大数据精准营销模型构建略谈

1、数据采集

数据采集是大数据营销平台的基础，数据类型的多样性及数据来源的差异化是影响数据质量乃至挖掘效果的重要因素。从数据的时效性来看，可将数据类型分为：

静态数据包括人口属性、商业属性等，主要用于用户的基本属性分析和智能标签分类。通过性别、年龄、职业、学历、收入等数据的关联分析，知道“用户是什么样的人”。

近期数据主要为用户一段时间内的网络行为数据，通过对用户近期活跃应用、内容访问、通信行为、常驻区域等具有一定时效性数据的分析，获取用户的兴趣偏好和消费习惯等，知道“用户对什么感兴趣”。

实时数据主要为用户实时变化的网络行为数据，包括搜索信息、购物信息、实时地理位置等，通过地理位置信息实时捕获用户的潜在消费场景，抓住营销机会，实时触达目标用户，知道“用户在哪里干什么”。

2 用户画像

用户画像是营销模型的重中之重，其核心在于用高度精炼的特征来为用户“打标签”，如年龄、性别、地域、用户偏好、消费能力等，最后综合关联用户的标签信息，勾勒出用户的立体“画像”。用户画像可较完美地抽象出一个用户的信息全貌，为进一步快速地预测用户行为、消费意愿等重要信息，提供了全面的数据基础，是实现大数据营销的基石。基于此，笔者建议从六个维度构建基于大数据分析的用户画像，包括人口属性、内容偏好、APP偏好、通信行为、金融征信、常驻/实时位置等，各维度的具体指标。

3 模型构建

常用的数据挖掘方法主要是基于用户画像体系与结果，选取相关性较大的特征变量，通过分类模型、聚类模型、回归模型、神经网络和关联规则等机器算法进行深度挖掘。