一个身边关于大数据的反向推理案例

编辑小王

大数据，一个热门词，做互联网的，相信每个人都知道这个词，但不是每个人都知道：

大数据在哪里？

大数据如何产生？

大数据如何使用？

今天亲历了一次被中国联通成功精准营销的案例，第一反应就是被大数据打中了，结合这个小案例，一起聊下身边的大数据。

大数据营销，可以很简单。

案例经过：

下午接到一个电话，联通客服打过来的，直接开门见山，告诉我，联通为您推出闲时3G流量套餐，15元1G流量，20元2G流量，限晚上23点到次日上午9点使用，问我订购哪一种。

我的手机套餐流量是340M，到5月8日，已经用了310M，5月，还剩下20天，即便是没有这个电话，我都需要购买新的流量了，于是，毫不犹豫的订购了15月1G流量。

为什么是晚上23点到上午9点的流量包营销会找到我？——下面推理下背后的逻辑，也就是我如何被大数据的精准影响击中。

1.用户数据积累

数据是需要积累的，大数据，更是一个复杂的积累过程，多少数据为大，或许并无定论。作为一个大数据的研究和使用者，深刻感受到这种积累的不容易，海量的用户的身份、用户行为的记录，无时不刻的实时、精准的写入到服务器进行存储，如何高效的存储就是一门大学问。

从我使用联通号的那一天，我就被打上了用户标签，我是参加联通的IPHONE4活动而使用联通号的，在我的记录进入联通数据库的时候，相信包含了：

我的姓名、所在城市、区域、年龄、性别、身份证号、电话号、公司、缴纳的金额、银行卡号，订购套餐、订购时间、到期时间、接待我的客服等等大量的数据，

综合这些数据，联通基本可以判断，我是怎样的一名客户，在拿到苹果手机的那一天，我就收到短信，感谢我的使用，我成为了联调VIP客户，我还有了专门的联调VIP服务对接人，并给了服务专员的手机号。

其实在此之前，是我所在的公司被联通精准定位了，营销的预判是他们的员工一定会买苹果，营销成功了；接着，一个又一个的同事被积累进入了联通的大数据体系。随着一个又一个公司被营销，一个又一个用户订购联通的苹果手机，用户数据库建立起来，海量的大数据逐步形成。

2.用户数据挖掘与模型建立

当我们开始使用联通服务，我们的每一次通话、每一条短信、每一次上网、每一次下载都在产生数据包，都在表明用户的活跃行为。

根据用户直接的信息沟通，联通可以建立起这些号码的社交关系数据。

根据用户下载使用的APP软件，联通可以知道用户的兴趣，用户的软件偏好等等。

根据用户的通讯时间与套餐消耗，联通可以判断用户的生活习惯。

有了这么多的用户，有了这么多的用户行为数据，数据统计分析与挖掘开始了。

可以想象，联通在思考，如何更好的为用户服务？如何在让他们接受这些服务的时候，贡献利润？如何让用户持续的使用联通号？

说一个简单的案例，用户细分，通常采用的方法是聚类分析。

譬如，可以选择用户通话时长、上网时长、上网时间、消费金额、沟通人数、年龄等作为变量进行聚类分析（如何聚类，我另外写吧），简单说，就是把海量数据进行分组，分组的原则是组内差异尽量小，组间差异尽量大，也就是说，分到一个组里面的，具有相同的特征。就是我们通常说的：物以类聚，人以群分。

以我为例，特征是：年龄大，通话次数少，单次通话时长中等，3G流量产生时间在早上8点到9点，晚上11点到凌晨1点，下载大量的APP软件，3G流量超出套餐。

于是，我这样的人，就极有可能成为流量包的营销对象。

3.制订营销方案

有了细分后的用户，联通就会为不同用户量身打造特定服务或者说包装产品。譬如前面说的闲时3G流量包，我这种深夜上网，套餐流量不够用的，太适合这种产品了。

类似我这样的用户很多，哪些更有可能付费购买呢？这里说一个RFM模型。

RFM模型

（1） 最近一次消费(Recency)

（2） 消费频率(Frenquency)

（3） 消费金额(Monetary)

譬如按照上面的3个维度，均分成5个等级。

最近消费，如果面对的是一个月的用户，那么6天作为一个分段。

流量消费频率从1次到10次，那么每2次作为一个分段。

譬如流量消费金额从1元到500元，那么100元就是一个等级点。

我们就可以把顾客分成5*5*5 = 125类，对其进行数据分析，然后制定我们的营销策略。对于那些最近期的消费用户，频率较高且金额较大的，一定是高端的优质用户，区分出用户后，排好优先级进行营销。

我就会被分到的组是：近20天内有过购买，消费过1次，购买金额是30元500M。

4.营销执行

  有了上面的精准用户细分，量身打造的产品，接着就是按照用户名单的优先级别进行多种方式的营销执行。

  譬如速度快的方式，就是群发短信，对不同组别用户群体推送，有点是速度快，缺点估计是转化率低。

  追求高转化的方式，对于在RFM模型中高端用户，采用电话营销，实时沟通，实时成交付费，高转化率。

5.效果评估与模型优化

  根据不同渠道影响的用户消费数据，判断各种营销手段的有效性，譬如RFM模型的高端用户，采用A/B TEST方式，是发短信的效率高，还是电话营销的效率高？

  各种不同的流量包产品，究竟是否会被持续使用？有无可能提供更贴近用户习惯，又能充分利用资源的产品？

   现有的聚类方式是否合理？RFM模型分段是否合理？都需要进行用户行为的后期数据跟踪进行判断优化。

后记

无论如何，联通对我的这次闲时3G流量包的营销，是成功的，大数据在积累的时候确实海量，但在使用的时候，一定是精准与高效。

一次简单的大数据应用，但愿对大家会有所启发。