基于大数据环境下的精准营销策略的 研究及应用

　　摘要

现代互联网技术的开发和进步，给大众的学习和生活带来极大的便利。大数据技术作为其中一项重要的新技术，更是从更高级、更深入的层面提供支持，因此被人称之为“信息时代的石油”。在营销领域，大数据技术也大有所为，它能够帮助判断消费者的购买行为，分析其购买习惯，并预测潜在的消费需求，从而帮助企业进行精准营销，尽可能地增加营销的成功率。

本文的研究重点是大数据环境下的精准营销策略，笔者首先阅读和整理了国内外现有的关于上述方面的学术成果，再阐述大数据库的建立及数据挖掘的相关内容，再研究数据挖掘的四种方法，即对比分类法、关联规则法、回归分析法、聚类分析法，对无监督学习过程对当前绝大多数企业的适用情况，考虑到普遍性与实用性，本文详细的介绍了K-means聚类算法。紧接着是探索大数据技术与精准营销的关系，通过一层一层的基础知识建设，寻找大数据挖掘如何与精准营销产生联系并通过什么方式达到精准营销以及得出精准营销策略。

本文以银行产品的反馈数据作为精准营销的一个实例，采用python编程以K-means聚类算法为基础，将银行产品反馈的10万条数据局部选取，经过对损失函数cost的计算，将数据信息产生的用户画像分为8类，做到客户分层，再结合用户们的特征，并推出精确的营销策略达到企业的效益提升。

　　关键词：大数据，数据挖掘，精准营销，K-means聚类算法。

　　第1章引言

　　1.1研究背景和意义

随着科学的发展进步，大数据作为新型的资源成为了网络行业的热点话题。大数据技术在收集、存储、管理和分析等各方面远远领先于传统的数据统计和分析。在如今网络普及的时期，每天都会有海量的信息再网络中传播，大数据已经广泛应用于各大行业，已经成为人们每天不可或缺的一部分。越来越多的企业和个体对于大数据技术也更加关注。X最早进行大数据技术的开发和使用，他们不仅应用于科技工程，还应用于教育领域，更在国防领域广为适用。而我国在2015年出台了《促进大数据发展行动纲要》，这也说明我国将大数据技术上升到了国家层面，要进行整体化、系统化地规划和安排。发展至今以及在未来的几年里，利用大数据技术培养新兴产业例如电商等已成为中国经济未来的方向。各行业通过大数据技术的特点精准地为广大消费者提供切实所需的产品，在强大的市场竞争中，传统企业只有通过大数据技术转型，才能更好地适应社会经济发展[1]。

在传统的营销方式下，企业没有办法精准预测消费者的需求，产品从制造到销售的全部过程中，无法得到具体准确的数据支持，企业只能在盲目的情况下“踩着石头过河”。但是，在大数据技术的应用下，企业能够精准地评估消费者的购买行为，并针对性地作出市场需求的预测，从而提供更加专属化的产品和服务，也可以在正确的渠道投放精准化的广告。因此如何在大数据环境下做到精准的产品推广和广告投放正是本文所探究的[2]。

只有充分了解了消费者的需求，才能做到精准的营销。随着市场竞争力越来越大，对于一家公司来说，其最需要重视和改善的地方就是如何制定准确的营销策略，从而提高营销的效率，进而扩大企业的利润。在大数据技术的广泛适用下，数据信息应当在营销过程中起到更加关键的作用。本文以大数据和精准营销理论为基础，对基于大数据环境下的精准营销策略进行深入剖析，并针对性地提出一些对策，一起对企业的实际运用有所裨益。

　　1.2国内外研究现状

1.2.1国外研究现状

精准营销的概念最早由莱斯特·伟门在1999年的时候提出，他的主张是，在市场竞争压力愈发大的情况下，企业为了维持稳定发展甚至扩大规模，就应当转变其营销方式，应当将消费者作为营销策略的重点和导向，通过一些科技手段的辅助，来获得消费者的相关数据，从而构建消费者数据库，以此来寻求具有需求的潜在消费者。再根据消费者的实际需求提出产品推广方案，此类方案既有针对性又是高效的。再通过良好的售后服务，让顾客满意最大化，使得企业与消费者完美适配[4]。2011年，丹麦的Laursen,Gert.在《BusinessAnalyticsforSalesandMarketingManagers:HowtoCompeteintheInformationAge》中体现了将消费者细分等级后对企业利益产生的影响，说明了精准营销不仅仅只是供求对口，也需要客户细分[5]。

对于大数据挖掘，由阿尔文·托夫勒提出大数据这个概念，于2008年，来自X的BryantRE,KatzRH,LazowskaED.在《Bigdatacomputing:Creatingrevolutionarybreakthroughsincommerce,science,andsociety》指出了大数据技术会面临的问题和挑战[6]。2015年，Delen,Dursun.在《Real-WorldDataMining》中，将大数据挖掘与商业结合，详细的说明了数据挖掘的方法，体现了大数据挖掘在企业市场中的无限价值[7]。

1.2.2国内研究现状

国内关于精准营销的研究开始得比较晚，然而该概念一进入我国，就迅速得到理论界和实务界的认可，并开始广泛地应用和研究。学者许瑾在精准营销理论的现有成果上，进一步研究指出精准营销的核心观念在于以消费者为中心，利用各种方式，可以尽快将消费者所需要的产品或服务，通过良好的渠道和双方都满意的价格销售给消费者[8]。同年，伍青生等人在定性分析的基础上对精准营销进行了研究[9]；徐海亮在2006年也对于精准营销的具体定义进行了重新界定[10]；2007年，刘征宇则对精准营销的实行方式进行了探索[11]。

关于大数据挖掘的研究，2014年，吴昱率先探索了云计算与大数据之间的关联，并研究出利用云计算进行精准挖掘的操作方法[12]。2018年，周原则将数据挖掘的应用转向了企业精准营销层面[13]；2019年，徐涛在数据挖掘和精准营销的结合方面开展了进一步优化；2020年，王斐则将目光投放于利用大数据作出用户画像，从而制定更加精准的营销策略[15]。

通过国内外学术界的现有学术成果来看，对于精准营销的研究已然不少，但在查阅过程中发现，多数文章只针对于用户成像的结果以及研究精准营销的策略，却没有展示应用于企业的参考的大数据下的数据挖掘过程。本文参考谢娟英, 丁丽娟, 王明钊对基于谱聚类的无监督特征选择算法的研究[16]，展示数据挖掘流程及应用。

　　1.3主要内容和工作安排

本文的主要研究内容是：基于大数据环境下的精准营销策略。全文分为五章，内容结构安排如下：

第1章为引言，引入多数企业在大数据时代增加竞争力的方式是，利用大数据技术从而实现精准化的营销，阐述上述两者结合的背景、意义及当前状况。本章简单提供本文的概述，为接下来深入主题做铺垫。

第2章是大数据挖掘的定义、方法介绍，将大数据挖掘分为4个部分，从库的构建-大数据挖掘的概念-流程-方法来介绍这一技术，并着重介绍了数据信息通过聚类方法分类用户画像，并达到精准营销的应用解决方案。

第3章是分析大数据技术与精准营销之间的联系，通过一层一层的基础知识建设，寻找大数据挖掘如何与精准营销产生联系并通过什么方式达到精准营销以及得出精准营销策略。

第4章是实例分析，来验证本文方法的实践性。选取某银行的用户们购买银行产品的10万条数据反馈以及用户们的特征，使用本文介绍的算法，通过编程在python上进行k-means聚类分析，做到用户分类，再结合用户们的特征，推出精准营销策略，提升效益。

第5章是结束语，总结本文的主要创新点及局限性，以及接下来能够进一步开展研究的方向。

　　第2章大数据下的数据挖掘

　　2.1数据的定义

数据能够反映一定的事实，归纳出客观事物的内在逻辑关系，以及客观事物在没有经过二次处理的原始材料。数据一方面包括连续值，例如声音；另一方面包括离散值，例如文字。

2.1.1数据是信息的表现形式，信息是数据的内涵

信息和数据有相同之处，也有不同之处。数据承载着信息，其表现形式多样，例如图像，文字，视频等；而信息是数据的具体内容，能够对其具体含义进行清晰的说明。数据的表现形式无法百分之百地显示其全部内容，必须经过一定程度地说明，因此对于数据的解释这一步是万万不可缺少的。因此，信息和数据二者缺一不可，信息必须经过数据才能得以体现，而数据则可以说明具体的信息。数据只能用符号化的语言进行表达，而信息是数据经过处理之后的产物，能够更容易得被人看懂和理解，从而对信息的判断和决策的作出起到至关重要的作用。数据和信息是形式和实质的关系。数据本身并不包含任何含义，当数据能够作用于人的决策和行动时，才能产生含义，此时的数据就称之为信息。

2.1.2数据是企业中最重要的物质基础

数据在企业运营过程中的重要作用无可替代，它在每个阶段都必不可少，广泛应用于生产、营销、销售等等阶段。数据就像一个企业的“灯塔”，能够客观地对企业当前的现状进行反馈，帮助企业改变其现有的不足。

企业运营中产生的数据有很多种类型，例如财务数据、销售数据、营销数据等等。每种数据对企业的价值不同，例如销售数据，能够体现出企业销售的情况，在各个时间段，通过设置内外部环境产生的诸多变量，来反映财务状况是否良好，企业就可以依据数据反馈的结果进行策略的调整，选择更佳的生产计划、销售方案等。比如说2020年煤炭行业持续下行，企业就应当基于市场数据进行生产方面的改动，从而降低生产量，以调整市场价格。企业运营中产生的数据能够为企业的正常运转保驾护航，如果缺乏具体、正确的大数据，或者统计的方法落后、有失误，企业经营者，管理者，就会犹如失去眼睛，在市场竞争中失去方向。

　　2.2“大数据”库的构建

2.2.1“大数据”库是数据管理系统的“升级”

“大数据”库的含义是，从前的数据管理系统由于其包含的数据总量迅速扩大，以及数据结构更加复杂，从而使得数据库更加地庞大，而系统分析数据的速度也得到了进一步提升，因此数据也更加富有价值。也就是说，“大数据”库并没有脱离原先的数据库而单独存在，它是在更加高精尖技术的帮助下交从前数据库更深一步的拓展。

2.2.2重要性与必要性

一方面，在市场竞争层面，数据属于可再生资源，由于传统资源早就被企业在激烈竞争中瓜分，因此现如今企业都将其目光投放于数据资源，企图抢占先机，百度，阿里巴巴，腾讯就是国内发展成功的案例。另一方面，在企业营销效益层面，数据是企业经营者精准营销策略的基础，即基于大数据环境下实现精准营销的策略的第一步就是拥有可利用的大数据用于数据挖掘，所以一个成功的新型企业，在企业经营者采取营销活动之前就应该以消费者为中心建立一个用户“大数据”库来实现精准营销策略。

2.2.3构建方式

（1）企业自建型。这种方式是指，企业坚持以消费者为核心，自己投入人力、物力、财力来搭建属于自己的“大数据”库。因为消费者的购买行为多种多样，类型复杂，因此要想更加了解消费者的购买行为、喜好、习惯，企业自建型“大数据”库在搭建过程中应注意两点。第一点是，企业要将内部数据进行规整，将产品数据、销售数据、消费者信息等等分门别类、有条理地划分清楚。第二点是，利用互联网等渠道更加全面、深入、系统化地搜集消费者更多的操作数据，例如借助网络爬虫技术，掌握消费者在使用网络服务时所留下的行为数据。

资源共享型。这种方式是指，各个企业之间为了数据库更够发挥共同的优势、减少各自的劣势，而选择将信息进行共享，以此获得对双方都有益的、更广泛的、更多元化的“大数据”库。自古以来，术业有专攻，因此企业做得再先进，也无法掌握消费者的每一个行为记录。就比如说，电子商务的淘宝平台无法获取客户平时社交的数据，只有用户的一些购买数据，就很难清楚的了解除了客户购买习惯之外的其他行为数据，而近年来随着阿里巴巴与腾讯、微博的合作，这样就能收集该类用户更全面的行为信息，让广告的投放和产品的精准营销更精确。

（3）第三方数据服务公司。如果企业没有做到自建“大数据”库，这样想去与其他企业交换数据资源也会比较困难，因此他们常常会寻求第三方数据服务公司，以此来购买其所需要的数据。该种公司能够通过专业人才和专业方法，搜集客户的市场数据并提供给各行各业有需要的企业的公司。

其实当今的市场，无论是哪种“大数据”库的建立方式，合作和竞争一直是企业与企业间最基本的关系，而有关于构建最好的方式肯定也是合作，只有企业们合作起来，共享资源，才能更精确的实现广告投放，达到精准营销。

　　2.3数据挖掘的概念

随着科技的发展，市场经济不断变化，社会经济的主体已慢慢从传统企业走向了新型企业比如说电商类，这类行业的人们把大数据比作一座金矿，把埋藏在大数据里的信息比作金子，因为在这些数据背后的信息对于新型企业来说就如同金子般珍贵。因此，大数据挖掘就犹如“淘金”一般，其操作方式就是将存在于数据库中的大量数据进行精准化的提取，从而使毫无意义的数据成为有效的信息，以帮助企业进行相应的分析，采取一定的对策。

数据挖掘的应用是随着信息技术的进步而推进的。在大数据技术日渐普及的阶段，企业愈发将数据挖掘作为必不可少的一步，而其基本内容有：对原始数据的提取、数据整合、数据保存、数据筛选、数据挖掘等等，最后总结分析，得到相关结论和经验[13]。

　　2.4大数据挖掘流程

知识发现是指，从数据库中挖掘有效的、有价值的、可被应用的信息的过程。知识发现能够将信息转化为知识，从海量的数据中挖掘出最有价值的部分，将为知识创新有所裨益。

CRISP-DM能够为知识发现工程或数据挖掘工程进行过程的阐述。而这个过程能够划分为基础的六个步骤，具体包括：商业理解、数据理解、数据准备、建立模型、模型评估、模型发布。其具体含义为：

（1）商业理解：明确具体的商业目标，从商业层面出发来概括相关部门的具体要求，并将改要求转换成数据挖掘的概念，草拟出希望达到目标的具体计划。然后再对内外部环境作出评价，确定企业现有的资源，需要满足的要求，现有的不足，将要面临的风险等等，从而明确数据挖掘的具体内容，明确具体的规划。

（2）数据理解：搜集初始数据，并完全了解数据来源，对数据进行初步描述，监测该数据是否能够被采用。

（3）数据准备：将已将筛选出并可以使用的数据进行转化，利用数据挖掘软件，将上述数据进行格式上的处理，并生成能够作为建模处理的数据集。在这个阶段要完成的任务还有：数据指标、记录处理、变量选择、数据转换等。上述任务无需提前确定进行的次序，此外，数据准备的任务有可能要进行多次。

（4）建立模型：这是说利用数据挖掘模型技术，来进行模型的搭建，原则是要根据具体的业务需求，选择最适配的建模方式。

（5）模型评估：通过相关的软件，选择最恰当的建模手段，对前期初步处理好的数据表进行进一步处理，探寻其中可能存在的顾虑。载荷各阶段，要将模型的参数进行进一步调整，以期获得更好的模型结果。

（6）模型发布：该过程又叫作模型部署，建模本身并不能作为数据挖掘最终的成果，虽然建模能够将数据隐含的规律予以显露，但数据挖掘要做到的是让信息以能够被人理解的方式进行展示，从而给企业运营者以启示，进而调整相应的运营策略。

总结：Crisp-DM标准流程主题是，业务问题-数据问题-数据模型-解决方案流程，流程图如下：

（流程图）

　　2.5数据挖掘的方法

2.5.1分类法

分类法是指，将某一数据库中所有数据均具有的特征分析出来，并按一定的分类标准将其归于各个类型。这样做的原因是利用分类模型，将各个数据分配到既定的类型中去。因此分类法广泛适用于趋势预测的项目中，例如，淘宝店铺将消费者在某一时间段内的购买数据进行分类，并向各个类别的消费者推送相关的商品，以此来提升店铺销量。

2.5.2回归分析

回归分析能够说明数据库中每个数据的属性，利用一定的函数表达式来体现一定的对应关系。因此回归分析法广泛适用于对数据序列的预估。对于营销策略的应用来说，也能够进行大规模适用，例如，对某一季度销售额的回归分析，就能对下一季度的销售走向进行预估，从而能够指定更加合理的营销策略。

2.5.3关联规则

关联规则通常是各个数据内在的紧密关联关系，也就是说，能够由某一数据而推算出其他数据。该种方法通常包括两个步骤：第一个步骤是，从大量的初始数据中搜寻出全部高频次出现的项目组；第二个步骤是，从这些高频次出现的项目组中找寻出紧密关联关系。这项技术现在已经在金融业中广为适用，常常用来对用于的潜在需求进行挖掘和预测，例如，银行通过将ATM机与用户信息绑定，就能够为这些客户提供其有可能感兴趣的内容，从而进行针对性的营销，以加大银行的收益。

2.5.4聚类

聚类和分类有相似之处，但聚类和分类的最大区别在于两者的目的存在差异。聚类是将数据按照相似性及差异性进行分类。同一类的数据之间，相似性很高，但是不同类的数据相似性很低，各个类型之间的数据相关度不高。它和上述分类法的本质区别在于：聚类属于无监督式学习算法。

对于聚类算法，在适用时通常会设置一组没有标签的数据集，并设置一种算法，可以自动将需要处理的数据划分为相关联的子集。K均值算法是最常用的一种聚类算法，其基本流程为：

1、首先确定一个k值，即我们希望将数据集经过聚类得到k个集合。

2、从数据集中随机选择k个数据点作为质心。

3、对数据集中每一个点，计算其与每一个质心的距离，离哪个质心近，就划分到该质心所属的集合。

4、把所有数据归好集合后，一共有k个集合。然后重新计算每个集合的质心。

5、如果新计算出来的质心和原来的质心之间的距离小于某一个设置的阈值（表示重新计算的质心的位置变化不大，趋于稳定，或者说收敛），我们可以认为聚类已经达到期望的结果，算法终止。

6、如果新质心和原质心距离变化很大，需要迭代3~5步骤。

如果用数据表达式表示，假设簇划分为（C1,C2,…,Ck）,则我们的目标是最小

如上图，图a是初始数据集，在图b中随机初始化得到红色质心和蓝色质心，分别计算各样本点到这两个质心的距离并比较，将每个点相较于红色距离小的点标为红色，同理标为蓝色。经过计算样本和红色、蓝色质心的距离，得到全部样本点第一轮迭代后的类别。在利用（2）公式，将c中各蓝色、红色点代入计算出新蓝色、红色质心如图d所示，图e和图f再重复图c、d的过程，最终得到了图e，其样本点与质心代入（1）式中，E小于阈值。

　　2.6本章小结

本章主要对一些涉及到的大数据下的数据挖掘理论知识进行了整理概括。分别介绍了数据和“大数据”库的构建，大数据挖掘的定义、流程及方法，集体包括分类法、回归分析法、关联规则法、聚类法。其中着重介绍了本文研究并采用的k-means无监督算法，为下一章实证分析做铺垫。

　　第3章基于大数据环境下的精准营销

　　3.1精准营销的核心思想

精准营销属于市场营销的一个分支，因此从根本上说，精准营销仍然属于营销，也就是其目的在于，辨别并搜集目标客户，提升营销效率，从而为企业带来更大收益。与此同时，精准营销是市场营销的“进阶版本”，它也有着专属于其自身的理论和含义。精准营销关键就在于“精准二字”，也就是“精确”，因此许多对精准营销认知不清的人还认为只要“准”即可，也就是对目标客户的营销手段更“准确”，就能达到其想要的营销成果。但是，精准营销的真正理念不是这么简单，它最重要的部分其实是“精”，也就是“精美”，具体来说就是让消费者满意的产品或者服务。美丽的外在如果没有满足消费者的需求是没用的，相反也是一样，准确的营销方式如果没有好产品或好服务为基础，也是没用的。故而，要进行精准营销，应当首先是“精”，其次是“准”，高质量的产品或服务加以准确的营销方式，才能够真正体现精准营销的内核。

　　3.2大数据让市场营销更精准

3.2.1大数据的特征

随着人们走进大数据时代，“大数据”在当今社会的火热程度已非同一般，关于大数据一词也似乎达到家喻户晓的地步。尽管如此，针对大数据的定义到今天为止都还没有一个统一的说法。然而，大数据的4V特征已经为学术界和实务界认同。4V特征分别是Volume（大量）、Variety—（多样）、Velocity—（高速）、Value—（价值）。

（1）大量：大量指的是拥有海量的数据，是大数据最为明显的特征。

（2）多样：多样指的是大数据不仅仅是数据量的增长，数据类型也在变得复杂多样。

（3）高速：高速指的是对于大数据的处理速度要求相比之前高很多。

（4）价值：因为大数据库中，真正有价值的数据占比不高，因此大数据的核心价值往往存在于海量的相关度极低的数据中。挖掘对潜在需求有可能产生价值的数据，并利用人工智能、数据处理等计算机技术进行剖析，从而广泛应用于工业、服务业等领域，从而发挥更大的作用。

3.2.2从抽样调查到海量数据处理

因为影响获得数据的因素很多，市场营销员在进行市场调研的时候往往采用抽样单调查的方式，在对样本数据进行提取后，希望保证抽样调查的有效性以及精准度。然而，该种手段并未考虑到，抽样调查这种方式仍存在一些不足之处，例如静态数据的滞后和样本总量的量不够全面。但随着大数据时代的到来，这些问题逐渐被一一克服。比如当某企业使用互联网掌握网络用户们的网络习惯及数据信息时，之前的局部抽样调查也就没有意义了。所以大数据时代的到来，使企业市场营销更精准。

3.2.3从静态数据库到动态数据库

在没有广泛应用大数据的时期，通常基于有限的数据库进行精准营销的运用。而有限的数据库中的数据仅仅由消费者的基本信息构成，例如姓名、年龄、性别等等，而这种极为有限且价值极低的信息只能被叫作静态信息。对于企业来说，这些静态信息无法让经营者完全掌握消费者的行为习惯，大数据时代的到来，使得静态数据库升级为由消费者更全面的真实行为数据构成的动态数据库。这样就可以更简单的做到精准营销到目的群体，之后再进一步对消费者的购买意愿做调查，分类出潜在客户和忠实客户，并提供相应的差异化营销策略。

3.2.4细化客户分层

大数据时代到来前，由于数据的局限性，市场营销大都以大众营销为主，而随着消费者消费水平提高，消费行为态度改变，消费者的个性化需求已经变成了新的市场常态。所以分众营销已经不能满足如今消费者的需求了，在大数据时代，只有细化客户分层，通过对海量数据的分析和处理，将分众营销细化到个体营销，去“一对一”的实行广告投放与产品推送。

3.2.5精准媒体到用户体验

精准营销的适用最早来源于互联网领域，在线上广告中有所体现。很多互联网媒体向企业宣传其能够将广告输出给精准的消费者，以此来为企业剩下一大笔广告费用，并且还可以更容易地取得比之前更加的推广成果。所以，很多人有所错觉，以为是媒体打开了精准营销的新天地。但是实际上，精准营销的助力者并不是媒体，其根本原理是，将消费者的需求放置于第一位，只有达到了消费者的心理预期，才会让消费者感到满意，从而增加其黏性，继而促使其再次购买，最后成为该类企业的忠实客户。

　　3.3探究数据挖掘与精准营销的关系

3.3.1数据挖掘让营销更精准

精准营销不是全新的概念，从上个世纪末的莱斯特•伟门提出。在此之前很多研究者也就精准营销进行过研究，但是由于当时技术手段有限，并未得出实质性的研究成果。但现在，大数据技术广为适用，数据挖掘就相当于“淘金”，从大量的数据中找到其蕴含的规律及价值。利用数据挖掘手段，能够将数据中包含的消费者的行为进行最大程度地展现，从而让企业可以深度地了解消费者的消费喜好、习惯等，从而预测消费者的内在需求，确定更精准的营销策略，提升企业效益。但由于用户信息数据是一个复杂，海量的数据，在数据挖掘的还原过程中，很难做到百分百精准，所以随着大数据时代下数据挖掘技术的进步与改善，用户信息的还原程度肯定会越来越精准有效，因此，相比过去，数据挖掘让营销更精准，放眼未来，数据挖掘让精准营销更完美切实。

3.3.2大数据挖掘实现精准营销

大数据时代的来临，让许多人明白数据挖掘的重要性，但很多人们对它还只是一种模糊的感觉，没有办法真正理解、体会到大数据对市场营销的影响。同时，也不知道怎么把数据挖掘和精准营销有效的结合起来，其实我们可以从市场营销的一般过程中去分析数据挖掘在精准营销中的应用。

（1）消费者行为洞察

所谓知己知彼，百战不殆，市场营销亦是如此。无论经营者做任何的推广活动，它的目的就是要做到用户的行为洞察，简而言之就是深入了解消费者心理。上文已经提到了，在大数据时代，客户的全部信息都能够从舒居忠予以展现，再加上大数据技术的应用，企业甚至能够比用户更加了解其自身的内在需求。不过，应当承认的是，取得全方位的客户数据是展现客户信息的前提，不然的话，就有可能因为数据缺失而造成信息还原与实际效果不符的结果，从而导致营销结果不佳。所以，通过数据挖掘，能够让企业经营者洞察到用户的行为习惯，提高未来广告投放的精准度。

（2）目标客户选择

蛋糕美味而食客众多，而企业的烤箱的大小与数量有限，因此企业只能让有限的烤箱做出固定数量的蛋糕，即卖给有限数量的食客，然而卖给谁、怎么卖，便是企业对于目标群体的确定与产品定位的考量。传统的企业利用粗放的方式进行变量的选择与调研，诸如地域、人口、环境，将市场粗略的划分，根据竞争对手或过往经验进行拍脑袋式的决策。在大数据的时代，从数据中来、到数据中去，一切以数据为中心，剥离出不同用户的需求，求同存异、分类归纳，进行消费购买特征工程的建设，并基于此进行目标群体的划分、产品的定位与设计。进一步，将目标市场细化，将目标群体细化，以行为模式、价值观与购买偏好等为判断依据，将基础客户、优质客户和潜力客户区分开来，提供差异化的营销方式与产品推送，实现企业利润的最大化。

（3）个性化广告推送

精准营销的概念由来已久，但却因相较于理论而发，展滞后的技术的滞后，导致往往雷声大、雨点小，表面华而内不实，在企业的落地应用中得以实现最初设计构想的营销策划的效果的屈指可数。在众多企业的痛点中，其共通的一个，便是只知广告之于实际宣传效果往往事倍功半，却不知功半来自哪里、事倍发挥作用在哪里，只得定性的认为投入越多，功成越多，于是乎事更倍、功更半。透过现象看本质，冗余或者无效投入的背后，更多的还是因为用户需求不明确、目标群体定位不准确而导致的广告投放的偏颇，无法精准营销的广告自然不能与目标受众一一对应，千人千面的理想化效果更是无法企及。相较于传统广告投放所追求的传播范围的面的概念，以网捕鱼、网大自然捕获的鱼便多，现如今竞争加剧而又是买方市场的情况下，以网捕鱼效率低且费时费力，只有重视广告的转化率，把钢用在刀刃上，才能保证企业的持续发展。用户在购买前的冲动式消费正逐步减少，冷静下的消费者在因广告而产生购物冲动后、第一时间会去进行横向比较、货比三家，甚至在这个过程中在别家完成了消费，成为他人的嫁衣。大数据的时代，数据海量、但每一个都是财富，没有一个字节的数据是多余的，新兴的广告模式（如RTB等）以更高的精确度作为其立身之本，通过搜寻、清洗、钻取、提炼、转化，将消费者的行为特征转化为购物兴趣特征，从而在正确的时间向正确的用户推送正确的信息，将流量转化为购买力，真正做到千人千面，在这个性化的时代中占据优势，并可对用户的反馈进行精准调整。

一对一沟通体系正是在这样的背景中孕育而生，其构建的核心在于如何在正确的时间、向正确的用户推送正确的产品，想用户之所想、给用户之所需，这样用户点击并观看广告、由广告导向物品购买窗口的概率方会倍增。信息科技的发展让民众获取信息的途径千差万别，闲聊、论坛、公告栏、网页、手机应用以及KOL等等，针对不同消费习惯的用户，企业更应做好看人下菜、按方抓药，从数据中挖掘信息，比用户更了解自己、更明白自己的需求，在用户喜欢的、习惯的途径上，展开高效的精准营销，在提供个性化推荐的同时，获得用户的认可与偏好，并逐步留下用户、成为长期的顾客。

（4）个性化产品精准投放

产品的个性化营销一般从两个方面推进，一方面是正对消费者胃口的产品，另一方面是方便消费者了解、信任与完成购物的平台或渠道。消费导向型推动着企业进行基于大数据分析确定的、消费者偏好的产品的设计与生产，并指导产品的渠道选择与投放。实体店的眼见为实与售后保证、线上的全国邮寄与购物快感，以及先线下再线上、或先线上再线下的消费习惯，对于产品渠道的选择大相径庭，极大影响着企业的运营、管理、存储、运输与营销成本，甚至左右着企业的生死。线上消费的自营模式还是合作模式的考量，线下网点的选址与装潢，以及人员的调配、运营与管理成本，无时不刻让企业管理者进行一个又一个的抉择。

（5）改善用户体验，提高顾客满意度

如前文所述，媒体并不是精准营销的主要“阵地”，客户体验才是精准营销的核心内容，它能够体现客户在使用商品、享受服务时的内心感受，而这样的心理能够深刻影响客户会不会产生黏度而进行第二次、或多次回购。此外，由于客户体验的影响原因较为复杂，企业的任务就是探寻客户最在意的部分，并让负面因素予以进一步改进，从而消除客户的负面感受和情绪，让客户更加满意。而想要做到这一点，企业就应当持续关注用户对于产品或服务的使用情况，尽量做到即时性了解。比如说，某消费者在4S店买了一台车，在几个月后收到了提醒客户前去4S店保养的短信，这就是企业得到用户使用产品的反馈的例子，从车的传感器获取汽车的运行数据，然后经过分析了解到该用户汽车的使用情况，并对此反馈做出及时的反馈。

　　3.4本章小结

本章先介绍了精准营销的思想，再说明了大数据时代到来，大数据对市场营销的方法的改变和完善。随后以上一章数据挖掘基础知识的理解为前提，探索了基于大数据环境下数据挖掘和精准营销之间的联系。

　　第4章基于大数据环境下精选营销策略的应用

　　4.1企业概况

中国银行某分行隶属于重庆分行下面的二级分行，它于1979年投入使用，四十余年来，该分行的规模逐渐扩大，实力也逐渐增强。在该分行的发展过程中，一直以“追求卓越，持续增长”作为其价值导向，并坚持将客户的需求放于最重要的地位，并且坚持创新，推动整个分行的稳定前行。现阶段该分行下属的支行约有五十家，包括了超过一千名员工，目前已经是当地规模较大、业务范围较为完整的银行之一。

　　4.2大数据的挖掘

4.2.1商业理解

随着网络科技的进步，互联网金融逐步发展起来，与此同时也对传统银行的经营模式带来了极大的冲突，许多客户纷纷选择线上金融产品，从而使银行的客户被分流。因此，为了维护客户数量，对客户的类型予以区分，将优质客户和一般客户进行分类，进而将银行有限的人力、物力、财力进行最合理的分配，提供最高品质的精准营销，就是银行现阶段应当做的最重要大人物，这样才能够确保其保持竞争优势，在继续保有老客户的同时，挖掘潜在的新客户，从而给银行带来更多的收益。

4.2.2数据理解

在这个数据暴增的时代，消费者在网上购物后都会产生购买数据，由于存储设备及互联网的快速发展，这些消费数据可以通过网络爬虫或其他手段获取，如何将消费者划分为不同的群体即不同的消费等级是很必要的，如果可以通过某种手段将消费者类型予以划分，企业能够根据各个类型的消费者针对性地运用营销策略，从而获得最大的利润。

本文以某电商平台在2020年期间产生的一万条数据作为研究对象，并选取商品编号、商品评分、商品种类三个指标作为分类属性，各属性如表6.1所示：

表6.1

4.2.3数据预处理

在建立模型之前，由于某些数据指标有可能没有，还有各个数据间的不同，极大可能会导致模型无法反映最佳结果，因此，在建立模型之前首先要进行的步骤是数据清理。本文对消费者数据做以下处理：

(1)数据删除

删除部分指标缺失的数据

删除含有异常值的数据，某些指标过大或过小

删除原数据中的用户编号指标

(2)数据归一化处理

采用最大最小归一化方法

4.2.4大数据挖掘

针对上述的商业目标理解，本文采用上文介绍的K-means聚类算法实现对客户消费群体的划分。对企业而言，将消费者化为不同的消费群体，有利于商品的推送和不同目标的决策，就一般的将消费者划分为高消费、中消费、低消费三个等级，从而针对不同的消费等级制定不同的营销策略。本文中试图从聚类个数等于3开始，试途去找出一个最优的聚类结果，通过对损失函数的观察，我们最终就消费者化为8各不同的群体。具体做法如下（由于原数据有10万条，本文展示部分数据）：

一、数据预处理过程：

原始数据如表6.2

表6.2

原始数据可视化结果如图6.1

聚类过程：

（1）定义损失函数如公式6-1

（6-1）

聚类个数从3开始，到聚类个数为8，对于每一次的聚类，随机初始化3个聚类中心（从样本中随机挑选3个），对于每次的迭代次数，本文设置一定的阈值（本文设置为0.0001），迭代过程当cost小于阈值时停止迭代，即停止聚类中心的更新，对于每种的聚类个数，从三次中挑选最小的一次为最终的聚类结果。如图6.2为某次聚类的迭代过程：

图6.2

对于不同的聚类个数，我们最终选择聚类个数为8（为什么8自己加点）

损失如图6.3所示

最终聚类结果的可视化如图6.4

图6.4

4.2.5数据结果分析

通过上述的聚类过程，我们把消费者划分为8个群体，即8个消费等级：A、B、C、D、E、F、G、H。企业可通过不同的群体制作不同的营销策略。例如，针对A类消费者，企业通过user_id在查询用户属性时发现，A类消费者月薪2000-3000此类消费者消费水平不高，推荐稍便宜的产品得到的收益会更高。

　　4.3精准营销策略制定

结合社会现阶段的经济特点，可将实验得出的八类客户进行精准地营销策略分类。

（1）第一类客户营销策略

这类客户为：刚刚参加工作的高校毕业生。虽然刚进入工作阶段的高校毕业生收入通常不多，此时能够给银行带来的直接价值有限，然而应当承认，在这个群体工作时间慢慢变久、收入慢慢提高的时候，他们会为银行提供翻倍的价值，因此他们是潜力型客户。此外，这类客户在银行的全部客户里数量最多，构成了整个银行的基础，对其进行专属化的营销手段难度很大，因此，银行最重要的是做到在这类客户中树立一个较好的口碑和形象，踏踏实实地做好基础服务工作，例如保证在网点的服务质量，畅通线上服务渠道，经常为金融消费知识普及、理财等进行宣传，从而让这类客户更加了解银行的产品，提升其对银行的认同感。对于该类客户收入水平不高但消费水平较高的实际状况，可以针对性地提供低额度的贷款服务，从而刺激消费。

（2）第二类客户营销策略

这类客户为：已参加工作一段时间、收入水平有所提升、已婚、有房贷或车贷的群体。这类客户的数量在所有客户中位居第二，对于银行来说也是稳健性中层客户。由于这类客户往往身负车贷或房贷，因此要为他们提供这两项的优惠服务。此外，基于其已婚身份且收入水平上课，可以为他们提供针对性的教育基金。

（3）第三类客户营销策略

这类客户为：“富二代”客户。该类客户虽然与第一类客户有相似之处，然而在存款金额以及交易金额方面，却比前两类客户要多得多。因此，这类客户的特点，一是较为年轻，二是存款量大。这应当作为银行的重点客户，银行需要深度挖掘这类客户的消费潜力。因此第一，银行要向他们推广金额较大、理财周期比较长、同时风险不高的理财产品。第二，银行也可以向他们推出一些额度大的信用卡。第三，银行可以向这类客户提供更加便利的个性化服务，例如提供一些合作商的优惠券等等，从而进一步刺激消费。

（4）第四类客户营销策略

这类客户为：个体工商户。这类客户的特点是：存款量大，交易频繁，但是理财率低。基于上述特征，银行需要针对企业的资质，从而提供相应的商业贷款等，并为其提供一定的优惠政策来降低过高的贷款利率，从而吸引该类客户将其存款都存至本银行，提高该类用户的黏性。另外，可以为该类用户推广周期不长、收益更高的理财产品，与此同时免费提供一些关于理财方面的知识普及和培训。

（5）第五类客户营销策略

这类客户为：VIP客户。该类客户虽然人数最为稀缺，但是却为银行带来最大的价值，属于上层客户。对于这类客户，银行应该将其看作最重要的客户，在提供服务时做到专属化、一对一，也就是说，要为其配置至少一个客户经理来进行细致的服务，也可以称之为私人财富管理，要进行私人定制式的客户服务，提供最专属化的理财产品。对于这类客户更要做到的是，银行要提供给客户一种高质量的生活服务，让客户觉得银行能给人一种宾至如归的感受。就如同机场的VIP客户能够享受专有的候机室、可以代办值机等，亦或者建立精英俱乐部，为其策划专属的旅游服务计划等等。

综上所述，对于第一类客户，银行需要提高其对银行的认同感；对于第二类客户，银行需要稳定客户数量；对于第三、四类客户，银行需要挖掘其对于理财产品的潜在需求，并重点进行推广；对于第五类客户，银行需要重点提供专属化服务。通过上述精准的营销策略，能够让银行有限的资源可以较好地配置，既能够实现客户的要求，又能够为银行带来最大程度的收益。

　　第5章结束语

　　5.1本文主要工作

本文基于大数据时代的基本特征，首先剖析了大数据挖掘和精准营销的内在联系，从而探寻大数据挖掘在精准营销的契合点，以此分析二者结合的优势，并根据大数据挖掘的技术手段分析出制定和实施精准营销策略的步骤，最后以实例来证明本文结论的可行性。

　　5.2研究工作

本文与现有关于精准营销的学术成果关注方向有所差异，从前的学术研究基本上都聚焦于广告的精准投放方面，也就是说，现有的学术研究只关注营销过程的某一步骤，而未从全局层面进行宏观上的分析。本文以现有学术成果为理论基础，添加了笔者个人的见解。但是由于笔者学术水平有限，本文还存在一些局限性，希望今后的研究者可以在以下方面有所突破：

（1）将研究重点放置于新环境，即基于大数据的精准营销。

（2）探索大数据挖掘在精准营销方面的有机融合，从而优化精准营销策略的制定和实施。

（3）通过编写代码实现对k-means算法的应用，不再以更多篇幅介绍分类后的广告投放，而着重于大数据挖掘的过程。

参考文献

[1]王伟萍.基于大数据环境下电商精准营销策略研究[J].现代商业,2017,000(030):26-27.

[2]葛翔飞.大数据环境下精准营销的分析研究[J].营销界,2019(37):47-48.

[3]林庆鹏.基于大数据挖掘的精准营销策略研究[D].兰州理工大学，2017.

[4]刘若飞.精准营销对顾客忠诚的影响研究[D].北京邮电大学,2011.

[5]Laursen,Gert.Businessanalyticsforsalesandmarketingmanagers:howtocompeteintheinformationage[J].Wiley&SasBusiness,2011.

[6]BryantRE,KatzRH,LazowskaED.Big-DataComputing:Creatingrevolutionarybreakthroughsincommerce,science,andsocietyMotivation:OurData-DrivenWorld.2008.

[7]Delen,Dursun.Real-WorldDataMining[J].2015.

[8]许瑾.精准营销探析[J].信息网络，2006（8）：26-27.

[9]伍青生，余颖，郑青山.精准营销的思想和方法[J].市场营销导刊，2006（5）：39-42

[10]徐海亮.论精准营销的体系和理论[N].中国邮政报，2006（08）：18

[11]刘征宇.精准营销方法研究[J].上海大学交通学报，2007（A1）：143-146

[12]吴昱.大数据精准挖掘[M].化学工业出版社，2014.

[13]周原. 基于数据挖掘的企业精准营销策略研究[J]. 现代商业, 2018(2):29-30.

[14]徐涛. 大数据挖掘背景下的精准营销策略研究[J]. 中国商论, 2019(15):72-73.

[15]王斐. 大数据环境下基于用户画像的精准营销策略研究[J]. 市场周刊：理论研究, 2020, 000(003):P.76-77,83.

[16]谢娟英, 丁丽娟, 王明钊. 基于谱聚类的无监督特征选择算法[J]. 软件学报, 2020, 031(004):1009-1024.

　　致谢

在此论文完成之际，我要衷心地感谢我的导师刘显全老师。刘老师和蔼可亲，平易近人，言传身教，对我论文的研究方向给出了很多指导性意见，从论文的选题，开题报告的提交，资料的收集，和论文的撰写都给了我很多专业领域的帮助。

他有着严谨的学术态度，很认真细致地看我的初稿，指出初稿中存在的各种问题，并且耐心地指导我去改正。平时在自己忙碌的工作之余，仍然不忘提醒督促我们认真完成论文，尽量找出时间见面指导大家修改论文。当我们在论文中遇到困难，思路短缺时，会旁敲侧击，去引导我们，鼓励大家。

论文的顺利完成，得益于刘显全老师的指导和帮助，在此，谨向刘老师表示衷心的感谢和诚挚的敬意。

在完成学业的过程中，学院的老师和领导以及班级的同学都给了我很多的关心和帮助，在此真诚地感谢他们。

感谢重庆邮电大学给了我读大学的机会，更感谢学校四年的培养和关怀，让我能够安心地学习专业知识，不断成长，成为更好地自己。

最后，我还要感谢我的父母，亲戚和朋友，他们同样也在关心着我的学习情况，并一直默默陪伴着我。