1704273048
☆客户买婴儿用品吗？
1704273049
1704273050
“好问题”的答案是明确的，通过这些答案可以建立一个决策树。通过决策树调整统计学聚类分析结果，我们会发现，聚类分析不一定能够百分之百贯彻下去。在理想情况下，90%以上的客户会被明确地归入某一类。70%~80%的聚类程度是可接受的水平。如果聚类水平低于70%，就不足以获得清晰可辨的分类结果。原则上，我们此时就可以判断我们初步设想有问题。在这一点上，大家的观点也不统一，不过及早地意识到这一点，并提出新的设想，重新运行一次智能数据分析流程，也没什么坏处。不准确的细分无疑会导致瞄准错误客户或者采取错误的市场营销措施，从而给公司造成损失，重新运行总比遭受这些损失要好。
1704273051
1704273052
同时，即便是达到90%聚类水平的最好的细分情况，如果客户服务人员不能理解或者不能够正确使用，那也是惘然。这听起来是理所当然的事情，但是在实践中却经常被忽略。
1704273053
1704273054
对此，我们在一个世界领先的IT生产商的大项目中感触最深。企业总部的战略营销部门逻辑清晰地为大部分B2B聚类分组都起了名字，比如“印刷发烧友”或者“累垮的工人”。然后成立了产品设计部门，并制定了产品战略。遗憾的是，处于销售环节的员工无法理解什么是印刷发烧友，哪些人又是累垮的工人。
1704273055
1704273056
智能数据细分能够帮助我们有效减少、简化聚类结果。首先，我们分析易得的交易数据，根据交易额信息确定出所需聚类。接下来，我们转而分析市场研究提供的购买决策信息和有关公司构架的信息。然后，我们制作有针对性的广告，并将广告信息准确传递给正确的目标客户，达到90%以上的“击中率”。这样可以减少瞄准错误客户的情况，并且可以提高广告的有效性，使广告的效用与增额投入成正比。
1704273057
1704273058
市场营销人员不需要精通，也不需要深入理解这些数理统计学原理。但需要知道的是，原则上，对交易数据的分析是起点，进而去分析交互数据和市场研究数据。智能数据分析和传统的聚类分析方法的目的一样，都是尽可能地分析出同质群组中清晰可辨的消费者行为特征。获得一次性、静止的分析结果不能算作数据分析成功，我们需要的是每月、每天甚至是实时都能进行动态分析。
1704273059
1704273060
智能数据分析和传统的聚类分析方法的目的一样，都是尽可能地分析出同质群组中清晰可辨的消费者行为特征。
1704273061
1704273062
产品设计部门的可视化工具特别适合用来展示聚类分析结果。例如，用情绪板展示特定类型客户的生活空间，或者利用Mockups产品原型设计工具呈现出与真实大小一样的实体模型，使同事们对聚类分析结果产生感官上的认识。还有一些企业实现了进一步发展，引进并使用了设计思维工具。它能够让使用者产生身临其境的感觉，仿佛坐在目标客户群体的起居室中，或者仿佛自己是一个客户咨询顾问，坐在一个特定观察环境中的角落里，静静地观察并分析客户行为，此时，对客户分类将会有更敏锐及清醒的认识。
1704273063
1704273064
真正的智能数据聚类分析
1704273065
1704273066
让我们暂时先把市场营销的事情放下。在一个广告宣传和产品销售更完善的世界中，极其智能化的客户聚类分析应该是什么样子的呢？我们可以设想一下。在这个世界中，宣传这个概念不再适用了，因为一对一的交流更像是对话，而不是宣传。针对具体的交易是如何发生的问题，产品价值和客户社会从属性因素的指导意义也逐渐弱化。我们不再按照年龄、收入或者最喜爱的汽车品牌等因素划分潜在客户类型。我们已经意识到，消费者本身具有复杂的特质。对于每一个消费者而言，在其做出每一次购买决策时，考虑的因素都是完全不同的。真正的智能数据聚类分析可以告诉我们，在不同的消费情境下，影响单次购物决策的因素都有哪些。相应地，以具体客户为中心，可以为每一次购物决策提供量身定制的分析结果。在极限情况下，每一个细分类别中仅存一个客户。
1704273067
1704273068
换句话说就是：在每次市场营销措施实施之前，基于重要的购买影响因素，一个反应性能良好的、持续自学习的IT系统会整合出一个全新的聚类，并将单一客户有目的地归入其中。
1704273069
1704273070
为了进一步说明这一点，我们拿银行业举例子，银行业受制于严格的数据使用限制，目前还没能够做到精确地满足客户需求。将来，银行不需要再按照年龄、收入等标准将客户归类，例如这个客户31岁，月收入2600欧元，按照储蓄账户的工资记录可以推测出他在一个大集团的子公司工作，他有一辆大众POLO汽车。相反，即便这个客户还没有在银行开立贷款账户，银行也知道，无须再去向他推荐住房抵押贷款业务。因为，这个客户刚刚被系统归入了一个新生成的聚类中：他是一个小朋友的父亲，住在一个新建住宅区内，且已经拥有了房屋近100%的产权。
1704273071
1704273072
我们应该允许银行合法地使用这些数据，因为IT系统早就可以完成对客户的动态实时分类了。我们不应该让真正的智能数据聚类分析仅停留在想象阶段。我们从银行的客户关系管理系统和账户信息中可以轻松访问这些数据。产生的统计费用很直观，且操作简单。银行的客户不会再收到标准化的银行通知单了，取而代之的是真正符合每个客户实际情况的通知单。这样，客户会觉得银行十分清楚他们的需求，最终，这会为银行带来更大效益。
1704273073
1704273074
提出自己独特的销售主张
1704273075
1704273076
我们如何能够使我们的产品与客户需求相适应，从而……
1704273077
1704273078
☆提升某一个已识别的聚类中客户的购买意愿呢？用市场营销术语表达，就是我们能够常常让客户按下“购买键”。
1704273079
1704273080
☆提升必要的市场营销措施的盈利性？或者我们可以准确地预见到，哪些市场行为可以让我们实现盈利。
1704273081
1704273082
这两个问题的答案就是智能数据分析流程的下一阶段：提出自己独特的销售主张：此处我们探寻的是“是什么”的问题，即我们要改进产品的哪些方面。至于“怎么做”的问题——我们希望如何满足客户需求，我们放到下一阶段去讨论。
1704273083
1704273084
在探讨“是什么”时，经常会出现的情况是讨论泛滥。原因是，这个问题的答案范围本身就很宽泛，答案有可能是“我们需要适当调整一下直邮策略”“在周末开展打折促销”，或者“做广播广告以提高知名度”，甚至是“我们还是干脆换一种产品吧”“我们需要彻底改变我们的网点选址策略”。
1704273085
1704273086
在智能数据框架内，我们会去尝试系统地调整一个产品所有可能的变量，这项工作需要由一个复合型的专家团队来完成。需要注意的是，在着手工作之前，要清楚地定义出产品变量的范围，例如价格、颜色、打捆、包装、产品说明书、附加金融服务。后续，不同的信息会被分别归入这些变量范围内。
1704273087
1704273088
在智能数据流程的这个阶段还需要注意，智能化意味着，在可预见的时间内具有实现的可能性。在一个月之内或者一年内，我们究竟能够将哪些成果转化为生产力？做完这些之后，我们又通常会获得什么？
1704273089
1704273090
为此，我们需要关注一下通过数据获得的新认识：
1704273091
1704273092
☆客户需求（尤其关注老客户需求）
1704273093
1704273094
☆渠道偏好（尤其关注口袋份额较低的客户和潜在新客户）
1704273095
1704273096
☆购买驱动因素（价格、产品、种类、咨询、服务、地点便利、舒适性）
1704273097
[
上一页 ]
[ :1.704273048e+09 ]
[
下一页 ]