基于“用戶畫像”挖掘的精準(zhǔn)營(yíng)銷細(xì)分模型研究

劉 海，盧 慧，阮金花，田丙強(qiáng)，胡守忠

(上海工程技術(shù)大學(xué) 服裝學(xué)院，上海 201620)

研究與技術(shù)

基于“用戶畫像”挖掘的精準(zhǔn)營(yíng)銷細(xì)分模型研究

劉 海，盧 慧，阮金花，田丙強(qiáng)，胡守忠

(上海工程技術(shù)大學(xué) 服裝學(xué)院，上海 201620)

針對(duì)大數(shù)據(jù)時(shí)代服裝企業(yè)不知道怎樣利用大數(shù)據(jù)進(jìn)行營(yíng)銷的問題，基于4C理論構(gòu)建了“用戶畫像”數(shù)據(jù)庫(kù)，通過對(duì)數(shù)據(jù)庫(kù)的挖掘來進(jìn)行消費(fèi)者群體細(xì)分。在此基礎(chǔ)上，從營(yíng)銷的角度構(gòu)建了精準(zhǔn)營(yíng)銷細(xì)分模型，并以三槍集團(tuán)的營(yíng)銷數(shù)據(jù)為對(duì)象，利用SPSS工具對(duì)身高這一細(xì)分因素進(jìn)行了挖掘。研究表明：大數(shù)據(jù)時(shí)代，以“用戶畫像”數(shù)據(jù)庫(kù)挖掘?yàn)榛A(chǔ)的精準(zhǔn)營(yíng)銷細(xì)分模型，能夠重構(gòu)消費(fèi)者的需求、精準(zhǔn)定位消費(fèi)者群體，并能為企業(yè)實(shí)施精準(zhǔn)營(yíng)銷提供科學(xué)的決策依據(jù)。

大數(shù)據(jù)；用戶畫像；消費(fèi)者細(xì)分；數(shù)據(jù)挖掘；精準(zhǔn)營(yíng)銷

隨著網(wǎng)絡(luò)與信息技術(shù)的快速發(fā)展，企業(yè)之間、企業(yè)與消費(fèi)者之間都習(xí)慣了通過互聯(lián)網(wǎng)進(jìn)行交易，由此帶來了電子商務(wù)的蓬勃發(fā)展，并產(chǎn)生了大量的消費(fèi)數(shù)據(jù)。黃升民等[1]通過對(duì)大數(shù)據(jù)背景下營(yíng)銷體系的解構(gòu)與重構(gòu)，認(rèn)為數(shù)據(jù)的使用貫穿在整個(gè)營(yíng)銷過程的始末，對(duì)于營(yíng)銷的效果起著至關(guān)重要的作用。

大數(shù)據(jù)時(shí)代，消費(fèi)者在網(wǎng)上的瀏覽、點(diǎn)擊、留言、評(píng)論等碎片化的行為軌跡被整理搜集并存儲(chǔ)起來，這些行為軌跡直接或間接反映了消費(fèi)者的性格、習(xí)慣、態(tài)度等信息，能被用來為企業(yè)實(shí)施營(yíng)銷提供決策依據(jù)。而這些碎片化的、整理存儲(chǔ)在數(shù)據(jù)庫(kù)中的數(shù)據(jù)，能被企業(yè)用來完整地重構(gòu)消費(fèi)者的需求。這些從全方位、立體性的記錄消費(fèi)者的數(shù)據(jù)，被稱之為“用戶畫像”[2-3]。

《大數(shù)據(jù)時(shí)代》的作者維克托·邁爾-舍恩伯格[4]認(rèn)為，大數(shù)據(jù)的簡(jiǎn)單算法比小數(shù)據(jù)的復(fù)雜算法更有效，大數(shù)據(jù)讓人們不再期待精準(zhǔn)性，而是混雜性。怎樣從混雜性的大數(shù)據(jù)中挖掘有價(jià)值的相關(guān)信息，成為企業(yè)必須思考的問題。因此，由這些數(shù)據(jù)組成的“用戶畫像”，不僅再現(xiàn)了消費(fèi)者的全貌，反映了消費(fèi)者的需求，而且是企業(yè)挖掘消費(fèi)者需求與價(jià)值、進(jìn)行消費(fèi)者細(xì)分、實(shí)施精準(zhǔn)營(yíng)銷及其他活動(dòng)的基礎(chǔ)。

1 大數(shù)據(jù)時(shí)代下的消費(fèi)需求挖掘

傳統(tǒng)營(yíng)銷模式下，筆者通過訪談、調(diào)研的方式來探知消費(fèi)者，做出假設(shè)，并根據(jù)這些數(shù)據(jù)構(gòu)建模型，用科學(xué)化的方法對(duì)消費(fèi)需求進(jìn)行驗(yàn)證并做出預(yù)測(cè)。大數(shù)據(jù)時(shí)代，當(dāng)人們有能力解讀“全樣本”，從更多角度精細(xì)地描述消費(fèi)者，并且數(shù)據(jù)可以實(shí)時(shí)、動(dòng)態(tài)獲得的時(shí)候，消費(fèi)需求的挖掘方式也要隨之改變。

1.1 “用戶畫像”數(shù)據(jù)庫(kù)的構(gòu)建

傳統(tǒng)營(yíng)銷模式下，數(shù)據(jù)來源于企業(yè)的營(yíng)銷記錄，隨著網(wǎng)絡(luò)及電子商務(wù)的發(fā)展，消費(fèi)者的網(wǎng)上痕跡也化為數(shù)據(jù)，成為企業(yè)營(yíng)銷數(shù)據(jù)的來源之一。構(gòu)建“用戶畫像”所需要的數(shù)據(jù)，除了傳統(tǒng)上從數(shù)據(jù)庫(kù)中獲得的數(shù)據(jù)、營(yíng)銷平臺(tái)搜集的數(shù)據(jù)、歷史數(shù)據(jù)[5]之外，還要盡可能獲取消費(fèi)者在互聯(lián)網(wǎng)社區(qū)上的一些視頻、圖片等信息(比如新浪微博)及地理空間信息等數(shù)據(jù)[6]，這些數(shù)據(jù)能夠從側(cè)面反映消費(fèi)者的態(tài)度、偏好等，使?fàn)I銷更精確。

對(duì)于用來存儲(chǔ)“用戶畫像”所需要數(shù)據(jù)的數(shù)據(jù)庫(kù)有很多，本文選擇SQL Server數(shù)據(jù)庫(kù)。它是一款能用于大型聯(lián)機(jī)事務(wù)處理、數(shù)據(jù)倉(cāng)庫(kù)和電子商務(wù)等方面應(yīng)用的數(shù)據(jù)庫(kù)平臺(tái)，它不僅能在企業(yè)內(nèi)部共享服務(wù)器，查詢各種數(shù)據(jù)，還能夠?yàn)槠髽I(yè)降低管理、生產(chǎn)等各方面的成本[7]。

本文的“用戶畫像”是在“4C”理論的基礎(chǔ)上，結(jié)合消費(fèi)者的需求特點(diǎn)，通過查閱文獻(xiàn)、調(diào)研、訪談并在專家的建議下構(gòu)建起來的(圖1)。

圖1 用戶畫像Fig.1 Persona

“4C”理論包括消費(fèi)者、成本、便利和溝通[8]。其中，消費(fèi)者就是充分了解、研究、分析消費(fèi)者的需求，可以從消費(fèi)者的年齡、性別、職業(yè)等基本信息角度理解；而成本不僅指消費(fèi)者愿意支付的價(jià)格成本，還包括時(shí)間、體力和精神成本；便利則主要指的是方便消費(fèi)者購(gòu)買及使用，這兩個(gè)因素可以從消費(fèi)行為角度理解，包括網(wǎng)頁瀏覽時(shí)間、點(diǎn)擊記錄等購(gòu)買前的信息搜集行為及購(gòu)買記錄等行為；溝通則是通過互動(dòng)的方式將消費(fèi)者與企業(yè)結(jié)合在一起，這樣企業(yè)就能知道消費(fèi)者的忠誠(chéng)度、滿意度等，可以從購(gòu)買后的評(píng)價(jià)及溝通平臺(tái)等角度理解。

由于“用戶畫像”屬于信息層面，因此需要用數(shù)據(jù)庫(kù)的語言進(jìn)行設(shè)計(jì)，也就是需要用實(shí)體-聯(lián)系圖(entity-relation diagram，E-R圖)來完成。E-R圖提供了表示實(shí)體(即數(shù)據(jù)對(duì)象)、屬性和聯(lián)系的方法，用來描述現(xiàn)實(shí)世界的概念模型。用來描述“用戶畫像”的E-R圖如圖2所示。

1.2 市場(chǎng)營(yíng)銷中的數(shù)據(jù)挖掘方法

“用戶畫像”構(gòu)建完之后，需要對(duì)數(shù)據(jù)進(jìn)行挖掘，這也是大數(shù)據(jù)時(shí)代數(shù)據(jù)分析最重要的一步，大數(shù)據(jù)分析，最關(guān)鍵的就是從不相關(guān)的數(shù)據(jù)到相關(guān)的關(guān)系。如何從大量不相關(guān)的數(shù)據(jù)發(fā)生聯(lián)系成為相關(guān)的關(guān)系，這就需要進(jìn)行數(shù)據(jù)挖掘。

數(shù)據(jù)挖掘方法有很多，對(duì)于營(yíng)銷來說，主要有聚類、分類、關(guān)聯(lián)規(guī)則、決策樹和協(xié)同過濾等。其中，分類主要用來對(duì)銷售數(shù)據(jù)分析，其目的是通過構(gòu)建分類模型，以此來確定顧客的興趣和消費(fèi)傾向，然后將數(shù)據(jù)分成給定的類別，從而推斷消費(fèi)者下一步的消費(fèi)行為；關(guān)聯(lián)規(guī)則主要是利用產(chǎn)品相似性進(jìn)行推薦營(yíng)銷，比如經(jīng)典的啤酒與尿布的故事，就是利用關(guān)聯(lián)規(guī)則成功營(yíng)銷的案例；決策樹主要用來保留顧客分析和顧客流失率分析，而聚類則是根據(jù)“物以類聚，人以群分”的思路，根據(jù)產(chǎn)品的相似性、顧客的群特征，對(duì)消費(fèi)者進(jìn)行分類。聚類方法包括許多，像基于層次的聚類、基于密度的聚類、基于網(wǎng)格的聚類，聚類可以用來對(duì)客戶群體進(jìn)行分類、對(duì)客戶背景分析、對(duì)客戶購(gòu)買趨勢(shì)預(yù)測(cè)等。

圖2 “用戶畫像”數(shù)據(jù)庫(kù)E-R圖Fig.2 E-R diagram of “persona” database

1.3 消費(fèi)者細(xì)分因素的確定

消費(fèi)者細(xì)分是一個(gè)陳舊的話題，但是在大數(shù)據(jù)時(shí)代，在人們擁有了更多的數(shù)據(jù)之后，借助更好的挖掘工具、分析工具，就能夠幫助企業(yè)對(duì)網(wǎng)上消費(fèi)者進(jìn)行全面的追蹤及精細(xì)的劃分，在準(zhǔn)確地劃分群體之后，通過挖掘消費(fèi)需求又可以進(jìn)行個(gè)性化的精準(zhǔn)營(yíng)銷。大數(shù)據(jù)時(shí)代，消費(fèi)者細(xì)分因素的確定是以“用戶畫像”為基礎(chǔ)的。傳統(tǒng)細(xì)分主要基于兩個(gè)角度，消費(fèi)者角度和產(chǎn)品角度[9]。消費(fèi)者角度就是以消費(fèi)者為研究重點(diǎn)，主要從消費(fèi)者的不同側(cè)面來細(xì)分消費(fèi)群體；產(chǎn)品角度就是以產(chǎn)品為導(dǎo)向的市場(chǎng)細(xì)分，為企業(yè)制定營(yíng)銷決策用。因此，細(xì)分的標(biāo)準(zhǔn)不同就會(huì)有不同的市場(chǎng)適用性[10]。

總之，從消費(fèi)者角度來說，市場(chǎng)細(xì)分的依據(jù)主要有三方面：人口特征、行為特征和心理特征[11]。

人口特征因素主要包括性別、年齡、職業(yè)、地區(qū)及婚姻狀況[12]。通過以往的文獻(xiàn)可知，性別、年齡不同，消費(fèi)需求也不同；消費(fèi)者的教育程度、收入越高，購(gòu)買新產(chǎn)品的可能性越高[13]；而婚姻狀況對(duì)消費(fèi)者的消費(fèi)習(xí)慣也會(huì)產(chǎn)生影響[14]。

行為特征因素的選取主要參照消費(fèi)者購(gòu)買決策及專家意見來獲取并確定的。消費(fèi)者在購(gòu)買決策過程中大致經(jīng)歷需求誘發(fā)、信息搜集、比較選擇、購(gòu)買決策、購(gòu)后評(píng)價(jià)五個(gè)階段[15]。

心理特征因素主要包括偏好、態(tài)度和價(jià)值三個(gè)主要方面。偏好方面不僅包括消費(fèi)者對(duì)顏色、價(jià)格等與產(chǎn)品有關(guān)的偏好，還包括消費(fèi)者的一些行為偏好，態(tài)度指的是消費(fèi)者的滿意度與忠誠(chéng)度。而價(jià)值則主要指的是消費(fèi)者的感知價(jià)值[16]，消費(fèi)者所感覺到的、一些與心理有關(guān)的利益[17]、價(jià)值等方面。

綜上所述，構(gòu)建消費(fèi)者細(xì)分因素模型如表1所示。

表1 消費(fèi)者細(xì)分因素模型Tab.1 Consumer segmentation factors model

2 大數(shù)據(jù)時(shí)代精準(zhǔn)營(yíng)銷細(xì)分模型的構(gòu)建及驗(yàn)證

2.1 精準(zhǔn)營(yíng)銷細(xì)分模型的構(gòu)建

大數(shù)據(jù)時(shí)代，構(gòu)建精準(zhǔn)營(yíng)銷體系模型如圖3所示。

精準(zhǔn)營(yíng)銷的核心是以消費(fèi)者為中心，精確和準(zhǔn)確地滿足消費(fèi)者的需求。大數(shù)據(jù)時(shí)代下，構(gòu)建“用戶畫像”數(shù)據(jù)庫(kù)的目的就是為了全面、準(zhǔn)確地描述消費(fèi)者，用數(shù)據(jù)重構(gòu)消費(fèi)者的全貌，消費(fèi)者的一切需求、偏好、動(dòng)機(jī)都能利用數(shù)據(jù)挖掘技術(shù)從“用戶畫像”數(shù)據(jù)庫(kù)中提取出來，再通過消費(fèi)者群體細(xì)分形成對(duì)營(yíng)銷有價(jià)值的信息，從而為企業(yè)實(shí)施精準(zhǔn)營(yíng)銷提供有效的建議。精準(zhǔn)營(yíng)銷策略實(shí)施之后或者在實(shí)施過程之中，企業(yè)也可以通過與消費(fèi)者互動(dòng)溝通、消費(fèi)者購(gòu)買后的評(píng)價(jià)等數(shù)據(jù)查看營(yíng)銷的效果，并將這些效果反饋到“用戶畫像”數(shù)據(jù)庫(kù)中，以便隨時(shí)改進(jìn)營(yíng)銷策略。

在整個(gè)精準(zhǔn)營(yíng)銷體系中，精準(zhǔn)營(yíng)銷策略的實(shí)施是以精準(zhǔn)營(yíng)銷細(xì)分模型為基礎(chǔ)的，精準(zhǔn)細(xì)分模型的構(gòu)建是整個(gè)精準(zhǔn)營(yíng)銷體系中最重要的一步。

傳統(tǒng)營(yíng)銷模式下，人們是以“4P”理論(產(chǎn)品、渠道、價(jià)格、促銷)進(jìn)行營(yíng)銷的，大數(shù)據(jù)時(shí)代，營(yíng)銷的理論基礎(chǔ)也不會(huì)脫離“4P”理論?；跀?shù)據(jù)挖掘及消費(fèi)者細(xì)分模型的基礎(chǔ)上，本文從消費(fèi)者、產(chǎn)品、購(gòu)買行為、服務(wù)4個(gè)營(yíng)銷的角度，重新細(xì)分影響因素，構(gòu)建精準(zhǔn)營(yíng)銷細(xì)分模型進(jìn)行營(yíng)銷。精準(zhǔn)營(yíng)銷細(xì)分模型如表2所示。

表2 精準(zhǔn)營(yíng)銷細(xì)分模型Tab.2 Precision marketing segmentation model

2.2 基于兒童身高的精準(zhǔn)營(yíng)銷細(xì)分群體驗(yàn)證

因?yàn)槠髽I(yè)的營(yíng)銷數(shù)據(jù)屬于商業(yè)機(jī)密，企業(yè)一般不會(huì)輕易給外人使用，因此憑借筆者所在學(xué)院與上海三槍集團(tuán)的合作關(guān)系，采用三槍集團(tuán)旗下迪士尼網(wǎng)上品牌的銷售數(shù)據(jù)做驗(yàn)證分析。

限于時(shí)間與能力的原因，取上海三槍迪士尼品牌2014年全年的網(wǎng)上營(yíng)銷數(shù)據(jù)作為全樣本進(jìn)行分析，并以身高(服裝號(hào)型中的“號(hào)”表示人體的身高，“型”表示人體的圍度)這一細(xì)分因素為例，對(duì)數(shù)據(jù)進(jìn)行處理并驗(yàn)證。

對(duì)獲得的數(shù)據(jù)進(jìn)行簡(jiǎn)單處理之后，導(dǎo)入到SQL Server2012 數(shù)據(jù)庫(kù)中，其各個(gè)結(jié)構(gòu)如表3所示。

根據(jù)GB/T 1335.3—2009《服裝號(hào)型 兒童》的規(guī)定，將兒童身高分為三檔，身高52～80 cm為嬰兒，身高以7 cm分檔；身高80～130 cm為兒童，身高以10 cm分檔；身高135～155 cm為女童及身135～160 cm為男童，身高以5 cm分檔。

第三檔分男女，主要在于胸圍出現(xiàn)了變化，考慮到本文做的主要是身高因素的細(xì)分，以及在兒童時(shí)期性別對(duì)于身高無明顯影響的情況下，結(jié)合三槍集團(tuán)以10 cm作為分檔的情況，現(xiàn)將數(shù)據(jù)做統(tǒng)一處理：調(diào)取SQL Server數(shù)據(jù)庫(kù)中號(hào)型表中的數(shù)據(jù)，導(dǎo)出到Excel表中，剔除身高號(hào)小于60 cm的(包括空值)數(shù)據(jù)，剔除身高高于170 cm的數(shù)據(jù)，得到165 391條記錄數(shù)據(jù)，然后將處理好的Excel表中的數(shù)據(jù)導(dǎo)入到SPSS中，并設(shè)置變量名為身高，度量標(biāo)準(zhǔn)為度量。

表3 數(shù)據(jù)庫(kù)中的“號(hào)”型表結(jié)構(gòu)Tab.3 Table structure of size designation in database

首先，對(duì)這些數(shù)據(jù)進(jìn)行二階聚類，因?yàn)槎A聚類是一個(gè)探索性的分析工具，除了能夠高效率地分析大數(shù)據(jù)集及分類變量和連續(xù)變量都可以參與二階聚類分析等優(yōu)點(diǎn)之外，它還可以自動(dòng)確定分類數(shù)。所以，先運(yùn)用二階聚類的方法確定最優(yōu)的分類數(shù)。結(jié)果如圖4所示。

圖4 二階聚類結(jié)果Fig.4 Result of two-order clustering

從圖4可知，數(shù)據(jù)被自動(dòng)分成6類，聚類的平均輪廓值約為0.9(其范圍值為-1.0～1.0，值越大越好)，說明聚類效果非常好。

如果只是從數(shù)據(jù)的角度看，效果是非常好的。但是如果結(jié)合服裝尺碼的背景來看，效果是不理想的。企業(yè)原來的劃分是以10 cm為單位，共有12組尺寸。精準(zhǔn)營(yíng)銷的理想情況是，以1 cm，甚至0.5 cm為分檔做分類，但是考慮到企業(yè)的實(shí)際成本及定位(不是高級(jí)定制)問題，這是不可能實(shí)現(xiàn)的，因此希望盡可能在盈利的情況下細(xì)分群體。如果只是按照6組來劃分，非但沒有精細(xì)劃分，而且更“粗糙”了，因此需要根據(jù)結(jié)果重新劃分?？紤]到企業(yè)原來的12類分類，以及二階聚類方法分出的6類中100 cm以下訂單數(shù)較少并只分出一類的情況(圖5)，暫時(shí)按照10類進(jìn)行聚類。

圖5 二階聚類單元分布Fig.5 Distribution of two-order clustering unit

選用K-均值聚類法，運(yùn)用SPSS對(duì)數(shù)據(jù)重新進(jìn)行聚類。設(shè)置聚類數(shù)為10，進(jìn)行聚類。結(jié)果如表4所示。

根據(jù)表4可知，2、4、6、9這四類，明顯案例數(shù)較少，而且這四類屬于身高100 cm以下、大約2歲以下的兒童，這部分兒童顯然不是三槍迪士尼品牌定位的主要消費(fèi)群體。3、5、7、8、10這五類，身高在110～160 cm，年齡在4～14歲，這五類身高群體是主要的訂單來源，也是三槍迪士尼品牌主要的客戶群。

參照其他童裝品牌的分類情況，H&M品牌童裝以身高128 cm(約8歲)為分界點(diǎn)，128 cm以前以10 cm分檔，128 cm以后以5 cm分檔；ZARA品牌童裝以身高150 cm(約11歲)為分界點(diǎn)，150 cm以前以10 cm分檔，150 cm以后以5 cm分檔，再結(jié)合GB/T 1335.3—2009《服裝號(hào)型 兒童》分類標(biāo)準(zhǔn)及三槍迪士尼品牌的定位，建議：以130 cm為分界點(diǎn)，130 cm以前以10 cm分檔，130 cm以后以5 cm分檔。這樣，三槍迪士尼童裝品牌的分檔，身高110 cm以后，分為11類，110 cm以前可以根據(jù)企業(yè)的定位，保持不變繼續(xù)分為5類或是更少。

表4 最終聚類中心Tab.4 The final clustering center

因此，通過挖掘三槍集團(tuán)迪士尼童裝的號(hào)型數(shù)據(jù)證明，運(yùn)用聚類的方法，能夠?qū)⑼b的號(hào)型根據(jù)消費(fèi)者的需求重新細(xì)分，并且重新細(xì)分的消費(fèi)者人群，企業(yè)不僅可以比較精準(zhǔn)的滿足其需求，還能夠節(jié)約企業(yè)的營(yíng)銷成本，方便生產(chǎn)。

3 結(jié) 語

大數(shù)據(jù)時(shí)代，基于“用戶畫像”數(shù)據(jù)庫(kù)基礎(chǔ)上的精準(zhǔn)營(yíng)銷，不是對(duì)經(jīng)典營(yíng)銷理論和方法的顛覆，而是在對(duì)數(shù)據(jù)深入理解的基礎(chǔ)上，重新理解消費(fèi)者，精細(xì)劃分，挖掘消費(fèi)需求。本文通過構(gòu)建“用戶畫像”數(shù)據(jù)庫(kù)挖掘消費(fèi)需求，并在整理消費(fèi)者細(xì)分因素的基礎(chǔ)上，構(gòu)建了大數(shù)據(jù)時(shí)代精準(zhǔn)營(yíng)銷細(xì)分模型，不僅為企業(yè)實(shí)施精準(zhǔn)營(yíng)銷策略提供了借鑒，同時(shí)也為大數(shù)據(jù)時(shí)代研究精準(zhǔn)營(yíng)銷提供了一點(diǎn)思路。

雖然本文精準(zhǔn)營(yíng)銷細(xì)分模型的構(gòu)建不是很全面，有關(guān)模型的驗(yàn)證只是以身高為例進(jìn)行驗(yàn)證，并且研究不是很深入，但是后續(xù)的有關(guān)其他因素的驗(yàn)證也會(huì)繼續(xù)做下去。企業(yè)可根據(jù)自身的情況選擇某一細(xì)分因素或某幾個(gè)細(xì)分因素進(jìn)行應(yīng)用，比如性別與地區(qū)的關(guān)系，地區(qū)與顏色、款式的關(guān)系等。當(dāng)企業(yè)利用已有的數(shù)據(jù)挖掘出某一地區(qū)的人們偏愛某一顏色時(shí)，對(duì)企業(yè)而言，不管是營(yíng)銷策略的制定還是庫(kù)存的管理，企業(yè)都可以處理得游刃有余。同時(shí)，關(guān)于在數(shù)據(jù)挖掘基礎(chǔ)上的精準(zhǔn)營(yíng)銷細(xì)分研究，其余學(xué)者也可以繼續(xù)研究下去。

[1]黃升民,劉珊.大數(shù)據(jù)背景下營(yíng)銷體系的解構(gòu)與重構(gòu)[J].現(xiàn)代傳播,2012(11):13-20. HUANG Shengmin, LIU Shan. Deconstruction and reconstruction of the marketing system under the background of big data[J]. Modern Communcation,2012(11):13-20.

[2]謝然.從五大行業(yè)案例看大數(shù)據(jù)的應(yīng)用邏輯[J].互聯(lián)網(wǎng)周刊,2015(2):30-35. XIE Ran. Seeing the application logic from the five sectors of large data case[J]. China Internet Weekly,2015(2):30-35.

[3]張鵬,劉譯璟.為消費(fèi)者畫像[J].銷售與市場(chǎng):渠道版,2013(9):30-32. ZHANG Peng, LIU Yijing. Consumer map[J]. China Market: Channel Edition,2013(9):30-32.

[4]維克托·邁爾-舍恩伯格,肯尼斯·庫(kù)克耶.大數(shù)據(jù)時(shí)代:生活、工作與思維的大變革[M].杭州:浙江人民出版社,2013:7-30. MAYER-SCH?NBERGER V, CUKIER K. Big Data: a Revolution That Will Transform How We Live, Work, and Think[M]. Hangzhou: Zhejiang People Press,2013:7-30.

[5]段云峰,吳唯寧,李劍威,等.數(shù)據(jù)倉(cāng)庫(kù)及其在電信領(lǐng)域中的應(yīng)用[M].北京:電子工業(yè)出版社,2003:9-14. DUAN Yunfeng, WU Weining, LI Jianwei, et al. Data Warehouse and Its Application in the Field of Telecommunications[M]. Beijing: Electronic Industry Press,2003:9-14.

[6]史忠植.知識(shí)發(fā)現(xiàn)[M].北京:清華大學(xué)出版社,2011:13-15. SHI Zhongzhi, Knowledge Discovery[M]. Beijing: Tsinghua University Press,2011:13-15.

[7]廖夢(mèng)怡,王金柱.SQL Server 2012寶典[M].北京:電子工業(yè)出版社,2014:2-8. LIAO Mengyi, WANG Jinzhu, Book of SQL Server 2012[M]. Beijing: Electronic Industry Press,2014:2-8.

[8]劉向暉,網(wǎng)絡(luò)營(yíng)銷導(dǎo)論[M].北京:清華大學(xué)出版社,2005:40-46. LIU Xianghui, Introduction of Network Marketing[M]. Beijing: Tsinghua University Press,2005:40-46.

[9]WORCESTER R M, JOHN D H. Consumer market research handbook, third revised and enlarged edition[C]∥Elsevier Science Publishers, BV.1986:387-423.

[10]何宜軍.基于4C理論的網(wǎng)絡(luò)營(yíng)銷策略研究[J].企業(yè)研究,2014(16):35-36. HE Yijun. Research of network marketing strategy based on the theory of 4C[J]. Business Research,2014(16):35-36.

[11]齊麗云,汪克夷,陸英賢,等.基于消費(fèi)行為的市場(chǎng)細(xì)分模型構(gòu)建與驗(yàn)證:以移動(dòng)通信行業(yè)為例[J].管理學(xué)報(bào),2009,6(6):805-811. QI Liyun, WANG Keyi, LU Yingxian, et al. Model of market segmentation based on consumer behavior: the mobile communication industry perspective[J]. Chinese Journal of Management,2009,6(6):805-811.

[12]劉英姿,吳昊.客戶細(xì)分方法研究綜述[J].管理工程學(xué)報(bào),2006,20(1):53-57. LIU Yingzi, WU Hao. A summarization of customer segmentation methods[J]. Journal of Industrial Engineering and Engineering Management,2006,20(1):53-57.

[13]WIND Y. Issues and advances in segmentation research[J]. Journal of Marketing Research,1978(8):317-337.

[14]雪鷹傳奇.電商大數(shù)據(jù):用數(shù)據(jù)驅(qū)動(dòng)電商和商業(yè)案例解析[M].北京:電子工業(yè)出版社,2014:19-20. Xueying Chuanqi. The Big Data of E-commence, Data Driven Business and Business Case Analysis[M]. Beijing: Electronic Industry Press,2014:19-20.

[15]劉業(yè)政,姜元春,張結(jié)魁,等.網(wǎng)絡(luò)消費(fèi)者行為:理論方法及應(yīng)用[M].北京:科學(xué)出版社,2011:20-30. LIU Yezheng, JIANG Yuanchun, ZHANG Jiekui, et al. Network Consumer Behavior: Theory and Application[M]. Beijing: Science Press,2011:20-30.

[16]呂紅艷.基于顧客價(jià)值的市場(chǎng)細(xì)分研究[D].天津:天津大學(xué),2007:5-8. Lü Hongyan. Research of Market Ssegmentation Based on the Customer Value[D]. Tianjin: Tianjin University,2007:5-8.

[17]武新麗,基于利益的網(wǎng)絡(luò)市場(chǎng)細(xì)分研究[D].南寧:廣西大學(xué),2006:6-11. WU Xinli. Research of Network Market Segmentation Based on the Profit[D]. Nanning: Guangxi University, 2006:6-11.

Research on Precision Marketing Segmentation Model Based on Mining “Persona”

LIU Hai, LU Hui, RUAN Jinhua, TIAN Bingqiang, HU Shouzhong

(College of Fashion, Shanghai University of Engineering Science, Shanghai 201620, China)

For the issue that clothing companies do not know how to use big data for marketing in the era of big data, this paper builds “persona” database based on the theory of 4C, and segments consumers through mining the database. On this basis, a precision marketing segmentation model is established from marketing perspective. Besides, this paper takes marketing date of Three Gun Group as the object and utilizes SPSS tool to mine height. The researches show in the era of big data, the precision marketing segmentation model based on the data mining of “persona” can reconstruct the demands of consumers, precisely position the consumer groups and provide scientific basis for enterprises to implement the strategy of precision marketing.

big data; persona; consumer segmentation; data mining; precision marketing

2015-05-21;

2015-11-04

上海市科委公共服務(wù)平臺(tái)項(xiàng)目(13DZ2294300)；上海市教委科研創(chuàng)新項(xiàng)目(13ZS173)；上海教育科學(xué)研究項(xiàng)目(B14035)；上海教委優(yōu)青項(xiàng)目(ZZGJD12017)

doi.org/10.3969/j.issn.1001-7003.2015.12.008

TS941.1

A

1001-7003(2015)12-0037-06 引用頁碼: 121108