ARC 再论述-ARC模型(三)

ARC 再论述-ARC模型(三)



如何有效有序的建造一个平台,可以通过2014年我写的一本书“钻石营销”来把这个问题讲解清楚。整体理论是以客户为主,从厂商的角度将其中的历程分为三个阶段:获取/维护/转换(Acquisition / Retention / Conversation),ARC模式最主要功能是能够将客户流程的核心功能,依照不同的阶段,利用科技的手段建立可操作的平台,通过这个平台能与有效的和现有的营销体系相结合,产生最大的效用。

简单来说,就是把整个客户历程分为三个过程,首先能够掌握客户的获取,或者用今天流行的说法就是导流或涨粉;其次对接入来的客户进行很好的维护,着眼点不只是一次性买单,而是建立一个双方信任度的长期关系;第三个阶段为能够掌握到客户需求的时候,使用合适的方式导引客户去购买,我们称之为转换。

其中所依据的操作模式横向分为 平台/运营/操作(Platform / Procedure / Program)的二维模型,称之为3P模型。这个3P模型在底层需有很坚固的平台做支持,在实施需有清楚的流程做操作,而在运营上需有清楚的项目做执行。对于数据分析的平台,我们可以用下图做具体说明:


这个模型最核心的概念是如何在ARC 3P的框架上,有效的把客户历程在每一个阶段都保证做到最好,并且是可以通过客观量化的方式来验证。因为对于任何事务,不仅仅是营销,如果没有办法用一个客观的方式评估,只是主观认定,那就难以清楚说明,也没有办法标准化,更不用说优化,所以建立清晰的流程思考并且又能评判优劣,就必须是有数据做依据的量化操作,而所有的这些操作都是以数据为核心。

下面我们用一个案例说明

如果我们把Rapid Miner 自带的练习数据(Data->Titanic的数据,作为一个汽车公司4S汽车销售店的客户数据分析的实验,其实是很合适的。因为我们有所有人的资料,加上其中有些数据我们可以变通的操作和改名,也能得到合理的解释。比如我们可以将船票的费用作为个人的收入,而上船的港口作为有意愿购买的产品分类(也就只有3个产品),当然到最后的生存与否,就是最后有无购买的决定。然后数据将没有年纪和年纪小于20岁(任意的设置)的数据清除掉,如下截图:


我们可以想象这818个案例数据可以作为汽车销售的练习数据,通过分析能够掌握当地区域的客户分群、销售机会和传播策略。我们会用这个练习说明如何使用数据分析把ARC3P实际落实到真正的项目之中。
01|获取

首先我们谈到ARC框架中的Acquisition阶段,也就是对于客户资料的收集和理解。希望通过现有的客户,不管通过实际调查,或是线上沟通等各种渠道,能够尽量掌握最多最广的数据,从而进行数据理解和分析。客户的资料,不仅限制于性别、年纪、收入、住址等,这些只是其外在的资料,还要尽可能完整的收集相关行为资料,比如联络记录、网站浏览等行为资料,可以反应他的心理状态和行为特征。通过这样收集外在和内在的尽可能完整数据之后,我们才能建立一个很有效的客户画像(Customer Profile)。

通过这个profile,我们不但了解客户的情况,并且大概明白其心理状态。如果再结合心理学或是社会学的一些模型去进行判断分析,我们就更能掌握其动机和倾向,这将判断客户是否具备成为潜在客户的重要依据,使我们可以更准确和有效的与其进行沟通。


02|销售机会
首先对于数据,我们可以依照现有的数据,做一个模型来判断新客户的购买可能性。因为现在的数据已经是高维并且多项,所以基本人们无法直观的看出新客户的购买可能性,但是使用机器的方式,只是一个分类学习的基本课题。

对于销售机会的分析,我们可以通过现有的数据,进行基本的分类监督学习。通过上图,可以看得出来:首先第一步将数据代入【Step-A】,可以直接从资源池中拖入,或是从EXCEL文档导入;第二部是数据处理【Step-B】,做属性的选择与建立目标值(购买?);第三部是直接带入分类的模型【Step-C】,这边我们使用一个RM的操作元- Cross Validation,这个Operator除了做模型分类之外,也同时进行对模型准确度的评估。可以看得出来,这是使用简单的决策树模型(相关的机器学习的模型理论,我们在前面都已经讨论过了,这里就不再做说明)。

其模型准确度就高达79%+/-3.69%(如下图),是一个有效的模型。

所以第四个部分,就能对于未来新的数据,立刻进行是否会购买的机会分析【Step-D】
03|客户是谁
第二个分析是基于客户属性。我们不通过人为的简单而主观的观察来进行分类,系统自己判断数据之间的关系,从而将类似的数据分成几个不同的群。因为系统能细致的处理高维度的数据,而不是通过人为的判断,这边我们使用K-Mean的分类方式【Step-E】,这是一个非监督性的群聚分析。因为在没有人为的干预之下,系统可以去依照属性之间关系做寻找规律来分群,虽然这样的群组可能未必有可以解释的意义,但是根据系统分析能将相似的人归到特定群中,而其中可能就有潜在的规律,之后可以对这个机器自动分群的结果进行分析,以得到更深入的见解,例如不同群组对于特定的属性比较类似,或是对于产品的倾向性等等,但是这个部分不是只有一组“标准“答案,事实上,需要对于数据做反复的试验,并且和社会学、心理学等跨学科进行共同发现,以得到可以作为之后沟通决策的理论依据。

虽然我们不知道系统如何的分群,但是如果有新的数据,就可以快速的纳入某个群组,而能对于他可能的相对行为以及产品倾向,都能有比较好的把握。

之后也可以观察,不同的族群,其对于不同的产品,其中喜好的程度。

但是这个只是一个分法,其真正的作用,是在之后到第二阶段,我们将其和心理特征解惑之后,就可以看出其强大的能力。
04|持续更新
今天是ARC再论述-数字化营销第三篇,后续我们将再用一篇文章详细阐述ARC后续的分析和OCEAN模型,欢迎大家持续关注。
5|关于精铭数据公司
精铭数据公司是国内大数据建模,具有多位国内外专家,致力于数据分析的实用化和相关咨询培训。公司对于数据营销、渠道管理、工业自动化、物联网等行业有实际业务提供专业的服务

    • Related Articles

    • ARC 再论述-数字化营销(一)

      对于数据分析我们之前讨论过,这是一个“赋能”的技术,可以做到所谓“见不可见,知不可知,为不可为”。这边,我们就用营销来做一个非常典型的例子说明。 从前的营销可能更类似像天马行空的创意思想(Big Idea)或是炫目吸引的视觉冲击,但大家可能都听过如此的一句说法:“知道我的行销预算有一半被浪费,只是不知道哪一半”。这句话充分的说明了甲方和乙方的困扰,而现在我们可以通过数据的掌握和分析,能够将营销变成科学,将“不可”变为“可”。 01|见不可见 ...
    • ARC 再论述-数字化营销(二).

      如同我们之前所谈到的,任何数据分析,包括数据营销也是一样,都需要使用 CRISP-DM 的流程,建立对系统的完整理解。通过这个思维框架,以确定目标、掌握数据、建立模型、实际应用。所以明白整体的实用目的,永远是数据分析中最重要的任务。 之前营销中所常常谈论的市占率、曝光率、好感度或者忠诚度,虽然这个部分也是通过数字来衡量,往往都是事后之师,看图说话,没有办法作为营销的结果评估和未来的行动指导。 01|客户洞悉 ...
    • 营销的灵魂拷问

      所有公司在营销方面基本都面临三大挑战:客户理解、 ROI优化和潜客转换。到底是哪些人为什么会购买我们的产品?投入的营销费用到底效果如何最优化?如何把有可能的潜客最有效的转为购买顾客?而这三大灵魂拷问一直困扰着营销人员。 如要解答这些深刻的问题,必须首先要明白客户的购买需经过一个称之为客户历程(Customer Journey)的流程,能对其中不同的阶段,进行清楚确定、量化分析、确实理解并强化效应,这才是真正营销要考量的核心,而能有意义的回答以上的问题。 ...
    • 工厂自动化的数据

      行业发展动态 大部分的工厂自动化,主要的困难并不在于说使用什么模型,或者如何做分析,反而是很多时候,因为数据的采集,而造成的对于关键资料的收集困难。10/29总部有一个很有趣的网上视频讨论,主要是讲关于在工厂自动化中所碰到的问题和解决方案。其中特别有意思的是对于一些传统工厂中如何做数据收集做出演示。 这个视频,其中最主要讲的并不是在于如何去分析数据,而更多的是在如何收集和整理数据之上。我们整理了视频,提供下面几个应用的场景,在不同需求下如何收集数据的问题。 案例一:空间位置判断 ...
    • Rapid Miner 在 能源业案例

      机器学习和人工智能是你最近听到的最热门的商业术语。正因为如此,跨行业的企业都在寻找实现它们的方法,以改进和自动化其核心流程。能源行业也不例外! 事实上,可再生能源公司(风能、太阳能、水力、核能)多年来从机器学习的力量中受益匪浅。他们成功地降低了成本,做出了更好的预测,并提高了投资组合的回报率。而且,这一趋势只会以更快的速度继续下去。 如果你的公司在能源领域运营——或者消耗大量电力——那么机器学习和人工智能很可能有助于提升你的业务绩效。但具体如何?让我们深入研究一下。 机器学习改变能量的五种方式 ...