大数据挖掘在销售管理中的应用价值

简介:

参与调研即可下载本期资料,包含ppt文档及视频链接:点击下载

大家下午好,我是来自西安荣峰软件科技有限公司CTO李昊泽,今天在这个秋分的日子里,由我和大家分享一下大数据在销售管理中的应用价值。下面我会从大数据的定义、应用场景、实施方法论以及实际业务场景及实践案例等几个方面跟大家做以分享。

2016-09-26-11a2e23fb9-9934-42e9-85c3-2a3

一、大数据的定义

我们经常提起的“大数据”具体是什么?让我们先从定义上达成共识。学术上的定义是这样,麦肯锡全球研究院提出:“大数据是无法在一定时间范围内用常规软件(如数据库)或工具进行捕捉、获取、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力参考力、洞察发现力和流程优化能力,用来适应海量、高增长率以及多样化的信息资产”。学术上的定义难免有些拗口,我们和诸多高校和学术单位的探讨后,发现实践中和学术上的定义略有差别。我个人对大数据分析/挖掘的理解是:“需要通过频繁变化、多重维度组合分析得出的数据结果”。分析数据其实和几何的向量有点相像,一般人们对二维向量和三维向量在脑海中可以勾勒出印象,但是超过三维向量就无法勾勒了,大数据分析经常在超过3个以上维度的向量分析,甚至分析结果再嵌套几重多维向量分析,这种复杂度的数据分析就需相对专业的分析方法论。但是简单来说,狭义上的大数据就是人们由于使用互联网而产生的所有数据,而捕捉分析这些用户产生的数据,然后用于经营决策,就是大数据分析/挖掘的具体体现。中国互联网用户基数大,给了大数据挖掘的基础,近5年来大数据营销被诸多行业和企业所运用,衍生出如:客户价值挖掘、销售网络优化、供应链优化甚至直接影响生产制造的案例。

二、大数据挖掘的价值

2016-09-26-454865a689-2f9f-4185-894e-09e

那么大数据挖掘的价值是什么?简单的总结下,“行为分析+预测规划”,这两点构成大数据挖掘的价值。在当下我国的企业一般分为三类,这些企业都会用到大数据挖掘价值的应用。

第一类是产品型的企业,它们可以运用这些数据进行一个精准的营销;

第二类是小而美模式的中小微企业,它们可以利用大数据做服务转型;

第三类是传统企业,可以借助大数据挖掘寻找新的业务增长点;

眼下很多传统企业都在积极探寻转型之路,比如传统报业,由于互联网、手机的出现快速的分流了读者用户,以至主业营收迅速萎缩,那么依靠读者受众做二次销售的业态如何转型成为大量报业的核心经营课题。再如很多模式传统的制造业、服务业以及能源型的企业都在想办法去转型。但是转型之路好比革自己的命,必须经过大量数据的分析、佐证和参考,才能相对客观降低决策风险,同时积极应对市场变化。我们身边常见的大数据挖掘应用案例如:

●生产制造业,借助大数据挖掘降低产品故障率;

●交通物流业,借助大数据挖掘分析实时路况;

●快消品行业,借助大数据挖掘做产品定价;

●餐饮行业,借助大数据挖掘做假日促销;

●传媒行业,借助大数据挖掘做精准资讯推送;

●房地产行业,借助大数据挖掘做“全民经纪人”营销;

可见大数据挖掘并不神秘,而且离我们很近。

今天我们分享议题的范围是“重应用场景,轻学术讨论”。着重分享大数据在那些行业,哪些企业中的实践应用案例;不去详细阐述大数据的界定标准、建模、算法、比对等问题;

三、大数据挖掘的方法论

2016-09-26-019954791c-ee35-435d-b317-246

下面我们举些例子,这一张很普通的表,这张表的背景是电商行业某家美妆企业的一个样表,由于涉及到信息敏感性的问题我做了一些修改,用这张表来说明大数据挖掘所涉及到的一些基本问题。大家从纵向看,这张表是由“用户ID,地区,姓名,年龄,订单产品,数量,金额,订单时间”等一些项目和数值构成,而归纳一些这些数据可以归为两类,一类是维度,另一类是度量。如:“订单金额”就是度量,“地区、客户类型、性别、年龄、订单产品”就是维度。比如说企业想知道“北京区域的老客户今年7月份的订单消费总额是多少?”,这样的诉求就用到了3个维度和1个度量,维度分别是“地区,客户类型,订单产品”度量是“订单金额”。在数据挖掘的过程中,至少都有3个或以上向量,2个的都很少有,维度可以简单理解为大数据挖掘的复杂度。

这里需要说明:度量是一定是数值型的,如“订单金额、数量”,但数值型的就不一定是度量,如:年龄。并且,依据挖掘模型不同,度量和维度是可以转换的,如“北京区域的老客户今年7月份的订单消费总额是多少?”,这个时候“订单金额”就是度量,而挖掘诉求变一下,如“北京区域的今年7月份订单消费398元以上的客户有多少?”,这时候“订单金额”就变成了维度。那么简单归纳一下规律:大数据分析/挖掘归根到底就是在做各种维度和度量的组合。

2016-09-26-37e1be9b01-756d-4056-bef5-fda

那么我们试举一些企业在经营决策和销售管理中的常见问题,看看借助大数据挖掘如何应答。

问题一:第一,第三季度的营收是高了,还是低了?从数据分析的角度上我们用对比分析法,一般是要有内部的数据分析,用同期数据和往期的进行相对比和环比。从数据的参考性来说,还要要选择企业的内部数据和外部数据来和企业做一个二维向量的对比,内部的同比和环比,数据是高了还是低了,然后再和外部的因素的多维度数据进行同比和环比。

问题二:连续两个季度利润下滑,公司召开绩效检讨会,请担当团队拿出原因及措施?是哪些度量和维度的导致了这些问题的发生,这时候是要拿数据来说话的,不要用主观的看法来判断,要找原因,比如是哪类地区的哪些客户的降低,造成了季度营业额的降低,这是一类维度和度量组合的分析,另外一类,可以用同业地区的竞争伙伴的老客户或者新客户的增长量高低维度的数据,来进行一个对比分析。客观的从数值和数据来说,维度的度量做出的分析可能导致一些问题的发生,把原因客观化。

问题三:明年业务指标定多少合适?以往的业务指标是如何制定的,比如说股东方给出一个参考值,营业额要增加20%或30%,那么执行团队需要从行业发展趋势,同业竞争格局,行业壁垒现状,进3年业务指标完成情况来进行分析和数据的对比,最后制定出一个相对客观业务指标。

以上三个典型问题抽象出一个规律,那就是:

做判断用比对,找原因用细分

下面我们归纳一下大数据挖掘方法论的要点:

2016-09-26-560d9729ee-d3ef-45b0-a1b3-1cb

1.收集数据样本是基础,数据量越大,分析结果越接近业务实际,越具备数据挖掘潜力;

2.将关键业务指标量化成维度或度量,高频使用的维度和度量更具参考价值。那什么是高频呢?比如,公司开个绩效分析会,企业在运营管理中,经常要分析业务关键的指标,那这些指标就是高频指标;

3.做判断用比对,找原因用细分;原因不能用高还是低,是还是否来直接回答,要用相对丰满的数据和答案来回答;

4.尽量用数据说话,而不是用主观判断说话。

四、大数据挖掘的实践案例分析

2016-09-26-4058ac975a-4162-4112-b47f-550

案例一:某韩资集团(中国)有限公司,借助大数据分析为应对存量市场制定一系列营销策略。该集团在进入中国市场十年左右,现有客户35万左右,当期情况是企业已经拿到了大量数据样本,经过分析已经初步判断该市场已经步入存量市场阶段,那么企业的诉求很简单,“存量市场下,如何利用有限的资源针对性的做市场营销”,

从产品的生命周期看,现行体系是成长期之前,未来体系是成熟期以后;

从市场特征看,现行体系是增量市场,未来体系是存量市场;

从营销核心看,现行体系是以产品为中心,未来体系是以客户为中心;

从营销特点看,现行体系是机会发现型,未来体系是机会培养型;

从客户需求看,现行体系是满足基本需求,未来体系是满足欲望;

从营销主体看,现行体系是以个人营销为主,未来体系是以组织营销为主;

从工作标准看,现行体系是以市场占有率为主,未来体系是以营业额/利润/现金流的均衡为主

大家可以看一下,经过大量数据的多维比对和分析挖掘之后,企业的营销策略发生根本性的变化。

2016-09-26-151a0b203c-a0ff-410b-a1c1-c90

案例二:某日资集团(中国)有限公司,借助大数据分析从终端挖掘市场策略。这家公司总部在上海,经营十六年,全国24个省份均覆盖有销售网点,设备市场保有量有7万余台,该企业的基本诉求是从销售终端挖掘市场的策略。这一次它没有在用户的行为上进行分析,是从设备的运行状况上进行分析,如图所示。可以从设备的工作时长,设备维护周期,设备油耗,设备销量来进行多维度的数据分析,来进行调整和改进。如果客户使用设备是日均低于2小时,那么传到出的信息是该设备的客户可能存在应收账款风险,公司要马上关注回款,假设该客户再次销售的时候,企业要马上告警该客户可能存在还款风险。如果日均使用设备是高于10小时,那么这个客户有再次采购新设备的可能,要定向性配件和耗材促销的推送。第一列是设备的运行数据,第二列是初步分析挖掘给予的市场策略,第三列我们留给各位听众,如果你是企业的经营决策者,第一列的运行数据在多个维度自由组合,您又会给出怎样的市场策略?

2016-09-26-054a5e3544-f78a-4e1c-b2ea-82d

2016-09-26-06f48b3d03-0c5e-4044-ac17-758


案例三:国内某知名IT集团,借助大数据分析预测销售目标以及销售目标的达成率。该企业经营二十年,渠道稳定,产品竞争属全国三强,企业提出述求,如何在销售管理中预测销售目标?如何将销售目标风险前置?如何确保目标达成?如图示,这张表反应了该企业在2015年年中五大销售区销售目标的具体完成情况。(我们可以简单的把这里的“商机”理解为“意向订单”,即没有支付预付款或合同款的订单。)经过日常销售数据的积累,简单分析已经可以看出:

1.华南区销售规模最大,客户基数较大,但当期客户商机金额低于销售目标,目标达成有风险。那么销售管理的重心需当即调整市场策略,同时加强客户和商机量,否则无法达成销售目标;

2.西北区虽然销售基数小,但开拓潜力较大,大量商机来自新客户,并且当期商机金额已经超出销售目标,理论上如果销售团队能够如期签订合同或回款,就能够达成销售目标。那么销售管理的重心是紧盯现有意向客户,确保如期签约;

3.西北区的商机数较少,但商机金额较大,意味着客户特征是政府或大型企业规模采购。那么销售管理的重心需向总部申请特殊资源支持或直接由总部介入售前,给予更有竞争力的销售政策,确保销售达成;

4.在制定2016年的销售目标时,比对2013年、2014年、2015年三年国内同业的市场趋势,再比对企业自身的销售数据,结合预算管理方法论,制定出企业2016年的销售目标。

以上我们简单分享了几个大数据挖掘的应用案例,因为时间有限我们仅涉及了浅显易理解的案例。但在实际应用场景中,往往数据量大到ZB级别(TB(1024GB=1TB)、PB(1024TB=1PB)、EB(1024PB=1EB)、ZB(1024EB=1ZB),这个量级一般已经超出了传统意义上的数据库运算能力,需要分布式的架构或云计算的架构运算;关键业务指标的维度更为复杂,少则十几个维度的分析,多则几十上百个维度的自由组合分析;挖掘的层次出现多维度分析后再多层次嵌套,那么产生的价值就更具备商业价值。如在销售管理中,已经出现通过大量分析消费者行为来预测用什么销售方法能够极大影响消费决策的挖掘案例。



本文出处:畅享网
本文来自云栖社区合作伙伴畅享网,了解相关信息可以关注vsharing.com网站。

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 
目录
相关文章
|
3天前
|
存储 分布式计算 大数据
数据仓库与数据湖在大数据架构中的角色与应用
在大数据时代,数据仓库和数据湖分别以结构化数据管理和原始数据存储见长,共同助力企业数据分析。数据仓库通过ETL处理支持OLAP查询,适用于历史分析、BI报表和预测分析;而数据湖则存储多样化的原始数据,便于数据探索和实验。随着技术发展,湖仓一体成为趋势,融合两者的优点,如Delta Lake和Hudi,实现数据全生命周期管理。企业应根据自身需求选择合适的数据架构,以释放数据潜力。【6月更文挑战第12天】
19 5
|
1天前
|
数据采集 机器学习/深度学习 数据可视化
数据挖掘实战:Python在金融数据分析中的应用案例
Python在金融数据分析中扮演关键角色,用于预测市场趋势和风险管理。本文通过案例展示了使用Python库(如pandas、numpy、matplotlib等)进行数据获取、清洗、分析和建立预测模型,例如计算苹果公司(AAPL)股票的简单移动平均线,以展示基本流程。此示例为更复杂的金融建模奠定了基础。【6月更文挑战第13天】
9 3
|
4天前
|
分布式计算 大数据 数据处理
Apache Spark在大数据处理中的应用
Apache Spark是大数据处理的热门工具,由AMPLab开发并捐赠给Apache软件基金会。它以内存计算和优化的执行引擎著称,提供比Hadoop更快的处理速度,支持批处理、交互式查询、流处理和机器学习。Spark架构包括Driver、Master、Worker Node和Executor,核心组件有RDD、DataFrame、Dataset、Spark SQL、Spark Streaming、MLlib和GraphX。文章通过代码示例展示了Spark在批处理、交互式查询和实时数据处理中的应用,并讨论了其优势(高性能、易用性、通用性和集成性)和挑战。【6月更文挑战第11天】
25 6
|
14天前
|
分布式计算 Spark 大数据
深入探究Apache Spark在大数据处理中的实践应用
【6月更文挑战第2天】Apache Spark是流行的开源大数据处理框架,以其内存计算速度和低延迟脱颖而出。本文涵盖Spark概述、核心组件(包括Spark Core、SQL、Streaming和MLlib)及其在数据预处理、批处理分析、交互式查询、实时处理和机器学习中的应用。通过理解Spark内部机制和实践应用,可提升大数据处理效率,发挥其在各行业的潜力。
|
18天前
|
存储 分布式计算 算法
大数据处理:挖掘价值之道
大数据处理:挖掘价值之道
|
18天前
|
存储 运维 监控
探索云原生技术在大数据分析领域的应用
传统的大数据分析往往需要庞大的硬件设施和复杂的维护工作,给企业带来了昂贵的成本和管理难题。而随着云原生技术的发展,越来越多的企业开始将大数据分析迁移到云平台上,以享受弹性、灵活性和低成本的优势。本文将探讨云原生技术在大数据分析领域的应用,介绍其优势和挑战,并展望未来的发展方向。
22 0
|
22天前
|
关系型数据库 分布式数据库 数据处理
【PolarDB 开源】PolarDB 在大数据分析中的应用:海量数据处理方案
【5月更文挑战第25天】PolarDB是解决大数据挑战的关键技术,以其高性能和可扩展性处理大规模数据。通过与数据采集和分析工具集成,构建高效数据生态系统。示例代码显示了PolarDB如何用于查询海量数据。优化策略包括数据分区、索引、压缩和分布式部署,广泛应用于电商、金融等领域,助力企业进行精准分析和决策。随着大数据技术进步,PolarDB将继续发挥关键作用,创造更多价值。
55 0
|
24天前
|
存储 弹性计算 大数据
【阿里云弹性计算】阿里云ECS在大数据处理中的应用:高效存储与计算实践
【5月更文挑战第23天】阿里云ECS在大数据处理中发挥关键作用,提供多样化实例规格适应不同需求,尤其大数据型实例适合离线计算。通过集成分布式文件系统如OSS,实现大规模存储,而本地存储优化提升I/O性能。弹性扩容和计算优化实例确保高效运行,案例显示使用ECS能提升处理速度并降低成本。结合阿里云服务,ECS构建起强大的数据处理生态,推动企业创新和数字化转型。
41 0
|
26天前
|
存储 算法 搜索推荐
【大数据分析与挖掘技术】Mahout推荐算法
【大数据分析与挖掘技术】Mahout推荐算法
23 0
|
26天前
|
机器学习/深度学习 算法 数据挖掘
【大数据分析与挖掘技术】概述
【大数据分析与挖掘技术】概述
16 1

热门文章

最新文章