1. 数据挖掘在精确营销中的应用
作者：段勇
华院分析技术(上海)有限公司 技术总监
引言
美国前邮政部长、美国百货商店之父约翰·华纳梅克曾这样感叹到：“我在广告上的投
资有一半是无用的，但问题是我不知道是哪一半。”
“现代营销之父”菲利普•科特勒先生也曾指出：“促销费用的大部分都打了水漂，仅
有 1/10 的促销活动能得到高于 5%的响应率，而这个可怜的数字还在逐年递减。”
这是专家们对传统市场营销体系及理论缺陷的高度概括。
那么是什么原因使曾经风靡一时的“4P”，“4C”等传统营销理论在实战中大打折扣
了呢？我们认为日趋激烈的市场竞争是其中一个因素，但更重要的因素是客户日趋个性化的
偏好与需求。面对客户的多样化、层次化和个性化的偏好与需求，传统大众化的营销就失去
了优势。本文将就基于客户需求的精确营销的概念和方法以及其中数据挖掘的应用展开详细
的阐述。
精确营销与大众营销的对比
那么基于客户需求的精确营销与大众营销相比有什么特点和优势呢？
首先，我们说精确营销是真正以客户为导向，侧重于满足客户个性化需求，通过分析每
个客户的消费行为和偏好，进而解决两个问题：哪些用户是某个产品或者营销活动的目标用
户？每个用户最适合给他推荐的产品是什么？而传统营销则要笼统的多，虽然也是基于用户
细分来设计营销组合，但是并不知道每个客户个体的偏好以及适合推荐的产品，最终的营销
是针对某几个用户群体，这样也就忽视了细分用户群体里的差异化、个性化的需求，效果自
然也就没有精确营销好。
其次，精确营销是一个基于数据分析的量化过程，是以事实为依据，是对用户使用行为
和偏好的精准衡量和分析，从而实现对客户的精准定位和对不同客户不同业务内容的精确推
荐。而传统营销更多采用市场调研方式了解客户消费行为及偏好，定性分析和主观因素要更
多，而且客户某些潜在的需求和间接的偏好是无法通过调研得出所有答案的。
第三，精确营销的推广销售群体是有针对性的一部分的目标用户，而传统营销则面对的
是所有大众。我们来看一下这个例子：某企业有客户群 25 万人，希望对他们做一次邮寄的
促销活动，每一个用户邮寄成本为 1.5 元，如果客户对促销活动响应，平均能带来 200 元的

2. 利 润 。 对 25 万 用 户 全 部 邮 寄 ， 如 果 响 应 率 在 1% 左 右 ， 那 么 收 益
=250000*1%*200-250000*1.5=125000；通过精确的目标用户筛选，选择 2.5 万用户（是总用
户 的 10% ）， 如 果 响 应 率 达 到 5% （ 是 原 来 的 5 倍 ）， 那 么 收 益
=25000*5%*200-25000*1.5=212500，比对全体用户邮寄的收益提高了 87500 元。通过这个例
子我们可以看到精确营销在节约营销成本，提高利润水平上无疑比传统营销更具优势。
精确营销与长尾理论
在传统营销中，由于资源的限制和对高营销效率的追求，企业更关注重要的人和重要的
事，即重点针对创造 80%利润的 20%的客户做营销，这就是我们通常所说的“二八”定律。
但“二八”定律对于以用户需求为中心的精确营销来讲是不适用的。因为我们对用户分析的
目的就是要找出每一个个体在需求上的差异，进而针对这种差异所产生的个性化需求进行定
向的精确营销。
此外，用户需求的差异化和产品种类的丰富性也使用户的选择趋于多样化。以移动电话
运营上的彩铃业务为例，可以供客户下载的歌曲有上万首，这样用户便面临着无限的选择，
而其中的每一首歌曲都有可能被用户下载，尽管绝大部分歌曲下载的需求和实际下载量并不
高，但这些处于长尾部分的下载量占总下载量的比例加在一起却可能超过正态曲线分布中处
于头部位置主流歌曲的比例，也就是说那些不流行的占绝大多数的彩铃相对于流行的少数主
流彩铃所创造的收入和利润要更多，这就是目前颇为流行的“长尾理论”。
图 1：“长尾理论”示意
30000
下载次数
25000
20000
15000 头部 长尾部分
10000
5000
0 歌曲
长尾理论告诉我们，不仅要关注处于传统需求曲线上那个代表“畅销品”的头部； 更
要关注所谓“冷销品”的长尾部，这就需要我们要更深入地研究目标客户群体和个体之间的
需求差异。

3. 数据挖掘在精确营销中的应用
让我们回到前面某企业做邮寄促销的例子，如何才能获得筛选 10%的用户，响应率提
高 4 倍（是原来的 5 倍）的效果呢？这就是数据挖掘的威力。
精确营销解决的问题是：哪些用户是某个产品或者营销活动的目标用户？或者每个用户
最适合给他推荐的产品是什么？前者是为产品或者营销活动筛选目标客户；后者是对用户进
行产品推荐，从本质上来说，两者是类似的。数据挖掘正是通过对客户消费行为数据和历史
规律的挖掘与分析，进而可以找到目标用户的特征，实现以客户为中心的精确营销。
数据挖掘是对一系列对数据进行分析和挖掘的方法的统称，在精确营销领域，最常用的
数据挖掘方法主要包括以下三类（完整来说数据挖掘范围会更广，但本文仅侧重描述如下三
类）：分类、聚类、关联。
分类(Classify)
分类是数据挖掘应用最广泛的应用之一，分类属于预测性模型，分类模型解决的问题是
对类别未知的用户进行预测，以判断其属于哪个类别的概率比较高。例如事先定义用户的信
用状况分为两类：信用好、信用坏。对于一个信用状态未知的用户，如果需要预测其最有可
能属于哪个类别（信用好/信用坏），这就需要构建一个分类模型。
分类模型的构建需要一个“类别已知”的历史样本，我们称之为“训练样本”。由于训
练样本中每一个个体的类别都是明确的，因此可以通过分类的算法找出能显著区隔不同类别
的典型特征，这些特征就是分类模型的结果。特征变量一般称为“自变量” “预测变量”
又叫 ，
类别变量称为“目标变量”。通过训练样本找出来的特征，对新样本（又称“评分样本”）进
行预测，以判断满足不同特征的用户属于不同的类别，如图 3 所示。
图 2：分类模型示意图
自变量 目标变量
X1 X2 X3 … Y
1 事先定义好的
两个类别
训 0
练 1
样 0
本 1
0
分类模型
评
?
分 对类别未知的
? 样本进行预测
样
?
本

4. 分类在精确营销中的应用
某电信运营商正在推销某种增值业务，需要寻找有购买潜力的目标用户特征，通过数据
挖掘分类模型可以非常直观准确的找到目标用户：如图 3 所示：
训练样本中有 33.6%的用户已经订购了该增值业务（定义为目标变量取值“1”，其余
）
66.4%的用户均未订购（定义为目标变量取值“0”。采用“决策树”方法构建分类模型，
）
可以直观看到满足“ARPU>120 并且 主叫比例<67%”特征的用户中有 50%订购了该增值
业务，显著高于总体中的 33.6%，因此可以认为满足该特征的用户购买该增值业务的可能性
比较高。同样，我们还可以看到“ARPU<=120 并且 短信条数>=50 并且 主叫比例>=84% 并
且 缴费次数>=2”的用户购买可能性会更高，达到了 64.4%。
图 3：通过“决策树”方法构建的分类模型
主叫比例<67% 3
ARPU>120 14505,50.0%
35496,38.1% 主叫比例≥67%
1
20991,29.8%
缴费次数≥2 3
总体客户 主叫比例≥84% 18106,64.4%
232951 45519,55.9% 缴费次数<2
33.6% 2
短信条数≥50 27413,48.3%
193022,42.0% 通话对端<20
2
该比例为训练样本中 主叫比例<84% 59297,48.1%
类别“1”的占比，其 ARPU<=120
他节点意思相同。 147503,42.0% 通话对端≥20
197455,32.8% 1
88206,36.7%
1
短信条数<=50
4433,26.4%
决策树是分类模型中最常用的方法之一，具有预测精度高，预测结果稳定性高，结果易
理解等优点。除了决策树之外，Logistic 回归、神经网络、判别分析等方法也可以构建分类
模型。
聚类(Clustering)
与分类模型有着本质的区别，聚类模型属于非预测模型（描述型模型）。聚类模型解决
的问题是对用户进行分组（或者叫分群），特征相似用户在一个组内，特征不同的用户分在
不同的组。
聚类模型不需要“目标变量”，只需要给定自变量，聚类模型就可以自动的对用户进行
分组，输出每个样本对应的组编号，如图 4 所示。
图 4：聚类模型示意图

5. 变量 分组编号
x1 x2 x3 x4 …
Seg1
Seg2
Seg1
Seg3
Seg2
样
Seg1
本
Seg4
Seg5
Seg6
Seg4
Seg5
聚类在精确营销中的应用
选择聚类所需的变量是构建聚类模型最关键的工作，变量的选择往往取决于应用的目标
要求，一般来说，有 8 种不同类型的变量，如图 6 所示：
图 6：不同类型的变量。
一级城市
地理位置 二级城市
农村
什么地方 年龄
什么时间 性别
如何使用 产品/服务
人口特征 收入
使用场合
教育程度
针对产品类别
和沟通渠道的 使用产品
可选择的不 使用行为
态度 态度 使用量
同类型变量
费用支出
价格 需求/动机/ 收入
利润潜力
品牌 购买因素 获取成本
服务 服务成本
质量
价值观/生
功能/设计 活方式 宏观的价值取
向和态度
选择符合应用需求的变量来构建聚类模型，对用户进行分组，如下图所示，针对聚类生
成的 17 个细分群体，可以进一步统计其产品使用情况，进而可以找到针对不同群体实施精
确营销的机会。
图 7：针对聚类生成的不同细分群体产品使用情况统计

6. 组4（业务繁忙组）客户中 各组中彩信用户月均彩信次数
使用彩信的比例较高，但使 及彩信使用率比较
9.0 5.0%
用者的使用频次并不高——
8.0 4.5%
启发：彩信“送货上门”
7.0 4.0%
3.5%
6.0
3.0%
5.0
2.5%
4.0
2.0%
3.0
1.5%
2.0 1.0%
1.0 0.5%
0.0 0.0%
#1 #2 #3 #4 #5 #6 #7 #8 #9 #10 #11 #12 #13 #14 #15 #16 #17 总体
平均次数 3.7 5.1 3.0 2.7 4.5 4.7 4.7 4.2 3.4 8.5 4.8 3.8 3.0 5.4 2.5 3.9 2.6 4.0
组内比例 0.6% 3.1% 0.3% 2.7% 1.4% 1.7% 2.4% 0.9% 1.2% 0.6% 2.4% 1.2% 1.9% 2.0% 0.7% 1.1% 1.2% 0.9%
171 758 100 865 321 205 286 221 970 351 407 347 331 729 640 420 241
注释：左轴表示本组内使用彩信者的月均彩信次数，右轴指这些客户占本组客户总数的百分比。
关联(Association)
关联模型与聚类模型都属于非预测模型，其主要解决的问题是研究产品购买的关联性，
即买 A 产品的同时是否会对 B 产品也很感兴趣。经典的数据挖掘案例“啤酒和尿布”就属
于关联模型。
关联模型又叫“购物篮分析”，这个名字很形象，在超市购物时一个购物车中往往会放
多种不同的商品，通过对大量的购物车进行分析，这些商品之间可能会存在众多意料之中或
意料之外的关联性。关联模型中度量两个产品关联性强弱主要用三个指标：
针对两个商品 A，B，研究 A B 的相关性，三个指标的定义如下：
支持度(Support)：表示 A、B 同时购买的人数占总购买人数的比例。支持度越高，表示
A,B 商品同时购买的人数越多，这两个商品越主流。
可信度(Confidence)：表示在购买 A 商品的人中同时购买了 B 商品的比例。可信度越高，
表示购买了 A 商品后再购买 B 商品的可能性就越大。
提升度(lift)：可信度除以总用户中购买过 B 商品的用户占比。提升度越高，表示购买了
A 商品对购买 B 商品的影响度就越大，也即他们之间的相关性就越强。
关联模型的示意图如下所示：
图 8：关联规则模型示意图

7. 关联模型在精确营销中的应用
关联模型主要可以解决两大类问题：1、如何对用户进行商品推荐？2、把哪些商品捆绑
在一起销售更好？前者我们叫“交叉销售”的问题，后者叫“捆绑销售”。
以电信运营商的彩铃业务为例，我们把歌曲或者歌手当做商品来研究，用户在订购歌曲
或者某个歌手的歌曲时的关联性如下图所示：
图９：彩铃关联规则分析
下载周杰伦 其他歌手的可能性 下载凤凰传奇 其他歌手的可能性 下载王强 其他歌手的可能性
王力宏 4.0% 庞龙 9.8% 誓言 15.5%
林俊杰 3.5% 刀郎 3.7% 郑源 12.7%
SHE 3.2% 火风 3.6% 张振宇 4.9%
潘玮柏 2.8% 布仁巴雅尔 3.6% 刘嘉亮 4.5%
蔡依林 2.5% 谢雨欣 3.2% 周传雄 3.4%
秋天不回来 其他歌曲的可能性 菊花台 其他歌曲的可能性 求佛 其他歌曲的可能性
求佛 16.6% 千里之外 7.3% 你是我的玫瑰花 6.6%
香水有毒 7.0% 黄金甲 5.5% 你到底爱谁 5.3%
不怕不怕 5.5% 隐形的翅膀 2.9% 老公老公我爱你 5.2%
不得不爱 4.7% 大城小爱 2.9% 两只蝴蝶 5.1%
大城小爱 4.6% 不得不爱 2.5% 不怕不怕 4.6%
从上图可以看出：下载过周杰伦歌曲的用户中，还下载过王力宏的比例最高，林俊杰次
之。因此可以针对下载过周杰伦歌曲的用户推荐王力宏或者林俊杰的歌曲（交叉销售）或者
把周杰伦、王力宏、林俊杰的歌曲捆绑在一起打折销售给客户（捆绑销售）。如下图所示：
图 10：基于关联规则的交叉销售和捆绑销售示例

8. 1
下载了周杰伦 王力宏、林俊杰、SHE、潘玮柏
基于铃音关联性的 下载了王强 誓言、郑源、张振宇、刘嘉亮
交叉推荐 下载了求佛 你是我的玫瑰花、你到底爱谁
下载了秋天不回来 求佛、香水有毒、不怕不怕
2
求佛、秋天不回来、香水有毒捆绑销售3元
基于铃音关联性的
捆绑销售 菊花台、千里之外、黄金甲捆绑销售3元
写在最后
商业竞争的日益激烈和信息技术的突破性进展，营销界正在爆发一场意义深远的革
命，无论是营销理论还是实践都面临着一种结构化的转型：从传统的、大众的和粗糙的
方法跃变到深度化、细分化和精确化的模式。任何公司要在这场革命中占领先机，都必
须坚定不移地聚焦客户，并开始向精确营销转型。
数据挖掘技术作为支撑精确营销的重要手段，随着企业对精确营销认识的提升和需
求的加强，以及其本身算法的不断完善，必将在未来的营销领域中发挥强大的作用。