广运用,并率先在电子商务、直销、电信、零售业、航空公司等拥有海量客户数据的领域得以成功应用,后又延伸到生产控制领域,数据库营销几近成熟,已经成为各类型企业的常规营销方式。
在中国,数据挖掘技术自21世纪初引入电信行业以来,目前在电信行业已经应用得非常深入,在银行、航空公司和互联网行业也已经有所应用,但在零售业还鲜见这样的成功案例。一方面因为数据库营销在中国发展还不成熟,另一方面主要因为国内零售业一直忙于规模扩张,还停留在品类管理阶段不肯往前挪步。
但是零售企业具有实施数据库营销的得天独厚的优势,会员卡的普及使企业收录了大量的会员个人信息,而条码、扫描设备、POS机的应用使数据库中会员的消费数据在大规模的增长,这对零售企业来说是一笔非常宝贵的数据财富。这些数据在当今技术驱动型营销环境下可以带给我们大量的意想不到的信息,这些技巧和能力包括客户关系管理、数据库营销及数据挖掘、整合营销传播以及对产品、部门、客户和渠道的获利能力分析。
3 数据挖掘技术及方法论
数据挖掘,是探查和分析大量数据以发现有意义的模式和规律的过程。其技术是数据库和数据仓库技术研究、开发和应用中最活跃的分支之一,是包含数据库、数据仓库、人工智能和统计分析在内的一门新兴技术。数据挖掘技术通过从海量的数据中分析并提炼出其中隐含的、可信的、新颖的、有效的信息,从而允许企业通过对客户的更好了解来改善市场、营销、销售和客户服务工作。
在零售业精确营销中,主要使用的数据挖掘方法有:
(1)关联分析。关联分析的目的是挖掘隐藏在数据之间的关系,确定哪些事物会一起出现。典型的例子是要确定顾客在超市中同时购买哪些商品,即购物篮中都是哪些商品。
(2)分类分析。分类首先要对一个新的客观事物特征进行描述,然后将客观事物的观察值分配到事先确定的类别之中。如把顾客按事先确定的顾客类型分组等。
(3)聚类分析。聚类的任务是将相似的事物分成一类,差异较大的事物分在不同的类中。聚类与分类的区别是聚类并不依赖于事先确定好的组别,聚类通常也作为其他数据挖掘或建模过程的第一步工作。例如,对于“顾客们最喜欢什么样的促销方式”这样的问题,应该首先按照顾客的购买习惯进行聚类,于是相近购买习惯的顾客被分到一个类中,不同的类别表明不同的购买习惯,然后分别调查每一类顾客最喜欢的促销方式。
(4)估计与预测。在实践中,估计经常被用来完成分类的工作,与分类不同的是,分类处理的是离散的结果,估计处理的是连续的结果。在已知一些输入的数据后,我们可以用估计的方法得到未知的连续型随机变量的某一数值,例如,对一个家庭孩子总数的估计、对一个家庭总收入的估计等。
(5)描述与可视化。数据可视化是数据挖掘的一种描述性的有效手段,旨在增进对复杂数据库内容的了解和对行为准确的描述。
4 基于数据挖掘技术的零售业精确营销应用
4.1 客户细分
根据帕累托的80/20原则,企业只要抓住了为企业创造80%利润的20%的重要客户,那么企业就能够实现以有限的资源获得最大化的回报。因此实现客户细分对于零售企业来说是非常重要的。
客户细分通常采用分类回归技术和决策树算法,模型建立的基础是对象特征数据的建立和有效提取,这些数据就存在于客户行为的数据中。比如顾客最后一次来消费的时间、顾客在企业一定时间内的消费次数和消费种类、顾客会员制从激活到目前的时间等。以企业的现实购买资料为依据,用分类回归树建立了客户基本特征集与利润之间的对应规则,从而分辨出各类客户的价值,判定客户的重要程度。其客户细分标准如图1所示。
显而易见,对于价值客户,也就是帕累托的80/20原则中20%的重要客户,是最为理想的客户类型,要极力保持;对于次价值客户,也就是易流失客户,很容易受到企业竞争对手的优待和引诱,因此企业应给予适当的关照;对于潜价值客户,往往占到企业客户数量的最大比例,具有最大的潜在价值,一定的营销策略可以激发出这类客户的购买潜力,从而使其升级为价值客户;对于低价值客户,基本上属于无价值客户,企业投入成本再高也收效甚微,因此无须过多投入,放任自然。
我们可以看出,海量的客户数据通过信息技术的处理变得一目了然,为重要客户的识别建立模型,这样,企业可以有针对性地制定营销决策,为服务提供更可靠的支持。
4.2 市场购物篮分析
市场购物篮分析是指研究在一次购物活动中购物篮组成成分的方法论。这是一种基础性的数据挖掘,它依赖简单的统计分析,处理大量的数据。这些信息可以提供关于商品同族的非常有用的数据,并且通过商品定位和交叉销售来增加销售收入。较为经典的例子就是沃尔玛的啤酒和纸尿裤的故事。沃尔玛分析发现,很多购买啤酒的消费者同时也会购买纸尿裤,于是沃尔玛通过啤酒和纸尿裤相邻货架的管理提升了两个产品的销量。
市场购物篮分析是一种非定向式数据挖掘,主要利用关联规则寻找之前并不知道的模型,是知识发现的一种形式。最近关于市场购物篮分析的报告包括了神经网络方法和可视化的结合应用,以及用协同过滤算法预测选择或偏好。现阶段,一系列专门针对市场购物篮分析的软件也被开发了出来,如DataSage有限公司的DataSage Customer Analyst软件等。
利用关联规则模型进行市场购物篮分析的逻辑关系由顾客购买产品重叠的部分导出。对企业而言,那些只购买产品A的客户是产品B的营销潜力;只购买产品B的客户构成产品A的潜在市场。利用关联规则,企业可以预测每个客户一旦购买其中一种产品后还会购买另一种产品的可能性,并据此设计促销活动。
市场购物篮分析在零售业已经有所应用,并且很多零售组织已经用更多的信息对市场购物篮数据进行了补充,这些额外的信息可以包括收入、消费状况及大量其他个人信息(可以通过一张价格减免的申请表获得),而这些都使得有针对性地进行营销具有了可能性。
4.3 针对性促销
毫无疑问,顾客消费需求与响应模型是数据挖掘最常见的应用。对任何企业来说,市场营销部门的工作就是要策划促销活动去打动那些潜价值顾客和次价值顾客,使他们对企业保持更高的忠诚度。到底如何策划促销活动呢?这需要我们大量的客户数据分析,将数据挖掘技术与传统的市场营销理论整合,既指导了促销活动,又很好地锁定了营销的对象。
针对性促销主要采用神经网络模型、决策树和回归分析技术方法,在实现上需要依靠前面两种应用的支持——客户细分和购物篮分析。客户细分,简单地说就是按照客户的一些属性如年龄、收入和生活习性等对客户进行分类,然后对不同类型的客户提供个性的产品。购物篮分析,是找出顾客的消费偏好,为企业找出交叉销售的机会,为针对性促销做准备。综上所述,针对性促销就是为顾客量身打造一份顾客最感兴趣的促销单,以最大限度地抓住顾客的消费兴趣,吸引顾客再次前来购物。
针对性促销同样也是对未来顾客购买需求的预测,预测模型逻辑如图2所示,图中的纵轴为建模时点。
任何模型必须有目标。在针对性促销中,有以下几个可能的目标:增加顾客响应度、增加总收入、降低广告费用、增加潜在顾客的活力等。总体来说,针对性促销的目标就是增加每一份寄出的促销单的收益率,最大化顾客响应度和企业利润。
基于数据挖掘的针对性促销有效地解决了现代零售业的促销难题,根据销售数据收集和整理客户相关信息,将不同特征的客户进行聚类,找出不同客户群体的不同消费特征和消费差异特征,从而依据客户特征设计不同的促销单,提供不同的产品和服务,满足客户差异化的需求。
5 结束语
精确营销的挖掘价值,一方面在于自身平台的顾客价值开发,通过关联营销的方式让消费者多购买企业的产品和服务。例如亚马逊创立的关联数据挖掘和推荐机制,很好地实现了关联销售和交叉销售。另一方面,精确营销要发现与消费者需求相关的增值服务或促销信息。例如7-11便利店在国外可以邮寄信件、收发快递、购买午餐等,这些服务为企业带来顾客的忠诚度。企业可以针对顾客消费的不同情况,采取不同的营销策略。
精确营销是当今营销界的一个热点问题,由于实践的局限性和技术手段的限制对精确营销的研究还处于初级阶段,尤其是利用数据挖掘技术对零售业精确营销的应用研究涉及的很少。本文就这方面的问题作一些探讨和总结,以助于零售企业实行面对客户需求的营销模式的实战运用。
参考文献:
[1]戴维•奥尔森,石勇.商业数据挖掘导论[M].北京:机械工业出版社,2007.
[2]迈克尔•J.A.贝里,戈登•S.利诺夫.数据挖掘——客户关系管理的科学与艺术[M]. 袁卫,等,译.北京:中国财政经济出版社,2004.
[3]罗茂初,等. 数据库营销[M].北京:经济管理出版社,2007.
[作者简介]陈竞(1987—),女,安徽淮北人,首都经济贸易大学信息学院管理科学与工程专业硕士研究生,研究方向:电子商务与供应链管理。