数字营销学课件 4第四章 统计技术和数字营销

第四章统计技术和数字营销MARKETING数字营销学黄劲松教授/博士生导师开篇案例：恒丰银行的营销大数据分析

恒丰银行通过建立客户理财偏好模型，为客户推荐最适合他们的产品。例如，在合适的时机，通过用户偏好模型向用户推荐产品，推荐的结果是用户的购买或未购买。这个问题可以看作是一个典型的机器学习二分类问题：基于历史营销数据训练模型，让模型自动学习客户购买产品的偏好，并预测客户下次购买理财产品的概率。通过对模型预测出的所有客户对所有产品的响应概率进行排序，可以从中选择购买概率最高的几个产品推荐给客户。通过以上过程，恒丰银行成功实现了对营销大数据的有效处理和分析。恒丰银行针对每个客户进行需求预测，预测某个有消费历史的客户在下一阶段是否会重复购买，并且预测有重复购买行为的客户在接下来的消费过程中会购买多大价值的产品。同时，恒丰银行还针对每个客户进行终身价值建模。通过分析每位客户的消费历史，他们能够计算出客户的当前价值和未来价值。这有助于业务人员把握重点客户，并根据客户价值的高低进行分级服务。此外，他们能够分析哪些客户有流失倾向，并对流失阶段的高价值客户提供适当的营销优惠和消费引导。通过构建基于大数据的营销方案，恒丰银行深入洞察客户的行为、需求和偏好，帮助银行更深入地了解客户、打造个性化推荐系统和建立客户价值预测模型，从而实现可持续发展。目录第一节

数字营销分析方法概述第二节

典型的数字营销数据分析方法第三节

典型数字营销实验方法目录第一节

数字营销分析方法概述第二节

典型的数字营销数据分析方法第三节

典型数字营销实验方法一、数字营销分析方法概述二、营销数据及分析技术的

发展过程第一节

数字营销分析方法概述一、数字营销分析方法概述（一）研究方法“洋葱”模型数据收集和数据分析是“洋葱”的核心，也是数字营销学的基础（二）数据分析方法的分类一、数字营销分析方法概述解释性方法-预测性方法描述性方法

多元统计分析方法：聚类分析、因子分析/主成分分析、多维标度分析、对应分析数据挖掘与机器学习方法：聚类分析、文本挖掘无监督学习有监督学习多元统计分析方法：描述性统计、列联表分析多元统计分析方法：方差分析、t检验分析、回归分析、判别分析、分层线性模型、时间序列等数据挖掘与机器学习方法：逻辑回归、决策树、神经网络、支持向量机、随机森林、Logit分析、路径分析等实验方法：方差分析、t检验分析、回归分析、联合分析、结构方程模型等

数据挖掘与机器学习方法：各种潜分类方法，如聚类回归、混合模型（MixtureModels）等根据数据分析的目的，可以分为描述性分析方法和解释性/预测性分析方法根据分析前是否有明确数据的分类，可以分为事前已确定分类和事前未确定分类（二）数据分析方法的分类1.有监督学习-描述性方法

描述性统计分析：描述性统计分析使用描述统计量和数据可视化等方法描述数据的基本特征。

一、数字营销分析方法概述（二）数据分析方法的分类1.有监督学习-描述性方法列联表：是一种交叉分类频数分布表，用于按两个或多个属性（定性变量）对观测数据进行分类，进而研究不同变量之间的关系。一、数字营销分析方法概述（二）数据分析方法的分类2.无监督学习-描述性方法

多元统计分析方法：包括聚类分析、因子分析/主成分分析、多维标度分析、对应分析等。一、数字营销分析方法概述（二）数据分析方法的分类2.无监督学习-描述性方法数据挖掘与机器学习方法：包括聚类分析、文本挖掘等。一、数字营销分析方法概述（二）数据分析方法的分类3.有监督学习-解释性和预测性方法多元统计分析方法：方差分析、回归分析、时间序列分析等。数据挖掘与机器学习方法：逻辑回归、决策树、神经网络、支持向量机、随机森林、Logit分析、路径分析等。实验方法：主要包括实地实验和实验室实验。一、数字营销分析方法概述（二）数据分析方法的分类4.无监督学习-解释性和预测性方法无监督学习-解释性和预测性方法主要应用于数据挖掘和机器学习中，包括聚类回归和混合模型等方法。这些方法在深度学习中得到广泛应用，本质可以看作是两个步骤：首先对数据进行分类处理，然后进行逻辑回归。一、数字营销分析方法概述（一）营销数据和分析技术的发展过程二、营销数据及分析技术的发展过程目录第一节

数字营销分析方法概述第二节

典型的数字营销数据分析方法第三节

典型数字营销实验方法一、描述性分析-事前分类典型方法（一）描述性分析描述性分析常用于揭示数据的整体分布情况和趋势。它主要包括以下三个方面的内容：进行统计分组和频数统计；计算分布特征指标，例如平均数、众数、中位数、标准差等；制作图表，例如条形图、饼图、散点图、直方图、雷达图等。一、描述性分析-事前分类典型方法（一）描述性分析描述统计量包括均值、方差、标准差、最大值、最小值、极差、中位数、分位数、众数、变异系数、中心矩、原点矩、偏度、峰度、协方差和相关系数等。从集中趋势、离散程度和分布形状三个方面可以描述数据集的分布特征。数据分布特征集中趋势离散程度分布形状众数中位数平均数异众比率四分位差方差/标准差极差平均差离散系数偏态系数峰态系数一、描述性分析-事前分类典型方法（二）列联表列联表是一种将观测数据按照两个或更多属性进行分类时所列出的频数表，也被称为交互分类表。列联表由两个以上的变量进行交叉分类的频数分布表组成，能够同时描述两个或更多变量之间的情况。一、描述性分析-事前分类典型方法（二）列联表通过列联表分析，我们可以判断同一个调查对象的两个特性之间是否存在明显的相关性。例子：某医院收得某类型重症病人204例，随机分成两组，分别用同样的中草药方剂进行治疗，但其中一组加一定量的人工牛黄，每个病人根据治疗方法和治疗效果进行分类，得出如下表格：一、描述性分析-事前分类典型方法（二）列联表列联表分析的基本问题是判断所考察的各属性之间是否存在关联，即它们是否独立。列联表可以作为一种初步的知识检验工具使用。列联表分析适用于定性数据，通常使用卡方检验等方法进行分析，这些方法分析的是各个分类方法中的频度数据。二、描述性分析-非事前分类典型方法（一）聚类分析聚类分析是一种多元统计方法，它可以将研究对象（样本或指标）根据其特征进行分类，将研究对象分为相对同质的群组，群组内的成员彼此相似，而不同群组的成员彼此不同。二、描述性分析-非事前分类典型方法（一）聚类分析在市场细分领域，聚类分析可以根据细分变量将消费者分为不同的细分市场，细分市场内的消费者彼此相似，而不同细分市场的消费者彼此不同。二、描述性分析-非事前分类典型方法（一）聚类分析聚类分析包括三种方法，分别是非重叠聚类、重叠聚类和模糊聚类。非重叠聚类假设每个顾客只属于一个细分市场，而重叠聚类和模糊聚类认为顾客可能同时属于多个市场。在数字营销分析中，聚类分析方法有助于解决顾客画像、客户群体划分等问题。二、描述性分析-非事前分类典型方法（二）文本挖掘文本挖掘可以提取文本文件中有效、新颖、有用、可理解的有价值知识，并利用这些知识更好地组织信息。文本挖掘是图像、语言、自然语言理解与知识挖掘中的重要内容。二、描述性分析-非事前分类典型方法（二）文本挖掘通过文本挖掘技术，可以分析出消费者对各个品牌讨论的内容主题、频率和情感等。由此可以了解消费者对相关品牌的感知和偏好，对营销决策制定具有重要的参考意义。二、描述性分析-非事前分类典型方法（三）Logit分析Logit分析与回归分析类似，都是分析自变量对因变量的影响，但这里的因变量是分类变量。由于Logit模型的因变量不服从正态分布，因此不能直接通过自变量来预测因变量，需要对因变量进行特定的转换。常用Logit模型来估计消费者购买产品的概率，通过将数据代入模型，可以根据自变量来估计消费者购买产品的概率，并将消费者划分为不同的群体。三、解释性、预测性分析-事前分类典型方法（一）时间序列分析时间序列分析法就是将经济发展、购买力大小、销售变化等同一变数的一组观察值，按时间顺序加以排列，构成统计的时间序列。通过观察随机序列的历史数据，利用特定的数字方法来预测市场未来的发展趋势和确定市场预测值。时间序列分析的主要特点是通过时间推移来研究和预测市场需求趋势，不受其他外在因素的影响。三、解释性、预测性分析-事前分类典型方法（二）决策树决策树以树状的层级结构呈现分类过程，并提取分类规则。经过修整后的决策树模型可以用于发现数据的内在关系，找出目标变量和各个变量之间的层级关系。在用户数据分析和挖掘方面，决策树可以发挥重要作用，例如通过分类器将客户分为潜在客户、虚假客户和现有客户。四、解释性、预测性分析-非事前分类典型方法（一）混合模型混合模型（mixturemodel）是一种能够表示总体分布中包含K个子分布的概率模型。混合模型描述了观测数据在总体分布中的概率分布，它由K个子分布组成的混合分布构成。混合模型不需要观测数据提供关于子分布的信息，而是通过计算观测数据在总体分布中的概率来进行建模。混合模型在业界主要应用于顾客画像研究。目录第一节

数字营销分析方法概述第二节

典型的数字营销数据分析方法第三节

典型数字营销实验方法一、实验方法概述实验方法是一种有目的地控制一定条件或创造一定条件来研究某种心理现象或被试者行为的方法。一、实验方法概述实验研究在应用上有广义和狭义之分：狭义上的实验方法指在实验室中应用特定设备进行研究，通常称为实验室实验（laboratoryexperiment）；广义的实验方法还包括在实际生活情境中进行的研究，通常称为实地实验（fieldexperiment），实验室实验能够更精确地控制实验进行的条件。二、实地实验与A/B测试（一）A/B测试方法概述A/B测试（也称为桶式测试或分割测试）是一种基于证据的实验方法，通过同时运行两个变体（A和B）的对照实验来提高应用的性能。二、实地实验与A/B测试（一）A/B测试方法概述A/B测试的前身是随机对照试验-双盲测试，最早应用于医疗/生物实验中。该方法通过将研究对象随机分组，对不同组实施不同的干预来对照其效果。在双盲测试中，被试的病人会被随机分成两个组，在不知情的情况下分别被提供安慰剂和测试用药，其他条件严格控制。经过一段时间的试验后，比较这两组病人的表现是否具有显著的差异，从而决定测试用药是否真的有效。二、实地实验与A/B测试（二）A/B测试的实施流程设定项目目标；设计测试方案，完成测试内容的准备工