¿Cómo entender el significado de "análisis de datos" en la industria de Internet?
Tomemos a Alibaba como ejemplo. No solo está fortaleciendo continuamente las recomendaciones personalizadas, una aplicación de big data orientada al consumidor, sino que también está tratando de utilizar big data para un servicio al cliente inteligente. Este escenario de aplicación se extenderá gradualmente desde aplicaciones internas hasta los centros de llamadas de muchas empresas externas.
En aplicaciones de big data para comerciantes, tomando como ejemplo el "personal comercial", más de 6 millones de comerciantes están utilizando el "personal comercial" para mejorar las operaciones de sus tiendas de comercio electrónico. Además de afrontar su propio ecosistema, el negocio de datos de Alibaba también se está acelerando. Sesame Credit, una aplicación que realiza una evaluación de crédito personal basada en datos personales recopilados, ha logrado grandes avances y sus escenarios de aplicación se han extendido desde Alibaba a escenarios cada vez más externos, como alquiler de automóviles, hoteles, visas, etc.
Debido a que todos los comportamientos de los clientes dejarán rastros en la plataforma de Internet, las empresas de Internet pueden obtener fácilmente una gran cantidad de información sobre el comportamiento de los clientes. La información generada por las plataformas comerciales de Internet es generalmente cierta y cierta. El análisis de estos datos a través de la tecnología de big data puede ayudar a las empresas a formular estrategias de servicios específicas para obtener mayores beneficios. La práctica de los últimos años ha demostrado que el uso racional de la tecnología de big data puede mejorar la eficiencia del negocio del comercio electrónico en más del 60%.
El big data ha cambiado la faz del comercio electrónico en los últimos años. Específicamente, la aplicación de big data en la industria del comercio electrónico tiene los siguientes aspectos: marketing de precisión, servicios personalizados y recomendaciones personalizadas de productos.
1. Marketing de precisión
Las empresas de Internet utilizan tecnología de big data para recopilar diversos datos sobre los clientes, crear "retratos de usuarios" a través del análisis de big data y describir el perfil de un usuario de forma abstracta. Información para proporcionar recomendaciones personalizadas, marketing de precisión y publicidad a los usuarios.
Cuando un usuario inicia sesión en el sitio web, el sistema puede predecir por qué vino hoy y luego encontrar productos adecuados de la biblioteca de productos para recomendarle. La Figura 1 muestra qué información básica y características del usuario se incluirán en el retrato del usuario.
Figura 1 Retrato de usuario
El núcleo del marketing respaldado por big data es llevar el negocio de la empresa a quienes más lo necesitan en el momento adecuado, a través del operador adecuado y en de la manera correcta.
En primer lugar, el marketing de big data es muy urgente. En la era de Internet, el comportamiento de consumo de los usuarios puede cambiar fácilmente en un corto período de tiempo. El marketing de big data puede implementar estrategias de marketing de manera oportuna cuando las necesidades de los usuarios son más fuertes.
En segundo lugar, se puede implementar un marketing personalizado y diferenciado. El marketing de big data puede realizar marketing uno a uno para usuarios segmentados en función de los intereses, pasatiempos y necesidades de los usuarios en un momento determinado, de modo que los comerciantes puedan orientar su marketing y ajustar las estrategias de marketing de manera oportuna en función del tiempo real. retroalimentación del efecto.
Finalmente, el marketing de big data puede analizar la relevancia de la información del usuario objetivo. Big data puede realizar análisis de correlación multidimensional sobre diversa información del usuario y descubrir asociaciones interesantes y conexiones relevantes entre conjuntos de datos a partir de una gran cantidad de datos.
Por ejemplo, al descubrir la relación entre diferentes productos de la cesta de la compra del usuario, se pueden analizar otros hábitos de consumo del usuario. Al comprender qué productos compran con frecuencia los usuarios al mismo tiempo, ayuda a los especialistas en marketing a descubrir otros patrones de consumo a partir de los hábitos de consumo de un consumidor, formulando así estrategias de marketing para productos relacionados para este usuario. La Figura 2 muestra que el sitio web recomendará diferentes productos a diferentes clientes según los retratos de los usuarios.
Figura 2 Marketing de precisión
Por ejemplo, una plataforma de comercio electrónico comprende los patrones de consumo de los clientes a través de sus registros de navegación en línea y registros de compra, para analizar y analizar el consumo del cliente. Características relacionadas. Clasificación. Como ingresos, características familiares, hábitos de compra, etc. Y finalmente captar las características del cliente y juzgar los productos y servicios que pueden interesarle en función de estas características.
Desde que los consumidores ingresan al sitio web, el sitio web ha implementado columnas de recomendación con cinco algoritmos diferentes en cuatro páginas, incluida la página de lista, la página de un solo producto y la página del carrito de compras, para recomendar productos que les interesan, aumentando así Venta de productos, promoción de ventas cruzadas y up-sell. Después de una optimización integral del sitio web desde múltiples perspectivas, la tasa de conversión de los pedidos realizados en el centro comercial aumentó un 66,7%, la tasa de conversión de los pedidos realizados en el centro comercial aumentó un 18% y el volumen total de ventas aumentó un 46%.
En las tiendas Wal-Mart de Estados Unidos, después de que el cajero escanea los productos comprados por el cliente, se mostrará información adicional en la máquina POS y luego el vendedor utilizará esta información para recordarle al cliente qué otros bienes se pueden comprar. El sistema de "marketing de consultoría" respaldado por el sistema de big data de Walmart puede construir modelos predictivos. Por ejemplo, si un cliente tiene mucha cerveza, vino y ensaladas en su carrito de compras, es posible que el 80% de ellos quiera comprar una guarnición con vino y aderezo.
2. Servicios personalizados
El comercio electrónico tiene la ventaja inherente de proporcionar servicios personalizados. Puede obtener los registros en línea de los usuarios en tiempo real a través de soporte técnico y brindarles servicios personalizados. de manera oportuna.
Muchas empresas de comercio electrónico intentan confiar en el análisis de datos para ofrecer a los usuarios recomendaciones integrales de productos personalizados en la página de inicio. Haier y Tmall brindan a los usuarios la posibilidad de personalizar televisores a través de Internet. Los clientes pueden seleccionar el tamaño, el marco, la claridad, el consumo de energía, el color, la interfaz y otros atributos antes de que se produzca el televisor, y luego el fabricante organiza la producción y lo entrega en su puerta. Este servicio personalizado ha sido bien recibido.
Ahora también se utilizan servicios personalizados similares en el aire acondicionado, la confección y otras industrias. Estas industrias permiten a los clientes obtener productos y servicios más satisfactorios al satisfacer necesidades personalizadas, acortando así el ciclo de diseño, producción, transporte y ventas, y mejorando la eficiencia de las operaciones comerciales.
Para brindar a los usuarios servicios personalizados ideales, las empresas primero deben comprender completamente la personalidad del usuario a través de los datos y luego controlar y diseñar razonablemente la personalidad del servicio. Comprender la personalidad del usuario es la base para ofrecerle los productos y servicios que desea. Las empresas necesitan encontrar los datos más valiosos en enormes bases de datos, luego agrupar a los usuarios mediante métodos de extracción de datos y luego diseñar servicios específicos basados en las características de los tipos de usuarios.
La unidad descentralizada personalizada puede ser grande o pequeña, tan grande como un grupo de clientes con las mismas necesidades, o tan pequeña como cada usuario es una unidad de demanda personalizada. Las empresas deben dominar la granularidad de la personalización. Los servicios personalizados demasiado dispersos aumentarán los costos de servicio y la complejidad de la gestión de la empresa, y el aumento de los costos personalizados es directamente proporcional a las necesidades de ingresos reales.
Figura 3 proporciona servicios de viajes personalizados.
La aplicación de big data de Ctrip analiza los datos de todos los usuarios de Ctrip desde la perspectiva del usuario, incluidos los datos generados por el comportamiento de los usuarios antes y después de una serie de viajes, como consultas, navegación, reservas, viajes, comentarios, etc. Al eliminar los datos no válidos, Ctrip garantiza la autenticidad de los datos dejados por los usuarios y luego filtra, clasifica y reorganiza una gran cantidad de datos en tiempo real y los aplica a las necesidades personalizadas de los usuarios antes, durante y después del viaje, como se muestra en Figura 3.
Para lograr la personalización, es muy importante aclarar las necesidades del target del usuario, no solo mirar el pedido, sino también preocuparse por lo que le interesa al usuario. Por ejemplo, al reservar un hotel de cinco estrellas, algunos usuarios son muy sensibles a las instalaciones del hotel, otros valoran la ubicación del hotel y otros se preocupan más por los servicios del hotel. Para este punto, Ctrip recomendará diferentes hoteles en función de las necesidades de los usuarios.
Los grandes almacenes Target de Estados Unidos han creado un formulario de registro para baby shower y han realizado modelos y análisis de los datos de consumo de los clientes en el formulario de registro. Descubrieron que muchas mujeres embarazadas comprarán muchos paquetes grandes de crema de manos insípida en las primeras etapas de su segundo embarazo y muchos productos de salud como suplementos de calcio y zinc en las primeras 20 semanas de embarazo.
Target finalmente seleccionó los datos de consumo de 25 productos básicos típicos para construir el "Índice de predicción de embarazo". A través de este indicador predictivo, Target puede predecir el estado de embarazo de un cliente con un pequeño margen de error, enviando así anuncios de descuentos para mujeres embarazadas a los clientes en el momento adecuado.
Las “zapatillas Nike para correr o sensores de pulsera” han hecho que Nike se convierta poco a poco en una empresa innovadora en el marketing de big data.
Siempre que los atletas usen zapatillas Nike para hacer ejercicio, el iPod asociado a ellas puede almacenar y mostrar datos como la fecha, hora, distancia y consumo de calorías del ejercicio.
Nike tiene una base de datos de las mejores rutas para correr en las principales ciudades a través de las rutas cargadas por los corredores, y puede organizar mejor las actividades de carrera en cada ciudad. Actualmente, la comunidad deportiva en línea de Nike tiene más de 5 millones de usuarios activos que cargan datos todos los días, y Nike ha establecido una relación sólida sin precedentes con los consumidores. Al mismo tiempo, los datos masivos también desempeñan un papel irreemplazable en la comprensión de Nike de los hábitos de los usuarios, la mejora de los productos, la entrega precisa y el marketing preciso. Nike incluso sabe qué canciones les gusta escuchar más a los corredores. Los servicios personalizados son inseparables de la participación activa y el intercambio de los clientes, y los datos de los clientes también pueden servir a los clientes con mayor precisión.
El rápido desarrollo de "Three Squirrels" en los últimos años se basa en la promoción de la marca, por un lado, y en la mejora continua de los detalles basada en el análisis de datos, por otro, incluidos nombres personalizados e imágenes de dibujos animados de "Three Squirrels". , diferenciación de regalos, clasificación de diferentes etiquetas de clientes, experiencia de usuario. "Three Squirrels" puede comprender los registros de compra de todos los clientes en el centro comercial a través del sistema ERP y puede capturar con precisión los comentarios de los usuarios a través del sistema CRM. Los comentarios y calificaciones casuales reflejarán sus necesidades.
Al analizar los hábitos de compra anteriores de los clientes en los centros comerciales y las evaluaciones de compra de los usuarios, podemos determinar qué sabores de productos se venden mejor en qué áreas y qué productos son más aceptados por los consumidores, para crear un producto mejor dirigido. Recomendaciones de la página de inicio. Al mismo tiempo, llevarán a cabo una clasificación de etiquetas personalizada y humanizada y un análisis detallado de los clientes, impulsando así diferentes tipos de productos basados en estas clasificaciones. Por ejemplo, los productos que compran los clientes amantes de sus esposas son principalmente para que los coma la esposa. Las "Tres Ardillas" pondrán la carta en el paquete y escribirán una carta a su esposa con la voz de la "Ardilla".
3. Recomendación personalizada de productos
Con la continua expansión de la escala del comercio electrónico y el rápido crecimiento del número y tipos de productos, los clientes necesitan gastar mucho dinero. tiempo para encontrar los productos que quieren comprar.
Los sistemas de recomendación personalizados analizan el comportamiento del usuario, incluidos comentarios, registros de compras y datos sociales. , analiza y extrae la correlación entre clientes y productos, descubriendo así las necesidades e intereses personalizados de los usuarios y luego recomendando información y productos de interés a los usuarios.
Los sistemas de recomendación personalizados pueden recomendar productos en función de las características e intereses de los usuarios, lo que puede mejorar eficazmente las capacidades de servicio de los sistemas de comercio electrónico y retener clientes.
1) Sitio web de comercio electrónico
Con el vigoroso desarrollo del comercio electrónico, el dominio de los sistemas de recomendación en Internet se está volviendo cada vez más evidente.
A nivel internacional, el algoritmo de recomendación adoptado por la plataforma de Amazon se considera muy exitoso. En China, los sitios web de plataformas de comercio electrónico relativamente grandes incluyen Taobao (incluido Tmall Mall), JD.COM Mall, Dangdang y Suning.cn.
En estas plataformas de comercio electrónico, la cantidad de productos proporcionados por el sitio web es incontable y la escala de usuarios del sitio web también es muy grande. Según estadísticas incompletas, la cantidad de productos en Tmall Mall ha superado los 40 millones.
En un sitio web de comercio electrónico tan grande, los usuarios obtendrán muchos resultados similares después de ingresar consultas de palabras clave basadas en sus intenciones de compra. También resulta difícil para los usuarios distinguir similitudes y diferencias entre estos resultados y elegir el proyecto adecuado. El sistema de recomendación puede recomendar algunos productos que le interesan al usuario en función de sus intereses. Los sitios web de comercio electrónico utilizan sistemas de recomendación para recomendar productos a los usuarios, lo que facilita a los usuarios y, por tanto, aumenta las ventas del sitio web.
2) Sitios web de películas y vídeos
Los sistemas de recomendación personalizados también se utilizan ampliamente en sitios web de películas y vídeos, lo que puede ayudar a los usuarios a encontrar los vídeos que les interesan en la amplia biblioteca de vídeos. Una empresa que ha utilizado con éxito sistemas de recomendación en este ámbito es Netflix.
Netflix fue originalmente una web de alquiler de DVD, para posteriormente empezar a incursionar en el negocio del vídeo online. Netflix concede gran importancia a la tecnología de recomendación personalizada y ha celebrado el famoso concurso del sistema de recomendación NetflixPrize desde 2006. Se espera que los investigadores puedan mejorar la precisión de la predicción del algoritmo de recomendación de Netflix en un 10%.
El concurso ha desempeñado un papel importante en la promoción del desarrollo de sistemas de recomendación: por un lado, el concurso ha proporcionado a la comunidad académica conjuntos de datos a gran escala sobre el comportamiento de los usuarios en sistemas reales (400.000 usuarios en 20.000 películas) mil millones de calificaciones récord); por otro lado, durante la competencia de tres años, los concursantes propusieron muchos algoritmos de recomendación, lo que redujo en gran medida el error de predicción del sistema de recomendación.
La Figura 4 es la interfaz de recomendación de películas de Netflix, que incluye el título y el póster de la película, los comentarios de los usuarios y los motivos de la recomendación. Netflix utiliza un algoritmo de recomendación basado en elementos, que recomienda películas a los usuarios similares a películas que les han gustado en el pasado. Netflix afirma que el 60% de sus usuarios encuentran películas y vídeos interesantes a través de su sistema de recomendación.
Figura 4 Recomendaciones de películas de Netflix
Como el sitio web de vídeos más grande de Estados Unidos, YouTube tiene una gran cantidad de contenido de vídeo subido por los usuarios. Para resolver el problema de la sobrecarga de información en la videoteca, YouTube también ha realizado una investigación en profundidad en el campo de las recomendaciones personalizadas y ahora también utiliza algoritmos de recomendación basados en elementos. Los experimentos muestran que la tasa de clics de las recomendaciones personalizadas de YouTube es el doble que la de los vídeos populares.
3) Radio por Internet
La radio por Internet personalizada también es adecuada para recomendaciones personalizadas. En primer lugar, hay mucha música y es imposible para los usuarios escuchar toda la música antes de decidir qué les gusta escuchar. Además, cada año se añaden nuevas canciones rápidamente y, sin duda, los usuarios se enfrentan al problema. de sobrecarga de información. En segundo lugar, cuando la gente escucha música, normalmente la escucha como música de fondo y pocas personas insisten en escuchar una canción específica. Los usuarios comunes, pueden escuchar cualquier canción siempre que se adapte a su estado de ánimo en ese momento. Por tanto, la radio online de música personalizada es un producto muy acorde con la tecnología de recomendación personalizada.
Existen muchos sitios conocidos de redes de música personalizada. ¿Y Pandora y? Last.fm | Reproduzca música, busque canciones, descubra, Douban Radio es el representante en China. Estas tres estaciones de radio por Internet personalizadas no permiten a los usuarios solicitar canciones, pero les brindan varios métodos de comentarios: me gusta, no me gusta y omitir. Después de un cierto período de comentarios de los usuarios, la estación de radio puede obtener el modelo de interés del usuario a partir del comportamiento histórico del usuario, haciendo que la lista de reproducción del usuario esté cada vez más en línea con el interés del usuario en las canciones.
El algoritmo de Pandora se basa principalmente en el contenido. Sus músicos e investigadores escuchan personalmente decenas de miles de canciones de diferentes cantantes y luego etiquetan diferentes características de las canciones (como melodía, ritmo, arreglo, letra, etc.). Estas etiquetas se denominan genes musicales. Pandora luego calculará la similitud de las canciones basándose en los genes etiquetados por expertos y recomendará al usuario otra música que sea genéticamente similar a la música que le gustaba antes.
Last.fm | ¿Reproducir música, buscar canciones y descubrir artistas? Registre los registros de escucha de todos los usuarios y los comentarios de los usuarios sobre las canciones, y calcule la similitud de las preferencias de diferentes usuarios sobre las canciones en función de esto, para recomendar canciones a otros usuarios con intereses de escucha similares. Además, last.fm | ¿Reproducir música, buscar canciones, descubrir artistas? También se ha creado una red social que permite a los usuarios conectarse con otros usuarios y recomendar sus canciones favoritas a sus amigos. Last.fm | ¿Reproducir música, buscar canciones y descubrir artistas? No utilizamos anotaciones de expertos, sino que utilizamos principalmente el comportamiento del usuario para calcular la similitud de las canciones.
4) Redes sociales
La tecnología de recomendación personalizada en las redes sociales se utiliza principalmente en tres aspectos: uso de la información de la red social de los usuarios para recomendar elementos personalizados a los usuarios, flujo de información, recomendaciones de conversación y recomendaciones. amigos a los usuarios.
Facebook conserva dos de los datos más valiosos: uno es la relación de red social entre los usuarios y el otro es la información de preferencias del usuario.
Facebook ha lanzado una API de recomendación llamada InstantPersonalization, que puede recomendar a los usuarios elementos que les gustan a sus amigos en función de la información que les gusta. Muchos sitios web utilizan la API de recomendaciones de Facebook para personalizar sus sitios.
Clicker, un conocido sitio web de recomendación de series de televisión, utiliza InstantPersonalization para recomendar vídeos personalizados a los usuarios.
Clicker ahora puede utilizar los datos de comportamiento del usuario de Facebook para proporcionar "flujos de contenido" personalizados que pueden ser de interés para los usuarios. Es más, los usuarios no necesitan ingresar muchos datos en el sitio web de Clicker (a través de calificaciones, comentarios o vistas? ¿Clicker.com? en vídeo, etc.), Clicker puede proporcionar dicho servicio.
Además de utilizar la información de las redes sociales de los usuarios en los sitios de redes sociales, los propios sitios de redes sociales también utilizarán las redes sociales para recomendar conversaciones entre otros usuarios en los sitios de redes sociales. Cada usuario puede ver varios recursos compartidos por sus amigos en su perfil de Facebook y puede comentar sobre estos recursos compartidos. Cada acción compartida y todos sus comentarios se denominan conversación, y Facebook desarrolló un algoritmo EdgeRank para clasificar estas conversaciones para que los usuarios puedan intentar ver las últimas conversaciones de amigos conocidos.
Además de recomendar contenido a los usuarios en función de sus redes sociales y comportamientos de usuario, los sitios de redes sociales también recomiendan amigos a los usuarios a través de servicios de recomendación personalizados.
5) Otras aplicaciones
Dado que las empresas de comercio electrónico básicamente se han dado cuenta de la digitalización de todos los aspectos de los procesos comerciales, pueden aprovechar al máximo la tecnología de big data para extraer y analizar estos datos. para optimizar sus procesos de negocio y mejorar los beneficios empresariales. Además de las aplicaciones mencionadas anteriormente, el big data también se puede aplicar en muchos otros aspectos de la industria del comercio electrónico.
①Precios dinámicos y ofertas especiales
Las empresas de comercio electrónico pueden utilizar datos para generar datos de clientes y comprender cuánto les gusta gastar a los usuarios y qué productos les gusta comprar mediante el seguimiento de los clientes. comportamiento de consumo, pueden utilizar el análisis de Big Data para formular políticas flexibles de precios y descuentos. Por ejemplo, si los análisis muestran un aumento en el interés de los usuarios en una categoría particular, las empresas de comercio electrónico pueden ofrecer descuentos u ofertas compre uno y llévese otro gratis.
②Descuentos personalizados
Las empresas de comercio electrónico pueden utilizar datos para determinar los hábitos de compra de los clientes y enviar ofertas especiales específicas y códigos de descuento a los clientes en función de métodos de compra anteriores. Los datos también se pueden utilizar para volver a atraer a los clientes cuando dejan de comprar o simplemente echan un vistazo, por ejemplo, enviando correos electrónicos para recordarles los productos que ya han visto o invitándolos a completar una compra.
③Gestión de la cadena de suministro
Las empresas de comercio electrónico pueden utilizar big data para gestionar las cadenas de suministro de forma más eficaz. El análisis de datos puede revelar retrasos o posibles problemas de inventario en la cadena de suministro. Si un artículo tiene problemas, se puede retirar de la venta inmediatamente para evitar problemas de servicio al cliente.
④Análisis predictivo
El análisis predictivo se refiere al uso de tecnología de big data para analizar varios canales de negocios de comercio electrónico para ayudar a las empresas a formular planes comerciales para operaciones futuras. El análisis de datos puede revelar nuevas tendencias de compra o artículos invendibles en el departamento de tienda en línea de una empresa de comercio electrónico.
Utilice esta información para ayudar a planificar la siguiente fase del inventario y establecer nuevos objetivos de mercado. Mantenerse al tanto de las últimas tendencias en comercio electrónico puede ser un desafío, pero aprovechar la tecnología de big data puede mejorar en gran medida los resultados de una empresa y ayudarla a construir un negocio exitoso y con visión de futuro. Si no aprovecha el poder de la extracción de big data, puede perder oportunidades de éxito en el mercado.