Sci论文 - 至繁归于至简,Sci论文网。 设为首页|加入收藏
当前位置:首页 > 管理论文 > 正文

基于大数据的传统零售行业精准营销探究(附论文PDF版下载)

发布时间:2018-08-06 22:56:25 文章来源:SCI论文网 我要评论














SCI论文(www.scipaper.net):
 
摘    要:
随着大数据时代的到来, 以阿里巴巴为代表的电商企业加大对线上信息的掌控, 同时提出新零售概念, 加速线下市场布局, 实现线上线下互动, 这给以线下经营为主的传统零售行业带来严重冲击。如何整合消费者信息、挖掘潜在顾客、洞察消费者需求、实施精准营销, 打造新型零售模式, 成为传统零售企业急需解决的问题。围绕上述问题, 本文提出基于大数据的传统零售行业精准营销模型 (D-D-D模型) , 即数据化整合与挖掘 (data-integrate) 、数据洞察与分析 (discover) 、营销设计与实施 (design) , 研究大数据在传统零售行业精准营销中的应用。

关键词:
大数据; 精准营销; 零售行业; 线上线下互动;

随着互联网技术的发展, 零售业消费模式和企业创新发生了翻天覆地的变化。一方面, 消费者获取信息的渠道不断扩宽、及时性更强, 消费方式也发生了巨大变化;另一方面, 电商企业在进一步强化对线上资源掌控的同时, 裹挟着大量用户大数据回归线下, 通过新零售模式实现线上线下的融合, 京东便利、河马鲜生、超级物种的出现, 势必会给传统零售行业带来新一轮的冲击。如何有效地将庞大的用户信息、消费数据进行整合, 利用大数据实现精准营销, 打造新型的营销模式, 成为传统零售企业急需解决的问题。

\

1 大数据的概念和主要特征

大数据是指能够更经济、更有效地从高频率、大容量、种类结构复杂的数据中获取有价值的信息架构技术, 它既包括信息爆炸时代里产生的海量数据, 也包括与之相关的技术发展和创新。大数据是数据分析的前沿技术, 它能够从繁杂、海量的数据中, 快速捕捉、分析并提取出有价值的信息。

大数据的主要特征是“大”, 不仅说明数据的数量庞大, 还意味着数据种类繁多、结构复杂, 变化速度快。具体来说, 大数据具有四个特性:海量 (Volume) 、多样 (Variety) 、价值 (Value) 、高速 (Velocity) 。第一, 数据体量巨大, 人们每天在各类社交平台上分享几亿条内容, 在电商网站上浏览数十亿条店铺和商品信息, 创造上亿的成交、收藏纪录, 使数据量从TB级别直接跃升到PB级别;第二, 数据类型繁多, 如网络日志、朋友圈、视频、图片、语音、位置信息等;第三, 数据价值高, 大数据价值密度低, 在一段连续不间断的视频中, 可能有用的数据仅仅有一两秒, 但其商业价值却很高;第四, 处理速度快, 一般要求在秒级时间范围内给出处理结果, 否则处理结果就是过时和无效的, 大数据和传统数据挖掘最大的区别是对速度的要求。

2 基于大数据的传统零售行业精准营销模型

大数据时代的到来, 催生出营销方式的变革, 企业必须要对数据敏感, 将其作为变革营销策略的风向标。从营销的角度看, 大数据技术的核心是挖掘、洞察、预测, 全方位了解消费者的特征, 掌握消费者的需求, 强化与消费者的互动, 最终提供符合消费者需要的商品与服务。本文认为基于大数据的传统零售企业精准营销主要是通过D-D-D模型的三个阶段实现的, 即数据化挖掘与整合 (data-integrate) 、数据洞察与分析 (discover) 、营销设计与实施 (design) 。其中数据化整合与挖掘主要是挖掘出企业日常经营管理数据、消费者存在于企业客户管理系统的数据、线上浏览数据、其他各类社交数据, 企业对这些数据进行聚合与整合, 标准化为营销部门可使用的可视化数据。数据洞察与分析, 即对可视化的消费者数据从多个维度进行分类, 赋予不同的数据标签, 以此为依据绘制出消费者的微观、宏观画像, 洞察消费者的需求。在该阶段, 通过用户数据的分析, 可以建立顾客周期模型、流失预警模型、客户价值分析模型、客户忠诚度模型、品牌关联规则等模型, 通过模型来科学分析消费者的行为。最后进入营销设计与实施阶段, 通过前期数据分析, 实现对潜在顾客、来访顾客、会员顾客的分类洞察, 通过会员分群与场景营销, 对不同类型的顾客进行个性化广告内容的推送, 实现精准营销, 见图1。

\

2.1 数据化挖掘与整合——打破数据孤岛
在20多年的市场沉淀中活下来的传统零售企业, 拥有大量的存量客户及会员信息、交易记录等, 但是这些数据是零散的、孤立的、互不相联的, 也就是数据孤岛, 无法进行深度分析, 也不能产生效益。同时, 这部分客户在网上有大量的浏览记录、交易信息, 这些线上数据也是孤立的。如何将这些线上线下数据进行整合、通过一个共同项将不同来源的数据打通聚合, 形成数据链, 变成消费者唯一的标签成为大数据在精准营销应用过程中的关键。

消费者数据挖掘与整合主要分为两步:第一步, 获取消费者大量的基础数据。消费者大量基础性数据的获取是基础, 这部分基础数据包含零售企业CRM系统中会员的信息 (电话、地址、会员卡号、购买记录) ;收银系统中的流水记录;客户在网上商城的交易信息、网页的浏览、广告点击、手机APP列表;消费者内容偏好数据 (登录APP的频率、浏览的类型、评论内容) , 针对不同来源的数据采用不同的数据获取方式。海量的数据为后期分析、整理奠定基础。第二步, 将大量数据进行整合与标准化。利用手机号、Mac地址、Wechat ID、住址等唯一标识, 串联起在线下门店、线上商城、平台的各个信息, 形成这个客户唯一的数据链条。例如某超市的会员卡号就是手机号, 而通过手机号就能查询到消费者在超市所有的消费记录, 同时手机号也是其网上商城、APP等其他应用的注册号码, 这样就能实现数据的贯通, 并整合成顾客唯一的数据链条。通过数据的挖掘、整合及标准化, 将原来静止的、孤立的、片段化的数据整合成动态的、相互关联的用户数据链, 便于企业在后续营销活动中有针对性地开展交叉营销和精准营销。

2.2 数据洞察与分析——深度掌握客户属性、需求
数据洞察与分析是精准营销的重要环节, 主要是围绕客户数据, 弄清客户的属性、需求与特点, 利用大数据技术进行客户画像以及营销模型的测算、分析。

消费者画像, 让企业从追踪消费行为升级到抓住消费者内心。消费者行为受到个人、文化、社会、心理等众多因素的影响, 因此更准确地了解消费者, 才能更精准地策划营销活动、与消费者互动。企业将消费者数据从多个维度进行分类, 赋予不同的数据标签, 标签代表消费者的兴趣、偏好、需求等, 标签内部具体描述了某类标签消费者的年龄、性别、地域、接受教育程度、手机号、上网时间、上网频率、购买频率、购买偏好购物习惯等特征, 完美地抽象出一个消费者的商业全貌。通俗来说企业可以通过消费者画像, 描述出消费者是什么样的人, 在什么时间、什么地点、发生什么样的事情。通过消费者画像, 能够帮助企业快速找到目标消费群体, 精准了解顾客消费需求。

\
图1 D-D-D模型解析图

依托整合的消费者数据, 企业还可构建不同的营销模型, 深度分析数据。例如, 根据消费者最近一次消费时间、频率和消费金额, 可以构建客户价值度模型 (RFM) , 区分重要价值、重点发展、重要保护、重要挽留客户, 使后续的营销活动有的放矢;企业还可以利用数据捕捉用户流失特征 (例如近期内没有到店消费) , 构建客户流失预警模型, 分析和测算潜在流失客户的数据, 并且动态标识预警可能流失的客户, 针对这部分潜在流失客户, 分析其可能流失原因, 找出其需求点, 进行点对点宣传互动。大数据构建营销模型的另一个重要应用就是产品品类及品牌的关联挖掘, 零售卖场通过ibeacon微定位技术设备的布置, 能够记录顾客在卖场的行动轨迹、停留时间长短, 形成品类热力图, 然后对比消费者最终的消费记录, 得出其品牌偏好。例如, 某商场通过记录消费者的行动轨迹和成交记录, 发现许多顾客同时购买了资生堂化妆品与ZARA服装。经过大量数据的对比、关联寻找, 发现ZARA与资生堂在销售上有一定关联性, 其客户属性有很大的相似之处, 为后续这两个品牌开展品牌联合营销提供数据支撑。

2.3 营销设计与实施——打通大数据精准营销最后屏障
营销设计与实施阶段, 主要是利用大数据找到目标顾客, 与顾客进行有效的营销互动, 将企业产品与服务信息精准地推送给顾客, 并对营销效果进行全方位的评估。基于大数据的消费者洞察, 解决了顾客在哪里的问题, 例如将顾客送货地址在地图上落位, 形成顾客分布热力图, 通过与会员卡注册地址进行匹配, 进一步核实顾客的地址信息, 同时还将热力图上的顾客聚集区作为重点营销区域;通过WIFI连接, 能够获得顾客在门店的信息, 结合ibeacon微定位技术设备, 可以获得消费者在门店的行动轨迹, 及时推送顾客感兴趣的产品和服务的营销信息。另一方面, 基于不同的消费者画像标签, 企业可以采用不同的沟通方式和定制化的营销活动向这些人群进行定向的精准营销。例如对于购买化妆品频率较高的客户群体, 可以通过组织专门的化妆沙龙或者插花培训来增加与顾客的沟通交流;对于标签为中年家庭女性的顾客, 可以通过推送性价比较高的产品和超市购物优惠券等将顾客引入卖场;对于标签为时尚年轻潮男的顾客, 则可通过推送数码产品优惠券、观影优惠券以及广场KTV体验券等引发目标消费者的需求与关注。

3 结束语

本文从数据化挖掘与整合 (dataintegrate) 、数据洞察与分析 (discover) 、营销设计与实施 (design) 三个阶段, 探究传统零售企业如何在大数据时代更加全面的了解消费者, 更加精准地与消费者进行互动, 实现营销方式的升级。当然, 在大数据时代, 零售企业的营销需要变革的地方还有很多, 这种变革不是对固有营销模式的小修小补, 更重要的是营销思维的转变和创新。传统零售行业面对新零售模式的来势汹汹, 必须认真思考大数据可能为企业带来的营销价值, 还需要对零售业中数据挖掘、分析等方面进行技术梳理, 提出明确行动的指导纲领, 同时通过此纲领开展快速的大数据精准营销行动。

参考文献:

[1]刘星.大数据:精细化销售管理、数据分析与预测[M].北京:人民邮电出版社, 2016.

[2]刘征宇.精准营销方法研究[J].上海交通大学学报, 2007 (s1) 143-146.

[3] (以色列) 尤瓦尔·赫拉利.未来简史[M].北京:中信出版社, 2017.

      《基于大数据的传统零售行业精准营销探究》附论文PDF版下载:
       http://www.scipaper.net/uploadfile/2018/0806/20180806105852595.pdf
 
关注SCI论文创作发表,寻求SCI论文修改润色、SCI论文代发表等服务支撑,请锁定SCI论文网!

文章出自SCI论文网转载请注明出处:https://www.scipaper.net/guanlilunwen/395.html

发表评论

Sci论文网 - Sci论文发表 - Sci论文修改润色 - Sci论文期刊 - Sci论文代发
Copyright © Sci论文网 版权所有 | SCI论文网手机版 | 豫ICP备2022008342号-1 | 网站地图xml | 百度地图xml