营销数据分析概述，数据分析包罗万象要善于利用

已故的惠普创始人戴维·帕卡德曾说：

营销如此重要，以至于不能把它仅仅交给营销部门来处理。

在当前客户需求瞬息万变的市场环境下，企业要构建一个强大的营销组织，实现销售额和利润的高速增长，不仅需要营销人员的努力，还需要其他部门人员以营销人员的思维去思考。因此，在企业各项业务的数据分析中，营销数据分析的重要性显得尤为突出。

营销环境今非昔比，大众市场不复存在，取而代之的是相对更窄的细分市场，甚至是个人市场，营销范式也从最初的营销1.0（大众营销），发展到营销2.0（分众营销），目前已经逐渐迈向营销3.0（组织与客户之间的协同营销）。而营销理论也由经典的4P理论发展到4C、 4V等理论。综合当前的营销环境，客户的重要性越来越突出，企业在市场上的成功不仅需要满足顾客形形色色的需求，还需要赢得客户的心智，引起客户的共鸣；此外，当前营销环境对产品也提出了更高的要求，产品功能的弹性化，甚至根据客户需求的个性化定制都在市场上不断上演着；与此同时，连接客户与产品的一系列销售因素，如价格、销量等波动性越来越大，越来越难以预料。综上所述，以下内容我们分别从客户数据分析、产品数据分析以及销售数据分析三方面来展开讨论。

01客户数据分析

客户数据分析的前提是企业必须能够接触和收集到足够多的与业务场景相关的客户数据。如果说用一个专有名词来代替客户数据分析的一系列方法，那就是客户画像，典型的客户画像示例如下图所示。

—客户画像示例图—

客户画像是一个比较抽象的概念，实际上是一系列数据分析流程（问题场景确定-数据收集-预处理-建模-标签提取-标签验证-结果分析和可视化等）的集合。将这些流程中所提取的客户标签（标签通常是一些高度凝练的词汇，如：高价值、低购买力等）综合到一起，企业就能非常直观的发现该客户的商业轮廓，即客户画像。客户画像是企业采取下一步营销策略的指南针，有了客户的真实商业面貌，企业在营销方面能够做到有的放矢，极大地提高营销效率。客户画像可以被广泛地应用于客户生命周期的各个阶段，如早期的客户识别、中期的客户价值分析、晚期的客户留存和流失分析等，用到的方法如聚类算法、RFM模型、分类算法等。

需要重点强调的是：（1）客户画像并不是越清晰越好，也就是标签的提取并非越多越好，一个关键的原则就是：有效的标签必须能推出具有因果关系的营销决策。通俗地讲，就是营销人员看到客户标签以后，应该知道采取何种营销手段，否则就是无用的标签，与之对应的原始数据也就是无用的数据。（2）虽然客户数据分析强调用数据说话，但是并非所有的行业都适用，有些行业实际上根本不值得建立客户数据库：a客户一般不会重复购买产品，如钢琴；b客户对品牌的忠诚度很低，随时都会流失掉大量客户；c产品单位销量非常小，导致顾客终身价值很低，如棒棒糖、汽水；d客户分析对于营销效率的提高不足以弥补高额的客户数据收集成本；e销售人员不能直接接触到最终客户，如中间还存在中间商、零售商等。

02产品数据分析

一个产品的一生会经历众多的阶段，接下来我们就从产品概念的产生到产品最终退出市场这一系列流程中来探讨产品方面的数据分析。

首先，任何一款产品都是从一个概念开始的，假设我们要为我们的目标客户设计一款电脑，而我们的目标客户对电脑功能的需求是多样的，由于研发资金有限，我们需要分析出大部分目标客户对于这些功能的分类、满意度水平和优先级排序，根据这些结果来设计产品不仅能最大程度发挥研发资金的效率，还能显著提高新产品上市后的市场接受水平，以上就是KANO模型在产品概念阶段的应用，如下图所示。

—卡诺模型图—

第二，在新产品研发结束但还未上市的阶段，定价是很多企业需要重点考虑的问题，而价格敏感度测试PSM模型从目标客户心理对价格的接受水平入手，给出了一个能被大部分客户所接受的最优价格和可选择定价的价格区间，对于指导产品定价有一定的参考意义，如下图所示。

—价格敏感度测试确定最优价格及价格区间—

第三，新产品上市销售一段时间以后，我们还可以通过巴斯模型预测该技术在市场上的扩散情况，通过预测结果我们可以大致总结出该产品的生命周期过程，以及在每个过程中应该采取哪些营销策略，如下图所示。

—巴斯模型结果图—

第四，市面上大部分产品都处于成熟稳定期，处于这一阶段的产品面临的一个重要问题是产品改进，这里也有一系列方法，如通过对漏斗模型（如下图所示）、聚类算法、分类算法等的应用来展开相应分析进而改进现有产品。

—漏斗模型图例—

03销售数据分析

如果能提前预测出未来的价格或销量的走势，对于企业制定未来的生产和销售等计划有很强的指导意义，所以，这里重点强调对价格或销量的定量预测分析。

在这部分分析中，一般常用的是四种定量分析方法：移动平均法、指数平滑法、趋势外推法和回归分析法。

移动平均法最为简单，可以消除或减少时间序列数据受偶然性因素干扰而产生的随机变化影响，所以更适合那些波动性小、短期的预测。指数平滑法是从移动平均法发展而来的，是一种改良的加权平均法，在不舍弃历史数据的前提下，对离预测较近的历史数据给予较大的权数，权数由近到远按指数规律递减，指数平滑通常用于对那些有波动性和趋势性的数据的预测，也适用于短期预测。趋势外推法主要是根据有一定趋势的历史数据拟合一条趋势线，以此来来外推预测未来的值，适合那些有一定趋势性的数据的中短期预测。以上三种方法都仅用到预测变量的历史数据，不涉及其它变量，属于时间序列分析。

如果已知某些变量与需要预测的变量间有直接的因果联系，且这些解释变量的历史数据均能获取，我们就可以考虑用回归分析（包括：一元线性回归（如下图所示）、多元线性回归、非线性回归等）的方式来预测，回归分析可预测的期限较长，适用于短、中、长期预测。

—一元线性回归图例—

________________________________________
以上三部分列举的只是一些较常用的方法，营销数据分析包罗万象，还需要我们在实践中不断探索和应用。