营销学领域过去半个多世纪的发展让我们见证了从“以产品为中心”到“以客户为中心”的转变。随着近年来互联网、移动互联网、新社交媒体的发展，信息过载，数据爆炸、消费者个性化需求的凸显，消费者成为商业行为的主宰者；另一方面，大数据分布式存储、大数据分析及挖掘技术的发展使得对海量数据中收集、分析、整合并进行分析成为可能。基于大数据精准营销这个过程对企业的营销战略提出了很大的机会和挑战。

基于数据的营销基本过程：

基于大数据的精准营销过程分为：采集和处理数据、建模分析数据、解读数据这么三个大层面。通过对客户特征、产品特征、消费行为特征数据的采集和处理，可以进行多维度的客户消费特征分析、产品策略分析和销售策略指导分析。通过准确把握客户需求、增加客户互动的方式推动营销策略的策划和执行。

1、数据层：采集和处理数据

大数据处理的数据类型包括：括图片、文本、网页、社交网络，还有传统的交易数据。

不局限在传统采集数据的过程一般是有限的、有意识的、结构化的进行数据采集你能采集

2、业务层：建模分析数据

使用的数据分析模型，例如基本统计、机器学习、例如数据挖掘的分类、聚类、关联、预测等算法。

3、应用层：解读数据

数据指导营销最重要的是解读。传统一般是定义营销问题之后，采集对应的数据，然后根据确定的建模或分析框架，数据进行分析，验证假设，进行解读。解读的空间是有限的。

而大数据提供了一种可能性，既可以根据营销问题，封闭性地去挖掘对应数据进行验证，也可以开放性地探索，得出一些可能与常识或经验判断完全相异的结论出来。可解读的点变得非常丰富。

大数据营销数据类型：

人口统计学数据：包括用户的年龄、性别、国籍、注册时提供的信息；

用户行为数据：访问、页面停留时长、触点等。

用户内容偏好数据：感兴趣的话题、评论内容、品牌偏好、位置偏好、时间偏好等。

交易数据：实际订单、客单件、订单转化率、促销响应率等

大数据营销应用场景：

从企业营销应用层面上看，主要是围绕客户、产品、消费行为三大元素进行营销策略的制定和实施的。这三要素之间彼此独立又相互联系，每个独立要素都可制定营销策略，同时三要素之间的关联组合更是企业制定有效营销策略的关键。

应用1：客户价值识别（用户特征）

通过对用户交易历史数据收集；

•进行RFM分析，定位最有价值用户群及潜在用户群。最具价值客户提高忠诚度；潜在用户：主动营销促使产生实际购买行为。客户价值低用户群在营销预算少的情况下考虑不实行营销推广。

•通过因子分析，发觉影响用户重复购买的主要因素，从类似：价格因素、口碑原因、评论信息等信息中识别主要因素及影响权重，调整产品或市场定位。查明促使顾客购买的原因指导，调整宣传重点或组合营销方式。

应用2：用户行为指标：

通过对用户行为数据收集；

•通过用户行为渠道来源的自动追踪：系统可自动跟踪并对访客来源进行判别分类，根据三大营销过程对付费搜索、自然搜索、合作渠道、banner广告、邮件营销等营销渠道进行营销跟踪和效果分析。

•营销效用方面：知道具体的用户身受哪种媒体营销的影响，他们怎样进入特定网站，跨屏、浏览某个网站时他们会做什么。

•根据地理位置分别设定目标，比如大多数中上层人士，居中位置比较集中。不在是笼统的客户群。

应用3：个性化关联分析

通过对用户购买了什么产品、浏览了什么产品、如何浏览网站等网站行为数据收集；通过分析客户群需求相似程度、产品相似度，通过个性化推荐引擎向用户推荐哪些产品或服务是哪些用户感兴趣的。他们在多大程度上被促销活动、其他买家对产品的评论所影响。

大数据精准营销面临挑战：

1、多渠道融合进行精准营销：全球数据爆炸、移动互联网、社会化媒体、可选渠道和设备增加、不断变化的消费者特征、营销自动化：营销和销售行为、供应链、客户关系都整合在一起。如何更好的实现将各渠道数据融合对提高精准营销的准确度提出挑战。

2、最近几年，互联网的产品呈现出一轮爆发性发展态势。尤其是移动终端的普及，使得很多传统的互联网产品也开始移动化。地理位置融入社会化媒体营销是精准营销要考虑的问题。

3、基于数据挖掘的即时营销：企业如今正在渐渐远离批量处理，转向实时分析来获取竞争优势。精准营销也要求在活动的同时我们就能得到数据，立即优化营销效果。

4、精准营销系统：自助式营销、可扩展的场景及营销规则管理功能。