精华内容
下载资源
问答
  • 商业智能数据营销该怎么做?

    千次阅读 多人点赞 2016-04-28 13:33:02
    对企业者而言,大数据时代背景下经营方式的变革,市场模式的转型,如何利用数据指导营销,还是云里雾里。商业智能作为大数据背景下较为成熟的应用,已广泛应用于各个行业,而企业对于商业智能指导企业营销方面的需求...

    如今人们都在议论大数据时代的到来,但往往只是远观而不及触碰。对于企业者而言,新时代背景下经营方式的变革,市场模式的转型,如何利用数据指导营销,还是云里雾里。

    有人说中国只有BAT有海量的数据,能玩得起大数据。但并不是数据多了就是大数据,大数据更多的体现在对单个个体的精准描述上,基于单个个体的描述来判断群体的动向。对于企业来讲,与盈利直接挂钩的数据还是来自于企业内部,因此,做好企业内部的数据分析是实现数据营销的第一道关。


    商业智能作为大数据背景下较为成熟的应用,已广泛应用于各个行业,从多数企业使用商业智能FineBI的经历来看,企业对商业智能指导企业营销方面的需求越来越大。

    技术层面上,依百度祝佳所说,基于数据的营销过程与过去数据分析基本过程没有差别,需要在定义商业问题之后,采集和处理数据、建模分析数据、解读数据这么三个大层面。

    数据层:传统的采集和处理数据过程一般是有限的、有意识的、结构化的,能采集到的都是你所能设想到的情况。而对于商业智能,数据的采集过程是可以不受限的,是无意识非结构化的数据采集。所有的生产经营过程信息都可以转化为结构或者非结构化的数据。

    业务层:建模分析数据使用的数据分析模型,利用商业智能的OLAP(联机分析处理)技术对复杂的数据进行分析操作,快速灵活地进行大数据量的复杂查询处理。例如银行、通信运营商、零售商早已成熟运用消费者的属性和行为数据来识别风险和付费可能性。

    应用层:数据指导营销最重要的是解读。传统一般是定义营销问题之后,采集对应的数据,然后建模分析,验证假设,进行解读,解读的空间是有限的。而商业智能提供了一种可能性,既可以根据营销问题去挖掘对应数据进行验证,也可以开放性地利用外部环境数据与内部数据事实结合探索,得出一些预测性的结论。

    在应用实现层面上,商业智能主要通过以下几点来实现精准营销:

    用户行为特征分析

    基于大量的事实数据,我们可以年龄、职业、学历、收入等维度分析用户的喜好和习惯,给用户设定“标签”,做到比用户更了解自己。

    精准消息推送

    依靠数据分析结果的支撑,在对用户行为和特征分析之后,我们对用户群体进行细分,用邮件,短信,客户端推荐,甚至是传统的商店产品的组合罗列、搭配销售来对特定客户推荐特定产品,实现精准定位。

    挖掘重点客户

    二八理论告诉我们,80%的利润来源于那少部分忠实的老用户,而且开发一个新用户的成本也高得多,所以维系老用户,挖掘重点用户成了重中之重。也是通过对用户行为的分析,我们来判断哪些用户是与企业的产品和服务匹配的,是最有价值的用户。最直接的就是网站的访问,可以判断用户关心的东西是否与企业有关。当然可以借助外部的社会化媒体信息,从千丝万缕的联系总挖掘对应的信息,综合起来,帮助企业筛选重点用户。

    总结来看,利用商业智能数据营销关键是“做小”,充分利用企业内部的数据,构建一个合理的系统,往后“想大”,结合外部环境数据,形成更多层面的分析,逐步向外扩展成一个大网。

    展开全文
  • 银行营销数据分析

    千次阅读 2019-09-14 13:15:53
    银行营销 引文请求:此数据集可供研究使用。...数据挖掘技术在银行直接营销中的应用在P.Novais等(eds.)中,欧洲模拟和模拟会议-ESM"2011年,第117-121页,Guimarees,葡萄牙,2011年10月。欧洲SIS。网址:[PDF]h...

    银行营销

    引文请求:此数据集可供研究使用。详情见[Moroetal.,2011]。如果计划使用此数据库,请包含此引用:[Moro等,2011]S.Moro,R.Laureano和P.Corez。数据挖掘技术在银行直接营销中的应用在P.Novais等(eds.)中,欧洲模拟和模拟会议-ESM"2011年,第117-121页,Guimarees,葡萄牙,2011年10月。欧洲SIS。网址:[PDF]http://hdl.handle.net/1822/14838[BIB]http://www3.dsi.uminho.pt/pcortez/bib/2011-esm-,需要数据源可取此网站下载。

    详情如下:

    1.txt1、标题:银行营销

    2.来源创建人:PauloCorez(UNV.Minho)和S.RgioMoro(ISCTE-IUL)2012年@2012年

    3.过去使用情况:对完整数据集进行了描述和分析:S.Moro、R.Laureano和P.Corez。数据挖掘技术在银行直接营销中的应用在P.Novaisetal.(eds.)中,欧洲模拟和模拟会议-ESM"2011,第117-121页,GuimareesES,葡萄牙,2011年10月。欧洲SIS。

    4.相关信息:数据与葡萄牙银行机构的直接营销活动有关。营销活动基于电话呼叫。通常需要对同一客户端的多于一个的联系人,以便于(或未)订购产品(银行定期存款)。有两个数据集:1)具有所有示例的bank-full.csv,按日期排序(2008年5月至2010年11月)。2)bank.csv10%的示例(4521),从bank-full.csv.中随机选择提供最小数据集,以测试更高计算要求的机器学习算法(例如SVM)。分类目标是预测客户是否将预订定期存款(变量Y)。

    5.实例数:bank-full.csv45211(bank.csv4521)

    6.属性数:16个输出属性。

    7.属性信息:有关更多信息,请阅读[Moro等,2011]。输入变量:#银行客户数据:

    1-年龄(age)(数字)
    2-工作(job):工作类型(类别:“管理员。”、“unknwn”、“失业”、“管理”、“女佣”、“企业家”、“学生”,“蓝领”、“自雇的”、“已退休的”、“技术员”、“服务”)

    3-婚姻(marital):婚姻状况(类别:“已婚”、“离异”、“单一的”;注:"离异"意味着离婚或丧偶)
    4-教育(education)(类别:“unknwn”、“次级的”、“主要的”、“第3次”)
    5-默认(default):默认情况下是否有信用?(二进制:“是yes”、“否no”)
    6-余额(balance):年平均余额,以欧元计(数字)
    7-住房(housing):住房贷款?(二进制:“是yes”、“否no”)
    8-贷款(loan):有个人贷款吗?(二进制:“是yes”、“否no”)与当前活动的最后联系人相关的:
    9-联系人(contact):联系人通信类型(类别:“unknown”、“电话”、“cellular”)
    10-天(day):上个月的最后一个联络日(数字)
    11-月(month):上个月(类别:“简”、“2月2日”、"3月"等)。(“11月”、“12月”)
    12-持续时间(duration):最后一个接触持续时间,单位为秒(数字)
    13-活动(campaign):此活动期间执行的联系人数量以及此客户端(数字,包括上次联系人)
    14-PM天(pdays):上次活动上次联系客户端后间隔的天数(数字,-1表示客户端未联系)
    15-前(previous):此活动之前执行的联系人数量和此客户端(数字)
    16-POUTET(poutcome):先前营销活动的结果(分类:“unknown”、“其他的”、“失败”、“成功”)输出变量(所需目标):

    8.缺少属性值:无

    数据分析具体代码如下:

    #银行营销预测
    
    import pandas as pd
    import matplotlib.pyplot as plt
    import numpy as np
    from sklearn.cluster import KMeans
    
    class BankMarketData():
    
        #探索数据
        def detectData(self,filePath):
            df = pd.read_csv(filePath,sep=";")
            df.to_excel("bank_data/bank-full.xls")
    
        #清洗数据以及数据抽取
        def clean_choose_Data(self,filePath):
            df = pd.read_excel(filePath)
            filter1 = df['job'] != 'admin.'
            filter2 = df['balance'] >0
            filters = filter1 & filter2
            df = df[filters]
            df[['job','balance','duration','pdays','poutcome']].to_excel('bank_data/bank_cleaned_choose.xls')
    
        #数据转换
        def transfrom_Data(self,filePath):
            df = pd.read_excel(filePath)
            df['job'].replace(['unemployed', 'student', 'retired', 'self-employed', 'housemaid', 'services', 'blue-collar', 'technician','management', 'entrepreneur', 'unknown'], [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 5], inplace=True)
            df['J'] = df['job']
            df['B'] = df['balance']
            df['D'] = df['duration']
            df['P'] = df['pdays']
            df['poutcome'].replace(['unknown','failure','success','other'],[0,1,2,0], inplace=True)
            df['PC'] = df['poutcome']
            df[['J','B','D','P','PC']].to_excel("bank_data/bank_transform_data.xls")
            
        #数据标准化
        def standarData(self,filePath):
            df = pd.read_excel(filePath)
            df = (df - np.mean(df,axis=0))/np.std(df,axis=0)
            df[['J', 'B', 'D', 'P', 'PC']].to_excel("bank_data/bank_standar_data.xls")
    	
    	#将数据分类以及绘制雷达图
        def classifyData(self,filePath,k=5):
            df = pd.read_excel(filePath)
            kmeans = KMeans(k)
            kmeans.fit(df[['J', 'B', 'D', 'P', 'PC']])
            print(kmeans.cluster_centers_)
            print(kmeans.labels_)
            df['label'] = kmeans.labels_
            df.to_excel("bank_data/bank_result_data.xls")
            coreData = np.array(kmeans.cluster_centers_)
            coreData.to_excel("bank_data/bank_center_data.xls")
    
            # 绘制雷达图
            # 1.组织数据
            # 构造X轴值
            xdata = np.linspace(0, 2 * np.pi, k, endpoint=False)
            xdata = np.concatenate((xdata, [xdata[0]]))
    
            ydata1 = np.concatenate((coreData[0], [coreData[0][0]]))
            ydata2 = np.concatenate((coreData[1], [coreData[1][0]]))
            ydata3 = np.concatenate((coreData[2], [coreData[2][0]]))
            ydata4 = np.concatenate((coreData[3], [coreData[3][0]]))
            ydata5 = np.concatenate((coreData[4], [coreData[4][0]]))
    
            fig = plt.figure()
            ax = fig.add_subplot(111, polar=True)
            
    		# 'o--'为点的形状
            ax.plot(xdata, ydata1, 'o--', linewidth=1, label='customer1')
            ax.plot(xdata, ydata2, 'o--', linewidth=1, label='customer2')
            ax.plot(xdata, ydata3, 'o--', linewidth=1, label='customer3')
            ax.plot(xdata, ydata4, 'o--', linewidth=1, label='customer4')
            ax.plot(xdata, ydata5, 'o--', linewidth=1, label='customer5')
    
            ax.set_thetagrids(xdata * 180 / np.pi, ['J', 'B', 'D', 'P', 'PC'])
            ax.set_rlim(-3, 5)
            plt.legend(loc='best')
            plt.show()
    
    if __name__ == '__main__':
        ad = BankMarketData()
        ad.detectData("bank_data/bank-full.csv")
        ad.clean_choose_Data("bank_data/bank-full.xls")
        ad.transfrom_Data("bank_data/bank_cleaned_choose.xls")
        ad.standarData("bank_data/bank_transform_data.xls")
        ad.classifyData("bank_data/bank_standar_data.xls",k=5)
    
    """
    最后的kmeans分类结果以及数据意义如下:
        'J',          'B',         'D',       'P',       'PC'
    [[ 0.02216654 -0.05000923 -0.06517096  1.96174248  1.9887728 ] 客户群1
     [-1.76713911 -0.08022154 -0.16501964 -0.33563193 -0.33761257] 客户群2
     [ 0.40745133 -0.1343309  -0.27262972 -0.38310866 -0.38719431] 客户群3
     [ 0.19034062  4.74854189 -0.10412082 -0.16329787 -0.13664836] 客户群4
     [ 0.14365711 -0.05165223  2.48678883 -0.29658923 -0.32231959]]客户群5
    
    """
    

    客户特征分析图:

    在这里插入图片描述

    以数据和可视化图表为依据,针对聚类结果进行特征分析,通过如上图表观察可以看出:
    • 客户群1 在P、PC属性上最大,在J、B、D上相对平均;
    • 客户群2 在B、D、P、PC四个维度上相对平均,在J属性上最小;
    • 客户群3 在J属性上最大,在B、D、P、PC上相对平均,没有明显的差异;
    • 客户群4 在B属性上最大,在D、P、PC、J上相对平均;
    • 客户群5 在D属性上最大,在P、PC、J、B属相上表现一般。

    各个标签代表的意义如下:
    J :工作(job):工作类型(类别:“管理员。”、“unknwn”、“失业”、“管理”、“女佣”、“企业家”、“学生”,“蓝领”、“自雇的”、“已退休的”、“技术员”、“服务”)

    B : 余额(balance):年平均余额,以欧元计(数字)

    D:持续时间(duration):最后一个接触持续时间,单位为秒(数字)

    P:PM天(pdays):上次活动上次联系客户端后间隔的天数

    PC:POUTET(poutcome):先前营销活动的结果

    结合业务分析,通过比较各个指标在群间的大小对某一个群特征进行评价分析。在每个指标属性上都有最大、最下和次大、次小值,我们需要将其进行分析统计。例如客户群1在P、PC属性最大,在J指标上最小,因此可以说D在客户群1中为优势特征。以此类推,P、PC在客户群3上是劣势特征。从而总结出每个群的优势和弱势特征,具体如下表所示

    客户群特征描述如下表:
    在这里插入图片描述
    注:
    加粗字体 为最大属性指标;
    加粗斜体 为次大或次小属性指标;
    下划线_ 为最小属性指标。

    由此,可看出客户群4是此次活动重点的营销对象;客户群5次之。与这些客户联系推荐关于预订定期存款方案的营销活动成功概率会比较大。

    展开全文
  • 为方便大家使用,好多粉已接入知乎营销平台的转化追踪api数据上报方式。 目前好多粉已完成各大主流平台的ocpc或者转化追踪数据上报功能,支持按条件自动上报数据或手动上报数据数据上报可自由控制,欢迎使用。 ...

    为方便大家使用,好多粉已接入知乎营销平台的转化追踪api数据上报方式。
    目前好多粉已完成各大主流平台的ocpc或者转化追踪数据上报功能,支持按条件自动上报数据或手动上报数据,数据上报可自由控制,欢迎使用。

     

    相关链接:

           知乎转化追踪API方式数据上报教程

           知乎转化追踪API上报转化目标编码列表

           知乎转化追踪js布码方式上报数据教程


    以下教大家如何在知乎营销后台设置转化追踪,和好多粉如何提交转化数据。

     

      知乎支持以下转化目标

     

    api_submit
    是否需要value 表单提交 value值含义
    api_ask 有效咨询  
    api_call 电话拨打  
    api_buy 商品购买  
    api_view 可选 页面访问 实际花费金额
    api_get_cust 有效获客  
    api_pay 可选 付费 实际花费金额

     

    第一步:新建转化追踪管理
    菜单>工具中心>转化追踪管理



    新建转化追踪,选择落地页API

     

    设置转化信息

     

    请注意:转化url需要手动加指定参数!!!

    例如:

    url为http://www.hduofen.com

    链接后面不带参数添加 ?cb=__CALLBACK__

    添加结果:http://www.hduofen.com?cb=__CALLBACK__

     

     

    例如:

    url为http://www.hduofen.com?id=123

    如果链接后面已经带有问号参数,则拼接&cb=__CALLBACK__
    添加结果:http://www.hduofen.com?id=123&cb=__CALLBACK__
     

     

    第二步:联调

    点击开始联调

     

    在好多粉数据上报中先设置好知乎api提交信息,然后点击一键联调激活


     



    将生成的二维码截图保存,然后上传激活





     

     

    激活成功



     

    返回知乎后台点击查看联调结果,显示联调成功

     

    第三步:提交数据

     

    在复制实时访客中,或者行为转化功能中的实时转化详情中可以提交您统计到的数据
    如果以开启自动提交,系统统计到数据后会自动提交,无需手动提交。





     

    通过以上方式就可以提交知乎落地页api转化追踪数据了。

    展开全文
  • 本文总结了数据分析在电商精准营销中的常用方法,同时总结了营销活动效果评估的常用指标,提供了分析思路。

      本文总结了数据分析在电商精准营销中的常用方法、分析模型,同时总结了营销活动效果评估的常用指标及分析思路,指导效果评估体系的建立。

    精准营销

    精准营销的目标

      1、对已有用户进行精准营销,最大程度实现活跃召回
      2、推动购买行为的完成,最终达到提升交易额的目标

    精准营销思路

      1、建立活动效果评估指标体系。
      2、梳理目标商品;基于目标商品划分用户群;根据用户活跃时间确定不同分组的营销时间;执行精准营销触达。
      3、采集营销活动期间平台用户的行为数据。

    实施方案

      1、自定义用户分群,为不同的用户群定制不同的营销方案。
      2、实时精准营销,不断提升营销效果,不断提升用户体验。
      3、活动效果复盘总结,总结规律。

    效果评估指标

    精准营销效果评估(建立评估指标体系)

    活动效果评估

      1、当日访问用户数
      可进一步观察这些用户的操作系统、地域、年龄、活跃时间等属性。
      2、召回(因为活动访问的沉默用户)数(率)营销用户中的日活用户占日活用户的比例
      (1)可评估营销方案的触达效果;
      (2)召回率与历史营销的一般水平对比,来评估此次营销的召回效果,如果低于历史水平,可以先分析不同营销组、不同用户群的的召回率,再针对不同组寻找召回率偏低的原因;
      (3)由于营销效果的衰减效果非常明显,所以活跃用户只统计当日访问用户。

    成交效果评估

    营销精准度

      1、成交用户数:营销用户中成交用户的数量
      可进一步观察这些用户的操作系统、地域、年龄、活跃时间等属性。
      2、营销用户精准率
      有活动行为的营销用户/有活动行为的总人数。
      (1)客观反映营销用户是否是活动目标用户;
      (2)若此比例低于历史营销活动平均值,说明营销用户与活动匹配度不高,还需进一步分析不高的原因。
      3、营销用户转化率
      营销成交用户/营销召回用户。
      (1)该转化率可直接与其他参与活动的非营销用户转化率做对比,一般应高于非营销用户;
      (2)若该比例偏低,同样需要分析营销用户与活动匹配度。

    营销贡献度

      1、营销用户成交额:营销用户订单成交金额
      (1)反映营销实际产生的价值;
      (2)可根据操作系统、地域、年龄分布、活跃时间等内容进一步观察参与活动用户成交金额分布;
      (3)可建立漏斗追踪营销用户成交路径中每一步的转化率,并通过在适当缓解增加二次营销,引导交易完成。
      2、营销金额贡献度
      营销用户金额在活动总金额的占比。
      (1)该比例一般情况应该与用户占比持平,如果该比例超过用户占比较多,说明此次营销筛选触达用户数据相对高质量的用户,可通过用户属性进一步分析研究,了解优质用户属性;
      (2)如果该比例比用户占比低很多,说明营销用户个人购买能力较弱,可结合实际客单价情况,考虑后续是否增加相应购买能力限制的条件。
      3、营销人数贡献度
      营销参与人数在总活动人数的占比。

    评估活动效果的分析模型

      1、事件分析
      借助筛选、分组和聚合能力,帮助回答关于变化趋势、维度对比的各种细分问题:
      每日PV、UV、新增,按渠道来源分组看UV,按商品一级分类查看客单价。
      2、漏斗分析
      分析多步骤中每一步的转化与流失情况,需要明确:
      定义用户转化路径;
      确定用户转化窗口期;
      确定数据范围。
      3、留存分析
      分析整体用户留存现状,分析各维度用户留存情况。
      4、分布分析
      揭示单个用户对产品的依赖程度,复购率如何。
      5、用户路径分析
      分析用户浏览产品的路径,得到最佳路径。
      6、点击分析
      用户都点了哪些页面元素,那个元素被高频点击。
      7、用户分群分析
      8、用户属性分析

    渠道推广分析

      1、整体观察渠道带来的用户数及收益情况
      基础维度是渠道能带来多大用户规模,可通过渠道成交的用户数及渠道转化率:
      (1)渠道用户量大,说明渠道引流效果好;
      (2)渠道注册用户量大、转化率高,说明渠道获取的新用户与目标人群定位比较符合;
      (3)渠道能否带来实际收益是推广的最终目的,可通过渠道销售总额、人均消费额(客单价)等指标来衡量;
      (4)由于受投放费用、渠道本身属性的影响,各渠道获取流量的能力不同,为消除用户基础的影响,需要分析转化率。
      2、对各渠道的转化效果进行细致分析
      (1)若付费转化率、人均消费金额都高,说明渠道推广效果好,可结合获客成本、ROI等指标判断是否继续推广;
      (2)若付费转化率低,可通过分析人均使用次数、人均使用时长、平均访问深度、留存等指标考察用户质量:
      a. 如果用户质量类指标差,需要先排查是否存在作弊流量,再考虑APP产品的优化;
      b. 如果用户质量类指标好,说明用户对产品本身满意度较高,可结合漏斗分析模块挖掘哪些环节影响了付费转化。
      (3)若人均消费金额低,反映渠道的首要贡献能力低,需要结合ROI判断是否调整投放预算。

    展开全文
  • 通过数据采集推动内容营销

    千次阅读 2019-09-23 10:19:51
    “未来内容的价值、IP的价值会...在当下互联网流量变贵,获客成本高昂的情况下,内容营销已成为互联网竞争中新的突围点。企业纷纷组建内部团队,开括内容营销之路。但这条路并不好走。互联网信息爆炸,内容已呈供过...
  • 银行电话营销数据分析

    千次阅读 2018-10-18 08:00:00
    目前,银行会为其客户提供各种各样的理财产品,银行会通过电话营销的方式将产品推荐为客户。为了提供营销的成功率,银行会借助数据分析来分析哪些客户更可能会购买他们的产品。这是葡...
  • 营销数据中台白皮书

    千次阅读 2019-05-07 15:14:26
    文章发布于公号【数智物语】(ID:decision_...编者按:2018年,DMP、CDP、CEM、DataLake突然引起市场关注,「数据中台」更是成为大中型广告主的数字营销标配。 「数据中台」最早是由阿里提出,对标国外「Data La...
  • Windows Azure 是否会对我的数据进行数据挖掘以用于营销
  • 数据挖掘超市营销数据数据挖掘超市营销数据数据挖掘超市营销数据数据挖掘超市营销数据数据挖掘超市营销数据数据挖掘超市营销数据数据挖掘超市营销数据数据挖掘超市营销 ...
  • 数据分析达到精准营销的路径分析

    千次阅读 2018-12-06 09:21:04
    想要通过数据分析达到精准营销,其重点在于,通过数据分析找到五个合适及其相互之间的关联,所以提供的方案一定是:我们针对XXX人群,在XXX时间,XXX地点进行XXX的营销方法,给与XXX的营销内容,预计XXX的成果。...
  • 如何构建可视化的营销数据大屏?

    千次阅读 多人点赞 2016-09-27 11:35:16
    数据可视化大屏是数据展现最直观最全面的方式之一,对于企业重要数据指标的展示和实时数据的监测,是目前极佳的方案。
  • 营销分析是在广泛收集信息资料的基础上,运用各种定性和定量的方法,帮助管理层决策分析,更好的为开展营销工作服务。着公司企业规模的扩大,对数据量和报表展现的要求也随之提高,建设一个报表系统可以弥补数据处理...
  • 互联网数据时代,构建数据机制分享模式是大势所趋。在阿里巴巴2011年6月网商大会主论坛的舞台上,马云曾语出惊人:“我会让百度睡不着觉,让无所作为的公司睡不着觉。”实际上,马云在宣传阿里巴巴集团即将推出的...
  • UCI银行营销数据集---数据可视化

    千次阅读 2018-12-25 16:22:01
    数据集基本情况 目标: 根据相关的信息预测通过电话推销,用户是否会在银行进行存款。 特征:总共有50个特征。 年龄,工作类型,婚姻状况,受教育背景,信用情况,房贷,个人贷款,联系电话是手机还是固定电话...
  • UCI银行营销数据集--数据集不平衡

    千次阅读 2018-12-27 16:45:09
    数据集基本情况 目标: 根据相关的信息预测通过电话推销,用户是否会在银行进行存款。 特征:总共有50个特征。 年龄,工作类型,婚姻状况,受教育背景,信用情况,房贷,个人贷款,联系电话是手机还是固定电话...
  • 随着人工智能的发展,大数据已经成为影响企业营销的重要因素。...Bingdata优网助帮汇聚多平台采集的海量数据,通过大数据技术的分析及预测能力为企业提供智能化的数据分析、运营优化、投放决策、精准营销、竞...
  • 在移动互联网爆发的今天,数据量呈指数增长,如何在移动和大数据场景下用数据驱动进行精准营销,从而提高营销效能,成为营销业务部门的主要挑战之一,同时也是大数据应用的一个重要研究方向。本文通过数据体系架构和...
  • 目前的移动互联网领域,仍然是以位置的精准营销为主,但未来随着大数据相关技术的发展,人们对数据挖掘的不断深入,针对用户个性化定制的应用服务和营销方式将成为发展趋势,它将是移动互联网的另一片蓝海。...
  • 针对保险公司的健康险产品的用户数据,制作用户画像,找出最具有购买倾向的人群以进行精准保险营销。 三、分析流程 1 导入数据,观察数据 ···了解数据样本和特征个数、数据类型、基本信息等 df.shape df.dtypes #...
  • 精准营销就是在精准定位的基础上,依托现代信息技术手段建立个性化的顾客沟通服务体系,实现企业可度量的低成本扩张之路,是有态度的网络营销理念中的核心观点之一。...我们可以利用数据挖掘技术对顾客的购买行为和...
  • 零售营销-数据仓库建模

    千次阅读 2013-09-04 10:50:49
    零售营销初步方案 2.2.4  第四步:确定事实 设计过程的第四步同时也是最后一步,在于仔细确定哪些事实要在事实表中出现。粒度定义在这里再次成为考虑问题的支点。只是需要指出,事实对于粒度必须是真实的:...
  • 多渠道智能化营销服务机构webpower于近日发布中国地区《2014年邮件营销行业数据报告》,数据显示,2014年全年国内全行业EDM平均送达率为95.82%,平均独立打开率为7.13%,平均独立点击打开率为16.81%,平均独立点击...
  • 该应用通过HealthKit平台提供的用户数据得到用户的健康信息,将之与人口统计学数据进行比较,以此推算出用户可能的死亡时间。用户在已知自己生命期限的情况下,将会改变自己的生活方式和不健康的饮食习惯,而用户的...
  • 编者按:2018年,DMP、CDP、CEM、DataLake突然引起市场关注,「数据中台」更是成为大中型广告主的数字营销标配。秒针系统作为中国领先的营销数据技术供应商,...
  • 4月份项目实战的总结,前后进行了约20多天。 花了大量时间在清洗数据,虽然耗时但是觉得过程中很享受,喜欢...项目背景:2018科大讯飞AI营销算法大赛,点击去官网 数据集:选用训练集数据round1_iflyad_train....
  • (kesci数据分类预测)提供银行精准营销解决方案练习赛 kesci的一个练习赛:https://www.kesci.com/home/competition/5c234c6626ba91002bfdfdd3/content 赛题描述 训练集有20000多条,测试集10000多条,16维特征,最后...
  • 在雷锋网的专访中,王震认为现在的企业在微博营销中走了两条弯路,而数据挖掘能更好的让企业进行精准化营销,为用户带来主动式服务。 现在的企业一般都怎么做微博营销? 答:微博营销现在获得收益的主要有三种...
  • 华泰证券 数据驱动的智能营销平台 2、所属分类 金融科技·智能获客 3、案例背景 证券公司和客户之间存在着巨大的信息和知识不对称性。在证券市场充分发展的今天,投资方式日益丰富,市场细分日趋加深,...
  • 数据挖掘解决精准营销的三大问题

    千次阅读 2012-12-27 10:25:59
    1 我们这次营销的对象是谁?聚类分析、异常分析、RFM分析、决策树、神经网络、 logistics ;  2 如何营销?关联分析、序列分析 ; 3 什么时间营销? 生命周期挖掘、时间序列、回归分析。4、如何评估,T、卡方...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 150,041
精华内容 60,016
关键字:

数据营销