簡單點講：商業目標→資料集合→指標及變數選取→演算法選擇→測試最佳化→資料建模

這裡在確定了資料分析目標為：實現精準營銷，那麼使用者行為資料建模可以從以下幾個步驟開展：

1、商業目標：實現精準營銷；

2、使用者行為資料集合；

1）使用者資料採集；

— 購買，程式設計抓取（如Python），或自主積累（來自CRM，SCM，ERP等資料入口）等；這裡需要注意：A.確保資料信度效度；B.避免“資料盲點”，即資料庫裡缺失，或未收集到，或人為忽略的，商業目的存在關聯的資料；其中，最大的盲點是將不同資料來源的資料進行混合使用；

2）資料統計、整理、清洗等（Mysql，Excel等）；

3、資料指標庫構建及變數選取；

1）我們在收集資料時，會發現一些是與業務層面相關的邏輯，也有一些是資料之間本身就具備強相關性，甚至有因果關係的邏輯存在；建立模型前都需要選擇合適的指標及變數，而指標及變數的選取有需要從業務邏輯和資料邏輯兩個方面來考量；

3）在選擇指標及變數時，業務邏輯一般優先於資料邏輯。這是業務邏輯是從實際情況中自然產生，與商業目的是強相關性，建模結果的可解釋性，也是用於驗證商業目的的有效價值，因此業務邏輯類指標及變數更重要。

4）當一些變數不能直接用於建模時，需要進行重構，比如描述性變數，重構為數值型變數；或者將變數進行單獨計算，如取均值；組合計算，如A*B等；也是常用的重構方法。

4、演算法選擇；

常用建模演算法包括相關、聚類、分類（決策樹）、時間序列、迴歸、神經網路等。

比如：劃分消費者群體：聚類，分類；購物車分析：相關，聚類；購買金額預測：迴歸，時間序列；滿意度調查：迴歸，聚類，分類等等。

5、匯入演算法及測試最佳化模型；

演算法選定後，需要使用資料分析工具進行建模。常用建模工具：SPSS，R，SAS等；

針對不同的模型，需要調整引數，不斷最佳化迭代模型的可解釋性，最終達到商業目的。

大資料對精準營銷起到的作用十分重要。我覺得談到精準營銷，應該分兩個步驟：

1.大資料究竟有哪些常用模型？

2.常用模型怎樣應用於精準營銷？

兩個問題我來一步一步拆解：

1.大資料究竟有哪些常用模型？

1、行為事件分析模型。

行為事件分析法來研究某行為事件的發生對企業組織價值的影響以及影響程度。企業藉此來追蹤或記錄的使用者行為或業務過程，如使用者註冊、瀏覽產品詳情頁、成功投資、提現等，透過研究與事件發生關聯的所有因素來挖掘使用者行為事件背後的原因、互動影響等。

在日常工作中，運營、市場、產品、資料分析師根據實際工作情況而關注不同的事件指標。如最近三個月來自哪個渠道的使用者註冊量最高？變化趨勢如何？各時段的人均充值金額是分別多少？上週來自北京發生過購買行為的獨立使用者數，按照年齡段的分佈情況？每天的獨立 Session 數是多少？諸如此類的指標檢視的過程中，行為事件分析起到重要作用。

行為事件分析法具有強大的篩選、分組和聚合能力，邏輯清晰且使用簡單，已被廣泛應用。行為事件分析法一般經過事件定義與選擇、下鑽分析、解釋與結論等環節。

2、漏斗分析模型。

漏斗分析是一套流程分析，它能夠科學反映使用者行為狀態以及從起點到終點各階段使用者轉化率情況的重要分析模型。

漏斗分析模型已經廣泛應用於流量監控、產品目標轉化等日常資料運營工作中。例如在一款產品服務平臺中，直播使用者從啟用APP開始到花費，一般的使用者購物路徑為啟用APP、註冊賬號、進入直播間、互動行為、禮物花費五大階段，漏斗能夠展現出各個階段的轉化率，透過漏斗各環節相關資料的比較,能夠直觀地發現和說明問題所在，從而找到最佳化方向。對於業務流程相對規範、週期較長、環節較多的流程分析,能夠直觀地發現和說明問題所在。

3、留存分析模型。

留存分析是一種用來分析使用者參與情況/活躍程度的分析模型，考察進行初始行為的使用者中，有多少人會進行後續行為。這是用來衡量產品對使用者價值高低的重要方法。

留存分析可以幫助回答以下問題：

一個新客戶在未來的一段時間內是否完成了您期許使用者完成的行為？如支付訂單等；某個社交產品改進了新註冊使用者的引導流程，期待改善使用者註冊後的參與程度，如何驗證？想判斷某項產品改動是否奏效，如新增了一個邀請好友的功能，觀察是否有人因新增功能而多使用產品幾個月？

4、分佈分析模型 。

分佈分析是使用者在特定指標下的頻次、總額等的歸類展現。它可以展現出單使用者對產品的依賴程度，分析客戶在不同地區、不同時段所購買的不同型別的產品數量、購買頻次等，幫助運營人員瞭解當前的客戶狀態，以及客戶的運轉情況。如訂單金額（100 以下區間、100 元 - 200元區間、200 元以上區間等）、購買次數（5 次以下、5 - 10次、10 以上）等使用者的分佈情況。

分佈分析模型的功能與價值：科學的分佈分析模型支援按時間、次數、事件指標進行使用者條件篩選及資料統計。為不同角色的人員統計使用者在一天/周/月中，有多少個自然時間段（小時/天）進行了某項操作、進行某項操作的次數、進行事件指標。

6、使用者行為路徑分析模型 。

使用者路徑分析，顧名思義，使用者在APP或網站中的訪問行為路徑。為了衡量網站最佳化的效果或營銷推廣的效果，以及瞭解使用者行為偏好，時常要對訪問路徑的轉換資料進行分析。

以電商為例，買家從登入網站／APP到支付成功要經過首頁瀏覽、搜尋商品、加入購物車、提交訂單、支付訂單等過程。而在使用者真實的選購過程是一個交纏反覆的過程，例如提交訂單後，使用者可能會返回首頁繼續搜尋商品，也可能去取消訂單，每一個路徑背後都有不同的動機。與其他分析模型配合進行深入分析後，能為找到快速使用者動機，從而引領使用者走向最優路徑或者期望中的路徑。

7、使用者分群分析模型 。

使用者分群即使用者資訊標籤化，透過使用者的歷史行為路徑、行為特徵、偏好等屬性，將具有相同屬性的使用者劃分為一個群體，並進行後續分析。我們透過漏斗分析可以看到，使用者在不同階段所表現出的行為是不同的，譬如新使用者的關注點在哪裡？已購使用者什麼情況下會再次付費？因為群體特徵不同，行為會有很大差別，因此可以根據歷史資料將使用者進行劃分，進而再次觀察該群體的具體行為。這就是使用者分群的原理。

8、屬性分析模型 。

顧名思義，根據使用者自身屬性對使用者進行分類與統計分析，比如檢視使用者數量在註冊時間上的變化趨勢、檢視使用者按省份的分佈情況。使用者屬性會涉及到使用者資訊，如姓名、年齡、家庭、婚姻狀況、性別、最高教育程度等自然資訊；也有產品相關屬性，如使用者常駐省市、使用者等級、使用者首次訪問渠道來源等。

屬性分析模型的價值是什麼？一座房子的面積無法全面衡量其價值大小，而房子的位置、風格、是否學區、交通環境更是相關的屬性。同樣，使用者各維度屬性都是進行全面衡量使用者畫像的不可或缺的內容。

屬性分析主要價值在：豐富使用者畫像維度，讓使用者行為洞察粒度更細緻。科學的屬性分析方法，可以對於所有型別的屬性都可以將“去重數”作為分析指標，對於數值型別的屬性可以將“總和”“均值”“最大值”“最小值”作為分析指標；可以新增多個維度，沒有維度時無法展示圖形，數字型別的維度可以自定義區間，方便進行更加精細化的分析。

營銷人員三大痛點

每一個營銷人都曾經為三個問題苦惱過：

1. 怎樣丟擲甜蜜的誘餌可以更順利地吸引客戶？（潛在客戶從哪裡來，來的多不多？）

市場就是流量的戰場，流量的獲取和轉化是營銷的重要組成部分。隨著網際網路人口紅利的消退，獲取優質的流量變成了一件技術工作。運用資料分析工具評估渠道入口，尋找流量窪地，降低流量成本，或透過使用者畫像尋找到最精準的流量渠道，提高流量質量，成為渠道衡量的必備技能。

2. 如何吸引客戶“上賊船”？（潛在客戶訪問網站後，流量如何轉化？）

潛在客戶訪問官網時，對產品認知有限，讓客戶從遊客到註冊，實際上是一個二次轉化為有效使用者的過程。引導使用者按照關鍵步驟進行互動，降低使用者學習成本，減少時間和精力，根本目的都是為了降低使用者流失。

3. 如何透過豐富的經驗套路新使用者？（投資回報率（ROI） 很重要，如何提升營銷 ROI ？）

當用戶已經進入銷售與服務階段，系統性的服務尤為重要，我們的目標是將註冊使用者轉化為商機，並最終成交為付費客戶。同時這也是營銷漏斗的最後環節，量化營銷效果的核心指標是 ROI，用單位成本的成交額或利潤衡量渠道流量的質量，最佳化營銷策略，更有助於企業營收。

想要解決問題，先要了解問題背景，下圖是B2B的市場營銷過程漏斗模型。

圖1 B2B 市場營銷漏斗模型

其實，一個 B2B 公司的市場營銷過程粗略分為四個階段：

1. 推廣、集客、引流階段，透過品牌布點、新聞媒體、DSP、新媒體、SEM、SEO 等市場行為，目的是為了吸引客戶注意到自身存在。

2. 口碑影響階段，透過問答平臺、百科、DSP 等行為創造品牌價值，目的是贏得客戶好感，為客戶轉化做準備。

3. 平臺承載階段，透過 400 客服電話、客戶諮詢等行為，幫助客戶成功挖掘官網資訊，瞭解產品，目的是實現客戶轉化為活躍客戶。

4. 銷售與服務階段，透過銷售和售前服務人員的介紹，引導客戶成單，目的當然就是為了付費。

所以使用者從看到某公司的資訊開始，就已經進入了一個環環相扣的營銷漏斗中，這是使用者與企業鬥智鬥勇的過程，全面最佳化公司營銷流程才能贏得客戶的青睞，正所謂自古深情留不住，唯有套路得人心。

如何解決三大痛點

圖2 營銷漏斗四大步驟

前文提到的三個問題，是如何在四大環節中得以解決的呢？

問題一：流量從哪裡來？

隨著新媒體的崛起，獲取流量的方式有很多，如 PC 端廣告位、SEM、SEO、媒體軟文等，渠道推廣需要付出時間成本和金錢成本，帶來的流量數量和質量如何比較？讓精準的渠道分析幫助你。

工欲善其事，必先利其器，可以利用第三方資料分析工具對渠道進行監控和指標分析，最佳化渠道投放。

圖3 營銷資料概覽

問題二：吸引來的使用者為什麼沒有轉化？

渠道做的好，使用者觸達多，曝光節節高，轉化全流失，這大概是很多B2B公司都會苦惱的問題，明知道使用者流失，卻找不到最佳化方向，這其實是網站一次轉化的關鍵步驟設計出現了問題，透過兩種資料分析模型，可以為解決問題提供好思路。

1.漏斗分析

如下圖，註冊階段的漏斗分析，將使用者從瀏覽官網到註冊的過程分為若干步驟，瀏覽官網、點選註冊，獲取驗證碼，輸入驗證碼，點選建立新企業，完成註冊等等。透過漏斗對註冊流程的直觀體現，使用者流失情況一目瞭然，可以針對高流失率的環節進行最佳化，檢視流失使用者的具體使用者行為，找出改進方向。

圖4 註冊轉化漏斗

2.使用者路徑

透過對不同渠道來到官網瀏覽的使用者進行使用者路徑分析，是簡單甄別渠道流量質量的有效方法。使用者行為路徑根據每位使用者在網站/APP 的行為，分析各模組之間的規律，挖掘使用者的行為模式，從而最佳化引導使用者註冊的關鍵步驟，實現提高一級轉化率。

圖5 使用者進入網站瀏覽後的使用者行為路徑

問題三：ROI 如何提升？

ROI 是衡量營銷效果的終極標準，也是營銷人考核的核心指標。當用戶已經成為註冊使用者，銷售人員和售前服務人員就會介入到轉化體系中。單純第三方資料分析工具的監測，並不足以徹底覆蓋整個業務流程，一套完整的銷售與服務體系，需要 CRM 系統與資料分析工具整合，資料打通，從而幫助公司內部同學掌握客戶一線需求，打造專屬客戶成功模式，實現高效贏單，提高潛在客戶轉化為正式客戶的比例，提升 ROI。

資料驅動下的精準化營銷

依靠資料分析工具與 CRM 系統結合的方式提高 ROI，無法充分利用全部流量，在人工智慧崛起，大資料廣泛應用的黃金時代，更需要精準化營銷，降低成本，直擊人心。

廣撒網的騷擾式營銷已經落後，精準化營銷的核心在於如何為不同使用者打專屬標籤，針對其屬性特點定製營銷方案，提高購買意向。

給使用者打標籤當前主要有兩種模式，一種是透過條件篩選，對使用者進行分群，另一種是多元統計分析模型。神策分析提供靈活的使用者分群，從使用者屬性、使用者行為特徵、使用者行為路徑等維度對使用者進行分群，摸清使用者偏好，將使用者劃分為群體，並對這個群體進行精準營銷。

圖6 使用者分群示例

面對廣大使用者，在這個企業級市場資本迸發，競品層出不窮，觀眾審美疲勞的時代中，營銷不能大力出奇跡，而需二兩撥千斤。這就是精準營銷的妙用啦。