企业大数据战略的6大应用

企业要拥抱大数据，个性化营销、对客户价值的识别和挖掘、客户流失预警、数据驱动的精准广告、企业商业决策、库存管理和物流配送等大数据的六种典型应用，可以帮助企业从数据应用中创造价值。

    数据将是“未来的新石油”

    美国的一家信用卡公司，在对客户流失问题进行分析的时候，发现借助一些变量指标对客户进行分类，不同项下的指标分组下客户的流失倾向是不同的，比如同时满足A1、B1、X1条件的用户流失概率为66.7%，而满足A1、B3的客户流失率仅为5%，从而建立起了客户流失预警的内部机制，对新客户开发的资源分配也起到了重要的指导作用。

    与此同时，更多的通过大数据的分析和挖掘的企业案例不断涌现，在这个从产品为中心到以用户为中心的时代，如何利用用户的数据资产为企业建构更好的商业模式，创造更好的商业收益正成为企业们面临的最大挑战。当然，这本身也意味着巨大的机会。

    百分点创始人兼董事长、北大光华管理学院研究教授苏萌告诉《商学院》记者，“数据将是‘未来的新石油’，中国将成为全球最重要的大数据市场，大数据有望引领自IT和互联网泡沫以来的下一轮经济增长浪潮，未来公司之间的竞争将是对于数据资源和应用的竞争。”

    但是，对于扑面而来的大数据时代，还有不少的企业感到困惑和迷茫，比如我们的企业到底能积累什么样的数据，如何发挥这些数据的价值，面向未来的商业创新又需要增加或抓取哪些新的数据，这些数据到底能帮助企业做什么，如何获取这些想要的数据，企业的大数据战略到底是什么等等一系列的问题，当然，还有更重要的一点，这些数据的应用能在哪些方面发挥作用？

    打造大数据管理的两极

    对企业的大数据管理来说，两大系统不容忽视，一是用户管理系统，另一个就是商品（内容）管理系统。这也就是很多企业，尤其是电商企业，会推出“用户画像”和“商品标识库”的原因，当然，它也是制造企业推动“定制化生产”，“数据工厂”的重要前提和基础。

    然而，要建构企业的用户管理系统和商品（内容）管理系统，需要大量数据的支撑，这些数据到底如何获取，又如何建适合本企业的商业模型呢？

    “企业要拥抱大数据时代，需要做好数据归集、数据管理、数据应用三个方面的工作，在此基础上，企业才能进行大数据的分析和挖掘，也就是大数据的应用。”在苏萌看来，数据收集是帮助企业打破数据孤岛的重要工作，在收集过程中，企业需要建立起第一方数据（企业自身）、第三方数据、CRM数据（客户关系管理数据）、交易数据等在内的多重数据匹配系统，同时构建起针对客户的统一视图，即将企业网站、移动设备、展示广告、线下数据、企业营销数据库、社会化媒体、电子邮件、呼叫中心、MINI-SITE上所有企业相关的数据进行收集和整合。

    以苏宁为例，苏宁大数据相关部门负责人就告诉记者，“苏宁会整合其门店、PC、移动以及TV的四端数据，覆盖全国所有城市的1600家门店，以及线上在B2C领域排名前三的苏宁易购，以及数千上万家移动微店，客厅端PPTV的数据。”此外，苏宁还会注意到这些数据不同服务方面上的收集和整合，比如零售数据、娱乐、金融、理财方面的商品和服务数据，最终通过这些数据的整合为用户创造最佳体验。

    “以门店端为例，苏宁在门店端布局了相关设备进行数据的采集和分析：一是对整个门店的客流分析，比如说今天有多少人到了这个门店，二是对于用户身份的识别以及定位，比如今天来这间门店的，有多少是会员，有多少是非会员，会员里面有多少是新注册的会员，有多少是老会员等。由此，借助数据的支撑和数据的说明，会让我们看到会员发展的速度和质量。”苏宁方面表示。

    事实上，不只是苏宁，包括华为、TCL等很多企业都在打造包括电商、媒体、金融在内的数据客理平台，由此沉淀数据资产，掌握用户。而奇虎360在建构其金融生态的同时，也提出了要将搜索、电商、社交数据三方面的数据进行整合和管理。

    由此，数据管理成为数据收集之后的第二项工作，按照苏萌的分析，“数据管理需要精确到个体消费者的洞察。”它包括数据的存储/仓库，数据标准化，筛选/细分，分析/决策，最终形成客户的群体划分和基于消费偏好的个体画像。

    在客户的群体划分中，RFM模型非常有用，R即Recently（最近），表示客户最近一次购买的时间，为方便统计量，可以停止交易的时间，或者持续交易的时间；F即Frequently（频率），表示客户在统计周期内购买的次数；M即Monetary Value，表示客户在统计周期内每次购买的平均金额（如图）。

    不难看出，RFM模型是衡量客户价值和客户创利能力的重要工具和手段。它通过一个客户的近期购买行为，购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况，并将用户分层为：一般发展用户、一般价值用户、一般挽留客户、一般保持客户重要价值用户，重要发展用户、重要挽留用户、重要保持客户，进而帮助企业制定不同的营销策略。

    而在基于消费偏好的个体画像方面，很多用户的个性化数据被提炼出来，包括年龄、性别、职业、兴趣、对品牌的特殊偏好、其关注的领域等等，这也就是常被提及的用户画像或用户标签库。这个标签库的数据，除了需要足够丰富，完整，准确之外，它往往还需要上面提到的用户分层、用户画像、用户的购买预测，本质上就是要用数据挖掘的技术去解决商业上的命题。

    而这一商业命题，就是数据的应用，就是企业如何从数据应用中获益，它包括如何帮助企业进行消费者观察，如何进行用户体验优化，如何提高营销效能，如何提升运营效率等。

    大数据的六种典型应用

    1、个性化营销

    《一对一的未来》一书的作者罗杰斯和派柏斯在该书中曾这样表示，“我们正经历从工业时代到信息时代史诗般宏伟的转型。我们也随之目睹了大众营业员销的衰亡，一对一营销的兴起。”事实上，在这场营销革命的背后，大数据的应用恰恰是始作俑者。这也是大数据在当前商业方面最典型的一项应用。可以说，由数据驱动的个性化营销正成为任何企业不容回避的重要趋势。

    伴随信息过载与消费者异质化，一方面是海量数据和海量信息导致用户信息饥饿感，用户对非关联信息的容忍度与日俱减。同时，用户兴趣数据与日俱增，但用户甄别信息能力占比与日俱减，消费者呈现长尾化趋势，这一切，导致了个性化成为大数据的应用方向。

    由此个性化的技术被关注和应用，并进而推动企业在生产领域由单纯追求成本最优的规模化生产向客户化定制方向转变。同时，个性化推荐、移动跨屏推荐成为典型应用。而这些应用的背后，是计算机学、统计学、营销学的集成。

    2、对客户价值的识别和挖掘

    按照科特勒在1995年对客户终身价值的定义，客户终身价值是“从一个客户身上所得到的其生命周期中全部销售额减少公司用来获取该客户和销售与服务于该客户所花费的总成本的净值。”就是公司将从该客户身上所得到的未来所有现金流的净现值。

    这意味着，以数据为支撑的客户终身价值的评价和分析将有助于公司建立市场细分的策略，确认哪一类客户才是值得花费成本来建立客户关系的，并最终找到自己真正的目标客户群。同时，它将帮助企业更好地推进客户关系管理，比如通过数据的挖掘和分析，可以知道究竟百分之多少的销售额分别来自于现有客户和新客户。当然，它还会影响到企业的定价行为，比如降价可以迅速提升老客户保留比率和新客户获取比率，但同时也会降低利润率。涨价将提高利润率，但同时也会降低老客户保留比率和新客户获取比率，这意味着企业需要用数据支持决策，最终获得一个最优化的平衡。

    3、客户流失预警

    在用户即资产的时代，客户流失预警对企业的战略制定有着重要意义，流失的是否是目标客户，这些客户流失是否代表进攻者的强势进攻，还是自然选择的一个过程，哪一类型的客户，或者满足哪些条件的用户更容易流失，而满足哪些条件的用户则不易流失等等，通过不同的算法，可以发现最终客户流失的特殊及其原因，最终帮助企业决定是否需要挽留这些用户。

    4、数据驱动的精准广告

    值得注意的是，在大数据时代，营销理论正在经历重要演变，在历史上，包括产品、价格、渠道、促销在内的4P理论，由于科特勒的创新变为了6P，加上了权力和公共关系。1990年，美国营销专家罗伯特·劳特朋教授提出了4G理论，以消费者需求为导向，重新设定了市场营销组合的四个基本要素，即消费者、成本、便利和沟通。但是大数据出现，尤其是由因果关系向相关关系的转变，4R理论正变得越来越适时，即关联、反应、关系和回报。

    营销理论的变迁背后，恰恰是数据驱动的精准广告时代的来临，它要求广告主在投放广告前要识别目标消费者，在投放中要实现精准定位，投放后要用一系列的数据工具进行广告效果监控。

    5、企业商业决策

    如前所述，企业的诸多重要的商业决策已经变得与数据密不可分，在很多企业里，用数据说话，拿数据指路已经成为企业运营过程的必备准则。同样以苏宁为例子，其数据部门需要为业务部门提供多重服务。首先就是报表服务，即通过Adhoc的技术，为运营部门提供实时的、丰富的、准确的数据支持，帮助所有的运营部门拿数据说话的问题。比如说你今天做一个活动，你需要直接把流量的数据拿出来。其次，就是引擎服务，引擎的意思就是说，它能够应用大数据的技术去驱动前台的业务，它与报表报务的差别在于它已经直接嵌入到企业的生产经营活动中，出来的数据会直接影响到企业的整个业务。

    6、库存管理和物流配送

    对于很多电商公司，或者是O2O公司来说，库存管理和物流配送正成为企业重要的竞争力，它不仅直接关系到企业的成本、利润，同时还直接关系到用户体验。由此，通过数据的分析和挖掘，可以精准测算出不同品类不同规格段商品的库存水平，同时获取物流配送的时间效率、最佳用户体验与物流整体配送效益的平衡。