基于大数据分析的精准营销

唐志晶，孙景浩，王执政，伍玉通，周书冉

（河南师范大学，河南 新乡 453007）

随着我国电子商务和移动支付的快速发展，手机已成为人们生活中必不可少的工具。除了常规的通信功能外，手机还可以进行购物、支付、娱乐、学习和交流等。因此，选择一个什么样的手机已经成为广大消费者注重要考虑的问题。移动终端的普及，让数据分析随地可行。大数据营销使得营销行动目标明确、可追踪、可衡量、可优化，从而造就了以数据为核心的营销闭环，营销行动得到良性循环[1]。

1 对数据进行描述性统计分析

以网络上某一品牌手机为例，进行数据分析，调查用户的基本行为特征对手机购买的影响以及如何影响[2]。首先对数据进行量化处理，进而建立主成分分析模型，得到影响用户购买手机的主要成分；最后，建立多项Logistic回归模型，运用SPSS对数据进行处理，计算出各个因素对影响购买手机的权重，用以研究各个因子是如何影响是否购买手机的[3]。研究消费者的基本属性和个人偏好对购买手机的影响，从而得出精准营销策略[4]。

1.1 主成分分析模型

首先，分析用户的个人偏好，发现并不是所有偏好都与用户对手机的购买有所关联，因此，建立主成分分析模型对用户的基本属性特征以及个人偏好进行主成分分析处理。

运用SPSS软件对表格数据进行主成分分析处理，可得结果如表1所示。

表1 解释的总方差

已知表1中合计项为主成分，则可知主成分为年龄、性别、学历、职业、网络购物指数、网络活跃指数。

1.2 多项Logistic回归模型

Logistic回归分析的因变量应是分类变量，并且包含顺序变量和名义变量。不论是哪一种变量都要用数字来表示其取值。自变量是数据型的连续变量，也可以使顺序型分类变量。如果是名义变量，则需转化成哑变量来解决。

二值变量的Logistic回归模型：假设因变量y是一个取值为1和0二值变量（binary variable），x是一个影响y的危险因子（risk factor）。令在x条件下y=1的概率是P=P(y=1|x)，则有表达式：

首先，对主成分分析模型计算出的主要因子进行集成处理，利用SPSS软件进行多项Logistic回归分析，将用户是否购买手机设为因变量y，性别、年龄、学历、职业、网络购物指数和网络活跃指数为自变量xi(i=1,2,…,6)，得出模型拟合信息与拟合优度（见表2—3）。

表2 模型拟合信息

表3 拟合优度

通过读取模型拟合信息表的最后一列“显著性”可知，显著性值小于0.05，这说明模型具有统计意义，模型通过了初步检验；原假设模型能够很好地拟合原始数据，通过读取拟合优度表可知，最后一列Pearson卡方显著性值为0.606，说明自变量与因变量呈强相关状态，因此，模型对原始数据的拟合通过检验。进而对参数估计表进行分析，该表中B列为自变量不同分类水平在模型中的相关系数，正负号表明它们与购买选择是呈正比还是反比关系。其中第六列是瓦尔德检验显著性值，此值小于0.05说明对应自变量的系数具有统计意义，对因变量不同分类水平的变化有显著影响。

大学本科用户和大学专科用户相比，大学本科用户更倾向于购买此种手机，并且这种可能是与硕士及以上用户构成显著差异；手机的购买选择，被调查用户的网络购物指数和网络活跃指数介于501～1000没有影响。从而我们得到未购买的判别方程如式（3）所示：

由于单一调查用户的各项数据只会出现在一个分段，所以上式的αi就代表B列中的相关系数，例如某用户的年龄为30，性别男，学历大学本科，则上式中α1为-0.013, αi为30，α2为0，bi为1，α3为0.232，di为1，以此类推。

2 精准营销分析

精准营销的沟通对象不再是所有客户而是经过细分的目标客户，精准营销不仅仅是基于互联网的一种营销工具，不再仅仅依靠大众媒体，而是以社交平台、搜索引擎等分众媒体为主进行沟通，通过高效的互动，使得受众的接触度更直观，从而使实施效果可衡量、更精准。精准营销的前提是精准定位。只有运用基于用户行为的精准广告投放，才能精准地体现用户的爱好，给用户提供精准的个性化的服务。做到精准营销要有精准的营销理念、对客户进行精准分析、对产品进行精准的市场定位、将产品精准投放到不同地区、提升客户的体验度、最后要对品牌进行精准的管理。

精准营销的前提是精准定位。根据建立的挖掘模型对所查阅的数据进行处理后，得到100位潜在用户。分析这100位用户的基本特征和行为偏好可知，购买手机概率高的用户，会选择在某购物平台上浏览、搜索不同手机品牌的信息，针对此现象，手机销售部门可以加大在此购物平台上的广告投放力度，再根据停留时间进一步分析可知，可以选择17：00-21：00时间段内为广告投放时间；同理即可分析出其他用户的爱好与广告投放之间的联系。同时，手机宣传部门可以针对有不同购买概率的用户，进行广告投放力度的调整，包括投放时间长短、投放平台数量等因素。就是说，可以针对购买概率极高的用户所在网络停留时间段和停留的购物平台，采取最大的广告投放力度，投放时间最长、投放数量最多；购买概率较高的用户，可以在上述投放力度上减小些，投放时间减短一些、投放数量减少些；对于购买概率相对较低的用户，可以采取最低的广告投放力度，时间最短，平台投放量最少。

3 结语

该模型结合数据挖掘可应用于商品实现精准营销，以及在不同的网络平台上的广告投放问题，可帮助企业制定营销战略，定量分析出在什么合适的时间，什么合适的地点，把商品以合适的方式推销给那些合适的人。亦可结合“大数据杀熟”策略，针对不同的用户，实现营销捆绑，兴趣牵制等目标。

[1]金懿.大数据下的广告营销战略发展趋势[J].中国传媒科技，2013（14）：39-40.

[2]曲晓琳.大数据为精准营销铺路[J].经济论坛，2015（6）：118-120.

[3]李存琛.海量数据分布式存储技术的研究与应用[D].北京：北京邮电大学，2013.

[4]玄文启.大数据背景下的网络营销模式[J].中国科技信息，2015（17）：105-106.