17 experiencias de análisis de datos le contarán los secretos de la industria del big data.

Este artículo está basado en una entrevista con Chen Chen, un invitado con 17 años de experiencia en la industria del análisis de datos.

Invitado a la entrevista: Chen Chen.

Currículum vitae: actualmente, es director senior del departamento de análisis de datos de Dentsu Aegis Network-Merck China (Shanghai/Nanjing) y al mismo tiempo se desempeña como gerente general de Merck Nanjing. Más de 17 años de experiencia en marketing de datos, análisis de riesgos, modelamiento cuantitativo y estrategias de gestión de relaciones con clientes en la industria de consultoría y empresas líderes en Estados Unidos, Canadá y China, con una sólida base en marketing, métodos cuantitativos, econometría y estadísticas y amplia experiencia en proyectos en la creación de modelos de banca/finanzas/mercadeo minorista y modelos de calificación crediticia.

P: Si una empresa quiere extraer el valor de los datos, pero por diversas razones, las dimensiones de los datos en sí están incompletas o faltan muchos datos. ¿Puede utilizar sus años de experiencia en proyectos para compartir con nosotros cómo una empresa de este tipo puede utilizar los datos de forma eficaz?

Chen Chen: Para la publicidad y el marketing, cuantas más dimensiones de datos útiles, mejor. Incluso si el CRM de la empresa es muy completo y se complementa con otras fuentes de datos, es muy beneficioso para comprender los grupos de clientes existentes y cómo prepararse para las próximas actividades de marketing.

La realidad es que ningún proveedor de datos por sí solo puede satisfacer todas las necesidades de información de marketing de una marca. Lo que las marcas necesitan es comprar y combinar el contenido de datos más relevante y de mayor calidad según las condiciones locales. Merkle puede utilizar su poder adquisitivo y su sólida red de socios para ayudar a las marcas a encontrar los datos que necesitan en todo el mundo y combinarlos con la integración de datos y el análisis del efecto de aterrizaje para crear ventajas estratégicas para los clientes.

Basándonos en el ciclo de vida del usuario comúnmente utilizado por Merkle, dividimos el ciclo de vida del usuario en contacto con usuarios potenciales (etapa de adquisición de clientes), mantenimiento de clientes antiguos (etapa de interacción) y análisis de retención (etapa de promoción de recompra). ). Durante la fase de adquisición de clientes, Merkle se puede combinar con otras fuentes de datos para enriquecer las dimensiones de los datos. Por ejemplo, cuando atendíamos a una conocida marca de educación en inglés en línea, debido a que los propios datos del cliente eran insuficientes para respaldar el modelado, utilizamos los datos del operador y los datos de una conocida empresa de tecnología para mejorar los datos del cliente y los retratos de los usuarios. y precisión del modelado.

Y el acoplamiento de datos con los operadores también tiene ventajas. Naturalmente, los operadores tienen canales para llegar a los consumidores. Por lo tanto, en la segunda fase de este proyecto, utilizaremos el modelo para seleccionar a los consumidores que tienen más probabilidades de convertirse y realizaremos actividades de marketing en puntos de contacto apropiados mediante el envío de mensajes de texto y ventanas emergentes.

Si está en la etapa de interacción, cuantas más dimensiones de datos haya, más fácil será agrupar a los usuarios según el comportamiento/estado del usuario para lograr una interacción personalizada. Por ejemplo, proporcionamos a la NBA soluciones de plataforma LoyaltyPlus para ayudar a los clientes a crear "círculos de fans de la NBA". "Fans Circle" es un sistema de fidelización de clientes establecido por Merkle para NBA China mediante la recopilación, limpieza e integración de datos de clientes de múltiples fuentes de datos para establecer estrategias de membresía, lo que permite agrupar a los fanáticos según su comportamiento y estado, y comunicarse con los fanáticos de forma personalizada. e interacción efectiva

Actualmente, el sistema de fidelización tiene más de 600.000 seguidores registrados y el número de usuarios activos alcanza el 64%. Los datos de interacción de los miembros recopilados se utilizarán para agrupar clientes y personalizar los servicios para lograr resultados cerrados. -Análisis de retención, análisis de productos más competitivos y comprensión de los motivos de la pérdida de usuarios.

Existen diferentes estrategias correspondientes en diferentes etapas del ciclo de vida del usuario. : ¿En qué circunstancias la empresa considerará utilizar análisis/modelos de datos para la optimización? ¿Cómo operarlos específicamente y cómo evaluar el efecto de implementación?

Chen Chen: Básicamente, ¿análisis de datos? ¿Se utilizan modelos/estadísticas para medir los activos de datos de manera más científica? En mi opinión, siempre que tenga datos y capacidad adicional, puede intentar detectar a los usuarios a partir de los datos y mejorar los efectos del marketing. Dividimos las empresas en dos categorías: una es la que se centra en los usuarios. Una categoría de empresas en crecimiento son las que se centran en el mantenimiento del cliente. Por supuesto, esta división no es muy estricta. adquirir clientes, pero con Internet y los datos, los métodos específicos para adquirir clientes han cambiado mucho.

Cuando Internet recién surgió, la gente descubrió que era fácil y barato adquirir. clientes en línea, como invertir en publicidad paga en motores de búsqueda o hacer SEO, el efecto es notable.

¿Y ahora qué? El tráfico de Internet es cada vez más caro. Para algunas industrias específicas, como la automotriz o la educación, el costo de una oportunidad de venta alcanza decenas o incluso cientos de yuanes. Por lo tanto, para las empresas es muy importante encontrar formas efectivas y económicas de llegar a más consumidores potenciales. muy importante.

Lo que hacemos ahora es ayudar a los clientes a diseñar estrategias precisas de adquisición de clientes y soluciones completas de CRM (marketing de relaciones con el cliente).

Primero entender el proceso de adquisición de clientes existente, y proponer soluciones basadas en las características de la industria y de los propios clientes. Después de la implementación, también puede comparar los resultados con datos históricos y lo que aprendió en el proceso, y luego ajustar las operaciones específicas o los pasos de implementación para formar un resultado de optimización de circuito cerrado. Tomemos como ejemplo un cliente de una conocida marca de ordenadores. La forma original de adquirir clientes era realizar actividades en línea y fuera de línea y comprar algunos recursos de usuario en línea, pero podemos ayudarlo a hacerlo en detalle. Podemos utilizar el modelo para seleccionar personas que estén interesadas en la marca, y luego realizar actividades basadas en ello, ahorrando dinero y esfuerzo.

Más adelante en la etapa de transformación, el método original de contactar a los clientes era a través de call center o venta directa. Podemos enriquecer estos medios, por ejemplo, podemos combinar datos para verificar las intenciones reales y necesidades específicas de los usuarios, y hacer recomendaciones personalizadas al contactarlos o podemos usar modelos para agrupar a estos usuarios y luego promover conversiones, lo cual es muy; buen método.

Diagrama de flujo de la solución Merkle CRM

Para las empresas que se centran en el mantenimiento del cliente, podemos ayudarlas a establecer un sistema de ciclo de vida y valor para el usuario. El principal objetivo del valor para el usuario es servir como criterio de inversión, y la inversión en los usuarios puede adoptar muchas formas: como proporcionar servicios más frecuentes y más convenientes a los usuarios de alto valor, proporcionando estrategias de contacto personalizadas para diferentes usuarios en actividades de marketing;

Consideramos muchos factores al determinar el valor para el usuario, como los derechos de uso, la facturación, el riesgo, los costos de marketing y servicio, el historial de transacciones y la rentabilidad e ingresos futuros esperados. Además, el valor para el usuario cambiará con su ciclo de vida. Este es un proceso dinámico en el que se puede amplificar el efecto del marketing y aumentar la exactitud de la toma de decisiones. Tomemos como ejemplo la industria informática. Podemos combinar el comportamiento histórico de compra/garantía/navegación en línea del usuario para brindarle a cada usuario una etapa del ciclo de vida y luego comunicarnos con el usuario en el momento adecuado.

P: ¿Puedes dar algún consejo a los jóvenes interesados ​​en la industria del big data?

Chen Chen: Creo que para trabajar en la industria de big data, primero debes poder sentarte, dominar una o dos herramientas de análisis de datos de uso común, como R y Python, y poder programar. hasta cierto punto, existe un proceso de aprendizaje intuitivo y profundo para la comprensión y el análisis de datos, y también puede entrenar las habilidades de pensamiento matemático y lógico de los recién llegados.

Por supuesto, este es el requisito previo básico para ingresar a la industria. Luego, debe tener una cierta base estadística y capacidades de análisis empresarial, y poder extraer rápidamente información y direcciones de aplicación para aplicaciones empresariales u otros campos profesionales relacionados a partir de los resultados del análisis de datos. En pocas palabras, no se trata sólo de ejecutar el modelo y dibujar gráficos, sino de inferir y resumir las historias y significados reales de los resultados del modelo y la visualización de datos.

Después de dominar estas habilidades y destrezas básicas, debe mantener una mentalidad de aprendizaje continuo, rastrear y comprender constantemente las últimas tendencias y tendencias en la industria y ser capaz de integrar horizontalmente múltiples direcciones de la industria. Además, los especialistas en análisis de big data a menudo necesitan comunicarse y explicar con diferentes departamentos y diferentes tipos de clientes. Por lo tanto, si necesita mantener una competitividad sostenible al final de su carrera, utilice un lenguaje profesional y no profesional para cooperar con diferentes. niveles de fondo. La comunicación efectiva con los socios también es una habilidad esencial.

La entrevista ha terminado. Gracias a Chen Chen por compartir su experiencia en proyectos sobre integración/mejora de datos, análisis y modelado de datos.