大数据与消费决策

『壹』 大数据怎样改善营销决策

1、规划分析

数据科学家为营销部门提供了对客户行为最新趋势的精湛分析，使营销人员能够制定全面的战略并为更有效的活动做好准备。这就是为什么很多营销主管会说数据驱动型营销对于在竞争激烈的全球经济中取得成功至关重要的原因。他们现在不仅能够将消费者定位为大群体，也可以将其定位为具有特定特征的分段子群体，从而使他们有可能单独修改，并适应每一个用众。

2、私人定制

用户体验是业务成功的基本先决条件之一。在大数据时代，营销人员能够定制操作，并改善客户旅程，使得几乎每一个客户都可以根据个人喜好来接受产品或服务。例如，Facebook单独存储和分析数十PB的用户生成数据。这样巨大的数据使得企业不仅可以确定目标群体的基本人口特征，还要深入了解个人用户的喜好。

3、企业定价

作为市场营销组合中最重要的因素之一，企业的定价始终需要分析和仔细的监测。但是自从应用大数据以来，营销人员可以实时调整产品和服务的价格。如今，企业有可能根据众多因素进行价格差异化。例如，电影院为普通消费者提供定期门票，但也为价格敏感的人士提供一定的奖励，如优惠券，周末促销等。

4、 客户忠诚度

忠诚消费者是每个企业的业务核心。他们是品牌产品或服务的推广者。调查显示，55%的美国消费者通过向他们的朋友和家人推荐他们喜欢的品牌和公司表达忠诚度。使用大数据，企业可以检测到常见的购买模式，调整他们的服务，最终扩大忠实消费者的基础。

关于大数据怎样改善营销决策，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

『贰』 一步一步教你分析消费者大数据

一步一步教你分析消费者大数据
做过面向消费者产品解决方案的人都知道，每个项目开始前，客户都会提一些要求或者对现在营销状况的顾虑，比如我们想了解一下我们潜在消费者是谁；怎么发优惠券效果最好；或者，我们应该推出什么样子的新产品，能够赢得消费者口碑和青睐。在量化决策分析法中，这一系列的前期需求，我们把他称作为：客户需求或未来期望。
接下来，你需要了解该问题的现状，比如现有产品或服务的消费者是怎么样的，以前发的优惠券效果怎么样，现在市场的销量趋势如何等等。
当了解了客户需求和现在的现状后，我们需要慢慢抽丝剥茧，找出解决方案，填补这个空档。
一般来说，没有任何方法论或者经验的咨询员或者分析师听到客户的这些期望后，他们会开始不知所措，无从下手。他们完全不知道该从哪个角度切入，收集哪些数据，做哪些假设，用什么方法分析。
其实像这类问题是有方法论的，我们可以用四步循序渐进的方法来搭建现状与未来的桥梁。

第一步：描述性分析－What

发现问题。我们可以用看病的场景来类比下，病人去看病，说最近不舒服。于是医生让病人进一步描述一下怎么不舒服。这里也是一样，拿优惠促销的案例来说，我们会先了解客户以往有没有做过类似的促销案例，什么时候做的，效果怎么样。经由这些的问题产生一系列的KPI。
KPI产生的方法有以下几种：
1）我们提问，客户解答
2）从客户公司数据库获得信息（SQL）
3）从外部数据获得信息（第三方数据加强）
4）竞争伙伴信息
5）政策信息
6）语义分析
7）其他
获得KPI的工具：
1）问答（座谈，电话，Email，短信，问卷）
2）数据库（SQL）
3）Excel
4）R，Python等软件
5）网站搜索资料
6）自然语言学习
7）其他
分析这些KPI变量：

这些KPI可以是绝对数，百分数，也可以是指数。可以是过去不同时期的对比数据，也可以是不同分组（如：人群分组，模式分组）的对比数据，或者和竞争对手的对比数据等。
通常 KPI分析的方法有：
1）单变量分析（univariate）
2）双变量分析（bivariate）
3）多变量分析（multivariate）
4）假设验证（hypothesis）
5）简单建模（clustering分组）
经过对这些KPI的分析，可以帮助我们形成：
1）已有消费者人物画像
2）潜在消费者人物画像
3）忠诚客户画像
4）消费者价值分组
5）其他
第二步：诊断性分析（why）

回答问题。我们同样用医生看病的例子来类比一下，当医生问完病人问题，通过问诊，X光等等，医生开始利用自己掌握的知识来对病人的病情做出诊断。
放到分析法中，这一步通常我们需要：
1）了解因果关系
2）了解各因素间敏感性如何
我们需要了解是由哪个原因，或者哪些原因造成了现在的市场现状。比如在前一个阶段，我们得到了50个非常有用的KPI，通过因果关系分析，我们确定了，其中有10个KPI起着重要的作用。结下来，我们会问，这10个因素中，每个因素单独的贡献是多少，有些可能非常高，有些可能相对较低。
那这个问题，我们可以通过建模来得到每个因素的贡献大小，同时模型还能起到剔除高相关变量的作用。还有一种用到模型的原因是，当因素达到上百，上千个的时候，很难用传统方法在如此多的因素中，甄别出最有用的事那些，这种情况下，也需要用到模型来帮助选变量，最后一个原因是我们可以甄别这个因素是正向促进因素，还是反向促进因素。
通过建模的结果，我们可以得到以下以下关于消费者的模型：
1）忠诚度模型
2）满意度模型
3）价格敏感度模型
4）归因模型
5）客户流失模型
产生这些模型背后的算法有：
1）线性回归
2）逻辑回归
3）决策树
4）时间序列
5）Random forest，boosting，SVM，PCA等等

第三步：预测分析

预测正确的时机，得到先发制人的营销效果。有了第一步和第二步的准备，我们需要预测一下，如果我做一些调整，将会有什么变化和影响。
用到的模型有：
1）意向打分模型
2）品牌忠诚度打分
3）购买渠道偏好模型
4）触媒使用习惯
6）销量预测
5）生存分析模型
比如： 意向打分模型 。我们发现，如果用现有的因素，消费者会转换的倾向可能是60%，但是如果我对一些因素做了一些调整，如：我给现有客户多发2个广告，客户会购买的可能性上升到65%；如果，给客户多发5个广告，客户会购买的可能性上升到85%。通过这样的调整，我能够预估，将来的广告成本，或者转化带来的收入等。
又比如： 通过时间序列模型，我们可以预测到明年购买某品牌车型的消费者有10万人，这样对明年的生产计划和营销计划就能有一个前期的应对准备。

第四步：决策分析应用

1）提供战略推荐
2）优化
3）市场模拟
4）A／B测试

第三步的例子提到多发2个广告，转化率为65%；多发5个广告转化率为85%。那么如果多发3个？多发4个广告，结果又会如何呢？学术界一直在寻找最优化完美的答案来解决这个问题：我到底发几个广告，才能让我的利润达到最大化呢？
我们都知道在做回归模型的时候，有以下几个假设条件：
1、随机误差项是一个期望值或平均值为0的随机变量；
2、对于解释变量的所有观测值，随机误差项有相同的方差；
3、随机误差项彼此不相关；
4、解释变量是确定性变量，不是随机变量，与随机误差项彼此之间互相独立
5、解释变量之间不存在精确的线性关系，即解释变量的样本观测值矩阵是满秩矩阵
6、随机误差项服从正态分布
实际上，现实生活中很难达到这种理想的状态，而且最大化这个概念，从数学角度讲，会涉及到优化求极值的问题，很多情况下，我们实际上求到是局部优化（localoptimization）的解，而不是全局优化（globaloptimization）的解。
所以在这种情况下，管理学中衍生出了市场模拟方法来决定最后方案，最有名的一个方法是沙盘模拟，但是这些模拟往往到了真正落地的时候，又会和之前的结果有差距。
所以近些年来，越来越多的公司选择做A/B测试。当你对几个方案没有很大的把握，或者对预测结果不是特别自信的时候，A／B测试的出现，解决了这些顾虑。最近的一个成功的案例是Amazon通过A/B测试的方法，把“order”从账户栏，放入了主页的菜单栏，为公司带来的非常可观的营收增长。
A/B测试需要注意的是：
1）样本的数量
2）人群的选择
3）时间的跨度
4）显著性统计
整个决策分析法即是阶梯又是一个闭环，根据实际的市场反应，再进行进一步的分析与迭代优化。
读完整个量化决策分析法后，你应该对以消费者为核心的大数据解决方案有了一定的思路框架。

『叁』 为什么说大数据限制了消费者的选择自由

因为大数据的分析通过消费者的喜好，关注点等特点为消费者推荐多种选择，可以让消费者快速方便的购买到自己想要的产品，但是减少了选择的机会。

在信息时代的今天，对浩瀚繁杂的数据进行整理判断是有必要的，数据中也确实存在大量的宝藏。但是，这就好比在垃圾场拾宝贝一样，垃圾永远都比宝贝多。

大数据的好处：

为决策提供参考 为决策提供帮助是多数人选择大数据的首要原因，很多人冲着这一目标，取得了一些可衡量性的成功，大数据能够通过专业的技术对数据进行分析为业务决策者提供他们所需要的数据驱动的洞察力，以便帮助企业快速开展业务竞争和业务发展。

『肆』 大数据与商业决策关系

大数据与商业决策关系

今天，我们正处于决策成本产生巨变的爆发点，过去那些想尽办法都无法获取的数据，在今天唾手可得，而当有些表面上完全不相关的行业数据关联起来时，居然产生了新的商业价值。更重要的是，过去，我们更多地是带着问题去寻找能够验证自己观点的数据，而今天我们却可以使用数据去预测可能出现的问题。海量数据可以使人的智慧得到更大的发挥，并变得更加规模化。大数据的本质是人，数据研究的极点就是莫测的人性。我们一旦掌控了数据之后的数据，就会拥有制胜未来商业的无敌利器。
假定数据是脏的
在处理数据的时候，会像污水处理厂一样，每一步都问自己要如何处理这些污水。这种情况的出现，到底是因为数据源脏了，还是因为数据提炼过程做得不好？美国有一家初创公司，专注于与地理位置相关的数据收集、整理和查询服务。它将地理位置的相关指标，按照酒店和旅馆等属性划分为不同细类，对外提供基于位置信息的实时查询，为包括美国最大点评网 Yelp在内的多个知名应用提供底层数据服务。
这家公司最令人印象深刻的是，它对于所收集来的数据会提供一个数据质量评分，以反映数据的可信度和质量水平。它会对这些数据的源头以及对处理数据阶段所用的算法进行评分。也就是说，这家公司在提炼数据的每一个阶段都进行了数据化管理。
这家公司的做法让我们看到了一个趋势，也是一个非常重要的趋势。因为它首先已经接受了数据源肯定是脏的和数据源一定会被污染的事实。所以，它在处理数据的时候，会像污水处理厂一样，每一步都问自己要如何处理这些污水。这种情况的出现，到底是因为数据源脏了，还是因为数据提炼过程做得不好？这个过程我们一定要区分，而且这样的区分是可取的。这家公司是假定数据是“脏”的来做数据管理，而不是假定数据是稳定的。而且，假定数据是“脏”的来处理数据，在大数据时代将是一个非常重要的趋势。
事实上，我们今天在处理的大数据，依然只是冰山一角，而更大的数据都隐藏在我们的语言中，比如我们说的话和写的字。所以，将来我们要准确地从互动中抓取数据，也一定要依赖对自然语言的处理。现在，美国的很多数据研究人员都在瞄准非结构性数据，即语言处理这一领域。
学会慢慢淡化数据
数据是有优先值的，在数据中有些是特别核心的，有些即使缺失了也没有多大问题。所以，我们要学会真正坐下来盘点那些对公司最有价值、对用户最有价值的数据。
想要确定数据的优先值，就要先解决以下几个问题。
一是数据的标准化。在大数据时代，我们需要一个标准化的东西供我们进行交流。二是我们到底如何对接和交换数据，如何在交换的时候保持数据的稳定性。比如自然语言，比如在无线和 PC不同场景下受到的影响，这些情况都会滋生出许多新问题。第三个重要的问题是数据的存储，这将涉及数据的时效性这一问题。有人曾经提出过一个很有价值的观点，即现实中，网站最大的场景变化就是网站改版。因为重新设计网站，本身就影响数据，比如公司的详情页和首页，任何改变都在影响数据。如果在 1~3年后，你才说得出数据的这一改变是由于促销、用户行为或是改版引起的，那这一数据就已经没有任何价值了，这就是数据的时效性。所以，美国出现了一个概念叫数据淡化（ Data Decay），意思很明显，数据会慢慢淡化。我们要更清楚地认识到，数据是有优先值的，在数据中有些是特别核心的，有些即使缺失了也没有多大问题。所以我们要学会真正坐下来盘点那些对公司最有价值、对用户最有价值的数据，这是一个非常重要的趋势。
重要的是数据和数据之间的关系，而不是数据本身
大数据价值的实现，在于数据与数据的连接。
Google做了一件非常惊人的事情 —— Google甚至能在不明白某个网页语言的情况下，知道其内容是什么。试想一下，如果你懂俄语，看出俄语网页里在讲什么当然很简单。但是，如果你仅仅通过看字词的排列和网站的分类，就知道网页的内容，这是不是很令人惊叹？
这就是知识图谱，它是一个无穷无尽的世界。事实上，知识图谱并不是数据，而是数据和数据之间的关系。但这里有一个非常大的弊端，就是数据的储藏量非常大、储存的方法也很复杂，且稍微改变一点点关系的定义，整体就会产生巨大的变化。
比如说，有一个知识图谱在说电商平台用户之间的关系，那数据信息就非常庞大了。试想一下，今天电商平台里有多少个用户跟你有关系？假如说有 25个人，那么 25个人的关系就演变成了 25×25条关系。这时候，我再问你“什么是关系”、“见过就算关系，还是一起买过东西叫关系”的问题就具备了一定的难度。
关系建立的维度是无限大的，而且定义稍微改变一下，整个存储和整个数据库都会发生变化。所以，知识图谱的把控是有难度的。举个贴近我们生活的例子，比如说银行很早之前就给你开办了信用卡，决定银行这一决策的不是你的个人关系而是总关系。银行决定是否贷款给你，是要看你爱人做什么职业以及你家中其他人的经济情况如何。当这种种关系关联起来时，就会产生一个极为重要的知识图谱。
以往我们谈大数据时候的本钱，莫过于“我有这种数据，你没有”。在未来，数据和数据之间的关系才是重中之重，而不是单纯的数据本身。

以上是小编为大家分享的关于大数据与商业决策关系的相关内容，更多信息可以关注环球青藤分享更多干货

『伍』 大数据影响商业决策

大数据影响商业决策
现如今，无论哪个行业的企业都在谈论的是——数据。这里说的数据不是任意的数据，而是大数据。

如今我们生活在信息经济体制中，公司采集和分析的数据越多，就能在做重要的商业决策时参考更多的信息。因此，公司不必再盲目地做决定或者只能瞎猜了。而些曾经根本无法测量的参量，如今也可以进行准确地测量。
现如今，大数据非常重要，它已经能够影响到企业的估值。数据不属于公司的有形资产，但拥有着深度见解和长远预测的数据却可以指引企业走向成功。企业的声誉正是经典的案例之一。企业声誉是企业重要的无形资产，如今却可以通过采集的数据进行测算和价值评估。
除此之外，影响企业成功概率的因素还有使用数据的方式和依据数据分析所做的决策。数据变得如此有影响力，其本身也正被用来判定公司的价值。
最重要的决定——选择数据采集工具
选择商业智能软件是整个数据采集过程中最重要的部分之一，因为这是数据采集和分析的工具。许多企业最难通过软件平台来做商业决策，现在市面上有无数的数据采集软件程序，但是它们之间不尽相同，像Tableau及其它在BI领域的主要竞争对手，其数据采集软件程序在考虑用户界面之前就有着很多功能。
就这些软件而言，报告的功能是最重要的，数据的结果就是产生报告，只有数据没有报告，数据就失去其原本的作用了。用户需要定制用来生成报表的数据的呈现方式和数据类型。这样，用户就可以根据自己的核心业务指标来提取数据段。
自动采集数据的功能也极其重要。因为，数据采集应经是繁忙业务中的重要的一环，也是相当耗时的一环。所以，能够智能化采集数据并自动生成报告的软件程序，带来的实用性更强。
当然，能接入数据源也是商业智能分析软件极为重要的组成部分。商业智能软件（BI）获取的数据源越多样化，公司收集和使用的信息就越多。
数据影响重要商业决策的三种途径
根据大数据做出的决策可以在各个层面上对企业带来极大的影响。每个公司都有自己的需求，但是几乎每个公司都能利用大数据，就声誉、收入渠道和生产力方面充分考虑后做出决定。
1.声誉
2014年声誉研究会的年度声誉领袖研究显示：公司最关注的是如何量化衡量他们声誉的方式。同时，企业意识到，其中关键的一点是制定一份有效的舆情策略，提高公众可感知的品牌数据量。
通过对社交媒体平台和企业网站的数据分析，公司可以更好地测估他们在大众的眼中是什么样的形象。同时，他们也可以与客户互动，并从中了解到客户对公司品牌的满意度。这些都在很大程度上影响着公司的声誉。公司能够利用数据做关于品牌化、社交媒体营销和增进客户关系方面的决策。
2.收入渠道
在拥有大量数据的情况下，找到一个新的收入渠道会更加容易。同时，找到推广产品和服务的最佳市场营销渠道也是轻而易举的事情。两者相结合，发布新产品或者新服务的风险更低。大数据能够分析当前交易，用户投诉并改进企业产品。企业可以深入挖掘数据，发现新的机遇。
3.生产力
提高运营效率和生产力是快速提高利润的一个方法。市面上已经有大量的ERP软件，多数ERP程序可以分析从生产线正常运营时间到会计程序的几乎每种业务功能的数据。传感器可以实时追踪卡车和货物的运动，并将得到的大量数据记录到软件程序中。
收集到的数据能够告诉企业主效率低下之处，也能够找出提高生产力的自动化流程。有了大数据，你将能知道谁是生产力最高的员工，什么机器耐用性最高，甚至怎样通过缩短货车路线减少燃料费用的问题，也可以得到解答。生产力的提高的可能性是无穷的，这就是定制报告的重要性所在。
大数据背后有巨大的商业潜力，但是只有企业能够整理数据，找到真正重要的指标，才能更好地利用它。现在企业们或许正坐在一座金矿上，他们需要知道的就是怎样利用这些信息。