大数据技术在精准营销中的应用

大数据技术在精准营销中的应用（精选6篇）

大数据技术在精准营销中的应用 第1篇

大数据技术在精准营销中的应用

大数据时代，数据已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。对于海量数据数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。回顾近两年对大数据的探索历程，某基础运营商一方面顺应大势，牢牢把握大数据技术快速发展的机遇，另一方面应势而动，充分释放前期IT集中化、一体化的红利，鉴定推进数据集中。先后经历了数据集中采集的积淀、初试大数据平台、传统数据库与sefve(四方传媒)获客云混搭架构的大数据平台创建，以及目前朝开放式大数据服务平台迈进四个阶段。

sefve获客云拥有着精准化营销与维系系统，依托大数据精准定位支撑端到端多维度系体系，构建在大数据平台之上，面向客户、面向服务、面向管理，深化数据分析、数据挖掘能力、洞察客户、透视企业，是将大数据转化为实际生产力的重要云化应用之一。

大数据技术架构

MPP数据库

MPP（Massively Parallel Processing，大规模并行处理系统）由多个SMP（SymmetricMultiProcessing，对称多处理系统）服务器通过一定的节点互联网络进行连接，协同工作，完成相同的任务，从用户的角度看它是一个服务器系统。其基本特征是由多个SMP服务器（每个SMP服务器称为一个节点）通过节点互联网络连接而成，每个节点只访问自己的本地资源（内存、存储等），节点之间的信息交互是通过节点互联网络实现的。目前的技术可实现512个节点互联。MMP数据库有以下特点。

①一般存储为结构化数据，有明显的星型或雪花型结构，适用于大数据分析的应用；

②每个服务器都有自己独立的存储、内存和CPU，允许动态地增加或删除节点； ③数据分区划分到不同的物理节点上，通过分布式查询优化来提高系统整体性能；

④主要用在数据仓库和大规模的分析处理应用中。ETL技术

ETL是指将数据从源端经过抽取（Extract）、转换（Transform）、加载（Load）至目的端的过程，该部分在数据挖掘和分析过程中为最基础的一部分。一个良好的ETL系统应该有以下几个功能。①消除数据错误并纠正缺失数据；

②对于数据可信度的评估提供文档化衡量； ③获取相互作用的数据流程来保护数据； ④整合多个源数据；

⑤将数据进行结构化供最终用户使用。

大数据技术在精准营销中的应用 第2篇

课题来源及研究的目的和意义

1.1 课题来源

自选课题

1.2 选题价值及意义

大型的保险公司已将数据挖掘应用到保险业务中，但由于应用在保险行业的分析模型不是很健全，目前在实际操作中一般都采用套用现成算法的方式，导致其结果不是特别的理想。数据挖掘不只是数据的组织和呈现，而是一个从理解业务需求，寻求解决方案到接受实践检验的完整过程，过程中的每个阶段都需要建立科学的方法。数据挖掘是精准营销创造商业价值的关键，也应该是精准营销重要组成部分。

在保险企业中,应用数据挖掘有以下好处:从业务数据方面看,利用企业经营积累起来的海量数据,经过数据预处理等操作后,并最终挖掘出有用的信息、规则,用来帮助企业的管理者进行正确的决策。站在未来的角度上看,数据挖掘通过对业务数据进行研究与分析,可以预测出企业相关经营方面未来的发展趋势,基于对客户群体进行分类,推出满足客户需求的相关商业产品,并挖掘出潜在客户群体等。另外,从目前的发展和运用现状来看,数据挖掘技术未来发展市场十分广阔。而且数据挖掘技术与保险企业商业问题的结合也应当是一个必然的过程。随着保险企业自身经营管理的不断完善,从海量的业务数据中,获取有价值的信息和知识,分析并研究客户喜好及消费行为特征,并推出适合客户需求的产品,针对客户进行具体的营销,赢得市场地位,对于保险企业来说,是未来快速发展、赢得企业生存的关键。因此,学习与运用数据挖掘技术,也是保险企业未来人才培养的一个重要方面。

2.国内外在该方向的研究现状及分析

2.1 精准营销国内外现状

精准营销在国外发达国家已经有几十年的历史,己经成为各类型企业的常规营销方式。杰罗姆·麦卡锡（E.Jerome McCarthy）于1960年在其《基础营销》（Basic Marketing）一书中第一次将企业的营销要素归结四个基本策略的组合，即著名的“4P’s”理论：产品（Product）、价格（Price）、渠道（Place）、促销（Promotion），由于这四个词的英文字头都是P，再加上策略（Strategy），所以简称为“4P’s”。在1976年，“现在营销学之父” 菲利普·科特勒在其代表作《营销管理》进一步确认了以4P为核心的营销组合方法论。

全日制工学（工程）硕士学位论文开题报告

1990年，美国学者罗伯特·劳朋特（RobertLauterborn）教授提出了与传统营销的4P相对应的4C营销理论。4C（Customer、Cost、Convenience、Communication）营销理论以消费者需求为导向，重新设定了市场营销组合的四个基本要素：瞄准消费者的需求和期望（Customer）。首先要了解、研究、分析消费者的需要与欲求，而不是先考虑企业能生产什么产品；消费者所愿意支付的成本（Cost）。总的来说，4C理论认为,对现代企业来讲,重视产品,更要重视顾客;追求成本,更要追求价格;提供消费者的便利比营销渠道更重要;营销活动不单纯是在促销,而是与客户有效的沟通。4C理论以顾客的便利与满意为企业营销的根基,企业必须从消费者的角度出发,为消费者提供满意的产品和服务,才能在竞争中立于不败之地。

目前，最为流行的营销模式是3P3C，Probability（概率）：营销、运营活动以概率为核心，追求精细化和精准率。Product（产品）：注重产品功能，强调产品卖点。Prospects（消费者，目标用户）。Creative（创意，包括文案、活动等）。Channel（渠道）。Cost/Price（成本/价格）。而在这其中，以数据分析挖掘所支撑的目标响应概率（Probability）是核心，在此基础上将会围绕产品功能优化，目标用户细分，活动创意，渠道优化，成本的调整等重要环节和要素，共同促进数据化运营持续完善，甚至成功。

相对于发达国家,精准营销在中国的发展起步较晚,但是发展速度非常快。三十年改革开放,中国营销经历了一个从“无到有”从“有到强”的过程;三十年市场营销的实践磨练,中国企业积累了很多营销经验、也培养了很多营销人才、形成了较为系统的营销理论,从整个大的层面还是积极的、卓有成效的。但是真正意义上的精准营销在国内的发展起步比较晚,中国企业对于数据库营销的核心,包括“客户识别”“客户分析”“客户互动”“客户体验”的数据库营销专业领域,往往知之甚少,因此中国企业普遍较为缺少精准营销的意识,与这种现象在一定程度上也体现了精准营销在中国发展的不成熟。2.2 数据挖掘国内外现状

在保险业中,美国进行数据挖掘系统研究最为著名的公司是艾克国际科技有限公司(AkuP),其研发的数据挖掘系统能够提供前后端分析的完整功能,且可以做到对保险客户进行一对一行销(One to One Mar-keting)。总体上,其主要功能涵盖了策略层、战术层、执行层,详细包括保险客户的组成、成长潜力、稳定度,防患客户流失、进行客户风险管理,帮助业务人员掌握客户信息等。根据国外相关研究报告的数据显示,数据挖掘在国际市场上的营业份额已经远远超过了数百亿美元。在国外,保险、零售、银行等企业引入数据挖掘系统相关工具所占的比例最高,这些企业在成功引进数据挖掘

全日制工学（工程）硕士学位论文开题报告

工具以后,销售营业额、市场份额等相比以前都有大幅提升。因此,基于数据挖掘的应用系统与工具也相继延伸到国外各行各业的相关领域,发挥着其作用。

20世纪末,数据挖掘在进入中国后,起先在证券业、银行业得到广泛的应用与实践,而保险业是继前二者之后,才逐渐引入数据挖掘进行海量数据的分析与研究,随后,采用信息化技术来提高各保险公司的竞争力也成为共识。国内的多数企业,为了追上这股浪潮,紧跟信息化革命的步伐,也投入了相当大的人力、物力、财力等来引进数据挖掘技术。特别是在我国的许多大型国有企业中,比如保险、银行、证券、电信等,这些企业都拥有海量的数据资源,且企业经济实力强大,行业规模扩展快速等特点,其在数据挖掘系统应用方面已经迈出了坚实的一步.2.3数据挖掘在保险精准营销中的应用

保险领域的数据挖掘就是从保险行业所积累的大量数据信息中，通过知识发现技术，发掘感兴趣的模式或知识，来满足保险行业和监管部门的应用要求。数据挖掘技术在保险精准营销系统中所发挥的重要作用己经逐渐被认同。数据挖掘一开始就是面向应用而诞生的,所要涉及到的挖掘问题主要分为以下俩类：

1.关联问题。关联规则研究主要有两个方向:一是在研究的问题中,假定用户购买的所有产品是同时一次性购买的,分析的重点就是所有用户购买的产品之间关联性;二是序列问题,即假定一个用户购买的产品的时间是不同的,而且分析时需要突出时间先后上的关联,这是关联问题的一种特殊情况。

2.分类问题。分类问题属于预测性的问题,但又区别于普通的预测问题,其预测的结果是类别而不是具体的数值。例如：对客户进行分层，基于一个客户的相关信息，判断出他属于哪一层的客户，未来一段时间是否会购买某类保险？将来是否会成为保险公司的高价值客户？

围绕保险领域的不同需求，可将其归纳为：保险产品的设计、营销方式创新。1.保险产品设计。从保险产品设计与开发的角度出发,分析对于保险条款、保险费率具有重大影响的产品结构、技术结构及所有者结构等因素,满足市场的实际需要。在研制开发保险产品的过程中,需要充分注意适应这些因素的变化,积极开发各种保险产品;通过分析已购买某种保险的人是否同时购买另一种保险,从而可以推进保险产品的创新,行交叉销售和增量销售,提高客户满意度。未来的保险市场必将是保险产品不断得到创新的市场。

2.营销方式创新。通过对客户信息的挖掘来支持目标市场的细分和目标客户群的

全日制工学（工程）硕士学位论文开题报告

定位,制定有针对性的营销措施,包括保险公司的专职人员、代理人员等传统渠道以及经纪人、电话、计算机网络和银行等辅助渠道,提高客户响应统率,降低营销成本。

3.主要研究内容

3.1 技术方案

保险行业在海量数据信息的时代，传统的营销模式缺乏针对性。当客户数量提高、相应的信息量增多、所需保险种类复杂化，如果只依靠传统的营销模式来解决问题，那必定带来很大的人力和财力的损伤，同时会降低工作效率。如此下去，随着需求的不断增加或变更，传统的营销模式没有从根本上解决海量信息带来的挑战，甚至会流失一部分的客户。针对精准营销的主要研究内容如下： 3.1.1 ETL数据预处理

我们要对保险公司提供的原始数据进行预处理后，在可以加载到我们的处理平台上，这个过程，我们需要做到以下几部：

（1）数据清洗。数据清洗主要处理空缺值、噪声数据。针对于空缺值的处理，我们可以采用回归、贝叶斯形式化方法工具或判定树归纳等确定空缺值。依靠现有的数据信息来推测空缺值，使空缺值有很大的机会保持与其他属性之间的联系。还可以用全部变量来替换空缺值、或是用平均值来填充。针对于噪声数据，我们可以采用分相或是回归的办法来处理。

（2）数据集成。我们从保险公司拿回来的数据，不可能是统一的格式，针对于不同来源的数据，我们要把它合成同一的模式。首先要做到模式集成，即把不同信息源中的实体匹配来进行模式集成。在集成过程，会出现一个属性多次出现或一个属性命名不一致的问题，针对属性冗余的问题，可以用相关分析监测，然后删除冗余的属性。

（3）数据转换。数据转换的目的就是把数据转换成有利于进行数据挖掘的形式。针对于数据属性，我们可以删除一些无关的属性、也可以把一些属性进行维归约，甚至针对于一些关键性的属性，我们可以细化它的属性。

3.1.2 并行数据库运算环境下，提出客户精确分类和客户与产品关联分析组合算法

本文的目的是寻找一种适合保险营销的算法，来解决目前营销的困难，营销的最大的困难就是客户以及针对于客户的产品设计。针对于客户的管理，我们要做到对客户的分层，分类管理，把客户按照现居住地，性别，家庭状况，以及收入情况等属性进行细分。针对以购买保险的客户，关联出已购买的保险种类与细分的属性之间的

全日制工学（工程）硕士学位论文开题报告

关系，将关联出的关系应用到潜在客户，替潜在客户找到适合自己的产品；根据客户的生活状态、家庭状态，找出适合客户的隐藏产品，实现针对性、交叉性销售。3.1.3对挖掘出的结果进行验证

数据挖掘的模型，是要经过验证，一般的情况下，置信度在80%以上就可以投入应用中。挖掘结果验证的方法有两个，一是对现有数据进行抽样观察，用具体的结果支持我们的计算结果，这个是验证；另一个更重要和更有价值，需要保险公司的业务部门根据我们计算的结果，对客户进行深入的精准营销作业，然后搜集指导作业的结果，分析精准定向销售的成功率的提升情况，用实际业绩的数据来验证我们的研究成果。

3.2 关键技术方法

关键问题一：产品分类、客户分层，客户分类。特别是客户分类是精准营销的前提。当前寿险行业（我们目前能拿到主要就是寿险企业数据）的客户的分类，一般是基于下面几个分类模式的：地理变量、人口统计变量、心理变量、行为变量。由于是本地保险企业某个范围内的数据，地理变量的影响很小，人口统计变量对寿险的影响特别大，是本课题的研究重点。中国人对保险产品的认知和偏好，明显与西方不同，而保险行业在中国的真正的发展时间还很短，很多与中国国情和文化有关联的问题都没有得到比较深入的研究。比如，提出两个有关客户分类的问题，一是“代沟”，二是“家庭关系”。代沟问题是大家常谈的社会问题，中国最近30年发生剧烈的社会变革，年龄跨度几年的人，其对社会的认知模式和消费习惯就可能有重大的区别，必然影响保险产品的销售趋向，那么如何在保险客户数据中，找到并比较准确的“代沟分类阈值”？另一个“家庭关系”，建立稳定家庭的客户显然是购买人寿类保险产品的主力，而购买保险产品的过程中，中国体现了很强的“家主决策权”，在客户分类的过程中，家庭关系作为一个特殊的、多指向的、数据元内部有交叉关系的变量组，必然会深刻影响客户的分类方法，以及在后面依附于分类计算结果之上的关联计算方法和计算结果。这是本课题研究的另一个重要问题。本课题对保险用户的分类方法虽然还属于当前流行的大类分析方法中的类型，但相比一般粗糙的分类方式，我们采用了更精细、更深入的分类方法，当然对分类算法就需要进行深入的定制、优化研究。

关键问题二：根据前面对客户分类的设想，在分类中出现用关系表来描述的客户种类属性的情况下，客户属性要体现“家庭单位和成员关系的客户分类属性”，本身可能是一个多维表，那么当下普遍采用的关联关系的二维计算方法都是用来分析两个一

全日制工学（工程）硕士学位论文开题报告

维数据属性之间的关系，比如当前主流的Apriori算法。当前通用的算法如果不进行改进和局部的特殊设计，显然不能满足对本课题对应的保险客户数据属性表与产品表之间进行关联分析的运算要求。这就要求我们对关联算法的具体定制和完善，进行研究和创新。3.3技术、实验条件

如果采用传统的数据库进行海量数据的存储、并在其基础上进行查询分析操作时，会出现检索速度慢以及不易扩展的问题，提出基于GP的分布式存储模型（如图所示）。

Segment hostSegment hostSegment hostSegment hostETLSegment hostSegment hostLANSQL MapReduce外部数据源并行装载或导出Master 节点Network Interconnect

图1.1 GP的系统结构

采用成熟的商用并行数据库平台Greenplum作为本项目的主要数据库和分析挖掘运算环境。该系统是基于postgreSQL发展的商业系统，特点是采用一组分布式多节点服务器组成并行运算结构，特别适合进行频繁的高密度表关联计算。

系统平台的基本配置是一个核心管理服务器管理一组运算节点单元服务器，运算节点单元服务器可以根据数据量和运算要求的增长扩容。目前实验室提供的环境可以存储大约2亿条数据，由于运算过程中需要产生大量的中间结果，因此推测可以对大约100万条保险客户和业务数据进行分析。3.4 预计目标

(1)适用于本地寿险行业的精准营销分析方法，能够用一种以上方法对客户进行精确分类，并根据分类属性确定保险产品的关联选择度，以指导保险行业提升客户价值； 基于保险数据的挖掘处理方法以及增量挖掘问题的处理方法

(2)在核心期刊上发表1-2篇论文

全日制工学（工程）硕士学位论文开题报告

4研究方案及进度安排，预期达到的目标

2014年 9月 1日——2014年10月30日：调研、准备开题

2014年11月1日——2014年11月30日：去保险企业搜集数据，分析其数据特点，实验方案再论证

2014年12月1日——2015年1月15日：建立模型与建立实验环境

大数据技术在精准营销中的应用 第3篇

阅读是人类获取知识的一种方式。人们可以根据自己的兴趣爱好来选择相关的内容进行阅读。在过去的时候我们主要是以阅读纸质的图书为主, 比如图书、报纸、杂志等纸质读物。但是随着信息技术的发展, 尤其网络通信技术和智能移动终端技术的不断创新和发展使得人们的阅读方式在原有的基础上发生了重大的改变即诞生了电子书。电子书以其容量大、体积小、携带方便等优点受到了广大消费者的欢迎。随着人们的对电子书的阅读体验要求越来越高。而且从互联网中搜索读者感兴趣的资料, 如大海捞针既盲目又浪费了好多宝贵时间。因此需要付费的电子书或相关的网站便应运而生。付费阅读也因其质优价廉的服务深受广大读者的喜爱。随着阅读电子书的群体不断壮大, 所以付费阅读的市场也在随着不断变大。因此存在着大量的潜在客户。如何从这些潜在的客户中挖掘出自己真正的客户从而来增加收入成为了摆在提供付费阅读公司的面前的一个难题。本文则根据读者的行为数据借助数据挖掘的方法, 从大量的未付费的读者中找出极有可能付费的读者, 从而根据他们的兴趣爱好采取相关的营销策略, 使他们转化为付费读者。从而达到精准营销[3]的目的。

1. 数据挖掘

数据挖掘[2]作为一种多学科综合的产物, 综合利用人工智能、机器学习、模式识别、统计学、数据库、可视化技术等, 自动分析数据并从中得到潜在隐含的知识, 从而帮助决策者做出合理并正确的决策。

1.1 数据挖掘的功能

目前数据挖掘的主要功能包括概念描述、关联分析、分类、聚类和偏差检测等。概念描述主要用于描述对象内涵并且概括对象相关特征, 概念描述分为特征性描述和区别性描述, 特征性描述描述对象的相同特征, 区别性描述描述对象的不同特征;关联分析主要用来发现数据库中相关的知识以及数据之间的规律, 关联分为简单关联、时序关联、因果关联;分类和聚类就是根据需要训练相应的样本来对数据分类和合并;偏差分析用于对对象中异常数据的检测。

1.2 数据挖掘过程

数据挖掘主要分3个阶段:数据准备、数据挖掘、结果的评价和表达。数据准备主要是完成对大量数据的选择、净化、推测、转换、数据的缩减, 数据准备阶段的工作好坏将影响到数据挖掘的效率和准确度以及最终模式的有效性, 在数据准备阶段可以消除在挖掘过程中无用的数据, 从而提高数据挖掘的效率和准确度;数据挖掘的工作首先需要选择相应的挖掘实施算法, 例如决策树、分类、聚类、粗糙集、关联规则、神经网络、遗传算法等, 然后对数据进行分析, 从而得到知识的模型;结果评价和表达主要是确定知识的模式模型是否有效以便发现有意义的模型

1.2.1 数据挖掘分类算法

分类[1]是一种重要的数据挖掘技术。分类的目的是根据数据集的特点构造一个分类函数或分类模型 (也常常称作分类器) , 该模型能把未知类别的样本映射到给定类别中的某一个。分类和回归都可以用于预测。和回归方法不同的是, 分类的输出是离散的类别值, 而回归的输出是连续或有序值。构造模型的过程一般分为训练和测试两个阶段。在构造模型之前, 要求将数据集随机地分为训练数据集和测试数据集。在训练阶段, 使用训练数据集, 通过分析由属性描述的数据库元组来构造模型, 假定每个元组属于一个预定义的类, 由一个称作类标号属性的属性来确定。在测试阶段, 使用测试数据集来评估模型的分类准确率, 如果认为模型的准确率可以接受, 就可以用该模型对其它数据元组进行分类。常用的分类算法有决策树、K-NN[5]、朴素贝叶斯[6]等算法。

2. 相关工作

2.1 数据理解

拿到读者阅读的行为数据后, 首先要看一下数据具有哪些属性, 各个属性都代表什么含义。有些属性的信息我们可以从数据的属性名称中获得, 有的则需要我们进一部分析其含义。除此之外在看到数据后我们要明确我们要拿这些数据干什么。在明确了以上几点后我们要看看数据的完整性和合理性。是否存在异常值和缺失值。如果存在以上问题的话我们要采用相应的方法进行处理。以下阅读数据各个字段的名称由于涉及读者隐私我们将属性中的电话一列删除。

2.2. K-NN算法

2.2.1 K-NN算法原理

k-NN算法的核心思想:如果一个样本在特征空间中的k个最邻近的样本中的大多数属于某一个类别, 则该样本也属于这个类别, 并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。k-NN方法在类别决策时, 只与极少量的相邻样本有关。

图中正方形要被决定赋予哪个类, 是三角形还是圆形?如果k=3, 我们从图中找出与正方形距离最近的三个图形。由于三角形所占比例为2/3, 那么我们则认为正方形和三角形属于一类, 如果k=7, 由于圆形的比例为4/7, 因此我们认为正方形和圆形属于一类。

2.2.2 K-NN算法步骤

算法步骤:

(1) 初始化距离为最大距离

(2) 计算未知样本和每个训练样本的距离dist

(3) 得到目前k个最临近样本中的最大距离maxdist

(4) 如果dist小于maxdist, 则将该训练样本作为K-最近邻样本

(5) 重复步骤2、3、4, 直到未知样本和所有训练样本的距离都算完

(6) 统计K-最近邻样本中每个类标号出现的次数

(7) 选择出现频率最大的类标号作为未知样本的类标号

2.2.3 距离计算

计算各数据集各数据对象之间的距离即“亲疏程度”时可以根据实际的需要选择欧氏距离 (Euclidean Distance) 、切比雪夫距离 (Chebyshev Distance) 、Block距离等。由于k-NN算法所处理的变量为数值类型的, 因此本文采用欧氏距离进行计算, 即数据点x和y之间的欧氏距离是两点的P个变量值之差的平方和的平方根, 数学定义为:

3 实验和分析

3.1 实验

(1) 数据来源:本文来源于某个提供电子阅读服务的网站, 从中随机的抽取400百条作为实验数据, 其中300条做作为模型训练数据, 剩下的100条作为模型的测试数据。

(2) 实验工具:SDABAS DM[4]

(3) 实验设计:数据信息如上表表1所示。我们将数据中的付费属性作为每条数据的标签属性。由于表中的付费属性波动比较大, 这里我们人为的将该属性设置为yes/no (付费用户为yes未付费用户为no) 处理后数据如下表所示:

利用训练数据创建模型, 并用测试数据进行验证, 同时采用准确率和召回率两个指标来判断模型的好坏。

3.2 分析

当k=3得到如下结果

当k=5时得到如下结果

观察当k取3和5两个不同值时的结果, 我们可以发现当k=3是的准确率为76%当k=5准确率为78%;当k=3时, 两个类别的召回率分别为81.25%和55.00%, 当k=5时两个类别的召回率分别为83.25%和55.00%。从上面的两个指标比较发现将k值设置为5的时, 模型的准确率较高, 故模型效果较好。

上面的两个实验我们把所有的数据属性都用于建模, 但是实际情况中并不是所有的属性对建模有用, 里面可能存在一些和建模无关的属性, 所以我们需要适当的删除一些对建模没用的属性。通过分析数据我们认为下载次数、城市ID、是否为新用户、订阅次数、记录日期、阅读章节数这几个属性对创建模型影响不大, 不将这些属性用于建模。那么剩下的用于建模的属性为总登陆数、点击次数、移动设备登陆次数。由于这三个属性都是数值型的数据, 离散程度比较大, 所以我们将这三个属性的数据离散为几个等级然后用于建模。等级的个数我们用n表示。

当k=3, n=3时时得到如下结果:

当k=5, n=3个等级得到如下结果:

观察上面的结果当k=3, n=3时accuracy:82.00%, class recall分别为82.50%和80.00%;

当k=5, n=3时accuracy:74.00%, class recall分别为82.50%和80.00%;同过比较准确率和召回率我们可以发现将参数k和n的值都设定为3时, 模型的效果比较好。当k=5, n=3时有一个召回率的值为0, 不符合实际。故将模型参数设置为k=3, n=5。

4 结束语

通过利用训练数据和测试数据, 我们采用数据挖掘分类算法中的K-NN算法, 应用SDABAS-DM软件构建了读者的分类模型, 我们可以从大量的未付费读者的数据中, 利用该分类模型从中找出可能付费的潜在读者。从而有目的的采取相应的营销手段来增加付费用户的数量。另外随着数据量的积累越来越多, 我们将会采用更多具有代表性的数据集来作为训练数据, 这样分类模型将更加合理和完善从而达到精准营销的目的。

参考文献

[1]罗可, 林睦纲, 郗东妹.数据挖掘中分类算法综述[J].计算机工程, 2005.31 (1) :3-5.

[2]王梦雪.数据挖掘综述[J].软件导刊, 2013.12 (10) :135-137

[3]刘征宇.精准营销方法研究[J].上海交通大学学报, 2007.4:143-145

[4]Markus Hofmann.Data Mining Use Cases and Business Analytics Applications[M].2014

[5]闭小梅, 闭瑞华.KNN算法综述[J].科技创新导报, 2009 (14) :31

大数据技术在精准营销中的应用 第4篇

本论文的研究方法为定性研究，通过深度访谈的方法，以京东商城为具体研究对象进行研究。通过对京东商场的具体研究分析，理清B2C电子商务企业收集、整理、存储和分析大数据的流程；分析用户多次的购物记录形成关系网，知悉更多用户的购买习惯和喜好；将客户分为不同的类型，将个性化的信息推荐给客户，以客户为中心，进行实时营销和精准营销。但本文仍存在诸多不足之处，希望在后续研究中能使研究对象进一步细化，并且将案例研究进一步地深入。

关键词：大数据；电子商务；精准营销；京东商城

1 绪论

从20世纪互联网出现至今，互联网已经越来越融入人们的生活，不得不说，网购已经成为了一种潮流和趋势，已经成为了相当一部分人生活中不可或缺的部分，同时，也带动了中国电子商务的发展进程。

网络交易规模的不断扩大和增长，对于电子商務行业来说是一个难得的发展机会，但机遇与挑战永远是并存的。过去传统的粗放式营销方式开始逐渐转变为精准式营销，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。这种精准式营销方式主要特征就是以客户为核心，营销的目的就是实现与客户之间的交易，只有制造出令客户满意的产品，充分满足客户的个性化需求，才能够实现交易，与客户保持良好的合作关系，充分实现收益，获得较高的投资回报。

随着网络的发展和技术的进步，从2009年开始大数据这个词语越来越多地被人们所提及。不可否认，“大数据”一词在整个世界范围内也越来越热， “大数据”时代已经来临。2013年也被中国媒体广泛称之为 “大数据元年”。不得不说，大数据的时代已经来临了。京东（JD.com）是中国最大的自营式电商企业， 2014年5月，京东在美国纳斯达克证券交易所正式挂牌上市，是中国第一个成功赴美上市的大型综合型电商平台，与腾讯、百度等中国互联网巨头共同跻身全球前十大互联网公司排行榜。2014年，京东市场交易额达到2602亿元人民币，净收入达到1150亿元人民币。

最近两年，大数据在电信、医疗和公共交通方面已有应用，但在B2C的电子商务网站方面还未得到广泛的运用，所以本论文的研究问题可以归纳为两个方面：

①如何通过大数据技术获得有利于对B2C电子商务企业的顾客信息挖掘？

②如何将大数据技术分析处理后的数据运用于B2C电子商务企业的精准营销中？

本文的研究目的总体可以分为以下三个方面：

①对于B2C类型的电子商务企业而言，收集的大数据主要包括消费者的购买行为，对其进行整理和分析，可以预测消费者的下次购买行为，可以为企业在精准营销过程中节省大量的人力、财力和物力，减少成本扩大收益。此外，通过精准营销能够很好地维护企业和客户之间的关系，提高客户满意度，真正做到以客户为中心。京东商城就是通过大数据的分析，来维护与网购客户的关系，提高客户在京东商城购买产品的频率和次数，最终提高客户对京东商城的忠诚度。

②对于消费者而言，B2C企业推送的产品信息更具有针对性，更符合自己所需购买产品的期望，减少搜索和寻找相关产品的时间，能及时快速地了解B2C企业的产品信息，帮助消费者做出购买决策，指导其消费行为。消费者收到京东商城发送的产品信息之后，直接就去京东商城的网站上面进行挑选和选购，节省许多时间和精力。

③精准营销研究的侧重点大多在于客户关系管理方面的营销策划研究，基于行业的精准营销也大多集中于银行、图书、消费品等相关领域，但是随着大数据时代的来临，电子商务网站的精准营销研究相对来说就比较匮乏，这就使得本论文的研究更加具有创新性和实用性。

本论文主要以在B2C电子商务企业中非常有代表性的京东商城为研究对象，探索大数据在电子商务精准营销中的应用。

2013年可以称为中国的“大数据元年”，以此计算，中国在大数据领域内的研究还处于最初的起步阶段，且处于宏观研究的层面，对于应用涉及的更加少。而且大数据的显著4V特征：（规模（Volume）、快速（Velocity）、多样（Variety）和价值（Value）由于数据的海量化，规模巨大化和多样化，单个数据的价值密度就显得较低，如何将大数据的海量化、多样性的特点与精准营销的精准性看似矛盾对立的两个方面在营销过程中充分完美地结合起来，最终成功实现营销，这将是本文的研究创新点。

2 文献综述

本章节通过对电子商务、大数据、精准营销等概念进行文献研究，然后通过大数据在电信行业和公共交通行业的应用提供借鉴意义，为大数据能够更好地服务于电子商务行业的后续应用研究奠定基础。

2.1 电子商务

电子商务这一提法最初是由欧洲、美国等西方发达国家提出的，但是经过多年的发展和推广，电子商务已经在全世界的范围内遍地开户，占领了相当大的市场份额，基于这种情况，世界上的众多学者都开始针对电子商务进行了大量而细致的研究工作。

联合国经济合作组织（2007）把电子商务定义为：“电子商务是用开放式的网络作为交易的基础，并且依靠这一基础开展企业与企业之间、消费者与消费者之间、企业与消费者之间的商业上的往来”。

Daniel Amor （2012） 在《电子商务：变革与演进》一书中提出的看法是：立足于电子商务带来的机遇和挑战，对电子商务涵盖的技术进行了评论，同时全是电子商务的核心理念，对于电子商务未来的发展前景进行了展望和评估。该书在对于电子商务的发展给予一定肯定的同时，也毫不避讳的提出了电子商务在发展过程中出现的诸多问题。

中国的电子商务企业相对于国外企业来说起步较晚，但是发展速度却不慢，而且劲头十足，但是，由于受到种种条件的制约，现阶段中国电子商务企业的研究大多还只是停留在理论层面。

张婷，朱邦毅（2014）针对中国当前B2C电子商务市场进行研究的同时，总结了B2C电子商务的三种模式：垂直型、平台型和综合型。并在此基础上，深入解析了各种模式的优缺点和利弊后，得出以下结论：传统的大中型企业开拓销售渠道时比较适用于垂直型的模式；大中型企业在获得企业长远经营利益方面比较实用综合型模式；而平台型的模式则是中小企业最初进入网络交易市场的不二选择。

截至目前为止，针对电子商务企业在理论与实践方面的研究还非常少，这一领域还非常地薄弱，这就更加迫切地需要针对电子商务在B2C企业领域的实践进行更加系统的研究。

2.2 大数据

20世纪互联网出现，特别是进入21世纪以来，互联网的发展势头锐不可挡，无处不在的移动设备每时每刻都在产生着大量的数据，信息的交互更是时时刻刻都在处理大量的数据。此时，对于数据处理的实时性和实效性都提出了更高的要求，传统的处理手段已经不能胜任。因此，大数据技術当之无愧地成为了一个最新的技术热点，并引起了世界单位内的广泛关注。

维基百科对于大数据的定义是“大数据是一个常规软件无法在一定时间内对其内容进行获取、整理和分析的数据集合”。大数据与海量数据相比，在数据体量、复杂性和产生速度这三个方面相较于传统数据的形态有了很大的超越，此外，也超越了传统技术处理手段的范围，还能够带来巨大的经济效益。

IBM公司将大数据的特征总结成为三个“V”：规模（Volume）、快速（Velocity）和多样（Variety），但是更多的人则将其概括为四个“V”，即规模（volume）、快速（Velocity）、多样（Variety）和价值（value）。

依据一般的信息处理流程，大数据的处理过程可以划分为以下六个环节，分别是数据收集、数据整理、数据存储及管理、数据分析、数据显化及产业应用：

①数据收集。数据收集是大数据处理过程首要的一环，也是基础。

②数据整理。每年数据的产生量是非常大的，完成大量数据的收集工作之后，如何才能筛选出有用的数据，并使有用的数据顺利传递到下一环节，是大数据处理过程中必要的并且非常重要的环节。

③数据存储及管理。数据存储和数据管理是环环相扣的，采用何种方式进行数据管理直接决定了数据存储的方式，同时数据存储的方式又决定了数据管理的深度和广度。

④数据分析。开始比较早的传统数据处理公司具有明显的竞争优势，但是，以Cloudera为代表的基于开源软件基础构架的数据分析公司由于能够较好地满足客户的数据分析需求，在这几年间取得了快速的发展。

⑤数据解读。数据分析这一环节，起步比较早的传统数据处理公司同样具有一定的竞争优势，通过在传统业务之上融入新的知识，很快就成为该领域中的领头羊。

⑥数据展示。这一环节中在一定程度上也可以称之为数据应用，大数据开始帮助管理实践。

2.3 精准营销

20世纪90年代，美国的莱斯特·伟门第一次提出了精准营销的概念。Zabin和Brebach （2004）提出了精准营销的4R法则，亦即正确的顾客（right customer），正确的信息（right message），正确的渠道（right channel）以及正确的时间（Right time），通过把正确的信息在正确的时间通过正确的渠道顺利传递到正确的客户手中，借此真正实现对目标客户的购买决策形成有力影响，并促成营销目标的顺利达成。

刘征宇（2013）在《精准营销方法研究》中提出精准营销的方法应该分为三大类，分别是基于数据库营销的方法、基于Internet的方法和借助其他渠道的方法三大类。姜何（2014）用精细化营销来形容精准营销，指出所谓的精细化管理是相较于粗放式管理而言的，实施精细化管理，就意味着要开展客户细分，针对不同类型的客户实施不同的营销策略，充分了解客户的个性化需求，为客户提供所需的服务，实现营销目标。曹彩杰（2014）提出，精准营销体系应该以网络和信息技术手段为核心，未来也许会替代传统的营销模式，并逐步发展成为现代企业管理营销发展的新态势。

中国三大电信运营商经过多年的经营，累积了大量的数据。目前大数据在电信行业中的应用主要体现在网络管理和优化、市场与精准营销和企业运营管理。目前面临的问题是，电信行业发展好应用大数据技术面临的最大障碍不是技术能不能实现的问题，而是数据孤岛无法充分共享的问题。所以，对于电信运营商来说，要真正的利用大数据并使其更好地服务于运营商，数据的统一和整合是第一步，也时最为重要的一步。

应用大数据手段可以将海量的数据进行一个集合，通过把离散的数据需求集合成交通管理的体系，来满足以往不能实现的需求。利用大数据技术可以收集来自各方面的信息，这一点同样也可以应用于交通管理方面，可以应用大数据技术提升城市交通管理的水平，有效改善交通状况。在利用大数据技术治理交通方面，美国等西方发达国家最具代表性，在国内而言，深圳可以说是做得比较好的。

在B2C电子商务的精准营销中，首先利用大数据对客户进行“画像”，通过在网上的交易记录和购买情况，可以对客户情况有一个大概的了解，可以算是“素描画”。然后结合之前多次的交易情况，对客户信息进一步的补充和完善，形成关系网或关系链，这样客户的“画像”更加全面和形象，客户的消费行为和消费喜好也有一定的预测和判断。第三步就是制定销售策略，将客户分为不同的类型，通过邮件或短信，将个性化的信息推荐给客户。最后就是评估大数据在精准营销中的效果和作用，通过实施精准营销前后的销售额的变化对比，来进行验证和证实。

3 研究方法

本论文采用深度访谈法作为研究方法，主要是基于以下两个方面的考虑：

一是大数据的研究总体来说还是处于探索和研究阶段，尽管很多个行业领域都在提及大数据，但并未得到普及，大数据更多的对人们来说只是一个概念而已。

二是企业出于商业保密的原因，很多企业内部的资料无从查找，为了能够获取更多详实的内部资料和数据，需要对京东企业的内部人员进行访谈。同时为了保证企业的正常利益，访谈内容中关于京东企业的内部资料和信息仅用于论文研究使用，不可用于商业用途。

内容分析法（Content Analysis）是指来源于新闻传播领域的一种分析方法，

通过定性分析与定量分析相结合的方式，针对传播内容进行系统化的客观分析，并且描述传播内容特征和检验传播研究假设的一种研究方法。

本论文主要通过对访谈的形式，对相关人员进行访问，并对访谈的内容进行分析，将其运用于大数据在B2C电子商务精准营销中的应用研究。

本论文选取京东商城为研究对象，针对京东商城使用大数据在电子商务精准营销中的应用情况进行深入研究。之所以选择京东商城为例，有三方面的原因：

①京东商城是中国目前最大的自营式电子商务企业，已经积累了大量的数据信息。京东商城無论从规模还是盈利能力，在B2C电商市场中都是很具有代表性和影响力的，具有研究的价值和意义。

②京东商城经过多年的发展，在中国自营式B2C电商中的市场占有率高达一半，具有良好的消费者群众基础，便于进行调查问卷的发放和收取工作，方便进行数据的收集，为后期进行数据分析奠定了基础。

③京东商城尽管在行业中处于领先地位，但并非处于龙头老大的地位，希望可以通过借助于大数据的契机来缩小与天猫商城的差距，更加巩固京东商城在B2C电商市场中的地位。

鉴于以上三点，本文特意选择京东商城作为研究对象，重点研究和分析其如何使用大数据在B2C电子商务精准营销中进行应用。

4 研究过程

本章节将针对大数据在B2C电子商务中进行精准营销的具体过程进行研究，这部分内容可以划分为两个阶段和三个过程。第一个阶段是数据的收集和处理阶段，第二个阶段是数据的应用阶段。在数据的应用阶段可以划分为三个过程：第一是运用大数据为客户进行画像，第二是补充完善客户信息，形成关系网或者关系链，第三是制定营销策略，首先将客户分为不同的类型，针对不同类型的客户采取不同的营销策划，确定营销策划后通过邮件或者短信的方式将个性化的信息推荐给客户，真正做到以客户为中心进行实时营销和精准营销。

4.1 大数据收集和处理阶段

结合第二章节中已经提及的数据收集和处理过程，将B2C电子商务中的数据收集和处理过程划分为数据采集、数据清理、数据存储及管理和数据分析四个部分。

对于B2C电子商务公司而言，在决定采集数据之前，必须明确哪些数据有用需要采集，哪些数据没用不需要采集，这些数据必须区分开来，避免进行不必要的数据采集。经过第一阶段的数据收集工作，进入到数据整理的环节。数据整理，顾名思义，就是对收集到的数据进行处理，也可以成为数据预处理。在这个阶段的主要工作就是做好数据处理前的所有准备工作，做好预备工作。

京东商城的用户量每年都在快速递增，大量用户产生了大量的数据信息，所有这些用户数据信息的存储和管理也是至关重要的。现在京东商城主要采用的是并行数据库的方式来存储和管理客户的大数据。并行数据库是高性能和高可用性的数据库系统，高性能体现在进行数据整理过程中，所需用的时间越来越短，处理的数据量也越来越大；高可用性指的就是并行数据库的健壮性，换句话说，也就是并行数据库在进行数据处理过冲的一个节点或多个节点部分失效或完全失效时，整个系统对外持续响应的能力。

然而并行数据库系统的最大缺点就是灵活性不好，弹性差，这种特点对于刚成立的公司企业、对于中小型企业来说运用起来是十分有利的。京东商城通过使用并行数据库的方法，将客户的详细信息进行整理分类，便于后续的存储及管理，同时也为下一步的数据分析奠定了基础。

通过多种多样的渠道收集的各种数据，需要进行后续的整理和分析才能充分体现其价值，通过一定的分析得出的结果才能显示出什么内容是企业发展所需要的，并且使其产生一定的经济效益。对于京东商城而言，不同渠道收集到的数据，数据分析方法也略有不同。京东商城通过多渠道和多种途径来分析数据，分析出用户的特征、地域、教育程度、浏览器、网络接入商、操作系统、终端类型等属性，为大数据的运用做好准备。

4.2 大数据运用阶段

在大数据运用阶段主要包含三个过程，分别为：第一，运用大数据技术为客户进行画像；第二，对客户信息进行完善补充，形成关系网或关系链；第三，制定销售策略，将客户分为不同的类型，通过邮件或短信，将个性化的信息推荐给客户，更多地以客户为中心，进行实时营销和精准营销。

用户画像可以很全面地展示一个用户的全部信息，是B2C电子商务企业运用大数据的基础。通过用户画像，京东商城无论是在精准营销领域、搜索引擎领域，还是在广告投放等其他各种应用领域，都在原有的基础上进一步提升精准度，提高了信息获取的效率。京东商城通过一次购物记录描绘出用户的360画像，但这个画像相对来说是模糊的，不清晰的，需要通过更多的信息来核对，来弥补和完胜。大数据的关系网或关系链正好提供了这些数据和信息。

通过大数据的360度画像和关系网，京东商城对自己的客户有了更详细的了解和认识，为下一步大数据的销售策略提供了极大的帮助和支持。通过大数据的分析，京东商城的营销策略一方面以客户为中心，另一方面借助于互联网的优势进行实时营销和精准营销。

以客户为中心，企业能更好地为客户提供服务，满足客户的合理需求，完成企业自身产品的销售，并逐步在客户中塑造出良好的企业信誉和口碑，为企业自身的长远发展有很好的帮助和影响。京东商城对于用户的网络行为数据和用户所发布的内容数据非常重视，因为京东商城认为使用这些数据可以对客户进行更加深入的了解并判断客户的潜在需求。因此京东商城每次推出新的产品或服务的时候，都可以快速的推向市场。而当产品和服务推出之后，京东商城会利用大数据技术对消费者在网站上留下的点击、购买、评论和推荐等数据进行分析，对该款新产品或服务的受欢迎程度进行打分，还可以预测出消费者是否会为该产品或服务买单，根据预测的结果来决定是应该继续推广这款产品或者服务，或者是停止推向市场。

大数据时代用户的多场景、多渠道、多样化的需求已经给传统营销产业带来了影响和冲击，也为营销实时化带来了新的机遇。面对这种机遇，京东商城应该根据自身条件尽快制定有效的实时营销策略，建立高效的实时营销系统，从而提高企业的服务水平，培育客户的品牌忠诚度。

在大数据时代，随着大数据技术的日趋成熟、数据量的日益增长、数据类型的丰富多样使得更加深入的精准营销成为一种可能和必然的发展趋势，因此京东商城在进行营销活动时需要依托大数据，加大精准营销在营销活动中的比重，这样能够大幅降低营销成本，显著提高营销效率。仅仅掌握大量的数据和信息并不具有太大的价值，只有对数据进行专业处理，挖掘出数据中间所隐藏的巨大价值才能体现大数据的战略价值。而对大数据进行专业化处理和分析的最重要的方面就是进行数据挖掘。

通过本章的研究分析，可以看出京东商城在大数据时代下精准营销的具体过程，归纳总结为两个阶段和三个过程。第一个阶段就是京东商城进行数据收集和处理阶段；第二个阶段是京东商城运用大数据进行分析的阶段。在京东商城运用大数据阶段又分为三个过程：第一，京东商城利用大数据为客户进行360度的客户画像；第二，京东商城对客户信息进行完善补充，形成关系网或关系链。第三，京东商城制定销售策略，将客户分为不同的类型，通过邮件或短信，将个性化的信息推荐给客户，更多地以客户为中心，进行实时营销和精准营销。

5 研究总结

本论文主要研究大数据在中国B2C电子商务精准营销中的应用研究，通过第四章的研究分析，本章节主要是从三个方面做出研究总结，分别是研究结论、研究建议、研究局限与展望。

结合本论文第一章节中提出的两个研究问题（如何通过大数据处理技术，得到B2C电子商务企业所需的信息，以及如何将分析处理后的数据运用在B2C电子商务企业的精准营销中），通过本论文的研究总结，得出结论：京东商城主要采用的是并行数据库的方式来对存储和管理客户的大数据；京东商城受到QQ圈子的启发，将在京东商城网购用户的所有购物记录整合起来，形成京东商城网购用户自己的购物圈子；将客户分为不同的类型，将个性化的信息推荐给客户，以客户为中心，进行实时营销和精准营销。

在大数据时代，越来越多的用户行为都会被记录，这些都是数据，而电商企业所拥有的用户数据也会越来越多，面临技术手段的漏洞，这些数据也同样面临泄露或被滥用的可能，将会对企业的形象、品牌和口碑等带来重大的影响，营销数据的安全和隐私权的保护已经成为一个重要的课题和电商企业必须关注的问题。

随着大数据时代的进一步到来，电商行业的不断发展，新的大数据技术的涌现，营销理念的不断变革，电商企业在大数据时代还会有新的营销理念、营销模式的不断涌现，需要进行更加客观、更加全面的研究。本文的研究还有很多方面有必要做深入研究，可进一步细化研究对象，进一步深入案例研究，这也为笔者下一步进行研究指明了方向。

参考文献：

[1]Author， Central C.， & Ambiga， Dhiraj D. （2013）. Big Data， Big Analytics： Emerging Business Intelligence and Analytic Trends for Today's Businesses.

[2]Frank， J. （2012）. Ohlhorst.Big Data Analytics： Turning Big Data into Big Money （Wiley and SAS Business Series）.

[3]Bill Franks， B. （2012）. Taming The Big Data Tidal Wave： Finding Opportunities in Huge Data Streams with Advanced Analytics.

[4]Kotler， P. （2003）. Marketing Management （11th ed.）. Pearson Education， Inc.

[5]Lapis （2012）. Understanding Big Data . USA： The McGraw Hill Companies Viktor， MayerM.-Sch？nberger S. （2012）. Big Data： A Revolution That Will Transform How We Live， Work， and Think.

[6]万后芬.市场营销教程（第2版）[M].北京：高等教育出版社，2008.

[7]王方华.市场营销学[M].上海：上海人民出版社，2007.

[8]王成文.电子商务环境下市场营销的变化[J].法制与社会，2007，5.

[9]王森林，吴志玮.电子商务与企业成本竞争力[J].商场现代化，2007，6.

[10]甘晓，李国杰.大数据成为信息科技新关注点[J].中国科学报，2012，3.

[11]白云川.迎接大数据时代[J].中国制造业信息化，2011，12.

[12]边凌雁.4P营销组合和7P营销组合的比较研究[J].商场现代化，2007，2.

[13]苏兰君.现代市场营销能力培养与训练[M].北京：北京邮电大学出版社，2005.

[14]李鲤.数据挖掘在电子商务网络营销中的应用研究[J].广西大学报，2011，2.

[15]楊涌斌.论精准营销的实现[J].河南社会科学报，2012，4.

[16]张玉祥.对市场营销发展的新趋势的研究[J].企业家天地，2007，4.

[17]陈刚，李丛杉.关键时刻战略：激活大数据营销，2014.

[18]陈娟.我国电子商务发展趋势[J].创新科技，2006（8）.

[19]青虹宏.电子商务营销[M].北京：中国铁道出版社，2012.

[20]高虹.浅谈电子商务对传统市场营销的影响[J].电子商务，2007，50.

[21]涂子沛.大数据[M].广西：广西大学出版社，2012.

[22]陶雪娇，胡晓峰，刘洋.大数据研究综述[J].系统仿真学报，2013，8.

[23]舒尔茨.SIVA范式：搜索引擎触发的营销革命[M].北京：中信出版社，2014.

大数据精准营销的论文 第5篇

现代科技的发展给人们的生活带来了许多新变化，消费者越来越强调自我，追求个性，企业在捕捉消费者越来越多样化的需求上面临更多挑战。以IT应用技术、智能通信技术为基础的精准营销应运而生。正如现代营销之父菲利普科特勒所认为，市场营销是企业需要更精确的有效通信和市场营销策略的实施过程，同时交流通信的结果是必须能够计算出来，并且市场营销可利用高效的通讯得到较大利润。在智能数据挖掘分析时代，我们可以通过对数据的AI+挖掘的管理、准确程度与精密程度、选择客户与市场定位等多方位来展现精准营销的价值。

一、引言

大数据应用于精准营销就是在大数据的支撑下，尽可能多地获取消费者的信息，从中分析挖掘他们的潜在需求，并利用数据技术进行精准的广告投放，使营销更具针对性。首先，大数据为精准营销提供了海量的数据信息[1]。在互联网中，用户的信息行为都能转化为数据，企业通过分析这些数据，挖掘消费者的潜在需求，运用信息技术进行精确的、个性化的广告投放，实现精准的营销。同时，在营销过程中，每一个用户的Cookies数据是可记录和查询的，即与目标用户的每一次接触都会留下痕迹，利用这些“痕迹”可以建立一个消费者数据库，实现客户的信息管理。大数据使更高效的精准营销得以实现，精准营销又为大数据提供更多信息积累。

二、大数据下的`精准营销模式

1.受众精准。大数据技术为营销找到更能满足业务需求的受众。通过对数据的整合分析，我们可以得出清晰的用户画像，了解用户的个性与需求，从而实现一对一的精准投放和服务。如拥有强大的数据管理平台(DMP)的TalkingData，能对超过20亿移动受众人群的数据进行汇聚、清洗、萃取，结合一系列算法模型，输出人群分类标签数据体系和目标受众分析工具。由此，企业可以更加精准地找出目标受众，进行针对性的广告投放。2.成本精准。大数据技术使广告投放更加精准，提升了广告的转化率和回报率，大大节约了成本。在大数据的支持下，我们能挖掘大量与消费者相关的数据信息，从中分析出消费者的基本属性、兴趣爱好、消费习惯、消费需求等，更加准确地定位目标受众并进行细分。再运用人群定向技术，精准地向受众投放针对性的广告。这样的精准投放，改变了以往大范围无目的的广泛投放模式，大大节约广告投放成本，避免浪费。同时，精准的广告信息往往能主动迎合消费者的需求，更容易使其对产品和服务产生好感，从而大大提高了广告的转化率和回报率。企业通过大数据进行精准营销，可最大程度降低营销成本，提升品牌价值。3.效果精准。运用大数据对消费者的需求进行筛选跟聚合，使精准营销的层次得到进一步提高。在大数据技术的支撑下，我们可以得到清晰的目标受众定位，有效细分人群，提供针对性较强的个性化聚合服务。改变了以往精准营销提供综合化服务的局面，大大提高了营销的效果。如，网舟科技通过对用户线上线下的数据进行只能筛选，为不同的使用情境建构了不同的推荐机制，使推荐引擎从以往的综合化服务转向个性化聚合服务。由此，商品导购更加智能化，消费者好感度增强，有效提高产品和服务的销量，增强了营销的效果。

三、大数据在精准营销中的应用

1.用户数据的挖掘。互联网时代下，用户的任何行为都会留下痕迹，利用系统日志数据、访问社交网络信息等，我们通过用户反馈信息，识别分析出用户的基本属性、兴趣爱好、消费行为、潜在需求等。以Facebook为例，超过12亿的用户量为其提供了海量数据。Facebook可以从Cookies追踪它的用户，如用户在使用Face-book的同时浏览网页，便可以追踪到用户所访问页面的网址。用户在Facebook里添加的标签，点过的赞等等也都可以成为Facebook识别和分析用户的基本属性、个性取向、情感状态、消费水平、政治倾向等各方面信息的数据依据。企业可以通过访问Facebook主题数据对消费者进行研究，进一步了解消费者，绘制品牌受众地图，进行品牌内容评估，从而准确地投放广告、开发客户，实现精准营销。2.定向广告的推送。精准营销成功的一个重要条件是精准的营销信息推送，即将相关的产品广告、促销活动等信息向目标受众推送，引发其关注并产生点击、阅读等行为，从而进一步吸引其购买产品。它包含两方面，一是目标受众，即营销信息应该推给谁;二是信息内容，即向其推送怎样的信息。以前，企业难以获取足够的用户信息，因此无法采取有针对性的传播内容，造成大量的广告资源浪费。在大数据时代，我们可以搜集大量的用户信息并进行分析，从而判断出我们的目标受众，进行个性化的定向广告推送，大大提升了广告效率，节约广告成本。3.主题数据的开发。主题数据的开发，将数据信息预处理，通过预处理后进行识别，根据不同的管理需求及其相应的信息，将工作定义为不同的分类，再针对各个主题数据库进行主题定义。它可以为营销者带来一个清晰的用户视图，从而实现更精准的营销。如企业可以访问Facebook主题数据，识别提取用户信息，再从信息的不同利用角度出发进行分类，整理形成各个主题的数据库。根据这些主题数据选择性地改变他们在平台和其他渠道的营销方式，使广告投放更加精准。

四、精准营销的大数据技术应用

1.大数据分布式存储管理技术。大数据是涉及整个软硬件系统的各个层面上诸多计算技术的融合。当大数据处理平台搭建后，将要考虑数据存储问题。在集群环境下，需要大数据的储存并发访问，主要采用分布存储系统[2]。分布式存储对大数据才存储通过可扩展的方式高效可靠的管理，但无法对结构化、半结构化数据进行访问和管理[3]。因此，面向结构化和半结构化数据存储管理和查询分析系统营运而生：例如HBase和Hive等系统[4]。2.大数据并行计算及系统平台。大数据并行计算系统平台框架主要是Hadoop、MapRe-duce。近年来人们研究实现了更多种大数据并行计算模型与框架，以提高大数据的处理效率。其中，集多种计算模式为一体的Apache、Spark发展迅猛，成为新一代主流大数据并行计算系统，受到了工业界和学术界的广泛关注和使用。3.数据分析。金融征信、互联网舆情、商业用户画像、电信精准营销及智能交通管理等领域的大数据分析应用层出不穷。大数据以应用系统需要有相关专业及知识结构的应用行业专家对领域应用的具体案例和问题构建行业具体应用的逻辑业务模型，并采用分析软件进行分析归纳数据，计算机专业人员通过以上分析，再进行设计和开发相关大数据应用系统。通过其存储、计算、分析等技术层面的运用，能够构建针对不同行业领域的大数据分析或解决方案[4]。

五、结论

大数据时代下，我们可以在不同媒介不同领域中挖掘、提取各种数据资源，通过对这些数据的整合与分析，我们可以得到用户的基本属性、兴趣爱好、消费需求等，绘制出精准的用户画像，明确他们的潜在需求，并针对这些差异化需求进行精准的个性的广告传播。这大大提高了广告主寻找目标消费者的效率和精准性，极大地节约了广告投放成本，提高了广告投放效率。我们要时刻关注技术的发展，抓住大数据带来的机遇，同时也不能盲目迷信大数据，要积极应对它对广告业的挑战与冲击。

参考文献：

[1]李洁,应昌成.大数据发展趋势[J].电子技术与软件工程,(22).

大数据与精准营销研究综述 第6篇

摘要：随着互联网的日益普及，人们对互联网技术的利用率越来越高，由此而来的大数据对社会的各行各业都带来很大变化，人们正步入大数据时代。在企业营销中，大数据的应用可以大大促进精准营销的发展，为其带来前所未有的发展机遇。本文首先分别对大数据与精准营销的研究进行综述，然后提出大数据时代下精准营销模式的问题，最后针对该问题提出一些思考与建议。

关键词： 大数据； 精准营销； 精准营销模式

一、大数据研究现状

1.大数据起源与兴起

1980年，著名未来学家托夫勒在其《第三次浪潮》提出了“大数据”的概念，并热情地将其称颂为“第三次浪潮的华彩乐章”，但是之后很长一段时期内，由于技术发展制约，“大数据”的概念并没有得到人们的重视。

2008年开始，移动计算、物联网、云计算等一系列新兴技术相继兴起，这些技术的发展及其在社交媒体、协同创造、虚拟服务等新型模式中的广泛应用，使得全球数据量呈现出前所未有的爆发式增长态势，数据复杂性也急剧增长，客观上要求新的分析方法和技术来挖掘数据价值，大数据技术应运而生，并得到迅速发展和应用，如此，“大数据”时代真正到来。

2008 年末，三位信息领域资深科学家卡内基梅隆大学的R.E.Bryant、加利福尼亚大学伯克利分校的R.H.Katz、华盛顿大学的E.D.Lazowska联合业界组织计算社区联盟（Computing Community Consortium）发表了非常有影响力的白皮书《大数据计算： 商务、科学和社会领域的革命性突破》，使得研究者和业界高管意识到大数据真正重要的是其新用途和带来的新见解，而非数据本身。随后，包括EMC、IBM、惠普、微软在内的全球知名企业纷纷通过收购大数据相关厂商来实现技术整合，实施其大数据战略； 国内外咨询机构也相继发布与大数据相关的研究报告，积极跟进大数据领域的研发与应用。2011 年5 月，EMC 公司在主题为“云计算相遇大数据”的World 2011 大会中阐述了云计算与大数据的理念和技术趋势。同年10 月，Gartner 将大数据列入2012 年十大战略新兴技术； 11 月，由CSDN 举办的中国大数据技术大会在北京成功举行。大数据在产业界逐渐形成燎原之势。

目前，大数据研究和应用已经成为信息科技领域中的热点。世界各国均高度重视大数据领域的研究探索，并从国家战略层面推出研究规划以应对其带来的挑战。2012 年3 月，美国奥巴马政府投资两亿美元启动“大数据研究和发展计划”，致力于提高从大型复杂数据集中提取知识和观点的能力，并服务于能源、健康、金融和信息技术等领域的高科技企业； 2012年4 月，英国、美国、德国、芬兰和澳大利亚研究者联合推出“世界大数据周”活动，旨在促使政府制定战略性的大数据措施； 7 月，日本推出“新ICT 战略研究计划”，其中重点关注“大数据应用”同时，大数据也已引起学术界的广泛研究兴趣。2008 年和2011 年，《Nature》与《Science》杂志分别出版专刊《Big Data： Science in the Petabyte Era》和《Dealing with Data》，从互联网技术、互联网经济学、超级计算、环境科学、生物医药等多个方面讨论大数据处理和应用专题。

2．大数据的定义与特征

对于大数据的概念，企业和学术界目前尚未形成公认的准确定义。维基百科将大数据定义为“无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合”； 权威IT 研究与顾问咨询公司Gartner 将大数据定义为“在一个或多个维度上超出传统信息技术的处理能力的极端信息管理和处理问题”； 美国国家科学基金会（NSF）则将大数据定义为“由科学仪器、传感设备、互联网交易、电子邮件、音视频软件、网络点击流等多种数据源生成的大规模、多元化、复杂、长期的分布式数据集”。尽管存在不同的表述，但一个普遍的观点是，大数据与“海量数据”和“大规模数据”的概念一脉相承，但其在数据体量、数据复杂性和产生速度三个方面均大大超出了传统的数据形态，也超出了现有技术手段的处理能力，并带来了巨大的产业创新的机遇。

IBM公司把大数据的特征概括成三个“V”：规模（Volume）、快速（Velocity）和多样（Variety），但是更多的人则将其概括为四个“V”，即规模（volume）、快速（Velocity）、多样（Variety）和价值（value）。

（1）规模（Volume）。大数据首先是必须具有海量数据，但是究竟多大体量才叫海量，人们并没有一个确定的数字。有人认为应该达到TB数量级，一般在10TB规模左右。但在实际应用中，很多用户把多个数据集放在一起，已经形成了PB级的数据量。

（2）多样性（Variety）。这是大数据概念区别于从前有关数据管理的一个重要特征，传统的数据管理主要是针对结构化数据分析利用，其应用技术而大数据则更加强调对于半结构化和非结构化数据的分析和应用。

（3）快速（Velocity）。在当前常规的信息安全产品中，特别是具有代表性的检测响应类产品技术中，大量采用实时监测，而“实时”就意味着快速。在当前带宽越来越大、系统越来越复杂采集的数据越来越多的同时，安全检测对于事件响应的及时性要求并没有减

弱。另外，“实时”还包含着一种内在的含义：主要根据当前的数据做出分析判断。

（4）价值（Value）。数据是物理世界的数字反映，价值上数据不同于数字，数据背后是有对象的，而这些对象是有属主的、有立场的、有价值归属的、主观的。大数据的体量很大，所蕴含的价值总量也会是客观的，但是平均到单条信息的价值却很低，即价值密度很低。

3．大数据的关键技术

传统的数据采集来源单一，且存储、管理和分析数据量也相对较小，大多采用关系型数据库和并行数据仓库即可处理。而大数据环境下，数据来源非常丰富且数据类型多样，存储和分析挖掘的数据量庞大，对数据展现的要求较高，并且很看重数据处理的高效性和可用性，需要依靠并行计算提升数据处理速度。而传统的并行数据库技术追求高度一致性和容错性，难以保证其可用性和扩展性。

另一方面，传统的数据处理方法是以处理器为中心，而大数据环境下，需要采取以数据为中心的模式，减少数据移动带来的开销。因此，传统的数据处理方法，已经不能适应大数据的需求，需要一种新的技术理论和方法。

3.1数据挖掘

数据挖掘是指从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的，但又是潜在有用信息和知识的过程。目前广为接受的一种处理模型是Fayyad 等人设计的多处理阶段模型。

3.2数据分析

在相关技术中，比较具有代表性的是Apache 软件基金会开发的Hadoop，以MapReduce 和Hadoop 为代表的非关系数据分析技术，凭借其适合非结构处理、大规模并行处理和简单易用等优势，在互联网搜索和其他大数据分析技术领域取得重大进展，成为主流技术。

4．大数据相关产业发展

按照信息处理环节，大数据可以分为数据采集、数据清理、数据存储及管理、数据分析、数据显化及产业应用等六个环节，由于尚属发展初期，其中的每个产业环节都包含着不少的企业，其市场发展情况如下。

（l）数据采集。Google、CISCO这些传统的IT公司早已经开始部署数据收集的工作。在中国，淘宝、腾讯、百度等公司已经收集并存储大量的用户习惯及用户消费行为数据。德勤预计，在未来，会有更为专业的数据收集公司针对各行业的特定需求，专门设计行业数据收集系统。

（2）数据清理。当大量庞杂无序的数据收集之后，如何将有用的数据筛选出来，完成数据的清理工作并传递到下一环节，这是随着大数据产业分工的不断细化而需求越来越高的环节。除了Intel等老牌IT企业，Teradata、Informatica等专业的数据处理公司呈现了更大的活力。在中国，华傲数据等类似厂商也开始不断涌现。德勤预计，在未来，将会有大量的公司专注于数据清理。

（3）数据存储及管理。数据的存储、管理是数据处理的两个细分环节。这两个细分环节之间的关系极为紧密。数据管理的方式决定了数据的存储格式，而数据如何存储又限制了数据分析的深度和广度。由于相关性极高，通常由一个厂商统筹设计这两个细分环节将更为有效。从厂商占位角度来分析，IBM、Oracle等老牌的数据存储提供商有明显的既有优势，他们在原有的存储业务之上进行相应的深度拓展，轻松占据了较大的市场份额。而Apache Software Foundation等新生公司，以开源的战略汇集了行业专精的智慧，成为大数据发展的领军企业。

（4）数据分析。传统的数据处理公司SAS及SPSS在数据分析方面有明显的优势。然而，基于开源软件基础构架Hadoop的数据分析公司最近几年呈现爆发性增长。例如，成立于2008年的Cloudera公司，帮助企业管理和分析基于开源Hadoop产品的数据。由于能够帮助客户完成定制化的数据分析需求，Cloudera拥有了如ExPedia、摩根大通等大批的知名企业用户，仅仅五年时间，其市值估值已达到7亿美元。

（5）解读。将大数据的分析结果还原为具体的行业问题。SAP、SAS等数据分析公司在其已有的业务之上加人行业知识，成为此环节竞争的佼佼者。同时，因大数据的发展而应运而生的wibidata等专业的数据还原公司也开始蓬勃发展。

（6）展示。这一环节中，大数据真正开始帮助管理实践。通过对数据的分析和具象化，将大数据能够推导出的结论量化计算，同时应用到行业中去。这一环节需要行业专精人员，通过大数据给出的推论，结合行业的具体实践制定出真正能够改变行业现状的计划。

不仅仅是大数据技术行业的发展，大数据的应用也已经在医疗服务、零售业、金融业、制造业、物流、电信等行业广泛展开，并产生了巨大的社会价值和产业空间。麦肯锡评估西方产业数据为例，大数据的有效利用将能使欧洲发达国家政府节省至少1000 亿欧元（约1 490 亿美元）的运作成本； 使美国医疗保健行业降低8%的成本（约每年3000 多亿美元）； 并使得大多数零售商的营业利润率提高60%以上。据市场调研机构IDC 预测，大数据技术与服务市场将从2010 年的32 亿美元攀升到2015 年的169 亿美元，实现40%的年增长率（IT与通信产业增长率的7 倍）近两年来，国内外知名企业（如Ebay、AmazonWal-Mart、淘宝、中国移动和凡客等）相继推出相应的大数据产品和平台，开展了多种深度商务分析和应用。例如：通过分析结构化和非结构化数据促进其业务创新和利润增长； 基于机器学习和数据挖掘方法来管理和优化其库存与供应链，并量化评估其定价策略与营销效果； 通过市场分析、竞争分析、客户分析和产品分析以优化经营决策等。

5．大数据的发展与挑战

在大数据时代，我们仍然要面对大数据的各种技术挑战，包括大数据的去冗降噪技术、大数据的新型表示方法、高效率低成本的大数据存储、大数据的有效融合、非结构化和半结构化数据的高效处理、适合不同行业的大数据挖掘分析工具和开发环境、大幅度降低数据处理、存储和通信能耗的新技术等等。但我们相信技术能够解决的问题终将不会成为问题，真正制约或者成为大数据发展和应用瓶颈的有三个环节。

5.1数据收集和提取的合法性，数据隐私的保护和数据隐私应用之间的权衡

任何企业或机构从人群中提取私人数据，用户都有知情权，将用户的隐私数据用于商业行为时，都需要得到用户的认可。然而，目前，中国乃至全世界对于用户隐私应当如何保护、商业规则应当如何制定、触犯用户的隐私权应当如何惩治、法律规范应当如何制定等一系列管理问题都大大滞后于大数据的发展速度。未来很多大数据业务在最初发展阶段将会游走在灰色地带，当商业运作初具规模并开始对大批消费者和公司都产生影响之后，相关的法律法规以及市场规范才会被迫加速制定出来。可以预计的是，尽管大数据技术层面的应用可以无限广阔，但是由于受到数据采集的限制，能够用于商业应用、服务于人们的数据要远远小于理论上大数据能够采集和处理的数据。数据源头的采集受限将大大限制大数据的商业应用。

5.2.大数据发挥协同效应需要产业链各个环节的企业达成竞争与合作的平衡

大数据对基于其生态圈中的企业提出了更多的合作要求。如果没有对整体产业链的宏观把握，单个企业仅仅基于自己掌握的独立数据，无法了解产业链各个环节数据之间的关系，对消费者做出的判断和影响也十分有限。在一些信息不对称比较明显的行业，例如银行业以及保险业，企业之间数据共享的需求更为迫切。例如，银行业和保险业通常都需要建立一个行业共享的数据库，让其成员能够了解到单个用户的信用记录，消除担保方和消费者之间的信息不对称，让交易进行得更为顺利。然而，在很多情况下，这些需要共享信息的企业之间竞争和合作的关系同时存在，企业在共享数据之前，需要权衡利弊，避免在共享数据的同时丧失了其竞争优势。此外，当很多商家合作起来，很容易形成卖家同盟而导致消费者利益受到损失，影响到竞争的公平性。大数据最具有想象力的发展方向是将不

同行业的数据整合起来，提供全方位立体的数据绘图，力图从系统的角度了解并重塑用户需求。然而，交叉行业数据共享需要平衡太多企业的利益关系，如果没有中立的第三方机构出面，协调所有参与企业之间的关系、制定数据共性及应用的规则，将大大限制大数据的用武之地。权威第三方中立机构的缺乏，将制约大数据发挥出其最大的潜力。5.3大数据结论的解读和应用

大数据可以从数据分析的层面上揭示各个变量之间可能的关联，但是数据层面上的关联如何具象到行业实践中如何制定可执行方案应用大数据的结论这些问题要求执行者不但能够解读大数据，同时还需深谙行业发展各个要素之间的关联。这一环节基于大数据技术的发展，但又涉及管理和执行等各方面因素。在这一环节中，人的因素成为制胜关键。从技术角度看，执行人需要理解大数据技术，能够解读大数据分析的结论；从行业角度看，执行人要非常了解行业各个生产环节的流程及关系、各要素之间的可能关联，并且将大数据得到的结论和行业的具体执行环节一一对应起来；从管理的角度看，执行人需要制定出可执行的解决问题的方案，并且确保这一方案和管理流程没有冲突，在解决问题的同时，没有制造出新的问题。这些需求，不但要求执行人深谙技术，同时应当是一个卓越的管理者，有系统论的思维，能够从复杂系统的角度关联地看待大数据与行业的关系。此类人才的稀缺性将制约大数据的发展。

6．大数据的研究不足

综观国内外大数据领域的研究和应用发展现状可见： 1）大数据相关的研究与应用目前仍然处于起步阶段，学术研究大多局限于宏观层面；2）基于互联网和社会媒体的企业大数据研究与应用亟需进一步的深入开展； 3）现有的大数据研究大多立足于信息科学，侧重于大数据的获取、存储、处理、挖掘和信息安全等方面，鲜有从管理学的角度探讨大数据对于现代企业生产管理和商务运营决策等方面带来的变革与冲击的研究。

二、精准营销研究现状

1.精准营销的定义

1999 年，美国的莱斯特·伟门提出了精准营销的概念。Zabin和Brebach（2004）提出了精准营销的4R法则，亦即正确的顾客（right customer），正确的信息（right message），正确的管道（right channel）以及正确的时刻（Right time），通过将正确的信息在正确的时刻通过正确的管道传递到正确的顾客手中，以此真正对目标客户的购买决策构成影响，促进营销目标的有效达成。

菲利普.科特勒Philip Kotler（2005）在其全球巡回演讲论坛上宣布了一个营销传播的新趋势——精准营销（Precision Marketing），并对其进行阐述：“具体来说，就是公司需要更精准、可衡量和高投资回报的营销沟通，需要更注重结果和行动的营销传播计划，还有越来越注重对直接销售沟通的投资。科特勒（2006）在畅销书《Principles of Marketing》中，首次将基于互联网的精准营销理论融入其中，他认为日新月异的科技，使一些公司勇于从传统的大众传媒沟通方式转移到更加有针对性目标市场的互动模式，以此来不断提高沟通的效果和效率。并提出“对于营销来说，将沟通个性化，并在正确的时间，对正确的人，表达而且做出正确的事情，是至关重要的。”

Paul.W.Farris与Neil.T.Bendle等人（2006）在《Marketing Metries：50+MetriesEvery Executive Should Master》一书中专门研究了解决营销活动科学量化的问题，帮助精准营销活动取得良好效果。营销量化指标的归纳和运用，为经理人在实践中有效利用信息进行科学决策，提供了指导原则、方法以及注意事项。营销量化指标衡量方法，综合了营销和财务两个方面的视角，是关于公司营销业绩的科学而全面的评价。

Lisa D Spiller与Martin Baier（2006）合著的《当代直复营销》中提到了直复营销是对传统营销的发展，是精准营销的理论基础之一，强调以市场细分为基础进行数据库驱动的直复营销。在互联网的基础上实现精准营销，完成与顾客之间的直复营销关系。

国内的齐渊博（2005）将精准营销理解为“精确营销”，即包含了“标准”和“确定”两个意思，“标准”就是可以复制、可以推广、可以提升，没有“标准”的理念只是偶然现象，而“确定”就是对市场极致的了解和把握。

学者许瑾（2006）在科特勒精准营销理论的基础上，从实践的角度对精准营销进行了补充：“精准营销是以客户为中心，运用各种可利用的方式，在恰当的时间，以恰当的价格，通过恰当的渠道，向恰当的顾客提供恰当的产品。”并指出精准营销的几种传播新模式，提倡从传播受众切入，研究受众的行为、生活形态，从而理解用户需求，最终传递给受众最精准的广告内容。

伍青生、余颖、郑兴山（2006）在《精准营销的思想和方法》一文中提出了精准营销是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，根据他们不同的消费心理和行为特征，企业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。

邮政营销专家徐海亮教授（2006）创立了精准营销理论体系，提出了较为完整的精准营销的概念——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。并指出了精准营销的三个层面的含义：第一、精准的营销思想。营销的终极追求就是无营销的营销，到达终极思想的过度就是逐步精准。第二是实施精准的体系保证和手段，而这种手段是可衡量的。第三就是达到低成本可持续发展的企业目标。并对传统广告体系与精准传播体系进行了对比，提出来精准传播的三种方式：网络媒体的传播，传统广告的改良与创新及口碑传播。刘征宇（2007）在《精准营销方法研究》一文中也把精准营销的方法归为基于数据库营销的方法、基于互联网的方法、借助他人渠道的方法等三大类。

姜何（2008）用精细化营销来形容精准营销，他认为所谓精细化的管理是相对于粗放式管理而言的，面对于营销的精细化管理，意味着基于客户细分战略的一对一营销，即要与企业选定的最有价值的客户群一对一，了解个性化需求，提供个性化渠道，实现个性化营销手段。而曹彩杰（2010）也分析到：以网络和信息技术为核心的精准营销体系，在一定程度上将取代传统的营销方式，逐步成为现代企业营销发展的新趋势。

综合上述各种观点可以看出，目前学者对精准营销研究热情也颇为高涨，相关文献数量较多，但对于什么是精准营销业界还没有给出一个公认的定义，但精准营销的特性是显而易见的：一是对市场准确定位，二是依赖科技手段，三是个性化服务，四是提高营销的正确性。尽管精准营销的定义尚无定论，但这并不妨碍精准营销思想及方法的发展传播，由于互联网的普及化，网络营销方兴未艾，基于互联网的精准营销是目前网络营销的一个热点领域并且还会不断涌现新的研究成果。精准营销将在互联网上的新兴行业里得到广泛推广，并逐步应用到传统产业中去。

2．精准营销的理论基础及意义

精准营销并不是一个全新的营销思想，随着信息技术的飞速发展，市场的形态有人们的消费行为、消费观念都产生了巨大的变化，随之产生的新营销环境促使营销方式和营销途径在传统营销理论的基础上不断演变发展。

2.1从4P理论到4C理论

美国营销学学者麦卡锡教授于1960年在《基础营销》（Basic Marketing）中提出产品（product）、价格（price）、渠道（place）、促销（promotion）大营销组合策略，他认为一次成功和完整的市场营销活动，意味着以适当的产品、适当的价格、适当的渠道和适当的传播促销推广手段，将适当的产品和服务投放到特定市场的行为。4P理论是营销策略的基础，科特勒（1967）在其畅销书《营销管理：分析、规划与控制》第一版中进一步确认了以4P为核心的营销组合方法。4P营销理论遵循的是由上而下的运行原则，它使市场营销

理论有开始有了体系，又使复杂的现象和理论简单化“这种理念的出发点是追求企业利润，重视产品导向而非消费者导向，没有将客户的需求放到同等重要的地位上来，这也正好体现了了在无细分市场（mass market）里推（push）的概念。在4P理论的基础上劳特朋（Robert.F.Lauterbon）教授（1990）在其《4P退休4C登场》专文中，提出了以顾客为中心的一个新的营销模式，这个4C理论它包含4个要素：四个基本要素：即消费者（Consumer）、成本（Cost）、便利（convenience）和沟通（communication）。4C理论的核心：强调购买一方在市场营销活动中的主动性与积极参与，强调顾客购买的便利性”精准营销为买卖双方创造了得以即时交流的小环境，符合消费者导向、成本低廉、购买的便利以及充分沟通的4C要求，是4C理论的实际应用。精准营销是迎合市场内外环境的变化，在4P的理论基础上，融合了4C营销组合理论来适应新环境的发展：

（1）精准营销真正贯彻了消费者导向的基本原则。4C理论的核心思想，便是企业的全部行为都要以消费者需求和欲望为基本导向，精准营销作为这一大背景下的产物，强调的仍然是比竞争对手更及时、更有效地了解并传递目标市场所期待的满足。这样，企业要迅速而准确地掌握市场需求，就必须离消费者越近越好。这是由于，一方面，信息经过多个环节的传播、过滤，必然带来自然失真，这是由知觉的选择性注意、选择性理解、选择性记忆、选择性反馈和选择性接受所决定的；另一方面，由于各环节主体利益的不同，他们往往出于自身利益的需要而过分夸大或缩小信息，从而带来信息的人为失真。精准营销绕过复杂的中间环节，直接面对消费者，通过各种现代化信息传播工具与消费者进行直接沟通，从而避免了信息的失真，可以比较准确地了解和掌握他们的需求和欲望。

（2）精准营销降低了消费者的满足成本。精准营销是渠道最短的一种营销方式，由于减少了流转环节，节省了昂贵的店铺租金，使营销成本大为降低，又由于其完善的订货!配送服务系统，使购买的其它成本也相应减少，因而降低了满足成本。

（3）精准营销方便了顾客购买。精准营销商经常向顾客提供大量的商品和服务信息，顾客不出家门就能购得所需物品，减少了顾客购物的麻烦，增进了购物的便利性。精准营销实现了与顾客的双向互动沟通，这是精准营销与传统营销最明显的区别之一。

2.2让渡价值理论

“让渡价值”这个新概念是科特勒（1994）提出的，是对市场营销理论的又一进步。顾客总价值与顾客总成本之间的差额是“让客价值”的中心。其中顾客总价值是指顾客购买某个产品或者得到服务所期望获得的某些利益，其中包括产品的价值、服务的价值和形象的价值等；顾客总成本的意思是指顾客为购买某一产品或服务而支付的货币及所耗费的

精力、时间，包括货币的成本、时间的成本及精力的成本。

由于顾客选择购买商品或者服务时，总是希望把相关的成本降至最低，同时又希望从中获得到更多的实际利益，因此，顾客总是倾向于选择“让渡价值”最大化的方式。而企业为在竞争中想要努力的战胜对手，就需要吸引更多的潜在顾客，同时必须向顾客提供比竞争对手更多的“让渡价值”，才可以满足顾客的实际利益最大化的期望。

首先，精准营销能够大幅度的提高顾客总价值。因为精准营销实现了“一对一”的营销，在这种新型观念指导下，其产品设计、开发、销售充分考虑了消费者需求的个性特征，同时增强了产品价值的适应性，从而为顾客创造了更大的产品价值。在提供优良产品的同时，精准营销更加注重服务价值的开发和创造，努力的向消费者提供合理、周密、完善的销售服务，同时方便广大顾客的购买。另外，精准营销还通过一系列的优质的营销活动，努力提升自身的形象，逐步的培养消费者对企业的偏好与忠诚。

其次，精准营销大大的降低了顾客总成本。在顾客购买商品，不仅要考虑销售商品的价格，同时必须确切的知道有关商品的信息，并对销售商品各方面进行深层次的比较，还必须考虑顾客购物环境是否便利等多种因素。精准营销可能大幅的缩短了营销渠道，通过直接手段和直接媒体及时向顾客传递商品信息，降低了顾客搜寻信息的精力成本与时间成本，因而减少了交易费用，扩大了企业商品销售，成为众多企业广泛采用的营销方式。

2.3直接沟通理论

1973年，领导行为理论代表人物，美国行为科学家明茨伯格H.Mintzberg指出“管理工作有10种作用，而人际关系和沟通占3成”。明茨伯格首先创立了经理角色理论，指出“重视同外界和下属的信息联系”和“爱用口头交谈方式”为经理角色六个特点中非常重要的两个特点，直接强化了直接沟通。从泰勒科学管理初始探索下行沟通开始，管理沟通理论的发展历程主要经历了从研究“行政沟通”，向研究“人际沟通”发展、接着以“纵向沟通”研究为主，向以“横向沟通”研究为主，进而向以“网络化沟通”研究为主发展、从以研究“单一的任务沟通”为主，向“全方位的知识共享沟通”研究发展等一系列过程。

20世纪80年代以来随着世界经济政治的变化，管理思想发生了重大的转变，管理沟通理论的研究也遭遇到新的挑战，主要表现在沟通中的信息网络技术的应用，知识型企业及学习型组织的建立等。伴随着现代管理理论呈现出的管理理念更加知识化、管理组织虚拟化、人性化、管理手段和设施网络化、组织结构扁平化、管理文化全球化等总体趋势，管理沟通理论也出现了企业流程再造沟通趋势、知识管理沟通趋势、管理更加柔性化的文化管理沟通趋势、网络经济和全球经济一体化的管理沟通的国际化趋势。精准营销的直接

沟通，使沟通的距离达到了最短，强化了沟通的效果。

四、对大数据环境下精准营销模式的思考

“营销管理是艺术与科学的结合——选择目标市场，并通过创造、交付和传播优质的顾客价值来获得顾客、挽留顾客和提升顾客的科学与艺术。”其中，“科学”的部分有赖于数据搜集与分析和各种营销数据库的建立。可以说，数据的使用贯穿在整个营销过程的始末，对于营销的效果起着至关重要的影响性作用。而在大数据时代，大数据的日益兴起和全方位的发展，如GPS定位一般，使企业对市场的理解和洞察需求正在日益地走向实时化和精准化，为企业实现精准营销带来前所未有的发展机遇。

而通过以上对大数据、精准营销的分析与总结我们可以看出，国内外学者对大数据、精准营销等理论研究成果很多，但对于如何利用大数据及大数据技术，研究客户行为特征，建立大数据时代顾客洞察与精准营销体系策略，这方面的研究则很少。“许多人感觉到大数据时代正在到来，但往往只是一种朦胧的感觉，对于其真正对营销带来的威力可以用一个时髦的词来形容——不明觉厉”。下面提出自己的一些思考。

首先，科技在营销中的运用一直存在，然而大数据在营销中的运用是科技与营销的结合的一座新的里程碑，它使技术在营销中不再仅仅是锦上添花的工具，则是会带来企业营销的战略性转型，起到革命性的作用。

其次，我们可以从市场营销的一般过程来分析大数据技术在精准营销中的应用。（1）客户信息收集与处理。客户数据管理是一个数据准备的过程，是数据分析和挖掘的基础，是搞好精准营销的关键和基础，否则会造成盲目推介、过度营销等错误，比如因为某些产品的购买，在一定时段里是不会重复的，强行推荐，只会导致厌烦情绪和后悔情绪。传统的客户关系管理一般关注两方面的客户数据：客户的描述性数据和行为数据。描述性数据类似于一个人的简历，比如姓名、性别、年龄、学历等；行为数据则复杂一些，比如消费者购买数量、购买频次、退货行为、付款方式等。在大数据时代，结构性数据仅占15%，更多的是类似于购物过程、社交评论等这样的非结构性数据，并且数据十分复杂，符合4V特征。只有通过大数据技术收集和整理数据，才有可能形成关于客户的360度式数据库，不错过每一次营销机会，“啤酒与尿布”的推销理论就是一个很好的例子。

（2）客户细分与定位。只有区分出了不同的客户群，企业才有可能对不同客户群展开有效的管理并采取差异化的营销手段，提供满足这个客户群特征要求的产品或服务。在实际操作中，传统的市场细分变量，如人口因素、地理因素、心理因素等由于只能提供较为

模糊的客户轮廓，已经难以为精准营销的决策提供可靠的依据。大数据时代，利用大数据技术能在收集的海量非结构信息中快速筛选出对公司有价值的信息，对客户行为模式与客户价值进行准确判断与分析，深度细分，使我们有可能甚至深入了解“每一个人”，而不止“目标人群”来进行客户洞察和提供营销策略。

（3）营销战略制定。在得到基于现有数据的不同客户群特征后，市场人员需要结合企业战略、企业能力、市场环境等因素，在不同的客户群体中寻找可能的商业机会，最终为每个群制定个性化的营销战略，每个营销战略都有特定的目标。如获取相似的客户、交叉销售或提升销售，或采取措施防止客户流失等。

（4）营销方案设计。大数据时代，一个好的营销方案可以聚焦到某个目标客户群，甚至精准地根据每一位消费者不同的兴趣与偏好为他们提供专属性的市场营销组合方案 包括针对性的产品组合方案、产品价格方案、渠道设计方案、一对一的沟通促销方案。比如O2O渠道设计，网络广告的受众购买的方式（DSP）和实时竞价技术（RTB），基于位置（LBS）的促销方式。

（5）营销结果反馈。大数据时代，营销活动结束后，应对营销活动执行过程中收集到的各种数据进行综合分析，从海量数据中发掘出最有效的企业市场绩效度量，并与企业传统的市场绩效度量方法展开比较以确立基于新型数据的度量的优越性和价值．以对营销活动的执行、渠道、产品和广告的有效性进行评估，为下一阶段的营销活动打下良好的基础。

五、结语

大数据时代已经到来，而且将成为全世界下一个创新、竞争和生产率提高的前沿。“营销本质上就是效率提高的过程，而技术是在帮助这个过程转变”。大数据在提高效率、精准营销上大有作为，它正在帮助企业深入了解“每一个人”，而不止是“目标人群”，它真正努力让客户变成“首席执行客户”，试图打造针对每个客户的“全接触”体系。这在增进企业效益的同时，也能给消费者带来全新的私人定制似的体验从而增加消费者福利。因此，研究揭示大数据在精准营销中的价值产生机理，探索大数据时代下的精准营销模式就变得很有意义和价值，我们期待越来愈多的学者在这方面做出贡献。

参考文献 中国企业评价协会、中色金银贸易中心，大数据的基本概念及相关问题，中国电子商务企业发展报告2013。2 黄升民，刘珊，“大数据”背景下营销体系的解构与重构，现代传播，2012年第11期。3 4 5 6 7 8 9 王波，大数据时代精准营销模式研究，经济师，2013年第5期。

任广见，基于大数据的商业模式创新及启示，现代商贸工业，2013年20期。郭虹，大数据时代-实体店与网商营销，中国出版传媒商报，2013年第9期。贾利军，许鑫，谈“大数据”的本质及其营销意蕴，南京社会科学，2013年第7期。秦雯，大数据驱动营销革命，观察家，2013年第7期。

刘征宇，精准营销方法研究，上海交通大学学报，2007年第4期。吴海环，基于精准营销的顾客沟通研究，武汉理工大学硕士论文，2008年。冯芷艳，郭迅华，曾大军，陈煜波，陈国青，大数据背景下商务管理研究若干前沿课题，管理科学学报，2013年第1期 李芬，朱志祥，刘盛辉，大数据发展现状及面临的问题，西安邮电大学学报，2013年第5期。钱心缘，国内外大数据研究进展之从文献计量学角度分析，中国科技信息，2013年第19期。周再宇，价值链重塑:大数据洞察与精准营销，新营销，2012年第11期。14 赵国栋，大数据时代的历史机遇：产业变革与数据科学，清华大学出版社，2013年。张小平，一块牛肉干引发的大讨论——说说大数据时代的精准营销，企业观察家，2013年第07期。李文莲，夏健明，基于“大数据” 的商业模式创新，中国工业经济，2013第5期。郭涛，掌握大数据之“芯”实现精准营销，中国计算机报，2012年第15期。17 Lynch C.Big data: How do your data grow[J].Nature,2008,455(7209): 28-29． Hilbert M，Lopez P．The world’s technological capacity to store，communicate，and compute information[J].Science，2011，332(6025): 60-65． Bughin J,Chui M,Manyika J.Clouds,big data,and smart assets: Ten tech-enabled business

trends to watch[J].McKinsey Quarterly，2010(8): 1-14． Anderson C.The end of theory: The data deluge makes the scientific method obsolete［J］Wired Magazine,2008,16(7):1-3． Frankel F, Reid R.Big data: Distilling meaning from data [J].Nature,2008,455(7209): 30． 22 Lavalle S, Lesser E, Shockley R，et al.Big data，analytics and the path from insights to value[J].MIT Sloan Management Review，2011． Manyika J, Chui M, Brown B，et al.Big Data: The Next Frontier for Innovation, Competition, and Productivity [M].New York: McKinsey Company,2011． Hui SK, Fader PS, Path data in marketing: An integrative framework and prospectus for model building [J].Marketing Science,2009,28 : 320-335． Borgatti SP, Mehra A，Brass D J，et al． Network analysis in the social sciences[J].Science，2009，892-895． Ghose A,HanSP.An empirical analysis of user content generation and usage behavior on the mobile internet [J].Management Science,2011,57(9): 1671-1691． Aral S,Walker D, Identifying influential and susceptible members of social networks Science,2012,337(6092):337-341． Robert LP，Dennis AR.Social capital and knowledge integration in digitally enabled teams[J].Information Systems Research,2008,19(3): 314-334． Ghose A, IpeirotisPG.Designing ranking systems for hotels on travel search engines by mining user-generated and crowdsourced content[J].Marketing Science，2012, 493-520． 30 Dabenport TH.Competing on analytics [J].Harvard Business Review，2006(1): 1 － 9． 31 AralS, WalkeD.Creating social contagion through viral product design: A randomized trial of peer influence in networks[J].Management Science,2011,57(9): 1623-1639．