信科网络：怎么做客户数据的深度挖掘？帮助企业提升产品销售
前面一篇文章信科网络给大家说明了CIDR模型通过数据以及系统化的联系管理机制生成客户应对策略，这些应对策略包含了客户主动来到门店或是访问网站时企业应对的方法，也包含了企业应该主动联系客户，进行客户关系的维护以及客户的消费提升、挽回、推荐、裂变等工作的情况。
图7-1CIDR模型
不仅仅描绘出整个体系的分类理念以及流程，并没有深入讨论这些联系场景时机是如何通过数据发掘的，以及应该采用哪些商业逻辑判断或者数据科学的算法来发掘数据。这两篇非常紧密的，用武侠小说里学习功夫来类比的话，前一篇讲的是外家拳法的套路，第7章则是教你如何运气、如何发力的内功。前一篇的客户联系管理机制让我们知道在哪些情形下应该联系客户，这些联系时机的场景判断属于商业思维逻辑，但是，在每个具体场景下，应该如何确定联系对象，以及面对这些人该说什么、推荐什么，则需要大数据分析的支持。大数据分析涉及整套的方法论以及进阶的统计与算法，就是本章要讲述的内容。
本章涉及大数据的概念以及统计学的知识，对统计课程不熟悉的读者们在阅读时无需全部理解，只要掌握大致概念就可以了。至于学习过统计方法的读者，我建议你们深入了解本章内容，掌握了本章的要领，将使你在大数据营销上功力大增，让你成为企业数字营销的核心骨干。
l客户数据标签
客户数据标签的概念
客户数据标签一般又称为度的客户视角，其目的是分辨客户属性，并且进行客户分群。有了客户数据标签就能快速筛选人群、进一步采取统计与数据挖掘方法，进行大量数据的运算，产生不同销售机会的客户清单，进行精准营销。
简单地说，客户数据标签就是观察客户的维度。我们用一个比喻来说明客户数据标签，假设有个客户，站在一个大操场上，如何在瞬间找出身高1.6~1.7米、体重60~70公斤的男性？
可以通过三个维度对这群客户进行标签化：
性别标签：男性客户带黄色帽子，女性客户带白色帽子。
身高标签：身高1.7米以上的人穿白上衣，身高1.6~1.7米的人穿黄色上衣，身高1.6米以下的人穿黑色上衣。
体重标签：体重大于70公斤的人穿白色裤子，体重60~70公斤的人穿黑色裤子，体重60公斤以下的人穿红色裤子。这时，你只需发出指令，要求戴黄色帽子，穿黄色上衣和黑色裤子的人出列，这些人就是你要找的人了。客户数据标签让你能够快速地区分客户，找到你要的客户。
为什么需要客户数据标签
为什么直接用原始数据还不够，还需要制作客户数据标签。很简单，许多数据是有连续性的，例如前面说的体重，有人是60.5公斤，也有人是62.5公斤，还有人是59公斤，如果直接用原始数据对客户进行分类，那么就会产生无限多组组合，这就不是分组了。所以客户数据标签是用一些尺度颗粒将客户原始数据进行标签化区分，以便进行更有意义的分类、筛选以及运算。另外一个原因是，许多的数据无法直接运算，或是如果采用原始数据运算太耗费时间，这些经过处理后的数据标签，我们称为二次运算数据。例如，一般在收集客户年龄时，不会问这个人几岁，而是问他的出生年月日，因为如果把年龄作为原始记录的话，今年客户年龄登记的时候假设是30（原始数据）,5年以后他就成了35岁，这时原始数据30就不对了。所以在进行数据采集时，通常问的都是客户的出生年月日，这样未来的任何时间，只要经过简单的计算，把需要数据当天的年月日减去客户的出生年月日，就可以知道客户的年龄了。这样的原始数据确实满足了数据随着时间改变而保持有效性的要求。但是如果我们把需求场景改变一下，我们想要在万名客户中确定年龄35~40岁的人群人数，这时候我们就需要对这万人逐一计算“今天日期减去生日”得出每个人的年龄（这将是万次的运算），然后再进行年龄范围比对，再加总人数，才能算出年龄35~40岁的人群有多少人，这个计算工作会非常繁琐。如果我们能够事先处理，按客户的年龄每隔5年做一个标签，这样每个客户数据就有可以直接读取的“年龄段”，这时如果需要找出35~40岁有多少人，就便捷得多了。为了避免每次从原始数据去计算的繁琐，我们会制定出一些经常需要使用的二次运算数据，定期维护它，在使用的时候就方便快速了。这种问题在大数据上我们称为二次运算数据，就是一种数据标签。
l企业客户数据标签如何设计
客户数据标签怎么设计呢？一般我们可以把客户数据区分为三种，第一种是客户基本资料，第二种是客户行为记录，第三种是客户行为预测。客户基本资料通常就是客户个人的人口统计变量。客户行为记录则是客户与企业在互动过程中所产生的记录，例如浏览行为、购买行为。第三种客户行为预测的数据无法从原始数据直接获得，而是经过分析、推理后，对个别客户行为的预判。
虽然每个行业的客户数据标签可能有所不同，但是基于多年大数据领域的工作经验，图7-2所示的六个维度标签，对于那些直接面对终端消费者类型的企业（亦即2C的商业模式）应该是比较通用的。这六个标签涵盖了传统交易、行为数据以及社交媒体数据的整合，是非常实用而且跨行业都可以参考的数据标签体系。
身份象征（个人基础信息）
个人基础信息就是我们一般社会心理学中说的人口统计变量（Demographicdata），在社会学或统计学上常常拿来作为群体区分。在营销1.0的4P时代，人口统计变量也构成了最主要的群体划分标准。例如年龄、性别、身高、体重、居住地、工作职业等，除了这些比较基本的标签以外，也可以在这些标签当中进行较细的划分，例如工作职业又可以区分为蓝领、白领、金领、将近退休、已经退休等不同群体。人口统计变量是一些最基础的变量，不同的变量又可以重新组合。例如通过年龄（20~30、30~40、40~50、50~60）、性别（男、女）、工作（蓝领、白领、金领）这三个属性进行组合，就可以划分为5×2×3=30个群体组合。这30个群体可能代表着不同的需求，可能就需要不同的营销诱因。
生活风格
生活风格是每个个人在生活上展现出来的行为特色，在同样的人口统计属性群体当中，因为某些个人的生活价值观不同，这些人的行为或偏好会与同年龄或同样工作身份的其他人有着显著不同。同时，某些人的人口统计变量不同，却展现出相同的行为偏好。例如，同样是上班族，因为生活方式与生活风格的不同，又可以区分为标准上班族，他们的行为是朝九晚五、两点一线，另外一些上班族则是夜猫子，晚上不睡觉、白天睡到日正当中。又例如工作身份同样是上班族，有的人喜欢泡吧夜生活，有的人喜欢规律生活，有的人追求创新改变，有的人则偏爱保守不喜欢改变等。这些人从人口统计变量角度看都是同一个身份群体，但是在生活上展现出来的态度与行为有很大的差异。
显然，这些人对生活的价值取向不同，营销学者认为通过这种不同的生活价值取向将可以设计出更深入每个消费者个人内心世界的的营销方案。这种群体划分的方法，比单纯的人口统计变量划分更有效。例如一个消费者是否会购买某个商品，并不完全取决于他是否能够承担这个商品的价格，一个属于享乐型生活价值观的消费者，如果他看上一台能够彰显他个性的汽车，即使他手头的现金不够，他可能也会以分期付款的方式先把车买下来享受生活，而不会考虑以后每个月分期付款的压力。相反的，一个生活态度保守的人，即使有钱，看到这台新车时，会想着汽车只是代步工具，现有的汽车能用就好了，就不会购买这台新车了。汽车厂家如果只依据人口统计变量数据，以客户的年龄、性别、居住地来评估消费者购车的意向，就可能无法设计出深入消费者内心世界、能够让消费者产生共鸣的促销活动了。
所以近代营销学，例如4C营销模式，就倾向采取这些指标对客户进行分类。因为生活风格能够比人口统计变量更深入消费者的内心世界，营销策划必须能打动消费者内心，才会有效。
消费行为
第三种维度是消费行为，这个维度与前面两个维度基本的思路是完全不同的。个人基础信息以及生活风格标签很大程度暗示出了一个客户可能需要什么，但是没有过多
联系电话：