《大数据在新零售中的应用》由会员分享，可在线阅读，更多相关《大数据在新零售中的应用（7页珍藏版）》请在金锄头文库上搜索。
1、大数据在新零售中的应用 姜文秀 扬州市职业大学信息工程学院 摘 要： 随着数字化技术的发展, 在大数据驱动变革的时代背景下, 传统零售行业面临着 Online&Offline 品牌品类逐渐趋同的问题, 转变营销模式势在必行。数字化技术已被逐渐应用在传统实体零售的每一个环节, 实现用户数字化、门店数字化、渠道数字化、供应链数字化、营销数字化, 如同线上零售电子系统一样, 线下零售每一个环节都会产生数据, 数据成为了新零售的内在核心驱动力。笔者以国内某大型百货零售企业为例, 从数据基础、数据分析、实现系统、分析方法、模型搭建、分析实战与营销应用等几个方面全面解析大数据在新零售中的应用。关键词： 客
2、户生命周期; RFM; 个性化 (人物) 标签; 智能聚类 (客户分群) ; 大数据营销; 作者简介：姜文秀 (1980-) , 女, 江苏江都人, 硕士研究生, 讲师。研究方向:数据库、数据挖掘、嵌入式。Application of Big data in New RetailJiang Wenxiu Yangzhou Polytechnic College; Abstract： With the development of digital technology and the era of big data-driven change, the traditional retail in
3、dustry is faced with the gradual convergence of Online & Offline brand categories. The transformation of marketing mode is imperative. Digital technology has been gradually applied in every link of traditional entity retail, achieves the user digitalization, digital stores, digital channel, digital
4、supply chain, digital marketing, just like online retail electronic system, every link of offline retail generates data and data becomes an inherent core driver of new retail. Taking a large retail department store in China as an example, the author comprehensively analyzes the application of big da
5、ta in new retail from the aspects of data foundation, data analysis, realization system, analysis method, model building, analysis of actual combat and marketing application.Keyword： customer life cycle; RFM; personalized (people) tag; intelligent clustering (customer group) ; large data marketing;
6、1 数据基础日常零售运营中, 时刻都有数据产生, 随着支持新零售百货运营的系统越来越多, 各种数据量直线上升, 数据类型也越发复杂, 从而收集数据逐渐成为了定位客户、精准营销的基础。根据数据结构来分, 数据分为结构数据和非结构数据。结构数据, 如 Excel 数据和系统基础数据。在本次案例中, 涉及 SAP ECC、SAP BW、POS 收银、客流、停车场、促销系统等。非结构数据, 如 XML、图片、HTML、图像和音频/视频等信息。在本次案例中, 包括微信、掌上 APP&企业公众号浏览、访问、停留、交互滞留等信息。根据数据来源来分, 数据分为商业数据、交互数据和传感数据。商业数据包括会员基础
7、、交易行为、停车车辆基础信息、促销券发送/领取/使用、掌上商城交易、客流基础信息等;交互数据包括掌上商城会员&关联社交媒体发帖、留言、搜索、收藏、滞留购物卡礼品卡购买交易信息等;传感数据来自于 RFID 设备、GPS 设备、无线网络、视频监控、客流统计设备等。2 数据挖掘与分析数据并非信息, 而是有待解释的原材料, 深入挖掘、仔细分析, 将数据高效转换为信息, 找出潜在的规则成为大数据领域的重中之重。本案例中, 企业通过使用 SAP BW、Excel 等数据统计分析工具, 利用分类挖掘、关联规则、特征偏差分析、聚类分析、回归分析、多重变量与随机森林等分析方法, 深入了解客户个性化标签体系, 进
8、而形成了客户的基础画像, 为后面的客户智能聚类分群、精准营销推荐做了数据基础准备。2.1 个性化标签体系根据已知的客户数据, 在业务理解的基础上, 找到合适的客户变量, 而个性化标签体系, 就是为客户变量制定相应的指标。通过对该企业客户群的初步分析和了解, 结合业界习惯的标签体系划分原则, 将该企业的标签体系划分为属性标签矩阵和行为标签矩阵。(1) 属性标签矩阵:由客户的基础自然信息和基础购物信息提炼组成, 例如手机号、年龄、生日、星座、家庭住址、是否有车、家庭成员信息与是否有孩子等;(2) 行为标签矩阵:由客户的历史交易行为轨迹和相关数字化设备统计信息获得, 例如偏爱品类、偏爱品牌、购物周期
9、、RFM 基础数据、网上购物和线下购物品类差异、购物偏爱行动轨迹等。2.2 客户基础画像/客户分群 (智能聚类) 通过对客户基础标签体系的收集与分析, 抽象出一个用户的商业全貌, 客户是存在差异的, 根据客户的属性、行为、需求、偏好以及价值等因素对客户进行区分, 从而可以快速洞察用户的偏好、需求、态度和行为。2.2.1 客户生命周期矩阵客户的价值体现在其为企业所作的贡献总和, 企业通过提供满足客户需要的产品和服务, 影响客户价值链, 从而提升客户的感知度和忠诚度, 延长客户生命周期, 激励客户重复购买该企业的产品和服务, 实现企业和客户价值链的双赢。在该案例中, 根据该企业的客户消费历史行为轨
10、迹, 形成如表 1 所示的客户生命周期矩阵。根据以上的客户生命周期矩阵, 通过价值衰减函数来对客户价值进行分析。其中:AiN 次函数运算中 T 个月的月度平均财务毛利额值;T成为我司会员月份数, 价值是按照年限、贡献度、生命周期进行衰减或者递增的, 此函数中, 由于成为会员月份不同, Q 值系数不同, 需要将 T 分解为N 个 m 月;mN 次函数运算中某次运算会员月份数;Q价值衰减系数。通过对生命周期客群的聚类和分析, 结合价值衰减函数, 针对以上五阶段客户提出了如下的应对机制。活跃期客户:属于优质客户, 需要定期关怀, 根据客户过往购物周期习惯, 重点发送活动信息;流失期/休眠期客户:需要
11、建立客户流失预警机制, 通过不同的刺激方式和渠道, 根据过往客户购物习惯, 提供合适的价值定位商品和推荐信息, 积极挽回, 持久关爱;流失期激活/休眠期激活客户:经过刺激和争取赢回的客户, 通过刺激需求的产品或服务组合把客户培养成高价值客户。2.2.2 消费行为能力矩阵根据对该企业客户日常消费能力的解析, 结合性别、年龄、最高单次消费、门类消费均价排名, 通过因分析算法, 增加权重, 形成该企业消费行为能力矩阵, 例如女高消费能力者等。2.2.3 消费忠诚度矩阵客户忠诚度受提供服务质量、商品价格、客户关怀等诸多因素影响, 根据统计, 当企业挽留客户的比率增加 5%时, 从客户资源里获得的红利便
12、可提升25%100%。有部分学者更是直接表示, 忠诚的客户将是企业竞争优势的主要来源。根据该企业的客户日常消费行为轨迹, 结合卡龄、消费频次、购物周期等标签进行因子分析, 形成该企业的消费忠诚度矩阵, 如表 2 所示:3 营销推广实例3.1 项目概述及目标通过对客群的分析和聚类, 结合优质的软硬件资源和企划营销资源储备, 为该企业订制了场景式实时个性化 APP 营销方案。通过分析有车的注册会员的消费习惯及行为模式, 分场景向其推送个性化营销信息, 提高场内平均消费金额, 提升购物体验, 提高其对该企业的购物黏着度。表 1 客户生命周期矩阵 下载原表 表 2 消费忠诚度矩阵 下载原表 预期通过该
13、项目可帮助该零售企业实现如下目标:(1) 为目标营销客户提供分场景的、精准的营销信息, 提升消费者体验;(2) 提升营销推送转化率, 提升该目标客群的场内停留时间, 进而提升平均消费金额。3.2 场景式实时营销模式通过对样本的分析, 判断消费者的消费转换模式以及发生概率, 最终根据影响程度结果判定使用哪种类型数据指导最终的场景判断。3.2.1 整体分析消费模式针对样本整体进行初步的分析判断, 从而获取在没有消费时最有可能发生的消费以及当发生某个消费后, 接下来会发生何种消费, 整体分析包括以下几方面。业态消费时段分布:基于不同时段内最可能出现的消费业态转移, 设定最普适的业态消费转移模式。店铺
14、消费时段分布:统计得出不同业态中最热门、最典型的店铺, 按照上述业态消费。转化进行排布。业态消费关联转移:根据会员历史消费数据, 统计出现频次最高的业态消费转化, 同时辅以业务逻辑对结果进行判断。店铺消费关联转移:根据会员历史消费数据, 统计出现频次最高的店铺消费转化, 并通过此展现消费者整体行为偏好。3.2.2 分客群分时段分析消费模式依照零售行业经验, 不同客群消费者在不同时间段内呈现不同的消费模式。结合可能的影响因素, 判断对消费模式转化的影响。分客群分析:由于不同年龄段、性别等不同属性消费者呈现不同的消费倾向, 因此, 将基于年龄、性别等基本标签划分客群, 并计算不同组别中普遍适用的消
15、费转移模式的概率。分时段分析:根据上午、中午、下午、晚上进行时段划分, 计算不同时段内出现的消费转移的种类和概率。分工作日/周末分析:根据工作日和周末进行时段划分, 计算不同日期内消费转移种类和概率。3.3 营销策略/推荐体系针对全场会员的消费记录和行为轨迹, 将商品或品牌标签反打到消费者, 根据消费者每次消费、行为积累不同标签权重, 依赖权重进行标签标定, 动态生成。推荐算法简介:主要使用到算法物质扩散+热传导算法, 该算法的理论功能如下。(1) 计算商品和用户之间能量和热量的传递;(2) 两种扩散算法, 同时兼顾推荐的精准性和多样性;(3) 找出相似的用户, 根据其购物偏好, 为当前用户推
16、荐相关商品。第一, 物质扩散算法。遍历数据库中与当前用户购物兴趣相似的用户, 计算用户之间的相似度值, 通过把样本人群及相关标签体系信息, 导入到该函数中, 可以发现扩散过程中能量保持守恒, 所以商品的能量值跟商品的购买次数成正比。即流行的商品更容易被推荐, 被推荐的用户接纳程度较高。第二, 热传导算法。通过深度神经网络学习, 计算商品和商品间建立的关联关系和特征组合关系, 将特征集输入推荐系统中。通过把样本人群及相关标签体系信息导入该函数中, 可以发现, 在热传导过程中, 随着购买次数的增多, 系统有足够的能力传递热量到一些冷门的商品上, 使用户的视野可以发散到一些不那么流行的商品上。3.4 营销结论(1) 重点品类 (女装、化妆品) 出现高频自品类转化, 即消费过该品类后, 二次购买概率较高;男装品类消费后离场概率较低, 此处应为营销引导重点;儿童品类消费后自品类关联度极高且不受重点品类 (女装、化妆品) 影响。(2) 关联品类购买明显, 女鞋女装、女装饰品、小家电家居用品、玩具童装、牛仔
