用数据洞察用户:TOB场景化营销

简介: 4月27日2016云栖大会南京峰会拉开帷幕,此次会议的主题定义为计算无边界。阿里云此次借助这个主题希望将更多的技术能力赋能给各行各业,让数据和计算产生更大的价值。本文来自《大数据专场:阿里云数加平台》,朗新科技产品总监黄永凯题为“基于数加技术的TOB场景化营销”的精彩演讲。

4月27日2016云栖大会南京峰会拉开帷幕,此次会议的主题定义为计算无边界。阿里云此次借助这个主题希望将更多的技术能力赋能给各行各业,让数据和计算产生更大的价值。本文来自《大数据专场:阿里云数加平台》,朗新科技产品总监黄永凯题为“基于数加技术的TOB场景化营销”的精彩演讲。

 

云栖社区特别整理了黄永凯的演讲稿,,演讲开始通过形象的案例引入场景化营销,并着重分享了从厂商如何搭建模型的角度来谈对数加推荐引擎的理解,下面是精彩内容分享:


场景化营销


当你在地铁站等地铁时,等待时间的长短是不确定的,这个场景具备了营销的特性。欧洲零售业巨头乐购(Tesco)旗下的韩国连锁超市Home Plus在韩国的地铁站内推出了一种新型的电子虚拟超市。顾客在等地铁时可像逛实体店一样浏览所售的商品,然后使用手机扫描下所选择商品并通过手机在网上进行结算,超市会将所购产品按时送到家中。

 

以客户场景为中心,来推动营销转型。场景化革命热潮到来!!!

 

通过大数据建立连接客户开展营销的能力。我们在研究整个场景化销售的过程中,通过市场经济的开展,供需关系已经发生了变化,市场开始出现饱和,企业更加关心的是在哪里找到客户、了解客户、明晰客户决策场景、推动客户购买决策。他们希望通过大数据应用为他们寻找更多的商业机会以及创造更多的商业价值,我们称之为用数据定位用户、用数据洞察用户、用数据识别场景、用数据影响决策。在实际的使用场景中会体现为,通过精准的客户推荐为企业找到客户,通过可视化的客户画像让企业更好的洞察,通过数据识别场景告诉你的客户当前处在哪个阶段,通过哪些触点来触发它,影响他的销售决策。


9403426b22290acabc97ecf629129e29edb89441
 

TOB场景化营销--决策过程


TOB的场景化营销的参与决策人多,整个决策过程比较复杂,图中可以看到,一个采购方,从他产生需求到形成最后的购买决定,中间还包括很多个环节,由不同的供应商确定供应来源,与供应商打交道的过程中形成自己的采购偏好,在最后的决策过程中会与多个决策人进行商谈,确定这次采购的事宜,直到最后确定价格产生购买行为,我们认为整个销售的触发都应该围绕采购方的行为而来。

 

数加技术应用



目前,晴朗新科面对的对象主要是垂直领域的制造业,帮助它们做精准的营销。使用数加技术主要用于潜在客户挖掘、企业客户洞察、建立客户连接、识别客户场景以及差异化销售。


57183b5d314d06b3c2dc5856c85ceba21b618352

基于阿里云的企业服务SaaS架构


阿里云已经提供了对于云端的一整套解决方案以及产品,我们想跟阿里云有一个更加深入的对接,我公司本身有多个SaaS产品存在,所以构建了PaaS ZEUS云平台,PaaS ZEUS云平台目前包括统一认证、统一授权、公共组件的定义、自定义工作流、多租户模型管理以及我们应用平台的快速开发,来配合整个SaaS架构的运行。

 

下面我从厂商如何搭建模型的角度来谈谈对数加推荐引擎的理解。数加推荐引擎是阿里云数加在Max compute上提供的其中一项引擎技术,我们主要用于客户推荐。找客户做精准客户推荐,如何搭建场景我们通过四部分来分析。

 

第一,  解决方案的选型

 

5b890df3229c305adbd2b1ddeb72ec498e7b9862

数加推荐引擎解决方案


在各个环节数加已经提供了完整的产品,在数据传输环节我们选择DataX方案,DataX支持异构数据源处理,可以进行快速的改造,在数据维护环节阿里云提供了Data IDE可视化工具。对于数据的计算,默认离线存储计算已经满足我们的需求,离线计算的数据会推到在线数据进行存储,阿里云提供了OTS表格存储方案,最后为PC 端和移动APP端对API的调用。

 

第二,数加的实现原理

59a1da63b6d169df5dd2b775abe11b4e566c2463

数加推荐引擎处理流程


什么因素最影响推荐精准性的结果呢?我们在使用过程中认识到两部分,一是原数据表,用户表描述用户之间的相似性,物品表描述物品之间的相似性,行为表描述用户跟物品之间关联性的强弱,这三张表很大程度决定后面推进结果的准确性;一是对于核心的计算环节,阿里云已经提供了离线计算模板和在线计算模板,对开发厂商来说,更多的是做参数配置和调优的工作。

 

第三,阿里云数加推荐引擎的应用

1d86c1be2acad8bc8a79cf0d951b0591ebd96584

推荐引擎业务流程

 

当我们用产品时关注的是什么?数加提供的是相对简易的搭建流程,包括新建业务、新建场景、新建算法,就可以实现大数据个性化推荐引擎的搭建。第一步是最重要的,我们需要梳理业务,根据业务目的配置推荐行为,我们建企业库和产品库是看企业喜欢什么产品,这个产品如果在我的产品目录库里,就认为他是我默认的一个潜在客户,所以我们是通过转换方式来确定我们推荐什么,我们搜集了大量数据,目前大约有60多个企业标签,我们也在梳理产品的品类、规格,形成了产品标签。关于行为库,包括发布、交易、搜索的行为,梳理完这些业务,实际上已经完成模型的初步搭建了。

 

第四,整体软件的业务运行架构

 

520268286a68fff561908b575a8d84438306622d

推荐业务实现逻辑


从使用产品的客户角度来讲,这其实是一个很简化的过程,客户只要知道我们提供的初始化数据,怎么推荐更加精准,而不需要管实现过程。我们会为企业推荐潜在客户清单,根据老客户采购周期和采购行为来推荐。我们前期做的数据采集工作,数据清洗工作和形成核心的企业库、产品库,再到最后生成企业画像、产品标签,这是我们前期使用个性化引擎需要自己做的事情。另外,关于推荐效果的闭环管理,当你推荐成功客户清单,我会把你放到销售过程中做一个检验,再把结果数据进行反馈,最后对个性化推荐做调优。


0ca71275b1b3f8e54c39365ae65a92e94d1d9fd1


另外,在找客户上我们做了更多的事情,我们发现使用我们产品的企业,当销售有一些诉求时,可以提供这类的清单,数据采集引擎自动补全客户信息,再通过特征功能引擎归纳出企业相应的行为特征、画像,然后提取相关特征,在精准的企业库里找到相似的匹配。

客户推荐也有基于位置的查找,有些销售有固定的行为习惯,比如拜访客户,线下拜访客户需要预约,预约过程中有可能客户不在,或者顺便拜访附近的客户。当你预约好你的主要拜访客户,我们会根据你的主要拜访客户所在的地理位置,自动寻找附近最近的相关客户以及企业集群,并且会生成相关的拜访路径。

 

通过以上的介绍,相信大家都了解了使用阿里云数加推荐引擎的优势,具体表现在如下几个方面:

  • 个性化推荐引擎开发周期比较快,2周搭建推荐引擎。
  • 数据处理能力强,千万级数据1小时计算,在大批量的数据上会有比较大的优势。
  • 一些开源的引擎没有提供太多做参数配置、算法添加和最后调优,数加个性化引擎过程可视化支持调优。
  • 阿里云亿级消费数据验证,为我们的产品增加了可信度。


晴朗新客SCRM,让你更懂客户


  • 基于制造业的百万级精准企业信息库。
  • 基于阿里数加的精准企业推荐与匹配。
  • 把销售装入手机即时沉淀资源与过程。
  • 企业画像与销售分析让数据产生价值。

 

谢谢大家!


——结束——

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
6天前
|
机器学习/深度学习 算法 数据挖掘
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-2
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
6天前
|
机器学习/深度学习 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-4
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
6天前
|
机器学习/深度学习 数据可视化 数据挖掘
【视频】结构方程模型SEM分析心理学营销数据路径图可视化|数据分享
【视频】结构方程模型SEM分析心理学营销数据路径图可视化|数据分享
|
6天前
|
机器学习/深度学习 算法 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享(下)
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
6天前
|
机器学习/深度学习 算法 数据挖掘
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享(上)
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
6天前
|
机器学习/深度学习 算法 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-3
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
6天前
|
机器学习/深度学习 算法 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-1
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-1
|
8月前
|
关系型数据库 分布式数据库 PolarDB
|
9月前
|
搜索推荐 关系型数据库 数据库
沉浸式学习PostgreSQL|PolarDB 3: 营销场景, 根据用户画像的相似度进行目标人群圈选, 实现精准营销
业务场景1 介绍: 营销场景, 根据用户画像的相似度进行目标人群圈选, 实现精准营销 在营销场景中, 通常会对用户的属性、行为等数据进行统计分析, 生成用户的标签, 也就是常说的用户画像. 标签举例: 男性、女性、年轻人、大学生、90后、司机、白领、健身达人、博士、技术达人、科技产品爱好者、2胎妈妈、老师、浙江省、15天内逛过手机电商店铺、... ... 有了用户画像, 在营销场景中一个重要的营销手段是根据条件选中目标人群, 进行精准营销. 例如圈选出包含这些标签的人群: 白领、科技产品爱好者、浙江省、技术达人、15天内逛过手机电商店铺 .
257 0
|
机器学习/深度学习 前端开发 算法
营销场景下互动技术的应用与探索
营销场景下互动技术的应用与探索