大數據與消費決策

『壹』 大數據怎樣改善營銷決策

1、規劃分析

數據科學家為營銷部門提供了對客戶行為最新趨勢的精湛分析，使營銷人員能夠制定全面的戰略並為更有效的活動做好准備。這就是為什麼很多營銷主管會說數據驅動型營銷對於在競爭激烈的全球經濟中取得成功至關重要的原因。他們現在不僅能夠將消費者定位為大群體，也可以將其定位為具有特定特徵的分段子群體，從而使他們有可能單獨修改，並適應每一個用眾。

2、私人定製

用戶體驗是業務成功的基本先決條件之一。在大數據時代，營銷人員能夠定製操作，並改善客戶旅程，使得幾乎每一個客戶都可以根據個人喜好來接受產品或服務。例如，Facebook單獨存儲和分析數十PB的用戶生成數據。這樣巨大的數據使得企業不僅可以確定目標群體的基本人口特徵，還要深入了解個人用戶的喜好。

3、企業定價

作為市場營銷組合中最重要的因素之一，企業的定價始終需要分析和仔細的監測。但是自從應用大數據以來，營銷人員可以實時調整產品和服務的價格。如今，企業有可能根據眾多因素進行價格差異化。例如，電影院為普通消費者提供定期門票，但也為價格敏感的人士提供一定的獎勵，如優惠券，周末促銷等。

4、 客戶忠誠度

忠誠消費者是每個企業的業務核心。他們是品牌產品或服務的推廣者。調查顯示，55%的美國消費者通過向他們的朋友和家人推薦他們喜歡的品牌和公司表達忠誠度。使用大數據，企業可以檢測到常見的購買模式，調整他們的服務，最終擴大忠實消費者的基礎。

關於大數據怎樣改善營銷決策，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

『貳』 一步一步教你分析消費者大數據

一步一步教你分析消費者大數據
做過面向消費者產品解決方案的人都知道，每個項目開始前，客戶都會提一些要求或者對現在營銷狀況的顧慮，比如我們想了解一下我們潛在消費者是誰；怎麼發優惠券效果最好；或者，我們應該推出什麼樣子的新產品，能夠贏得消費者口碑和青睞。在量化決策分析法中，這一系列的前期需求，我們把他稱作為：客戶需求或未來期望。
接下來，你需要了解該問題的現狀，比如現有產品或服務的消費者是怎麼樣的，以前發的優惠券效果怎麼樣，現在市場的銷量趨勢如何等等。
當了解了客戶需求和現在的現狀後，我們需要慢慢抽絲剝繭，找出解決方案，填補這個空檔。
一般來說，沒有任何方法論或者經驗的咨詢員或者分析師聽到客戶的這些期望後，他們會開始不知所措，無從下手。他們完全不知道該從哪個角度切入，收集哪些數據，做哪些假設，用什麼方法分析。
其實像這類問題是有方法論的，我們可以用四步循序漸進的方法來搭建現狀與未來的橋梁。

第一步：描述性分析－What

發現問題。我們可以用看病的場景來類比下，病人去看病，說最近不舒服。於是醫生讓病人進一步描述一下怎麼不舒服。這里也是一樣，拿優惠促銷的案例來說，我們會先了解客戶以往有沒有做過類似的促銷案例，什麼時候做的，效果怎麼樣。經由這些的問題產生一系列的KPI。
KPI產生的方法有以下幾種：
1）我們提問，客戶解答
2）從客戶公司資料庫獲得信息（SQL）
3）從外部數據獲得信息（第三方數據加強）
4）競爭夥伴信息
5）政策信息
6）語義分析
7）其他
獲得KPI的工具：
1）問答（座談，電話，Email，簡訊，問卷）
2）資料庫（SQL）
3）Excel
4）R，Python等軟體
5）網站搜索資料
6）自然語言學習
7）其他
分析這些KPI變數：

這些KPI可以是絕對數，百分數，也可以是指數。可以是過去不同時期的對比數據，也可以是不同分組（如：人群分組，模式分組）的對比數據，或者和競爭對手的對比數據等。
通常 KPI分析的方法有：
1）單變數分析（univariate）
2）雙變數分析（bivariate）
3）多變數分析（multivariate）
4）假設驗證（hypothesis）
5）簡單建模（clustering分組）
經過對這些KPI的分析，可以幫助我們形成：
1）已有消費者人物畫像
2）潛在消費者人物畫像
3）忠誠客戶畫像
4）消費者價值分組
5）其他
第二步：診斷性分析（why）

回答問題。我們同樣用醫生看病的例子來類比一下，當醫生問完病人問題，通過問診，X光等等，醫生開始利用自己掌握的知識來對病人的病情做出診斷。
放到分析法中，這一步通常我們需要：
1）了解因果關系
2）了解各因素間敏感性如何
我們需要了解是由哪個原因，或者哪些原因造成了現在的市場現狀。比如在前一個階段，我們得到了50個非常有用的KPI，通過因果關系分析，我們確定了，其中有10個KPI起著重要的作用。結下來，我們會問，這10個因素中，每個因素單獨的貢獻是多少，有些可能非常高，有些可能相對較低。
那這個問題，我們可以通過建模來得到每個因素的貢獻大小，同時模型還能起到剔除高相關變數的作用。還有一種用到模型的原因是，當因素達到上百，上千個的時候，很難用傳統方法在如此多的因素中，甄別出最有用的事那些，這種情況下，也需要用到模型來幫助選變數，最後一個原因是我們可以甄別這個因素是正向促進因素，還是反向促進因素。
通過建模的結果，我們可以得到以下以下關於消費者的模型：
1）忠誠度模型
2）滿意度模型
3）價格敏感度模型
4）歸因模型
5）客戶流失模型
產生這些模型背後的演算法有：
1）線性回歸
2）邏輯回歸
3）決策樹
4）時間序列
5）Random forest，boosting，SVM，PCA等等

第三步：預測分析

預測正確的時機，得到先發制人的營銷效果。有了第一步和第二步的准備，我們需要預測一下，如果我做一些調整，將會有什麼變化和影響。
用到的模型有：
1）意向打分模型
2）品牌忠誠度打分
3）購買渠道偏好模型
4）觸媒使用習慣
6）銷量預測
5）生存分析模型
比如： 意向打分模型 。我們發現，如果用現有的因素，消費者會轉換的傾向可能是60%，但是如果我對一些因素做了一些調整，如：我給現有客戶多發2個廣告，客戶會購買的可能性上升到65%；如果，給客戶多發5個廣告，客戶會購買的可能性上升到85%。通過這樣的調整，我能夠預估，將來的廣告成本，或者轉化帶來的收入等。
又比如： 通過時間序列模型，我們可以預測到明年購買某品牌車型的消費者有10萬人，這樣對明年的生產計劃和營銷計劃就能有一個前期的應對准備。

第四步：決策分析應用

1）提供戰略推薦
2）優化
3）市場模擬
4）A／B測試

第三步的例子提到多發2個廣告，轉化率為65%；多發5個廣告轉化率為85%。那麼如果多發3個？多發4個廣告，結果又會如何呢？學術界一直在尋找最優化完美的答案來解決這個問題：我到底發幾個廣告，才能讓我的利潤達到最大化呢？
我們都知道在做回歸模型的時候，有以下幾個假設條件：
1、隨機誤差項是一個期望值或平均值為0的隨機變數；
2、對於解釋變數的所有觀測值，隨機誤差項有相同的方差；
3、隨機誤差項彼此不相關；
4、解釋變數是確定性變數，不是隨機變數，與隨機誤差項彼此之間互相獨立
5、解釋變數之間不存在精確的線性關系，即解釋變數的樣本觀測值矩陣是滿秩矩陣
6、隨機誤差項服從正態分布
實際上，現實生活中很難達到這種理想的狀態，而且最大化這個概念，從數學角度講，會涉及到優化求極值的問題，很多情況下，我們實際上求到是局部優化（localoptimization）的解，而不是全局優化（globaloptimization）的解。
所以在這種情況下，管理學中衍生出了市場模擬方法來決定最後方案，最有名的一個方法是沙盤模擬，但是這些模擬往往到了真正落地的時候，又會和之前的結果有差距。
所以近些年來，越來越多的公司選擇做A/B測試。當你對幾個方案沒有很大的把握，或者對預測結果不是特別自信的時候，A／B測試的出現，解決了這些顧慮。最近的一個成功的案例是Amazon通過A/B測試的方法，把「order」從賬戶欄，放入了主頁的菜單欄，為公司帶來的非常可觀的營收增長。
A/B測試需要注意的是：
1）樣本的數量
2）人群的選擇
3）時間的跨度
4）顯著性統計
整個決策分析法即是階梯又是一個閉環，根據實際的市場反應，再進行進一步的分析與迭代優化。
讀完整個量化決策分析法後，你應該對以消費者為核心的大數據解決方案有了一定的思路框架。

『叄』 為什麼說大數據限制了消費者的選擇自由

因為大數據的分析通過消費者的喜好，關注點等特點為消費者推薦多種選擇，可以讓消費者快速方便的購買到自己想要的產品，但是減少了選擇的機會。

在信息時代的今天，對浩瀚繁雜的數據進行整理判斷是有必要的，數據中也確實存在大量的寶藏。但是，這就好比在垃圾場拾寶貝一樣，垃圾永遠都比寶貝多。

大數據的好處：

為決策提供參考 為決策提供幫助是多數人選擇大數據的首要原因，很多人沖著這一目標，取得了一些可衡量性的成功，大數據能夠通過專業的技術對數據進行分析為業務決策者提供他們所需要的數據驅動的洞察力，以便幫助企業快速開展業務競爭和業務發展。

『肆』 大數據與商業決策關系

大數據與商業決策關系

今天，我們正處於決策成本產生巨變的爆發點，過去那些想盡辦法都無法獲取的數據，在今天唾手可得，而當有些表面上完全不相關的行業數據關聯起來時，居然產生了新的商業價值。更重要的是，過去，我們更多地是帶著問題去尋找能夠驗證自己觀點的數據，而今天我們卻可以使用數據去預測可能出現的問題。海量數據可以使人的智慧得到更大的發揮，並變得更加規模化。大數據的本質是人，數據研究的極點就是莫測的人性。我們一旦掌控了數據之後的數據，就會擁有制勝未來商業的無敵利器。
假定數據是臟的
在處理數據的時候，會像污水處理廠一樣，每一步都問自己要如何處理這些污水。這種情況的出現，到底是因為數據源臟了，還是因為數據提煉過程做得不好？美國有一家初創公司，專注於與地理位置相關的數據收集、整理和查詢服務。它將地理位置的相關指標，按照酒店和旅館等屬性劃分為不同細類，對外提供基於位置信息的實時查詢，為包括美國最大點評網 Yelp在內的多個知名應用提供底層數據服務。
這家公司最令人印象深刻的是，它對於所收集來的數據會提供一個數據質量評分，以反映數據的可信度和質量水平。它會對這些數據的源頭以及對處理數據階段所用的演算法進行評分。也就是說，這家公司在提煉數據的每一個階段都進行了數據化管理。
這家公司的做法讓我們看到了一個趨勢，也是一個非常重要的趨勢。因為它首先已經接受了數據源肯定是臟的和數據源一定會被污染的事實。所以，它在處理數據的時候，會像污水處理廠一樣，每一步都問自己要如何處理這些污水。這種情況的出現，到底是因為數據源臟了，還是因為數據提煉過程做得不好？這個過程我們一定要區分，而且這樣的區分是可取的。這家公司是假定數據是「臟」的來做數據管理，而不是假定數據是穩定的。而且，假定數據是「臟」的來處理數據，在大數據時代將是一個非常重要的趨勢。
事實上，我們今天在處理的大數據，依然只是冰山一角，而更大的數據都隱藏在我們的語言中，比如我們說的話和寫的字。所以，將來我們要准確地從互動中抓取數據，也一定要依賴對自然語言的處理。現在，美國的很多數據研究人員都在瞄準非結構性數據，即語言處理這一領域。
學會慢慢淡化數據
數據是有優先值的，在數據中有些是特別核心的，有些即使缺失了也沒有多大問題。所以，我們要學會真正坐下來盤點那些對公司最有價值、對用戶最有價值的數據。
想要確定數據的優先值，就要先解決以下幾個問題。
一是數據的標准化。在大數據時代，我們需要一個標准化的東西供我們進行交流。二是我們到底如何對接和交換數據，如何在交換的時候保持數據的穩定性。比如自然語言，比如在無線和 PC不同場景下受到的影響，這些情況都會滋生出許多新問題。第三個重要的問題是數據的存儲，這將涉及數據的時效性這一問題。有人曾經提出過一個很有價值的觀點，即現實中，網站最大的場景變化就是網站改版。因為重新設計網站，本身就影響數據，比如公司的詳情頁和首頁，任何改變都在影響數據。如果在 1~3年後，你才說得出數據的這一改變是由於促銷、用戶行為或是改版引起的，那這一數據就已經沒有任何價值了，這就是數據的時效性。所以，美國出現了一個概念叫數據淡化（ Data Decay），意思很明顯，數據會慢慢淡化。我們要更清楚地認識到，數據是有優先值的，在數據中有些是特別核心的，有些即使缺失了也沒有多大問題。所以我們要學會真正坐下來盤點那些對公司最有價值、對用戶最有價值的數據，這是一個非常重要的趨勢。
重要的是數據和數據之間的關系，而不是數據本身
大數據價值的實現，在於數據與數據的連接。
Google做了一件非常驚人的事情 —— Google甚至能在不明白某個網頁語言的情況下，知道其內容是什麼。試想一下，如果你懂俄語，看出俄語網頁里在講什麼當然很簡單。但是，如果你僅僅通過看字詞的排列和網站的分類，就知道網頁的內容，這是不是很令人驚嘆？
這就是知識圖譜，它是一個無窮無盡的世界。事實上，知識圖譜並不是數據，而是數據和數據之間的關系。但這里有一個非常大的弊端，就是數據的儲藏量非常大、儲存的方法也很復雜，且稍微改變一點點關系的定義，整體就會產生巨大的變化。
比如說，有一個知識圖譜在說電商平台用戶之間的關系，那數據信息就非常龐大了。試想一下，今天電商平台里有多少個用戶跟你有關系？假如說有 25個人，那麼 25個人的關系就演變成了 25×25條關系。這時候，我再問你「什麼是關系」、「見過就算關系，還是一起買過東西叫關系」的問題就具備了一定的難度。
關系建立的維度是無限大的，而且定義稍微改變一下，整個存儲和整個資料庫都會發生變化。所以，知識圖譜的把控是有難度的。舉個貼近我們生活的例子，比如說銀行很早之前就給你開辦了信用卡，決定銀行這一決策的不是你的個人關系而是總關系。銀行決定是否貸款給你，是要看你愛人做什麼職業以及你家中其他人的經濟情況如何。當這種種關系關聯起來時，就會產生一個極為重要的知識圖譜。
以往我們談大數據時候的本錢，莫過於「我有這種數據，你沒有」。在未來，數據和數據之間的關系才是重中之重，而不是單純的數據本身。

以上是小編為大家分享的關於大數據與商業決策關系的相關內容，更多信息可以關注環球青藤分享更多干貨

『伍』 大數據影響商業決策

大數據影響商業決策
現如今，無論哪個行業的企業都在談論的是——數據。這里說的數據不是任意的數據，而是大數據。

如今我們生活在信息經濟體制中，公司採集和分析的數據越多，就能在做重要的商業決策時參考更多的信息。因此，公司不必再盲目地做決定或者只能瞎猜了。而些曾經根本無法測量的參量，如今也可以進行准確地測量。
現如今，大數據非常重要，它已經能夠影響到企業的估值。數據不屬於公司的有形資產，但擁有著深度見解和長遠預測的數據卻可以指引企業走向成功。企業的聲譽正是經典的案例之一。企業聲譽是企業重要的無形資產，如今卻可以通過採集的數據進行測算和價值評估。
除此之外，影響企業成功概率的因素還有使用數據的方式和依據數據分析所做的決策。數據變得如此有影響力，其本身也正被用來判定公司的價值。
最重要的決定——選擇數據採集工具
選擇商業智能軟體是整個數據採集過程中最重要的部分之一，因為這是數據採集和分析的工具。許多企業最難通過軟體平台來做商業決策，現在市面上有無數的數據採集軟體程序，但是它們之間不盡相同，像Tableau及其它在BI領域的主要競爭對手，其數據採集軟體程序在考慮用戶界面之前就有著很多功能。
就這些軟體而言，報告的功能是最重要的，數據的結果就是產生報告，只有數據沒有報告，數據就失去其原本的作用了。用戶需要定製用來生成報表的數據的呈現方式和數據類型。這樣，用戶就可以根據自己的核心業務指標來提取數據段。
自動採集數據的功能也極其重要。因為，數據採集應經是繁忙業務中的重要的一環，也是相當耗時的一環。所以，能夠智能化採集數據並自動生成報告的軟體程序，帶來的實用性更強。
當然，能接入數據源也是商業智能分析軟體極為重要的組成部分。商業智能軟體（BI）獲取的數據源越多樣化，公司收集和使用的信息就越多。
數據影響重要商業決策的三種途徑
根據大數據做出的決策可以在各個層面上對企業帶來極大的影響。每個公司都有自己的需求，但是幾乎每個公司都能利用大數據，就聲譽、收入渠道和生產力方面充分考慮後做出決定。
1.聲譽
2014年聲譽研究會的年度聲譽領袖研究顯示：公司最關注的是如何量化衡量他們聲譽的方式。同時，企業意識到，其中關鍵的一點是制定一份有效的輿情策略，提高公眾可感知的品牌數據量。
通過對社交媒體平台和企業網站的數據分析，公司可以更好地測估他們在大眾的眼中是什麼樣的形象。同時，他們也可以與客戶互動，並從中了解到客戶對公司品牌的滿意度。這些都在很大程度上影響著公司的聲譽。公司能夠利用數據做關於品牌化、社交媒體營銷和增進客戶關系方面的決策。
2.收入渠道
在擁有大量數據的情況下，找到一個新的收入渠道會更加容易。同時，找到推廣產品和服務的最佳市場營銷渠道也是輕而易舉的事情。兩者相結合，發布新產品或者新服務的風險更低。大數據能夠分析當前交易，用戶投訴並改進企業產品。企業可以深入挖掘數據，發現新的機遇。
3.生產力
提高運營效率和生產力是快速提高利潤的一個方法。市面上已經有大量的ERP軟體，多數ERP程序可以分析從生產線正常運營時間到會計程序的幾乎每種業務功能的數據。感測器可以實時追蹤卡車和貨物的運動，並將得到的大量數據記錄到軟體程序中。
收集到的數據能夠告訴企業主效率低下之處，也能夠找出提高生產力的自動化流程。有了大數據，你將能知道誰是生產力最高的員工，什麼機器耐用性最高，甚至怎樣通過縮短貨車路線減少燃料費用的問題，也可以得到解答。生產力的提高的可能性是無窮的，這就是定製報告的重要性所在。
大數據背後有巨大的商業潛力，但是只有企業能夠整理數據，找到真正重要的指標，才能更好地利用它。現在企業們或許正坐在一座金礦上，他們需要知道的就是怎樣利用這些信息。