營銷數(shù)據(jù)分析 教案全套 李永發(fā) 第1-11章 緒論、基于聚類算法的價格帶分析-營銷大數(shù)據(jù)倫理

第1章緒論教學(xué)內(nèi)容一、營銷數(shù)據(jù)分析的相關(guān)概念二、營銷數(shù)據(jù)分析的應(yīng)用領(lǐng)域三、營銷數(shù)據(jù)分析的方法四、營銷數(shù)據(jù)分析的流程五、營銷數(shù)據(jù)分析的影響效應(yīng)教學(xué)要求【知識目標(biāo)】了解數(shù)據(jù)分析、數(shù)據(jù)挖掘、營銷數(shù)據(jù)與數(shù)據(jù)營銷等概念；了解營銷數(shù)據(jù)分析的應(yīng)用領(lǐng)域、方法與影響效應(yīng)；掌握營銷數(shù)據(jù)分析的定義；掌握營銷數(shù)據(jù)分析的流程。教學(xué)重點營銷數(shù)據(jù)分析的方法；營銷數(shù)據(jù)分析的流程。教學(xué)難點營銷數(shù)據(jù)分析的方法。教學(xué)方法講授法、案例法、任務(wù)驅(qū)動法、演示法課時數(shù)6課時教學(xué)內(nèi)容營銷數(shù)據(jù)分析的相關(guān)概念一、數(shù)據(jù)分析與數(shù)據(jù)挖掘數(shù)據(jù)分析可被區(qū)分為廣義數(shù)據(jù)分析與狹義數(shù)據(jù)分析，而廣義數(shù)據(jù)分析涵蓋了狹義數(shù)據(jù)分析與數(shù)據(jù)挖掘的內(nèi)容。狹義的數(shù)據(jù)分析是指采用合適的統(tǒng)計方法分析所獲取到的數(shù)據(jù)，產(chǎn)生一定有用信息的活動與過程。數(shù)據(jù)挖掘是指采用統(tǒng)計分析、人工智能、機(jī)器學(xué)習(xí)等方法，從大量的數(shù)據(jù)中挖掘出未知的、有價值的信息和知識的活動與過程，從而幫助決策者制定出更好的決策方案。數(shù)據(jù)挖掘側(cè)重解決分類、聚類、回歸、預(yù)測和關(guān)聯(lián)等問題。數(shù)據(jù)挖掘與狹義的數(shù)據(jù)分析目標(biāo)都在于從數(shù)據(jù)中發(fā)現(xiàn)與決策相關(guān)的有用信息和知識，但兩者明顯的不同之處在于所處理數(shù)據(jù)的規(guī)模與類型以及分析技術(shù)工具方面。二、營銷數(shù)據(jù)與數(shù)據(jù)營銷營銷數(shù)據(jù)是營銷領(lǐng)域以消費者為中心的數(shù)據(jù)，包括結(jié)構(gòu)化營銷數(shù)據(jù)（例如交易記錄）和非結(jié)構(gòu)化營銷數(shù)據(jù)（例如視頻、圖像、評論信息等）。營銷數(shù)據(jù)質(zhì)量問題是營銷決策優(yōu)化分析和建模有效性的常見且重要的影響因素。成功的營銷數(shù)據(jù)分析主要取決于可用于分析活動的數(shù)據(jù)質(zhì)量。營銷大數(shù)據(jù)分析是指采用技術(shù)手段從營銷大數(shù)據(jù)中獲取營銷決策所需要的有價值信息，確定或重新建立營銷認(rèn)知，以實現(xiàn)營銷目標(biāo)的活動與過程。數(shù)據(jù)營銷是以可量化的消費者數(shù)據(jù)驅(qū)動的營銷。大數(shù)據(jù)營銷是基于消費者的大數(shù)據(jù)收集、整理、挖掘、分析與預(yù)測，洞察隱藏大數(shù)據(jù)中的知識，制定恰當(dāng)?shù)臓I銷策略。大數(shù)據(jù)營銷分析全面的營銷大數(shù)據(jù)而非隨機(jī)抽樣的數(shù)據(jù)，關(guān)注營銷數(shù)據(jù)之間的相關(guān)性。營銷數(shù)據(jù)分析的應(yīng)用領(lǐng)域營銷分析應(yīng)用領(lǐng)域廣泛，其中涉及廣告的監(jiān)測和優(yōu)化、客戶的關(guān)系管理以及企業(yè)內(nèi)部管理和新產(chǎn)品研發(fā)等?？偟膩碚f，營銷數(shù)據(jù)分析應(yīng)用主要概括為以下六個方面。消費者洞察精準(zhǔn)營銷改善用戶體驗維系客戶關(guān)系發(fā)現(xiàn)新市場個性化服務(wù)營銷數(shù)據(jù)分析的方法基本方法常用的基本方法有對比法、拆分法、排序法、分組法、交叉法、降維法、增維法、指標(biāo)法和圖形法。根據(jù)營銷數(shù)據(jù)分析的具體問題與目標(biāo)選擇一種或一種以上的分析方法可以讓分析更加高效。方法具體說明對比法對比法是一種通過實際數(shù)與基數(shù)的對比來識別兩者之間的差異，借以了解營銷活動的效果和問題的分析方法，包括橫向?qū)Ρ群涂v向?qū)Ρ葍蓚€類型。橫向?qū)Ρ仁侵竿粫r期不同維度的對比，而縱向?qū)Ρ仁侵竿粋€維度不同時期的對比,用于同一事物不同階段間的比較。該方法在營銷分析中，適用于市場規(guī)模、市場趨勢分析。拆分法拆分法是一種將一個問題拆分成若干子問題，從而精準(zhǔn)識別癥結(jié)，找到根本原因的分析方法。例如在電商運營中，面對因訪客數(shù)量減少而導(dǎo)致銷售額下降的問題，可以將訪客數(shù)量拆解為付費流量和免費流量兩個子問題分析。排序法排序法是依據(jù)某一個指標(biāo)或度量值的大小進(jìn)行遞增或遞減排列的分析方法，是從對比法中衍生出來的方法。例如企業(yè)市值排名、年收入排名、年利潤排名等。分組法分組法是按類型、結(jié)構(gòu)、時間、階段等維度將總體分成若干個組別，區(qū)分不同屬性的對象，保持組內(nèi)對象屬性一致性、組間對象屬性差異性，觀察分組后的數(shù)據(jù)特征，從中洞察有價值的信息的分析方法。交叉法交叉法是一種對比兩個或兩個以上相關(guān)聯(lián)維度或指標(biāo)的分析方法，融合了拆分法和對比法。當(dāng)相關(guān)聯(lián)維度超過三維時，一般用統(tǒng)計表進(jìn)行分析，不超過三維則使用圖表分析。在營銷分析中，該方法常用于市場定價分析。降維法降維法是一種將高緯度數(shù)據(jù)變成低緯度數(shù)據(jù)的的分析方法。在數(shù)據(jù)集指標(biāo)過多、干擾因素過多時，找到核心指標(biāo)，對其分析，有助于提高分析精度。降維法可選擇采用統(tǒng)計學(xué)方法中的主成分分析、因子分析等實現(xiàn)。增維法增維法是在數(shù)據(jù)集的字段過少或信息量不足時定義、增加新維度的分析方法。例如，在分析關(guān)鍵詞時，將搜索人氣除以商品數(shù)量定義為一個新指標(biāo)：關(guān)鍵詞的競爭指數(shù)。指標(biāo)法指標(biāo)法是通過一系列統(tǒng)計指標(biāo)，例如匯總值、平均值、標(biāo)準(zhǔn)差等分析數(shù)據(jù)的方法，適用于多維度數(shù)據(jù)集。圖形法圖形法是通過一系列統(tǒng)計圖形，例如柱形圖、折線圖、散點圖等直觀地分析數(shù)據(jù)的方法，適用于低維度數(shù)據(jù)集。高級方法高級方法一般是指數(shù)據(jù)挖掘算法，包括分類分析法、回歸分析法、聚類分析法、關(guān)聯(lián)規(guī)則法、時間序列法、相關(guān)分析法。大數(shù)據(jù)技術(shù)下，分析數(shù)據(jù)的側(cè)重點從因果關(guān)系分析向相關(guān)關(guān)系分析轉(zhuǎn)變，對于非結(jié)構(gòu)化數(shù)據(jù)如多媒體數(shù)據(jù)、移動數(shù)據(jù)的分析，要求分析人員具備較強(qiáng)的語言分析能力。方法具體說明分類分析法分類分析法是一個分類模型，將目標(biāo)源數(shù)據(jù)庫中的數(shù)據(jù)，按照已知類別進(jìn)行歸類的一種分析方法。分類分析法可采用二分類算法和多分類算法。其中，二分類算法表示分類標(biāo)簽只有兩個分類,具有代表性的有支持向量機(jī)和梯度提升決策樹。多分類算法表示分類標(biāo)簽多于兩個分類,比較常見的有樸素貝葉斯、決策樹、邏輯回歸和隨機(jī)森林。在營銷領(lǐng)域，該方法可用于預(yù)測分析。回歸分析法回歸分析法是基于一個回歸模型，分析某些自變量與因變量間定量關(guān)系的一種方法。通過運用回歸分析方程，可以預(yù)測因變量的未來變化趨勢，如分析銷售額與廣告投放金額的定量關(guān)系，即可運用回歸分析法，此時自變量與因變量個數(shù)均為1，即為一元回歸分析，且得到的關(guān)系線條近似為一條直線，又可稱為線性回歸分析。當(dāng)自變量個數(shù)超過1時，比如分析三種不同渠道的廣告投放額與銷售額的關(guān)系，即為多元回歸分析。聚類分析法聚類分析法是根據(jù)相似性，將目標(biāo)源數(shù)據(jù)庫中的數(shù)據(jù)源進(jìn)行歸類的一種分析方法。聚類分析法與分類分析法的不同點在于其聚類時的數(shù)據(jù)源類型是未知的，整體過程為無監(jiān)督的學(xué)習(xí)。標(biāo)簽分析法標(biāo)簽分析法。標(biāo)簽分析法是通過打標(biāo)簽的形式，用標(biāo)簽替代難以量化的因素的一種方法。例如，探尋天氣對銷售額的影響時，天氣因素難以量化，即可使用“晴天”、“雨天”等細(xì)分標(biāo)簽，將一段周期內(nèi)的天氣按照標(biāo)簽歸類，再對比分析。時間序列法時間序列分析就是應(yīng)用數(shù)理統(tǒng)計方法對按時間順序排列的一組數(shù)字序列進(jìn)行處理，以預(yù)測該數(shù)字序列演化的軌跡。時間序列分析一方面考慮到事物發(fā)展的偶然性、隨機(jī)性，利用加權(quán)平均法處理歷史數(shù)據(jù)；而另一方面考慮到事物發(fā)展的延續(xù)性，應(yīng)用處理過的歷史數(shù)據(jù)推測事物將來的發(fā)展趨勢。相關(guān)分析法相關(guān)分析法是分析隨機(jī)變量間相關(guān)程度的一種方法。相關(guān)分析中，變量間的相關(guān)關(guān)系具備隨機(jī)性，在營銷領(lǐng)域適用于探索性研究。如在分析企業(yè)銷售額時,利用相關(guān)分析法對各指標(biāo)進(jìn)行分析,以此挖掘出跟銷售額關(guān)系比較高的字段,當(dāng)分析得到顧客好評率對銷售額呈高度正相關(guān),則后續(xù)可以進(jìn)一步對產(chǎn)品的評價進(jìn)行優(yōu)化。營銷數(shù)據(jù)分析的流程定義問題進(jìn)行營銷數(shù)據(jù)分析時，首先第一步需要進(jìn)行問題定義。比較典型的場景就是我們需要對企業(yè)的數(shù)據(jù)進(jìn)行分析，那么企業(yè)有很多數(shù)據(jù)，銷售數(shù)據(jù)、客戶數(shù)據(jù)、財務(wù)數(shù)據(jù)、生產(chǎn)數(shù)據(jù)等，因此首先我們需要知道要從這些數(shù)據(jù)里獲取什么有價值的信息用來指導(dǎo)商業(yè)決策？你需要知道你要解決的問題是什么？想得到什么結(jié)論？設(shè)定目標(biāo)進(jìn)行營銷數(shù)據(jù)分析時,第一步需要確定分析目標(biāo)。伴隨市場環(huán)境變化，營銷活動中出現(xiàn)各類問題，因此分析人員要確定被分析問題的必要性，判斷哪些問題需實時分析處理，預(yù)估分析報告的可能結(jié)果以及結(jié)果導(dǎo)向，確保分析報告與現(xiàn)下業(yè)務(wù)有邏輯關(guān)聯(lián)，且有助于報告使用者進(jìn)行經(jīng)營決策。確定分析目標(biāo)是分析人員進(jìn)行正確數(shù)據(jù)分析的基礎(chǔ)，既確保分析過程的有效性，也為后續(xù)步驟提供指導(dǎo)方向。采集數(shù)據(jù)采集數(shù)據(jù)是以營銷數(shù)據(jù)分析目標(biāo)為基礎(chǔ)，從客觀世界獲取原始數(shù)據(jù)的過程。數(shù)據(jù)來源可分為企業(yè)內(nèi)部和外部兩大渠道，其中企業(yè)內(nèi)部數(shù)據(jù)相關(guān)性更強(qiáng)，為主要數(shù)據(jù)來源。處理數(shù)據(jù)處理營銷數(shù)據(jù)是指對收集到的數(shù)據(jù)進(jìn)行梳理、加工的過程。首先應(yīng)明確數(shù)據(jù)測定尺度，接著對數(shù)據(jù)進(jìn)行抽取、清洗、轉(zhuǎn)化、提取，最后將提取后的數(shù)據(jù)歸入目標(biāo)源數(shù)據(jù)庫。大數(shù)據(jù)時代，企業(yè)需處理的數(shù)據(jù)量級較大，且不僅要處理結(jié)構(gòu)化數(shù)據(jù)，還要處理各類型非結(jié)構(gòu)化的行為數(shù)據(jù)，對于數(shù)據(jù)處理的要求也隨之提高，該步驟一般在分析人員設(shè)定程序以后需由計算機(jī)輔助完成。分析解讀分析解讀營銷數(shù)據(jù)是選用適當(dāng)?shù)臓I銷數(shù)據(jù)指標(biāo)、方法和模型工具，對目標(biāo)源數(shù)據(jù)庫中已處理過的數(shù)據(jù)進(jìn)行分析，獲取有效信息的過程。整個分析解讀流程包括數(shù)據(jù)預(yù)處理、特征處理、算法的選擇、模型預(yù)測等環(huán)節(jié)，從分析得出的數(shù)據(jù)結(jié)果中，判斷提煉出營銷洞察?？梢暬畔⒊尸F(xiàn)營銷數(shù)據(jù)是將已分析提取的有效信息，轉(zhuǎn)化成報告使用者易理解的形式的過程，即數(shù)據(jù)可視化。呈現(xiàn)方式主要為圖表，常見的圖表類型包括條形圖、餅圖、折線圖等，營銷分析中常用的圖表類型還包括漏斗型、金字塔型、矩陣型等。圖表制作步驟如下：確定主題、選擇類型、將數(shù)據(jù)轉(zhuǎn)化成圖表形式、美化圖表與檢查數(shù)據(jù)及觀點完整性。撰寫分析報告撰寫分析報告是通過圖文并茂的形式對數(shù)據(jù)分析的總結(jié)。分析報告一般包括引入、正文和結(jié)論三個章節(jié)。分析報告需清晰明了，否則研究報告的內(nèi)容僅為冗長的文字和復(fù)雜的圖表，難以讓報告使用者找到重點內(nèi)容。同時，報告內(nèi)容需主次分明，論述需具備科學(xué)性和嚴(yán)謹(jǐn)性，幫助報告使用者進(jìn)行有效決策。營銷數(shù)據(jù)分析的影響效應(yīng)積極效應(yīng)體驗優(yōu)化大數(shù)據(jù)時代下，客戶需求呈現(xiàn)個性化、多元化的趨勢。營銷活動的設(shè)計以客戶需求為主線,側(cè)重實現(xiàn)精準(zhǔn)營銷,以優(yōu)化客戶體驗。實現(xiàn)精準(zhǔn)營銷需要營銷人員適時精準(zhǔn)地，通過合適的方法或途徑向目標(biāo)客戶推送與其需求相符、價值相契的產(chǎn)品或服務(wù)信息，而不是大范圍、無區(qū)別、統(tǒng)一發(fā)送，因此營銷人員需要提前洞察用戶的需求。營銷人員可以通過營銷數(shù)據(jù)分析，借助相關(guān)統(tǒng)計工具，對消費者數(shù)據(jù)信息進(jìn)行挖掘及收集，分析提煉出消費者需求，準(zhǔn)確地洞察和把握消費者的消費偏好，從而準(zhǔn)確區(qū)別受眾群體與其他群體。同時，針對消費者需求的不斷提高,營銷人員可以通過分析實時客戶反饋數(shù)據(jù)信息，前瞻性地洞察和把握消費者的消費偏好，從而預(yù)測消費趨勢，促進(jìn)產(chǎn)品或服務(wù)質(zhì)量的全面提升優(yōu)化，最終實現(xiàn)用戶體驗的持續(xù)優(yōu)化。預(yù)算優(yōu)化營銷人員在設(shè)計營銷方案時，通過預(yù)算來控制營銷成本，保證目標(biāo)利潤的取得。在做預(yù)算的過程中，營銷數(shù)據(jù)分析結(jié)果可以幫助營銷人員合理分配有限資源，優(yōu)化預(yù)算方案。首先，營銷人員通過對相關(guān)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析，可以得到不同渠道環(huán)節(jié)的轉(zhuǎn)化率，通過組合形成不同營銷方案的投資回報率，進(jìn)而可以根據(jù)這些指標(biāo)信息，對營銷方案及渠道環(huán)節(jié)做出取舍，從而優(yōu)化預(yù)算方案。同時，在大數(shù)據(jù)時代，對投資回報率的分析可以精確到個人，針對性對回報率高的消費者投送產(chǎn)品信息，可以降低客戶的信息過濾成本。最后，營銷人員通過數(shù)據(jù)分析，準(zhǔn)確識別消費者需求，可以避免提供無關(guān)服務(wù)，縮減營銷費用，降低預(yù)算。決策優(yōu)化在營銷數(shù)據(jù)分析廣泛應(yīng)用之前，企業(yè)決策者在進(jìn)行經(jīng)營決策時沒有大量數(shù)據(jù)信息做支撐,此時決策者豐富的經(jīng)驗成為企業(yè)的核心競爭力,決策者的經(jīng)驗水平將很大程度上影響整個企業(yè)的決策水平。然而，在數(shù)據(jù)信息量以指數(shù)形式增長的大數(shù)據(jù)時代，依靠成功經(jīng)驗進(jìn)行決策并加以復(fù)制推廣的營銷模式難以實施，營銷數(shù)據(jù)分析能力成為影響決策水平的關(guān)鍵要素。營銷數(shù)據(jù)分析的應(yīng)用使得以經(jīng)驗為中心的決策模式轉(zhuǎn)變?yōu)橐詳?shù)據(jù)為指導(dǎo)的科學(xué)決策模式。隨著數(shù)據(jù)分析方法及工具的升級，數(shù)據(jù)挖掘的信息量不斷增加，相關(guān)信息的可視化程度提升，分析內(nèi)容更加細(xì)化，經(jīng)營決策的正確率顯著提升。負(fù)面沖擊企業(yè)層面壓力：人才壓力企業(yè)提升營銷數(shù)據(jù)分析能力的首要任務(wù)是培養(yǎng)高素質(zhì)營銷數(shù)據(jù)分析人才。其中，復(fù)合型分析人才是指既諳熟營銷理論知識又掌握數(shù)據(jù)科學(xué)方法的首席數(shù)據(jù)官（CDO），是保證數(shù)據(jù)分析質(zhì)量的中堅力量。然而，現(xiàn)狀是多數(shù)企業(yè)缺少復(fù)合分析人才，僅具有掌握技術(shù)而對業(yè)務(wù)流程缺乏認(rèn)識的信息人才，面對大數(shù)據(jù)分析在企業(yè)廣泛應(yīng)用，企業(yè)人才壓力逐漸增大。對此，企業(yè)管理層應(yīng)增強(qiáng)培養(yǎng)意識，積極引進(jìn)復(fù)合分析人才，組織培訓(xùn)各個營銷活動環(huán)節(jié)的人員提升對數(shù)據(jù)信息的理解和運用能力，以此提高人員的整體分析水平。知識壓力營銷數(shù)據(jù)分析以營銷理論、數(shù)據(jù)科學(xué)為理論支撐，以信息技術(shù)為工具支持，因此企業(yè)為提升分析能力需要對理論發(fā)展、技術(shù)進(jìn)步有即時洞察，而在大數(shù)據(jù)時代信息量指數(shù)級增長、技術(shù)更迭速度快，數(shù)據(jù)分析的應(yīng)用使得企業(yè)形成知識壓力。對此，企業(yè)可以通過加入行業(yè)協(xié)會、建立高校合作等方式借力獲取相關(guān)知識，從而保證數(shù)據(jù)分析的質(zhì)量，緩解知識壓力。③資金壓力。營銷數(shù)據(jù)分析離不開技術(shù)支撐，而各項數(shù)據(jù)分析技術(shù)的應(yīng)用需以數(shù)據(jù)分析支撐平臺為載體，企業(yè)需持續(xù)投入資金建立、維護(hù)和升級數(shù)據(jù)支撐平臺。同時，企業(yè)需要持續(xù)投入資金的還有人才培養(yǎng)、技術(shù)升級等方面。在此過程中，企業(yè)投入成本上升，易形成資金壓力。此時，企業(yè)應(yīng)均衡預(yù)算，根據(jù)自身規(guī)模和業(yè)務(wù)范圍選擇性投入，控制成本，以防資金壓力的形成。社會層面負(fù)面影響：信息泄露信息泄露現(xiàn)象的產(chǎn)生是企業(yè)在數(shù)據(jù)分析中挖掘大量用戶數(shù)據(jù)，濫用數(shù)據(jù)信息而導(dǎo)致的。消費者個人身份信息泄露，損害消費者個人財產(chǎn)權(quán)、安寧權(quán)和個人隱私權(quán)，產(chǎn)生精準(zhǔn)詐騙現(xiàn)象、垃圾廣告信息泛濫等不良影響。企業(yè)應(yīng)自覺遵守行業(yè)自律規(guī)范，規(guī)避數(shù)據(jù)分析過程中對數(shù)據(jù)信息的不合理操作，避免信息在采集和使用過程中的過失泄露。算法殺熟算法殺熟是企業(yè)通過數(shù)據(jù)分析定位用戶需求，并提供特定價格產(chǎn)品的一種價格歧視現(xiàn)象。大數(shù)據(jù)分析的技術(shù)發(fā)展使得企業(yè)有能力定位用戶意愿支付的最高價格，從而產(chǎn)生用戶剩余最小現(xiàn)象，即相同產(chǎn)品售與不同用戶時價格不同，該現(xiàn)象屬于一級價格歧視。算法殺熟侵害消費者的平等權(quán)，紊亂市場價格，嚴(yán)重破壞市場秩序。企業(yè)應(yīng)實時提升行業(yè)法治意識，善用數(shù)據(jù)分析技術(shù)，避免不公平交易現(xiàn)象的產(chǎn)生。數(shù)據(jù)竊聽數(shù)據(jù)竊聽是企業(yè)通過各類傳感器收集用戶實時信息且惡意監(jiān)控的行為。移動設(shè)備的普及應(yīng)用結(jié)合大數(shù)據(jù)技術(shù)，使得用戶在不知情的情況下，被移動設(shè)備實時收集個人語音數(shù)據(jù)。常見現(xiàn)象包括，用戶生活中剛提及的產(chǎn)品，其廣告實時被推送到手機(jī)界面。數(shù)據(jù)竊聽嚴(yán)重侵犯個人隱私權(quán)、威脅人身安全，企業(yè)在數(shù)據(jù)分析采集中應(yīng)守住底線。歸納與提高鞏固營銷數(shù)據(jù)分析的相關(guān)概念、應(yīng)用領(lǐng)域、方法、流程及影響效應(yīng)；通過教師講解，能夠?qū)I銷數(shù)據(jù)分析的基礎(chǔ)有一定的了解，為后續(xù)的課程打下夯實基礎(chǔ)。第2章基于聚類算法的價格帶分析教學(xué)內(nèi)容一、問題的提出二、聚類算法三、價格帶分析案例示范教學(xué)要求【知識目標(biāo)】了解聚類分析的基本概念；了解聚類分析在營銷領(lǐng)域的應(yīng)用?！炯寄苣繕?biāo)】掌握利用聚類分析方法對市場價格進(jìn)行細(xì)分。教學(xué)重點聚類分析的應(yīng)用；利用聚類分析進(jìn)行市場價格細(xì)分。教學(xué)難點聚類分析的原理；模型評估與結(jié)果分析。教學(xué)方法講授法、案例法、任務(wù)驅(qū)動法、演示法課時數(shù)6課時教學(xué)內(nèi)容問題的提出一、價格帶分析價格帶（PriceZone）指的是某一類商品品種的價格由低到高所形成的價格幅度，其寬度決定了該類商品所面對的消費者的層次和數(shù)量。在商品價格帶中，由于其價格高低幅度的不同，其中所包含的種類也有所不同。同時，由于各價格段的商品陳列量的差異，導(dǎo)致商店陳列呈現(xiàn)不同形態(tài)，最終形成商店的經(jīng)營特點和特性，從而進(jìn)一步滿足顧客對商品豐富性的需求。價格帶的本質(zhì)是針對于小分類商品進(jìn)行商品品類管理，這建立在商品品類管理的基礎(chǔ)之上，其最終目標(biāo)價值就是解決管理問題的其中一項指標(biāo)。問題設(shè)計某商家計劃近期舉辦一場營銷活動，為確定促銷商品的價格區(qū)間，該店鋪通過問卷調(diào)查、顧客反饋以及市場類似商品的價格空間變化等市場調(diào)研方式，結(jié)合商品構(gòu)成狀態(tài)，來確定適合自己經(jīng)營的價格。問題解決思路價格帶的制定價格帶分析不僅和單品價格有所聯(lián)系，還需要與商品品牌、氣候、促銷等因素聯(lián)合起來進(jìn)行分析，制定適宜的價格帶具體步驟如下：企業(yè)需要進(jìn)入商品銷售區(qū)域或賣場，把握競爭對手和顧客的消費習(xí)慣，了解商品的價格變化情況；根據(jù)經(jīng)營情況和顧客的反饋，并結(jié)合競爭對手的經(jīng)營策略，及時調(diào)整商品結(jié)構(gòu)，加強(qiáng)競爭力；明確價格帶分析的必要組成因素，即競爭者和企業(yè)自身產(chǎn)品的詳細(xì)資料、公司內(nèi)部的商品組織分析表以及分析報表；尋找商品品類中的“價格點”，這也是價格帶分析的關(guān)鍵所在；根據(jù)價格線找到價格點，給出最終商品價格圖。市場價格細(xì)分在進(jìn)行產(chǎn)品行業(yè)聚類時找到具有代表性的指標(biāo)；對相關(guān)指標(biāo)利用聚類相關(guān)算法進(jìn)行聚類分析；根據(jù)聚類分析所得出的結(jié)果進(jìn)行可視化的數(shù)據(jù)分析，得出不同類型商品的特性；根據(jù)聚類和可視化分析的結(jié)果做市場價格細(xì)分。聚類算法一、聚類算法簡介聚類分析是數(shù)據(jù)挖掘的重要技術(shù)之一，也是最常用的一類無監(jiān)督機(jī)器學(xué)習(xí)算法，其目的是將數(shù)據(jù)劃分為有意義或有用的組（也稱為簇）。這些區(qū)分可以根據(jù)業(yè)務(wù)需求或建模需求進(jìn)行，也可以純粹用于輔助探索數(shù)據(jù)的自然結(jié)構(gòu)和分布。K-Means算法原理k-means算法是一種簡單的迭代聚類算法，它使用距離作為相似性指標(biāo)來查找給定數(shù)據(jù)集中的k個類別。其中每個類的中心是根據(jù)類中所有值的均值得到，每個類用聚類中心來描述。聚類的目標(biāo)是使用歐氏距離作為相似度指標(biāo)，使得各類的聚類平方和最小。k-means的基本思想：通過迭代找到一種方法來劃分出k個聚類，然后用這k個聚類的均值來表示對應(yīng)樣本時總體誤差是最小的。其大致算法流程如下：首先選取數(shù)據(jù)空間中的k個對象作為初始中心，每個對象代表一個聚類中心；根據(jù)樣本數(shù)據(jù)對象與聚類中心的歐氏距離，以距離最近為準(zhǔn)則，分到距離最近的類，其中，歐氏距離表達(dá)式為：，，其中為點與點之間的歐氏距離；為點到原點的歐式距離。更新聚類中心并判斷聚類中心和目標(biāo)函數(shù)的值是否發(fā)生改變，若不變，則輸出結(jié)果，若改變，則返回上一步。聚類算法的分類分析步驟具體說明基于劃分的聚類算法基于劃分的聚類算法的基本思想是將簇的質(zhì)心作為聚類中心，其中簇的質(zhì)心是由數(shù)據(jù)點構(gòu)成的。接著依照距離的大小將數(shù)據(jù)對象進(jìn)行簇類劃分，以此來實現(xiàn)數(shù)據(jù)集的聚類操作。主要思想為將一個包括n個數(shù)據(jù)對象的數(shù)據(jù)集，將其劃分為k個類簇，同時每個類簇代表數(shù)據(jù)集中的一組相似度最高的數(shù)據(jù)對象。比較經(jīng)典的基于劃分的聚類算法有K-means算法、CLARANS算法等。但是目前大多數(shù)的層次聚類算法都存在靈活性較差的問題，并且算法需要預(yù)先輸入終止條件?；趯哟蔚木垲愃惴ɑ趯哟蔚木垲愃惴ㄖ饕凑铡白缘紫蛏稀焙汀白皂敹隆钡牟呗裕瑢⑵浞譃槟蹖哟尉垲惡头至褜哟尉垲?。凝聚層次聚類是先進(jìn)行合并，將數(shù)據(jù)集中所有的數(shù)據(jù)對象分別看成一個類簇，然會對簇進(jìn)行一定規(guī)則的合并操作，直到合并的簇族滿足預(yù)定的類簇族或者劃分的類簇滿足某個預(yù)設(shè)終止條件，則為完成聚類運算。分裂層次聚類是先進(jìn)行劃分，將所有的數(shù)據(jù)對象看成一個簇，然后對簇進(jìn)行子簇的劃分，遞歸劃分直到劃分出的子簇滿足終止條件，則為完成聚類運算。基于層次的聚類算法可以在不同的層次上展示數(shù)據(jù)集的聚類結(jié)果情況，并且可以通過繪制樹狀圖實現(xiàn)聚類結(jié)果的可視化，從而進(jìn)一步凸顯出聚類算法中包含的物理意義。目前應(yīng)用比較廣泛的層次聚類算法有CURE算法、BIRCH算法等?；诿芏鹊木垲愃惴ɑ诿芏鹊木垲愃惴ㄖ饕抢脴颖军c分布緊湊程度，使用樣本點的數(shù)量大小代替距離測度，從而實現(xiàn)對數(shù)據(jù)樣本點間相似性的度量。同時，基于密度的聚類算法在一些方面彌補了一些類別聚類算法的不足，例如，它解決了一些類別聚類算法只能發(fā)現(xiàn)球型簇的問題。目前比較經(jīng)典的基于密度的聚類算法主要有：DBSCAN算法、OPTICS算法以及DENCLUE算法等?；诰W(wǎng)格的聚類算法基于網(wǎng)格的聚類算法主要通過人為構(gòu)建網(wǎng)格數(shù)據(jù)結(jié)構(gòu)，利用數(shù)據(jù)集的數(shù)據(jù)填充網(wǎng)格單元，從而實現(xiàn)對數(shù)據(jù)集的間接壓縮，接著通過對網(wǎng)格中包含的數(shù)據(jù)樣本點個數(shù)進(jìn)行信息統(tǒng)計，最后按照網(wǎng)格單元中的統(tǒng)計信息對數(shù)據(jù)集進(jìn)行聚類操作。目前比較典型的基于網(wǎng)格的聚類算法主要有STING算法、CLIQUE算法以及WAVECLUSTER算法等。同時，基于網(wǎng)格的聚類算法具有的優(yōu)點是聚類處理時間比較短，適合處理低維數(shù)據(jù)集。但其具有一定的局限性，即網(wǎng)格的劃分粗細(xì)在不同程度上會影響算法的效率和精度。對于高維數(shù)據(jù)集，數(shù)據(jù)集的劃分可能會過于稀疏，從而導(dǎo)致聚類效果達(dá)不到理想的狀態(tài)?；谀Ｐ偷木垲愃惴ɑ谀Ｐ偷木垲愃惴ㄐ枰獮槊拷M類別的數(shù)據(jù)對象構(gòu)建數(shù)學(xué)模型，數(shù)學(xué)模型中的參數(shù)是根據(jù)數(shù)據(jù)集數(shù)據(jù)對象的真實分布情況所得，接著從數(shù)據(jù)集中尋找與模型匹配度高的具體數(shù)據(jù)對象，以此進(jìn)一步完成聚類操作。目前比較典型的基于模型的聚類算法主要有SOM算法、COBWEB算法等。基于模型的聚類算法是依據(jù)概率的方式，通過構(gòu)建模型來完成對數(shù)據(jù)集的聚類操作，其算法思想和操作規(guī)程都比較簡單，但局限是時間復(fù)雜度較高、模型建立時假設(shè)條件不能保證一定成立，模型選取的參數(shù)也比較敏感等。聚類算法的應(yīng)用對世界的分析和描述中，在概念上為有意義的具有公共特性的對象組的類，起著很重要的作用。在實踐中，人類擅長將對象劃分為組（簇），并將特定對象分配到這些組或分類中。例如，即使是非常年幼的孩子也可以快速識別照片中的物體，將其分類為建筑物、車輛、人物、動物、植物等。就數(shù)據(jù)理解而言，簇是潛在的類別，而聚類分析是研究自動發(fā)現(xiàn)這些類別的技術(shù)。聚類算法用于許多現(xiàn)實世界的問題，這里有一些具體的例子。查找信息百度包含數(shù)億個web網(wǎng)頁，網(wǎng)絡(luò)搜索引擎可以返回數(shù)千個頁面。這里可以使用聚類將搜索結(jié)果分成若干簇，其中每個簇捕獲查詢的特定方面。例如，搜索詞“電影”返回的網(wǎng)頁可以分為評論、電影預(yù)告片、電影明星、電影院等類別。每個類別（簇）可以劃分為多個子類別（子簇），創(chuàng)建一個層次結(jié)構(gòu)，幫助用戶進(jìn)一步探索查詢結(jié)果。企業(yè)并購績效評價并購已經(jīng)成為影響上市企業(yè)業(yè)績的重要行為之一，傳統(tǒng)的企業(yè)并購績效評價方法主要是事件研究法和財務(wù)指標(biāo)研究法，但基于層次聚類算法的企業(yè)并購績效評價方法通過構(gòu)建并購績效評價模型，可以以行業(yè)的角度來評價企業(yè)并購績效，從而可以對企業(yè)的并購行為有更加全面和深層次的認(rèn)識?？蛻艏?xì)分企業(yè)會收集有關(guān)當(dāng)前和潛在客戶的大量信息。聚類可用于將客戶分組以進(jìn)行進(jìn)一步分析和營銷活動。例如，最流行的客戶價值判斷模型RFM經(jīng)常與聚類分析結(jié)合使用，從而確定客戶價值得分水平。價格帶分析案例示范探索數(shù)據(jù)源案例主要采用了與“電腦椅”相關(guān)的商品數(shù)據(jù)，共400條記錄。特征選擇將“銷售價最低”數(shù)據(jù)設(shè)置為特征，為算法運用創(chuàng)造條件。設(shè)置K均值與聚類訓(xùn)練對K均值進(jìn)行設(shè)置時，將K值設(shè)置為“7”，代表了一共會形成7個類，分別對應(yīng)7個價格帶。歸一化的方法選擇為MinMaxScaler。根據(jù)聚類訓(xùn)練的基本算法步驟，預(yù)測結(jié)果共有數(shù)據(jù)400條，其中prediction字段為對應(yīng)的類別。聚合通過對聚類訓(xùn)練的輸出結(jié)果進(jìn)行聚合，獲取每個類的價格帶范圍。產(chǎn)品精準(zhǔn)定價策略分析將聚合結(jié)果轉(zhuǎn)為平臺數(shù)據(jù)集（數(shù)據(jù)集→新建自助數(shù)據(jù)集），再利用【自助儀表盤】進(jìn)行數(shù)據(jù)可視化：查看每個類的總銷售金額；查看每個類的總銷量；查看每個類的商品數(shù)量；查看每個類的平均銷售金額?！就卣箤嵱?xùn)】電子產(chǎn)品價格帶分析歸納與提高鞏固聚類算法的原理和流程；通過教師講解與實踐操作，實際操作市場細(xì)分的案例，幫助企業(yè)進(jìn)行管理。第3章用戶畫像分析教學(xué)內(nèi)容一、問題的提出二、用戶畫像三、用戶畫像案例示范教學(xué)要求【知識目標(biāo)】了解用戶畫像分析的基本概念和應(yīng)用；了解用戶畫像可視化的呈現(xiàn)方式與方法?！炯寄苣繕?biāo)】掌握基于多維或融合的用戶畫像構(gòu)建及分析方法。教學(xué)重點大數(shù)據(jù)背景下用戶畫像的管理；用戶畫像的應(yīng)用。教學(xué)難點自助儀表盤的創(chuàng)建；用戶畫像數(shù)據(jù)可視化結(jié)果的解讀。教學(xué)方法講授法、案例法、任務(wù)驅(qū)動法、演示法課時數(shù)6課時教學(xué)內(nèi)容問題的提出一、用戶畫像用戶畫像(Userportrait)最早由AlanCooper在1997年提出，其本質(zhì)是運用海量用戶信息來篩選用戶特征需求的一種分析工具。換句話說，就是對用戶行為數(shù)據(jù)進(jìn)行挖掘，發(fā)現(xiàn)用戶潛在的需求，從而有針對性的提供個性化產(chǎn)品與服務(wù)，達(dá)到精準(zhǔn)推送的目地。也有學(xué)者指出用戶畫像是給用戶打標(biāo)簽的過程，從而讓計算機(jī)能夠有程序的處理此類相關(guān)信息，最終達(dá)到通過算法模型“理解”用戶行為與心理的結(jié)果。問題設(shè)計景區(qū)運營離不開用戶畫像的構(gòu)建，它可以用于新項目設(shè)計預(yù)判，營銷活動推廣，廣告投放等環(huán)節(jié)中?；谥袊皡^(qū)旅游消費的相關(guān)數(shù)據(jù)，形成有價值的旅游消費者人群細(xì)分?jǐn)?shù)據(jù)，可以輔助景區(qū)建設(shè)做決策。用戶畫像需要進(jìn)行多維度精準(zhǔn)分析，不同維度分析可探查用戶的不同需求，比如用戶的景區(qū)偏好、基本用戶畫像，可以了解到不同類型景區(qū)市場狀況，依靠用戶畫像設(shè)計、引進(jìn)更加適合景區(qū)的旅游產(chǎn)品；比如用戶的消費偏好，可以初步了解景區(qū)有哪些項目可以進(jìn)行升級改造，提升產(chǎn)品的體驗感，還可以預(yù)測到游客的消費行為和游覽興趣等等。問題解決思路用戶數(shù)據(jù)收集。為搜集所需要的用戶特征數(shù)據(jù)，既可通過訪談法，問卷調(diào)查等方法收集一手?jǐn)?shù)據(jù)又可通過Python等軟件收集海量二手?jǐn)?shù)據(jù)。用戶數(shù)據(jù)篩選及挖掘。首先刪除一些信息不完整，冗余或異常的用戶數(shù)據(jù)。再根據(jù)目標(biāo)，選擇合適的構(gòu)建方法，逐步深入挖掘用戶畫像中的關(guān)鍵要素。研究用戶信息，細(xì)分標(biāo)簽。按照消費者基礎(chǔ)屬性細(xì)分：指消費者的基本屬性，例如，性別、年齡，教育水平等人口統(tǒng)計數(shù)據(jù)；按照消費者領(lǐng)域?qū)傩约?xì)分：指根據(jù)所需研究的目標(biāo)即研究領(lǐng)域內(nèi)的相關(guān)知識面對用戶進(jìn)行分析，主要包括行為屬性（例，旅客出行方式、游客景區(qū)線上購買門票支付方式等）和興趣屬性（例，游客出行同游人員和游客景區(qū)偏好等）；按照消費者特定屬性細(xì)分：多指依據(jù)研究或?qū)嶋H需要而特別提煉而出的用戶屬性。例如，在旅游領(lǐng)域，游客的消費情境，飲食習(xí)慣和歷史信息等。形成用戶畫像并進(jìn)行可視化呈現(xiàn)。通過匯集不同屬性的標(biāo)簽，制作一個相對完整的用戶畫像儀表盤，從而形成用戶畫像的可視化展示。并可以根據(jù)此用戶畫像儀表盤，具體分析消費者的用戶需求，從而提出相應(yīng)的營銷建議。用戶畫像明確營銷需求流量流量是要解決“如何讓游客來”的問題。要讓游客來，首先要了解游客，這樣才能根據(jù)游客的特點精準(zhǔn)制定推廣方案，將有個性化的產(chǎn)品與服務(wù)、優(yōu)惠力度大的促銷活動等定向展現(xiàn)在目標(biāo)客戶面前。滿足游客需求痛點的產(chǎn)品才能贏得青睞，才會實現(xiàn)企業(yè)源源不斷的流量。因此，企業(yè)要想獲得流量加持，就需要充分分析游客的基本信息，比如游客的客源地、目的地分析，游客對平臺APP實用情況、網(wǎng)址的瀏覽記錄，人數(shù)以及占比多少進(jìn)行細(xì)致劃分與描述，做精細(xì)化安排，善于利用老顧客的資源挖掘預(yù)測新用戶，從而獲得更精準(zhǔn)的流量。轉(zhuǎn)化轉(zhuǎn)化是要解決“如何讓游客消費”的問題。要讓游客消費，商家就要知道游客的需求和喜好，盡量滿足游客需求，為不同的游客推送不同的旅游線路等產(chǎn)品。流量精不精準(zhǔn)對產(chǎn)品轉(zhuǎn)化率有著直接影響，面對泛流量，我們需要在營銷資源有限的情況下，把流量做得精準(zhǔn)。所以，為了提高轉(zhuǎn)化率，我們要從新老客戶的區(qū)域分布、消費水平、購物平臺的使用情況、平臺的瀏覽數(shù)據(jù)記錄等方面描述客戶的轉(zhuǎn)化率并進(jìn)行提升，不斷挖掘出具有購買相似產(chǎn)品動機(jī)與同等消費水平的精準(zhǔn)人群，實現(xiàn)更精準(zhǔn)的流量轉(zhuǎn)化。后期則要做好售后，如管理好買家秀和評論，實現(xiàn)后期新游客的轉(zhuǎn)化?？蛦蝺r客單價是要解決“如何讓游客多消費”的問題。要讓游客多消費，商家就要知道哪些游客會多買，再通過個性化旅游路線設(shè)置、旅游套餐滿減活動等方式，匹配不同價位、不同搭配方案給相應(yīng)的游客。復(fù)購率復(fù)購率是要解決“如何讓游客再消費”的問題。要讓游客再次消費，商家就要知道哪些游客再次購買的概率會更高。所以，就需要從區(qū)域分布、訂購平臺、瀏覽習(xí)慣等方面研究游客的復(fù)購率。確定用戶畫像的維度和度量指標(biāo)用戶畫像的維度一般用戶畫的維度主要從用戶基礎(chǔ)信息標(biāo)簽和行為信息標(biāo)簽來度量和描述，這里的用戶基礎(chǔ)信息標(biāo)簽指的是用戶的基本信息特征，比如年齡、性別、工作、住址等信息；行為信息特征主要展現(xiàn)的是消費過程中行為標(biāo)簽，比如消費習(xí)慣、商品喜好、消費選擇的平臺途徑等。用戶畫像作為一種通過貼標(biāo)簽的形式來展示用戶多樣性的消費需求，在各行各業(yè)中得到了廣泛的關(guān)注。因此為了對用戶形成全方位，立體化，多維度的標(biāo)簽化刻畫，用戶標(biāo)簽必然也是多層次，多角度且便于理解，沒有歧義的。例如，在電商領(lǐng)域，用戶標(biāo)簽可以分為事實標(biāo)簽，模型標(biāo)簽和網(wǎng)頁瀏覽標(biāo)簽。而在旅游酒店管理領(lǐng)域，用戶標(biāo)簽可以被設(shè)置成：事實標(biāo)簽。一般指用戶的相關(guān)屬性。比如：性別，年齡，獲取酒店信息的來源等。地理位置標(biāo)簽。地理位置標(biāo)簽本質(zhì)也是事實標(biāo)簽，一般由酒店客戶所處的地理位置自動生成而獲取。比如：瀏覽網(wǎng)頁時的地理位置，掃碼下單時的空間信息等。網(wǎng)頁瀏覽標(biāo)簽。用戶通過第三方網(wǎng)站或搜索引擎廣告等途徑進(jìn)入酒店網(wǎng)站主頁時留下的網(wǎng)絡(luò)瀏覽信息記錄。消費模型標(biāo)簽。模型標(biāo)簽是結(jié)合上述三種標(biāo)簽以及酒店自身特點后對用戶信息進(jìn)行的整合。例如酒店會根據(jù)自身的發(fā)展階段，將客戶分為滿意度高的，潛在客戶或者流失客戶等。用戶畫像的常見度量指標(biāo)使用不同維度描述客戶時，選擇的度量指標(biāo)也有所不同，以下是一些常見的度量指標(biāo)。頁面瀏覽量(PV)：頁面被用戶查看的次數(shù)。訪客數(shù)（UV）：各個界面的瀏覽量之和，包括重復(fù)瀏覽累加的次數(shù)。瀏覽回頭客戶數(shù)：是指最近7天內(nèi)隔天再次瀏覽的用戶數(shù)。成交客戶數(shù)：已付款的客戶數(shù)，根據(jù)付款時間統(tǒng)計。成交金額：指成功下單成交總金額，根據(jù)付款時間統(tǒng)計。轉(zhuǎn)化率：成交客戶數(shù)與店鋪訪客數(shù)之比?？蛦蝺r：成交金額與成交客戶數(shù)之比。成交回頭客戶：在店鋪發(fā)生過2次或2次以上的客戶，在所選時間段內(nèi)要進(jìn)行去重計算（生意參謀的統(tǒng)計標(biāo)準(zhǔn)為最近一年再次成交的客戶，即回頭客）。以上是關(guān)于電商方面的指標(biāo)劃分，不同行業(yè)對用戶畫像的維度會有所不同。用戶畫像描述在確定了營銷需求和用戶畫像維度的基礎(chǔ)之上，需要對目標(biāo)客戶，根據(jù)不同維度和不同指標(biāo)內(nèi)容、進(jìn)行客戶畫像描述和營銷分析，具體可以從客源地、客戶職業(yè)、客戶性別等方面展開具體分析。首先依據(jù)上述游客基本信息標(biāo)簽，通過游客屬性分析就能分清哪些顧客是企業(yè)的忠實粉絲、哪些是企業(yè)要找的目標(biāo)客戶以及哪些是潛在的客戶，這樣企業(yè)就能建立客戶信息庫；其次利用數(shù)據(jù)管理平臺或者數(shù)據(jù)分析方法進(jìn)行客戶行為數(shù)據(jù)的統(tǒng)計與分析，依據(jù)不同情境維度建立用戶畫像模型；根據(jù)用戶畫像的特征，企業(yè)便可確定自己的目標(biāo)客戶群體，然后向此類目標(biāo)客戶定向投放相關(guān)的營銷廣告或服務(wù)信息，再根據(jù)營銷效果，剖析數(shù)據(jù)反饋帶來的價值信息，就可以不斷豐富與優(yōu)化客戶畫像模型，逐步提升用戶畫像構(gòu)建的精準(zhǔn)度，最終幫助景區(qū)結(jié)合自身特色選擇目標(biāo)客戶并開展精準(zhǔn)營銷。用戶畫像的應(yīng)用借助用戶畫像，我們可以更好更直觀的了解用戶。在店鋪營銷的不同階段客戶畫像會有不同的作用。前期規(guī)劃階段，商家要把產(chǎn)品匹配到正確的人群，精準(zhǔn)定位目標(biāo)市場，借助用戶畫像，商家可以找到自己的目標(biāo)市場，實行精準(zhǔn)營銷。隨著市場占有率不斷提高，商家可以通過用戶畫像對已有的客戶行為數(shù)據(jù)進(jìn)行分析，幫助其確定整體運營節(jié)奏，并選擇有效的推廣手段，從而確保未來的發(fā)展思路和方向不出現(xiàn)大偏差。在售后階段，也可以及時對用戶評價進(jìn)行反饋，為產(chǎn)品升級，捕捉新市場提供堅實有力的決策依據(jù)。具體表現(xiàn)為以下3個方面：精準(zhǔn)營銷精準(zhǔn)營銷是指依托大數(shù)據(jù)分析技術(shù)，對用戶數(shù)據(jù)進(jìn)行挖掘，通過尋找數(shù)據(jù)之間有價值的規(guī)律與聯(lián)系，可以精準(zhǔn)判斷出用戶對于產(chǎn)品的需求和購買偏好，在此基礎(chǔ)上實現(xiàn)人群細(xì)分，精準(zhǔn)定位目標(biāo)市場，從而提供用戶個性化的產(chǎn)品和服務(wù)。精準(zhǔn)營銷與一般的電商網(wǎng)絡(luò)營銷相比，不僅能夠提升廣告的精準(zhǔn)投放，還能降低營銷過程中耗用的資金，大大提高了企業(yè)營銷效率。比如比亞迪公司，通過客戶的消費數(shù)據(jù)與潛在客戶的需求分析，實施精準(zhǔn)營銷策略，最終實現(xiàn)其第一款中級家庭轎車F3的銷售成功。客戶研究根據(jù)大量的客戶行為數(shù)據(jù)，對行業(yè)或人群表現(xiàn)的特征進(jìn)行描述，比如一個消費者，在一段時間內(nèi)，先后購買了腮紅、眼霜、口紅等護(hù)膚品，基于這樣的購買行為，就可以大致分析出這位用戶是女性，甚至可以根據(jù)產(chǎn)品屬性，精準(zhǔn)分析用戶年齡等特征?？蛻粞芯靠梢灾笇?dǎo)產(chǎn)品優(yōu)化，比如在航空公司APP中機(jī)票預(yù)訂流程的漏斗分析中，可以根據(jù)訂票流程中每個環(huán)節(jié)轉(zhuǎn)化率來調(diào)整APP的功能結(jié)構(gòu)，從而減少預(yù)訂機(jī)票的流失。業(yè)務(wù)決策挖掘客戶數(shù)據(jù)，是指挖掘客戶的基本信息數(shù)據(jù)和客戶行為信息數(shù)據(jù)，采用數(shù)據(jù)挖掘中的回歸分析、聚類分析、關(guān)聯(lián)分析等算法模型對數(shù)據(jù)進(jìn)行加工處理，通過相似特征劃分、排名統(tǒng)計、流量趨勢、地域分析、競品分析、行業(yè)趨勢分析等去找尋人群與人群、人群與商品、商品與商品、商品與品牌之間潛在的差異與聯(lián)系，從而發(fā)現(xiàn)并挖掘出更大的商機(jī)。用戶畫像案例示范探索數(shù)據(jù)源數(shù)據(jù)源分別代表的是游客景區(qū)偏好占比、游客獲取旅游景區(qū)的途徑、游客出行方式占比、游客出行同游人員占比、游客年齡分布、游客性別占比、游客客源地占比、游客個人月收入占比、游客景區(qū)線上購買門票支付方式、游客購買景區(qū)門票的平均價格占比、游客景區(qū)消費情況、游客在景區(qū)額外消費的項目、游客在額外項目上消費的金額占比。消費者領(lǐng)域?qū)傩约?xì)分消費者領(lǐng)域?qū)傩约?xì)分這里是對游客客源地進(jìn)行分析。消費者基礎(chǔ)屬性細(xì)分消費者基礎(chǔ)屬性細(xì)分這里是對游客性別、年齡及個人月收入進(jìn)行可視化分析。消費者特定屬性細(xì)分接下來對消費者行為特征進(jìn)行分析，包括旅客出行方式、游客景區(qū)線上購買門票支付方式、游客購買景區(qū)門票的平均價格占比、游客在額外項目上消費的金額占比、游客景區(qū)消費情況、游客在景區(qū)額外消費的項目、游客獲取旅游景區(qū)的途徑、游客出行同游人員和游客景區(qū)偏好。解讀結(jié)果女性相對于男性更喜歡出游；90后的游客占所有年齡段的游客的重比；從廣東省來該地旅游的游客占比最重，且大多數(shù)游客偏愛的旅游景區(qū)的類型為湖光山色。游客大多會在景區(qū)有額外消費且金額大于100元；游客對于線上支付方式更傾向于支付寶；游客們對于景點的信息多從旅游網(wǎng)站進(jìn)行了解并預(yù)定門票。根據(jù)以上分析出來得到的信息，該地區(qū)和各景點的工作人員可以根據(jù)自身地方的實際情況，對景點宣傳或景點營銷進(jìn)行針對性的提升與改善?！就卣箤嵱?xùn)】電商領(lǐng)域用戶畫像分析歸納與提高鞏固客戶畫像分析的原理；通過教師講解與實踐操作，實際操作用戶畫像分析的案例，幫助企業(yè)展開營銷活動。第4章基于ARIMA模型的產(chǎn)品生命周期預(yù)測教學(xué)內(nèi)容一、問題的提出二、時間序列法與ARIMA模型三、產(chǎn)品生命周期預(yù)測案例示范教學(xué)要求【知識目標(biāo)】了解產(chǎn)品生命周期概念；了解時間序列法?！炯寄苣繕?biāo)】掌握ARIMA模型方法，并能應(yīng)用于預(yù)測產(chǎn)品生命周期。教學(xué)重點產(chǎn)品生命周期理論；ARIMA算法的應(yīng)用。教學(xué)難點ARIMA模型的構(gòu)建；產(chǎn)品生命周期曲線繪制與解讀。教學(xué)方法講授法、案例法、任務(wù)驅(qū)動法、演示法課時數(shù)6課時教學(xué)內(nèi)容問題的提出一、產(chǎn)品生命周期理論產(chǎn)品生命周期是指產(chǎn)品從進(jìn)入市場到離開市場所經(jīng)歷的市場生命循環(huán)過程。因此，產(chǎn)品生命周期理論也被稱為“商品循環(huán)”理論。正常來說，所有產(chǎn)品都要經(jīng)歷從暢銷到滯銷，并遵循產(chǎn)品生命的周期性，即歷經(jīng)引入、成長、成熟、衰退四個階段。具體問題設(shè)計目前獲取了某公司2015年1月-2021年9月國際貿(mào)易產(chǎn)品液晶電視的出口數(shù)據(jù)。該數(shù)據(jù)運營專員準(zhǔn)備借助時間序列算法對生產(chǎn)線的生命周期進(jìn)行預(yù)測，得出生產(chǎn)線生命周期，判斷下一個時期也就是2021年10月企業(yè)生產(chǎn)線處于哪個階段，并給予企業(yè)對于生產(chǎn)線的控制建議。問題解決思路在產(chǎn)品引入期，生產(chǎn)線處于生產(chǎn)初期，產(chǎn)出的速度較為平緩，只需滿足處于市場淡季時的需求即可；在產(chǎn)品成長期，市場需求量呈持續(xù)增長狀態(tài)，此時生產(chǎn)線處與上升期，產(chǎn)出速度需跟緊市場需求加大產(chǎn)品生產(chǎn)，為企業(yè)進(jìn)行大范圍產(chǎn)品投放做好基礎(chǔ)；在產(chǎn)品成熟期，產(chǎn)品在數(shù)量上的需求已經(jīng)達(dá)到頂峰，這個階段的生產(chǎn)線進(jìn)入穩(wěn)定期，需結(jié)合消費者需求注重提升產(chǎn)品本身，從而延長產(chǎn)品的成熟期；在最后的產(chǎn)品衰退期，生產(chǎn)線進(jìn)入退化期，為減少企業(yè)損失，生產(chǎn)線需降低生產(chǎn)速度最后回到引入期的生產(chǎn)狀態(tài)。所以生產(chǎn)線生命周期又是基于產(chǎn)品生命周期形成的。由此，結(jié)合數(shù)據(jù)源本次案例的基本思路如下：對液晶電視機(jī)的出口數(shù)據(jù)進(jìn)行分析，預(yù)測后期的市場規(guī)模。得到產(chǎn)品生命周期，針對產(chǎn)品生命周期曲線判斷2021年10月企業(yè)生產(chǎn)線處于哪個階段，并給出相關(guān)建議。產(chǎn)品的生命周期是具有時間規(guī)律的，案例源數(shù)據(jù)已知2015年1月-2021年9月的歷史數(shù)據(jù)，想要得到后期的市場規(guī)模，可以通過時間序列進(jìn)行預(yù)測。時間序列法與ARIMA模型一、時間序列法時間序列（或稱動態(tài)序列）是指將數(shù)據(jù)依據(jù)某一相同統(tǒng)計指標(biāo)以及產(chǎn)生的先后順序排列而成的序列。時間序列分析能夠以現(xiàn)有的歷史數(shù)據(jù)為基礎(chǔ)，對未來進(jìn)行預(yù)測。大多數(shù)經(jīng)濟(jì)數(shù)據(jù)都是以時間序列的形式呈現(xiàn)。根據(jù)觀察的時間差異，時間序列中的時間可以是年、季度、月或其他時間格式。競爭數(shù)據(jù)分析是指分析競爭對手的數(shù)據(jù)。ARIMA模型數(shù)據(jù)平穩(wěn)化處理時間序列的平穩(wěn)性是使用ARIMA模型的前提條件，所以對序列進(jìn)行平穩(wěn)性檢驗是必要的。通過時間序列散點圖、自相關(guān)系數(shù)圖（ACF）、偏相關(guān)系數(shù)圖（PACF）和單位根檢驗（AugmentedDickey-Fuller，ADF）來可以初步判斷序列的平穩(wěn)性，再利用統(tǒng)計學(xué)方法精確地對數(shù)據(jù)的平穩(wěn)性進(jìn)行測定。對于非平穩(wěn)序列，可以采用對數(shù)法或差分法對其進(jìn)行平穩(wěn)化處理，反復(fù)進(jìn)行以上步驟，直至獲得一個穩(wěn)定的序列。數(shù)據(jù)平穩(wěn)化處理后，ARIMA（p，d，q）模型即轉(zhuǎn)化為ARMA（p，q）模型。模型識別ARIMA模型預(yù)測的準(zhǔn)確程度取決于參數(shù)組合（p，d，q）的合理性。根據(jù)差分運算法則，依次選取d=1，2，3……，并對序列進(jìn)行d階差分運算，可以得到一個新的序列。對新序列進(jìn)行平穩(wěn)性檢驗，直至數(shù)據(jù)平穩(wěn)，此時差分定階為d，得到ARMA（p，q）模型。自相關(guān)系數(shù)和偏自相關(guān)系數(shù)兩個統(tǒng)計指標(biāo)的引入可以幫助確定ARMA（p，q）模型的系數(shù)特性及模型階數(shù)。對于經(jīng)過處理的平穩(wěn)序列，可以通過ACF圖或者PACF圖分析函數(shù)截尾或者拖尾的情況對ARMA（p，q）模型中p和q的階數(shù)進(jìn)行估計。選擇合適的階數(shù)后根據(jù)赤池信息準(zhǔn)則（akaikeinformationcriterion，AIC）匹配合適的模型。如果自相關(guān)函數(shù)顯示拖尾，而偏相關(guān)函數(shù)顯示結(jié)果為截尾，這說明該序列適用AR模型；反之，如果相關(guān)函數(shù)顯示截尾，而偏相關(guān)函數(shù)顯示結(jié)果為拖尾，則該序列適用MA模型；如果自相關(guān)函數(shù)和偏相關(guān)函數(shù)都顯示拖尾，則該序列適用ARMA模型。由于自相關(guān)函數(shù)轉(zhuǎn)變?yōu)橹芷谛蛄校钥梢圆捎贸朔e季節(jié)模型。當(dāng)序列的自相關(guān)函數(shù)規(guī)率較高時，則需對序列進(jìn)行非線性模型擬合。模型檢驗在模型識別與參數(shù)估計結(jié)束后，需要對所選模型與估計結(jié)果進(jìn)行評估與檢驗，以保證所選模型的有效性。如果評估結(jié)果顯示不合適，則需更換或者修改現(xiàn)有模型?？梢酝ㄟ^t檢驗對參數(shù)估計進(jìn)行顯著性檢驗，使用Q檢驗對模型的殘差序列進(jìn)行白噪聲檢驗，若檢驗結(jié)果顯示為白噪聲，則該模型適用；若結(jié)果顯示不是白噪聲，則說明在模型的誤差序列中存在相關(guān)信息沒有被提取，同時表明該模型不適用或者不夠有效。模型預(yù)測ARIMA模型是一種描述隨著時間推移而產(chǎn)生的數(shù)據(jù)序列的方法。該模型一經(jīng)確定有效性，便能根據(jù)模型實現(xiàn)某種程度的短期預(yù)測，獲取研究結(jié)論。時間序列法與ARIMA模型探索數(shù)據(jù)源2015年1月-2021年9月國際貿(mào)易產(chǎn)品液晶電視的出口數(shù)據(jù)”，表中包含了統(tǒng)計日期內(nèi)的產(chǎn)品出口數(shù)量、產(chǎn)品出口金額以及對應(yīng)的匯買價。對數(shù)據(jù)進(jìn)行預(yù)處理修改數(shù)據(jù)類型為保證時間序列成功運行需要將“日期”字段的數(shù)據(jù)類型修改為“date”日期類型，此步驟可以通過平臺的“元數(shù)據(jù)編輯”節(jié)點進(jìn)行實現(xiàn)。特征選擇在正式建模之前要進(jìn)行特征設(shè)置，由于本案例是通過時間序列方法進(jìn)行預(yù)測，且預(yù)測的是出口金額，所以在“特征選擇”中，將“日期”設(shè)為特征列、“出口金額（萬元人民幣）”設(shè)為標(biāo)簽列。構(gòu)建ARIMA模型使用平臺“ARIMA算法”，ARIMA參數(shù)使用默認(rèn)設(shè)置（1，0，1），來預(yù)測2021年9月后近一年多的產(chǎn)品出口金額數(shù)據(jù)。預(yù)測得到生命周期數(shù)據(jù)節(jié)點運行后得到的prediction為預(yù)測的預(yù)測結(jié)果，對應(yīng)“出口金額（萬元人民幣）”一列。判斷2021年10月處于的市場階段，需要觀察歷史趨勢和后期變化趨勢，兩者結(jié)合確定當(dāng)前市場階段。繪制生命周期曲線在自助儀表盤中，選擇目標(biāo)數(shù)據(jù)源，將“日期”拖入列并進(jìn)行升序排序，將“出口金額（萬元人民幣）”拖入行，設(shè)置圖表類型為折線圖即可獲得產(chǎn)品生命周期曲線，觀察產(chǎn)品生命周期曲線，根據(jù)前后趨勢變化，可以看出2021年10月處于產(chǎn)品成熟期。此時，企業(yè)生產(chǎn)線正處于穩(wěn)定期，需要根據(jù)消費者需求來提升產(chǎn)品，幫助延長產(chǎn)品成熟期，從而給企業(yè)創(chuàng)造更多收入。產(chǎn)品策略的優(yōu)化與動態(tài)管理深入分析產(chǎn)品組合中各個產(chǎn)品線、產(chǎn)品項目后，要針對企業(yè)自身資源條件、市場環(huán)境和競爭態(tài)勢，進(jìn)行產(chǎn)品組合決策調(diào)整。產(chǎn)品組合的一般決策包括：產(chǎn)品線延伸策略，擴(kuò)大或縮減產(chǎn)品組合策略。大數(shù)據(jù)背景下的企業(yè)產(chǎn)品組合決策相比于傳統(tǒng)營銷的產(chǎn)品組合決策本質(zhì)上并無明顯不同，只不過在大數(shù)據(jù)背景下做出的決策使用了更多的信息，更準(zhǔn)確的模型，同時也更加注重產(chǎn)品組合決策的動態(tài)變化?！就卣箤嵱?xùn)】時間序列法在大數(shù)據(jù)時代更廣泛的應(yīng)用歸納與提高鞏固回歸算法和聚類算法的原理和流程；通過教師講解與實踐操作，實際操作市場需求預(yù)測和市場細(xì)分的案例，幫助企業(yè)進(jìn)行管理。第5章基于關(guān)聯(lián)規(guī)則的購物籃分析教學(xué)內(nèi)容一、問題的提出二、關(guān)聯(lián)分析三、購物籃分析案例示范教學(xué)要求【知識目標(biāo)】了解購物籃分析；理解關(guān)聯(lián)規(guī)則的概念及原理；掌握關(guān)聯(lián)規(guī)則算法的應(yīng)用。【技能目標(biāo)】學(xué)會對天貓超市的購物籃進(jìn)行分析。教學(xué)重點基于關(guān)聯(lián)規(guī)則的購物籃分析教學(xué)難點關(guān)聯(lián)分析模型的構(gòu)建；關(guān)聯(lián)分析結(jié)果與零售策略建議。教學(xué)方法講授法、案例法、任務(wù)驅(qū)動法、演示法課時數(shù)6課時教學(xué)內(nèi)容問題的提出一、購物籃分析購物籃分析是零售企業(yè)或商家通過對顧客個人數(shù)據(jù)、顧客的交易數(shù)據(jù)和顧客購物籃中的商品數(shù)據(jù)進(jìn)行綜合分析，發(fā)現(xiàn)消費者購買規(guī)律的活動。自購物籃分析被提出以來，已經(jīng)被零售企業(yè)廣泛應(yīng)用于商品陳列、交叉銷售、捆綁銷售、個性化商品推薦優(yōu)化等常態(tài)化的日常經(jīng)營決策中。它的應(yīng)用大大增強(qiáng)了顧客的購買體驗，提高了消費者的客單價，降低了顧客購物成本，減少了零售企業(yè)的經(jīng)營風(fēng)險，提高了零售企業(yè)的營銷決策效率和經(jīng)營績效。問題設(shè)計如何充分挖掘天貓超市“留量”顧客的價值呢？根據(jù)零售理論，企業(yè)的銷售額=流量ⅹ轉(zhuǎn)化率ⅹ客單價。其中，流量指光顧線上或線下零售平臺或商店的人數(shù)；轉(zhuǎn)化率是指所有光顧零售平臺或商店的消費者中發(fā)生實際購買行為的人數(shù)占所有光顧人數(shù)的百分比；客單價則是指零售商的每個消費者的平均交易額。由此可知，在消費者流量已飽和的情況下，天貓超市可以通過提高轉(zhuǎn)化率和客單價來提升銷售業(yè)績。但需要注意的是，由于影響網(wǎng)絡(luò)零售企業(yè)轉(zhuǎn)化率的因素眾多，涉及商品價格、網(wǎng)店零售環(huán)境、線上零售商的實力與聲譽，所售商品的聲譽、消費者的購買情境、網(wǎng)絡(luò)零售商的客群特征、售后服務(wù)政策、競爭環(huán)境等多個方面。若要通過改善上述各影響因素著手提高天貓超市的轉(zhuǎn)化率，不僅所需耗費的時間久，花費也相對較高。因此，要在短時間內(nèi)提高天貓超市的銷售額，充分挖掘天貓超市現(xiàn)有顧客的價值，提升客單價將是相對省時且有效的方法。問題解決思路一般而言，在特定時間段內(nèi)，零售企業(yè)的品牌美譽度、商品陳列、商品推薦、產(chǎn)品的品牌聲譽和價格、促期政策以及交叉銷售等因素都會影響消費者的客單價。經(jīng)過跟專家的討論和對天貓超市經(jīng)營數(shù)據(jù)的了解，為了獲得更穩(wěn)定的銷售增長，運營部主管根據(jù)市場經(jīng)理提交的消費者購買數(shù)據(jù)分析報告，認(rèn)為可以通過優(yōu)化關(guān)聯(lián)商品購買推薦，改進(jìn)商品捆綁銷售和交叉銷售建議來提升客單價。因此，天貓超市可以根據(jù)顧客消費數(shù)據(jù)分析商品之間潛在的聯(lián)系，預(yù)測顧客可能會購買的其他商品，并據(jù)此調(diào)整和優(yōu)化該超市的零售策略。關(guān)聯(lián)分析關(guān)聯(lián)分析步驟與關(guān)聯(lián)強(qiáng)度關(guān)聯(lián)規(guī)則是關(guān)聯(lián)分析在大數(shù)據(jù)中發(fā)現(xiàn)事物之間相關(guān)性的結(jié)果。數(shù)據(jù)分析人員需要先根據(jù)最小支持度找出數(shù)據(jù)庫中所有的頻繁項集，然后根據(jù)最小置信度和頻繁項集挖掘出事物之間背后隱藏的關(guān)聯(lián)規(guī)則。其中，頻繁項集是經(jīng)常出現(xiàn)在一起的產(chǎn)品、物品、服務(wù)或?qū)傩缘募?，呈現(xiàn)了某些事物之間的共現(xiàn)關(guān)系。與普通共現(xiàn)關(guān)系不同的是，關(guān)聯(lián)規(guī)則更凸顯事物或?qū)傩灾g的相互依賴關(guān)系和條件先驗關(guān)系，即它除了展現(xiàn)組內(nèi)某些事物或?qū)傩灾g的共現(xiàn)外，還提示了事物或?qū)傩灾g明顯的相關(guān)關(guān)系和因果關(guān)系的存在。換句話說，關(guān)聯(lián)關(guān)系的共現(xiàn)關(guān)系更強(qiáng)，且大部分可以依據(jù)日常經(jīng)驗和已有理論的邏輯進(jìn)行闡釋。關(guān)聯(lián)規(guī)則的強(qiáng)度不是有數(shù)據(jù)分析人員或管理人員主觀認(rèn)定的，而是有客觀量化的指標(biāo)可以衡量的。具體來說，主要包括三個指標(biāo)：一是支持度，指項集的頻繁程度，即含有特定項集的項目占所有項目的百分比；二是置信度，即項集Y在包含項集X的事物中出現(xiàn)的頻繁程度；三是提升度，在含有項集X的條件下同時含有項集Y的概率與僅含有項集Y的概率比。頻繁項集指的是滿足最小支持度閾值（minsup，MinimumSupport）的所有項集。二、關(guān)聯(lián)分析的核心算法Apriori算法由Agrawal等提出的Apriori算法是利用頻繁集性質(zhì)的先驗知識，通過逐層搜索的不斷迭代，即將k-項集（包含k項的項集）用于找到數(shù)據(jù)集中的所有頻繁項目集。換言之，Apriori算法的目的就是要找到最大的K-項頻繁集。Apriori算法有這樣一個性質(zhì)，即若一個項集是頻繁的，那么它的所有子集一定是頻繁的；相反，若一個項集是非頻繁的，那么它的所有子集一定也是非頻繁的。為了提高頻繁項目集生成的效率，減少項目集的組合和掃描數(shù)據(jù)庫的次數(shù)，該算法利用了上述性質(zhì)。即如果發(fā)現(xiàn)某項集是非頻繁的，即可將整個包含該超集的子圖剪枝。Apriori算法的具體步驟如下：掃描數(shù)據(jù)庫，生成候選1-項集和頻繁1-項集；從2-項集開始循環(huán)，由頻繁（k-1）-項集生成頻繁k-項集；頻繁（k-1）-項集兩兩組合，判定是否可以連接，若能，則連接生成k-項集；檢測k項集中的每個項集子集是否頻繁，舍掉不是頻繁項集的子集；再次掃描數(shù)據(jù)庫，計算前一步中過濾后的k-項集支持度，舍棄支持度小于閾值的項集，生成頻繁k-項集。當(dāng)當(dāng)前k-項集中只有一個項集時，循環(huán)結(jié)束。FP-growth算法雖然Aprori算法利用頻繁集的兩個特性可以過濾很多無關(guān)的集合，但是這種算法的局限性也非常突出：一方面，Aprori算法可能會產(chǎn)生很多候選項集；另一方面，Apriori算法是一個候選消除算法，在每一次消除時都需要掃描所有數(shù)據(jù)記錄，因此對I/O負(fù)載具有較高的要求。從其操作過程來看，Aprori算法的數(shù)據(jù)挖掘效率是低下的。這意味著Aprori算法無法應(yīng)用于有海量數(shù)據(jù)記錄的大數(shù)據(jù)分析?；诖耍琀an等人在2000年提出了頻繁模式增長（Frequent-PatternGrowth，簡稱FP-growth）的算法。近年來，F(xiàn)p-Growth算法已經(jīng)被廣泛應(yīng)用于挖掘頻繁項集，其原理是：先把經(jīng)掃描數(shù)據(jù)庫找出頻繁項集后的數(shù)據(jù)集存儲壓縮在一個叫FP-tree（頻繁模式樹）的數(shù)據(jù)結(jié)構(gòu)里，然后再將上述數(shù)據(jù)庫分割成一些條件數(shù)據(jù)庫，并找出頻繁項集。與Aprori算法相比，F(xiàn)P-growth算法在使用過程中只需要掃描兩次數(shù)據(jù)庫，因此它在處理大數(shù)據(jù)集上的效率要明顯高于Apriori算法。關(guān)聯(lián)分析在營銷中的應(yīng)用商業(yè)零售行業(yè)該促銷哪些商品？對哪些商品進(jìn)行捆綁銷售？如何進(jìn)行交叉銷售？為消費者推薦何種商品？在零售行業(yè)，不論是網(wǎng)絡(luò)零售商還是線下實體零售商，為了增加銷售量和獲取更多的利潤，常常面臨上述一系列問題。對于實體零售店，還面臨商品該如何陳列的問題。關(guān)聯(lián)分析可以幫助零售企業(yè)對消費者的購物籃數(shù)據(jù)進(jìn)行挖掘，發(fā)現(xiàn)顧客購買一個商品時購買另一個商品的概率，明確消費者購買商品之間的關(guān)聯(lián)，從而為商家進(jìn)行科學(xué)、合理的商品陳列規(guī)劃、交叉銷售、捆綁銷售、商品推薦和促銷活動優(yōu)化提供有效的決策依據(jù)。金融行業(yè)如零售行業(yè)一樣，金融行業(yè)也是關(guān)聯(lián)分析應(yīng)用的一個重要場景。證券公司常常會用關(guān)聯(lián)分析為投資活動決策提供依據(jù)；銀行通過關(guān)聯(lián)規(guī)則分析消費者的信用卡使用情況，以實時監(jiān)控消費者信用卡的惡意透支行為；保險公司通過對投保人購買行為的關(guān)聯(lián)分析，發(fā)現(xiàn)投保人購買的關(guān)聯(lián)保險險種。除了上述行業(yè)以外，電信、科研、教育和醫(yī)療領(lǐng)域也是關(guān)聯(lián)分析被廣泛使用的場景。競爭數(shù)據(jù)分析中最關(guān)鍵的因素是獲取信息的質(zhì)量和類型，這也決定了分析的廣度和深度。數(shù)據(jù)獲取方式有數(shù)據(jù)采買、數(shù)據(jù)爬取、外部資訊或內(nèi)部情報。購物籃分析案例示范探索數(shù)據(jù)源本案例數(shù)據(jù)包含的信息共有7985條數(shù)據(jù)。將現(xiàn)有天貓超市的7985條消費記錄數(shù)據(jù)導(dǎo)入“關(guān)系數(shù)據(jù)源”。數(shù)據(jù)處理根據(jù)探索數(shù)據(jù)源時分析得出的結(jié)果，對源數(shù)據(jù)進(jìn)行去除重復(fù)值的操作。由于原始數(shù)據(jù)是一個商品一條記錄，在做購物籃分析時，需要對一個客戶所購買的所有商品進(jìn)行關(guān)聯(lián)規(guī)則挖掘，因此需要進(jìn)行聚合處理。將“BuyerName”字段作為分組依據(jù)，對同一個消費者所購買的“ProductName”字段進(jìn)行匯總與計數(shù)。關(guān)聯(lián)規(guī)則挖掘進(jìn)行關(guān)聯(lián)規(guī)則挖掘訓(xùn)練。將“Collect_list_ProductName”字段設(shè)置為特征列用于挖掘頻繁項集，然后依據(jù)訂單中所包含的物品種類數(shù)量是否大于1的原則，將數(shù)據(jù)源分成兩部分，分兩次拖拽行選擇到畫布區(qū)。商品種類數(shù)量大于1意味著購買商品數(shù)量在兩種或以上，可以從這些數(shù)據(jù)中去挖掘頻繁項集；等于1意味著該訂單只購買了一種商品，將其用于后續(xù)的預(yù)測數(shù)據(jù)。添加FP-growth算法用于訓(xùn)練訓(xùn)練集數(shù)據(jù)，并且將最小支持度和最小置信度設(shè)置為0.1，同時引入測試數(shù)據(jù)集進(jìn)行預(yù)測。零售策略建議通過關(guān)聯(lián)分析結(jié)果可以看出，煙灰缸和菜板、油壺和菜板、保溫壺和菜板、紅酒開瓶器和菜板等組合同時購買的概率最高，提升度都大于1，都是正相關(guān)的，是能夠提高購買概率的組合。也就是說，購買了煙灰缸、油壺、保溫壺和紅酒開瓶器的顧客有超過50%的概率會購買菜板。因此，為了提高天貓超市的客單價，可以制定以下策略：（1）將煙灰缸和菜板、油壺和菜板、保溫壺和菜板、紅酒開瓶器和菜板等商品分別組合，實行捆綁銷售，提高客單價；（2）當(dāng)顧客將煙灰缸、油壺、保溫壺和紅酒開瓶器等商品加入購物車后，向其自動推送菜板的產(chǎn)品信息，提高顧客的連帶購買率，提高客單價?！就卣箤嵱?xùn)】零售商品關(guān)聯(lián)分析歸納與提高鞏固關(guān)聯(lián)分析的算法原理；通過教師講解與實踐操作，使學(xué)生熟悉數(shù)據(jù)挖掘模塊中的關(guān)聯(lián)規(guī)則，能利用其進(jìn)行關(guān)聯(lián)分析，并在此基礎(chǔ)上提出相應(yīng)的營銷策略，改進(jìn)營銷效果。第6章基于文本挖掘的消費者情感分析教學(xué)內(nèi)容一、問題的提出二、文本分析法三、消費者情感分析案例示范教學(xué)要求【知識目標(biāo)】了解什么是文本分析法；了解文本情感分析的優(yōu)劣?！炯寄苣繕?biāo)】掌握文本挖掘在商品評論情感分析中的應(yīng)用。教學(xué)重點文本分析法在商品評論情感分析中的運用；利用文本分析法進(jìn)行精準(zhǔn)營銷。教學(xué)難點文本分析法在相關(guān)領(lǐng)域中的運用；文本分析與用戶需求數(shù)據(jù)的匹配銜接度。教學(xué)方法講授法、案例法、任務(wù)驅(qū)動法、演示法課時數(shù)6課時教學(xué)內(nèi)容問題的提出一、商品評論中的情感隨著計算機(jī)技術(shù)的不斷升級，文本分析方法的出現(xiàn)，實現(xiàn)了借助計算機(jī)獨立地對文本中的信息進(jìn)行分類、排序和提取、并輸出相關(guān)的模式、關(guān)系、觀點。因此，文本分析方法迅速在政治、營銷、傳播、社會科學(xué)和心理學(xué)等領(lǐng)域引起了廣大研究者的關(guān)注。分析評論文本的情感傾向也成為研究在線購物網(wǎng)站和社交媒體用戶行為的一個重要研究方向。問題設(shè)計現(xiàn)某家經(jīng)營烤腸的電商店鋪為了提升自己的產(chǎn)品和服務(wù)，想要調(diào)查自己店鋪的烤腸在消費者中的輿情。店鋪數(shù)據(jù)運營專員采集了自己店鋪烤腸的所有客戶的評論數(shù)據(jù)，利用文本分析法進(jìn)行用戶情感分析，從好詞和壞詞兩個維度去分別計算詞頻，從而制作出輿情分析詞云圖，分析評價情況，看消費者對產(chǎn)品的夸贊主要在哪些方面，并且調(diào)查在哪些方面對產(chǎn)品提出了質(zhì)疑或者差評，從而幫助產(chǎn)品的更新迭代。另外分析員又導(dǎo)出了近期的店鋪交易數(shù)據(jù)，希望還能夠從中挖掘出用戶情感走向與用戶行為之間的關(guān)聯(lián)。問題解決思路使用評價內(nèi)容，對其進(jìn)行數(shù)據(jù)預(yù)處理，處理內(nèi)容主要包括去除重復(fù)值、空值處理等操作，也就是將評價內(nèi)容中重復(fù)評價和為空的評價去除；獲得每個評論的情感得分；拆分評價內(nèi)容，進(jìn)行分詞；匯總詞在文本出現(xiàn)的次數(shù)；將數(shù)據(jù)導(dǎo)出到關(guān)系目標(biāo)源，再進(jìn)行可視化展現(xiàn)，分析消費者的情感，給賣家以參考建議。文本分析法一、文本分析原理文本主要是指由一些符號或代碼組成的信息結(jié)構(gòu)體，可通過語言、文本、圖像等不同的形式進(jìn)行表達(dá)。文本是由特定的人制定的，其含義必然反映了人們特定的觀點、價值和利益等意識形態(tài)的內(nèi)容。一般來說，文本分析是一種針對文本類型數(shù)據(jù)的處理方法，就是從海量的文本數(shù)據(jù)中提取出有價值的數(shù)據(jù)，并通過分析利用這些數(shù)據(jù)來重組信息。文本分析作為探討信息內(nèi)容本質(zhì)的有力研究方法被廣泛應(yīng)用于包括商業(yè)管理的各個領(lǐng)域。分詞分詞是根據(jù)一定的規(guī)范對連續(xù)的單詞序列進(jìn)行重組的過程。它將句子準(zhǔn)確地劃分為單詞，在詞典中進(jìn)行搜索和匹配，并根據(jù)匹配結(jié)果將句子劃分為常用短語或單詞。它通常用于文本挖掘和分析。分詞既簡單又復(fù)雜。分詞算法的研究已經(jīng)非常成熟。大多數(shù)單詞（如HMM分詞[HMM：是指隱馬爾可夫模型，是一種用于描述參數(shù)未知的馬爾可夫過程的統(tǒng)計模型，該模型結(jié)合字標(biāo)注的思想，能夠在不依賴詞典下自主識別未登錄詞。]和CRF分詞[CRF：是指條件隨機(jī)場，是一種基于遵循馬爾可夫性的概率圖模型的數(shù)學(xué)算法，該算法結(jié)合了最大熵模型和隱馬爾可夫模型的特點，是一種無向圖模型。]）的準(zhǔn)確率可以達(dá)到95%以上，因此相對簡單。復(fù)雜的是，剩下的5%很難取得突破，原因可以概括為以下幾點：①不同的應(yīng)用程序?qū)α６扔胁煌囊?。其中，粒度是指分割的最小單位。例如，“保證金交易”可以是一個詞（“保證金交易”）或兩個詞（“保證金”和“交易”）；②歧義，如“恒生”一詞。它可以參考恒生公司和恒生指數(shù)；③未登錄詞，即未出現(xiàn)在算法使用詞典中的單詞，如不常見的專業(yè)金融術(shù)語和各種上市公司的名稱。詞袋詞袋是將句子按分隔符分成獨立的單詞。簡單地說，每個文檔都被視為一個包（因為它包含單詞，所以稱為單詞包），通過查看包中的單詞，可對它們進(jìn)行分類。詞頻統(tǒng)計詞頻統(tǒng)計是詞匯分析的一種研究方法。這是一種通過計算出一定長度的語言材料中每個單詞的出現(xiàn)次數(shù)來分析統(tǒng)計結(jié)果，從而描述詞匯規(guī)則的方法。這種方法有助于評估作品，確定一種語言或?qū)W科的基本詞匯。簡而言之，詞頻統(tǒng)計用于計算單詞在文本中出現(xiàn)的次數(shù)。詞頻統(tǒng)計通常用于顯示單詞云。詞頻統(tǒng)計的原理是，如果在給定的文檔中，詞頻通常是標(biāo)準(zhǔn)化的，以防止它偏向長文檔。同時，詞頻統(tǒng)計是自然語言處理的重要基礎(chǔ)。信息熵、詞概率等參數(shù)只是詞頻的映射變換，但分析的實質(zhì)基礎(chǔ)沒有改變。文本數(shù)據(jù)的分析類型與一般流程文本統(tǒng)計分析：對文本中出現(xiàn)的詞語進(jìn)行統(tǒng)計分析，運用場景主要有詞云、輿情分析、簡易版的智能客服；文本建模分析：通過將文本進(jìn)行數(shù)字?jǐn)?shù)據(jù)化之后，再和機(jī)器學(xué)習(xí)等算法進(jìn)行結(jié)合，包括情感分析和詞語網(wǎng)絡(luò)分析；文本語義分析：通過采取深度學(xué)習(xí)等復(fù)制算法進(jìn)行訓(xùn)練，使得可以從文本中挖掘出來具有語法信息的文本信息，包括主題模型LDA、RNN（遞歸神經(jīng)網(wǎng)絡(luò)）等。完整的文本數(shù)據(jù)分析的一般流程包括:數(shù)據(jù)收集、除去數(shù)據(jù)中非文本部分、處理中文編碼問題、中文分詞、引入停用詞、特征處理、建立分析模型等7個步驟。文本情感分析的三種方法方法定義優(yōu)勢劣勢基于情感詞典的分析方法根據(jù)不同詞典所提供的情感詞的情感極限進(jìn)行學(xué)習(xí)的方法可有效反應(yīng)文本的結(jié)構(gòu)特征，易于理解，在情感詞多時效果更優(yōu)受制于情感詞典的限制，情感詞典需要及時更新擴(kuò)充基于傳統(tǒng)機(jī)器學(xué)習(xí)的分析方法一種通過給定的模型預(yù)測結(jié)果的學(xué)習(xí)方法可根據(jù)情感特征的選取和情感分類器的組合對文本進(jìn)行情感分析無法考慮上下文文本的整體語境信息；數(shù)據(jù)量大時效率低基于深度學(xué)習(xí)的分析方法借助神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力進(jìn)行情感分析的方法?？杉?xì)分為單一神經(jīng)網(wǎng)絡(luò)的情感分析、混合（組合、融合）神經(jīng)網(wǎng)絡(luò)的情感分析、引入注意力機(jī)制的情感分析和使用預(yù)訓(xùn)練模型的情感分析可充分利用上下文語境、可主動學(xué)習(xí)文本特征，能根據(jù)詞語的順序，提取較為精確的語義信息，從而實現(xiàn)情感分析要求大量數(shù)據(jù)，比較耗時、對操作人員的技術(shù)要求高消費者情感分析案例示范探索數(shù)據(jù)源獲取2020年8月1日—2020年9月6日，共1599條店鋪烤腸評價數(shù)據(jù)以及2020年9月14日—2020年9月21日，共723條店鋪的銷售數(shù)據(jù)。數(shù)據(jù)預(yù)處理在對數(shù)據(jù)進(jìn)行基礎(chǔ)探索之后，發(fā)現(xiàn)數(shù)據(jù)存在無效評價和重復(fù)值，因此需要對其進(jìn)行過濾和去重復(fù)值操作。在平臺節(jié)點“過濾”中，將“此用戶沒有填寫評論！”作為篩選條件，以此篩除無效數(shù)據(jù)。再用“去除重復(fù)值”節(jié)點，選擇“評論”字段，進(jìn)行去除重復(fù)值操作，處理后數(shù)據(jù)條數(shù)為1540條。計算情感得分使用經(jīng)處理后的數(shù)據(jù)，計算情感得分。在“計算情感得分”的節(jié)點中，調(diào)用snownlp庫中的SnowNLP(job).Sentiments代碼，輸入相關(guān)代碼可計算出消費者的情感得分。好評與差評的詞頻統(tǒng)計將得到的情感得分進(jìn)行劃分，得分>=0.5為好詞，得分<0.5為壞詞。在此基礎(chǔ)上統(tǒng)計各詞詞頻，以好詞為例，將屬于好詞的評論數(shù)據(jù)整合成一個長的字符串“good”，再運用jieba分詞庫對“good”進(jìn)行分詞操作，最后使用Counter函數(shù)進(jìn)行數(shù)據(jù)統(tǒng)計，并針對統(tǒng)計后的數(shù)據(jù)格式對“分詞”和對應(yīng)的“詞頻”進(jìn)行數(shù)據(jù)提取，獲得最終的好詞詞頻統(tǒng)計數(shù)據(jù)。詞頻數(shù)據(jù)可視化兩張詞頻統(tǒng)計數(shù)據(jù)存至平臺后，首先將數(shù)據(jù)轉(zhuǎn)為平臺數(shù)據(jù)集，再利用自助儀表盤繪制詞云圖，在“智能配圖”中選擇詞云圖，將“分詞”拖入“標(biāo)簽”區(qū)，“詞頻”拖入“大小”區(qū)，即可獲得兩張詞云圖。規(guī)律探索觀察這些用戶的評論數(shù)據(jù)可以了解到，大部分用戶對該產(chǎn)品較為滿意，但不可否認(rèn)產(chǎn)品在運輸、品質(zhì)、味道等方面有待優(yōu)化。對于包裝問題，只要沒有影響到產(chǎn)品本身，用戶基本能夠接受。再結(jié)合差評詞云圖，可以合理猜測情感得分較低且沒有復(fù)購的用戶大多是因為產(chǎn)品味道出現(xiàn)了問題，而這個問題有可能是因為用戶個人口味的不同導(dǎo)致；此外，由于該產(chǎn)品是冷鮮產(chǎn)品需要冷鏈輸送，所以也有可能是因為運輸不當(dāng)導(dǎo)致產(chǎn)品變質(zhì)、有酸味，引起用戶反感。對于前者，商家可以做一個基于用戶的口味偏好調(diào)查，豐富產(chǎn)品sku層次；對于后者，商家可以在消費者聚集的地區(qū)建立冷倉，完善冷鏈運輸，提高運輸質(zhì)量?！就卣箤嵱?xùn)】文本分析法在影視評論中的應(yīng)用歸納與提高鞏固文本分析法的原理；通過教師講解與實踐操作，了解文本分析法的深層意義，借助文本分析與數(shù)據(jù)處理，匹配實現(xiàn)多個數(shù)據(jù)庫間的銜接，幫助企業(yè)進(jìn)行產(chǎn)品策略的優(yōu)化與動態(tài)管理。第7章基于PSM的定價策略教案教學(xué)內(nèi)容一、PSM原理解析二、PSM實操定價教學(xué)要求【知識目標(biāo)】了解PSM原理、優(yōu)缺點；掌握PSM流程；學(xué)會應(yīng)用PSM進(jìn)行定價決策。【技能目標(biāo)】學(xué)會利用PSM對商品價格進(jìn)行制定。教學(xué)重點PSM流程；利用PSM定價決策。教學(xué)難點1.PSM原理；2.繪制PSM價格敏感度折線圖。教學(xué)方法講授法、案例法、任務(wù)驅(qū)動法、演示法課時數(shù)6課時教學(xué)內(nèi)容一、問題的引入價格競爭是市場競爭的一個主要手段。一種產(chǎn)品的價格制定適當(dāng)與否，往往決定了該產(chǎn)品是否能被市場所接受，并將直接影響該產(chǎn)品的市場競爭力。因此，產(chǎn)品的價格不應(yīng)該由企業(yè)單方面決定，而應(yīng)更多考慮在市場經(jīng)濟(jì)中發(fā)揮主體作用的消費者是否能接受。1.定價傳統(tǒng)銷售模式下，制造商很難知道每個消費者對產(chǎn)品的需求價格，因此制造商幾乎不可能對產(chǎn)品實施一級的價格歧視（即企業(yè)將產(chǎn)品價格設(shè)定為消費者愿意并且能夠支付的最高價格）。在大數(shù)據(jù)背景下，產(chǎn)品定價模型與傳統(tǒng)定價模型相同，同時借助大數(shù)據(jù)技術(shù)，能夠更好地理解消費者的需求彈性，使歧視性定價更加準(zhǔn)確。大數(shù)據(jù)“殺熟”現(xiàn)象需要加以管控、遏制，否則會沖擊整個線上商業(yè)的健康可持續(xù)發(fā)展。但是，預(yù)測最優(yōu)定價與定價的合理區(qū)間是制定產(chǎn)品價格策略必不可少的一個重要環(huán)節(jié)。特別是一款新產(chǎn)品，企業(yè)對產(chǎn)品價格設(shè)定的想法與消費者的感知若是不匹配，必將會影響企業(yè)收入，因此，通過調(diào)查數(shù)據(jù)計算消費者對新產(chǎn)品的可接受價格的范圍是正確的營銷決策的一個基礎(chǔ)。2.問題設(shè)計現(xiàn)某企業(yè)正打算推出一款新產(chǎn)品，目前還在定價階段，由于該企業(yè)之前推出的一款產(chǎn)品定價過高，導(dǎo)致銷量很差，因此本次定價格外謹(jǐn)慎。該企業(yè)先根據(jù)成本以及市面上該類產(chǎn)品的競品價格，初步將價格區(qū)間設(shè)定在50-100之間。很顯然，這價格區(qū)間是一個非常寬泛的范圍。為了科學(xué)合理地確定最終價格，該企業(yè)決定讓運營部基于數(shù)據(jù)分析來給出一個相對精準(zhǔn)、相對靠譜的價格設(shè)定，即通過一定的技術(shù)手段確定這款新產(chǎn)品的最優(yōu)價格設(shè)定應(yīng)是多少呢？較為合理的價格區(qū)間又是多少呢？3.問題解決思路產(chǎn)品價格的制定既不能違背經(jīng)濟(jì)發(fā)展的客觀規(guī)律，也不能完全堅持固有的理論模型；相反，我們需要找到一種方法，根據(jù)具體的產(chǎn)品市場和競爭情況來確定價格的一致性，從而得到最優(yōu)的銷售價格。由于企業(yè)經(jīng)營的多樣性，對市場的理解和態(tài)度也不同，因此企業(yè)制定產(chǎn)品價格的目標(biāo)和策略也不同。該企業(yè)數(shù)據(jù)分析員在查閱相關(guān)資料后決定通過問卷調(diào)查的方式，對獲取到的數(shù)據(jù)進(jìn)行價格敏感度測試，最終得到一個合理的理論價格。二、PSM原理解析1.PSM原理介紹彈性在一個經(jīng)濟(jì)函數(shù)中被定義為因變量對1%的自變量變化的反應(yīng)程度。價格彈性等于銷量變化量與價格變量的比值。PSM（PriceSensitivityMeasurement）描述一種簡單適用的價格敏感度測試方法。PSM通常依次詢問被訪者4種價格：樂意購買、物超所值的價格（低的價格）；太便宜以至于不愿意購買的價格（太低的價格）、貴但仍能接受的價格（高的價格）、太貴以至于不愿意購買的價格（太高的價格）?；诒辉L者數(shù)據(jù)，統(tǒng)計出四種價格在具體價格點上頻數(shù)與頻數(shù)累積的百分比，畫出具體的價格點與頻數(shù)累積的百分比的4種曲線，最終通過不同曲線的交點，識別出最優(yōu)價格設(shè)定與合理的價格區(qū)間。價格點太低低高太高頻數(shù)比例累加頻數(shù)比例（L1）頻數(shù)比例累加頻數(shù)比例（L2）頻數(shù)比例累加頻數(shù)比例（H1）頻數(shù)比例累加頻數(shù)比例（H2）N1N2N3…PSM完全基于被訪者的自然反應(yīng)，充分考慮顧客購買的主觀意愿，又兼顧企業(yè)經(jīng)濟(jì)利益最大化的追求，但沒有與任何競品做比較，只做單一品牌產(chǎn)品價格測試。旨在測試產(chǎn)品在不同價格下對顧客的價值，以此預(yù)測最優(yōu)定價以及定價的合理區(qū)間。PSM能夠有效界定價格區(qū)間，可通過價格趨勢圖、氣泡圖、正態(tài)分布圖等展示合適的產(chǎn)品定價策略。特別是在新產(chǎn)品上市前，PSM適用于對目標(biāo)顧客群體中產(chǎn)品的可接受價格水平進(jìn)行深入研究，從消費者那里獲得產(chǎn)品價格的可接受范圍。2.PSM流程PSM流程主要包括四個階段：問卷與價格梯度表設(shè)計?；诔杀緦?dǎo)向、競爭導(dǎo)向的定價方法等，設(shè)計出能夠覆蓋產(chǎn)品可能價格范圍的價格梯度表?；诋a(chǎn)品，設(shè)計詢問受訪者的四類價格問題：問題1（Q1），你感覺什么樣的價格便宜且愿意購買嗎？問題2（Q2），你感覺什么樣的價格高但還愿意購買嗎？問題3（Q3），你感覺什么樣的價格太高而不會購買嗎？問題4（Q4）你感覺什么樣的價格太便宜得讓人懷疑產(chǎn)品質(zhì)量等而不敢購買嗎？PSM測量問卷中也可以包括其他題項，如從消費者視角考慮被訪者的其他信息設(shè)計。問卷調(diào)查。被訪者要在第一步獲得的價格梯度表上做出四項選擇：不可接受的太便宜價格、可接受的便宜價格，可接受的昂貴價格、不可接受的太貴價格。（3）數(shù)據(jù)處理。問卷中的四個問題需要遵循嚴(yán)格的數(shù)量次序，即同一個受訪者描述Q3、Q2、Q1、Q4四個問題的價格在數(shù)量上是嚴(yán)格遞減關(guān)系，否則該樣本將會被剔除。為所獲得的樣本數(shù)據(jù)繪制累計百分比曲線圖。（4）結(jié)論描述。根據(jù)太低、低、高、太高四條曲線的交點來判斷被訪者可接受的產(chǎn)品價格區(qū)間和最優(yōu)價格設(shè)定。3.PSM優(yōu)缺點優(yōu)點：PSM既考慮了消費者的意愿，又兼顧了企業(yè)經(jīng)濟(jì)利益最大化的追求，被廣泛應(yīng)用于市場研究的價格測試中。PSM特別適用于新產(chǎn)品的價格研究。一般來說，新產(chǎn)品可以分為兩類：一類是相對于整個市場的新產(chǎn)品，即市場上從未出現(xiàn)過的產(chǎn)品；另一類是相對于公司的新產(chǎn)品，即市場中已經(jīng)出現(xiàn)過的產(chǎn)品。由于第一類新產(chǎn)品尚未在市場中出現(xiàn)，消費者只有對新產(chǎn)品有了概念后，才能給出心理價位，所以在將PSM模型應(yīng)用于第一類新產(chǎn)品進(jìn)行價格測試之前，我們必須將產(chǎn)品概念呈現(xiàn)給消費者；第二類新產(chǎn)品已經(jīng)存在于市場中，消費者有了產(chǎn)品概念，其愿意支付的價格與品牌定位有關(guān)，因此在使用PSM模型對第二類新產(chǎn)品進(jìn)行價格測試之前，一定要讓消費者更準(zhǔn)確地理解我們產(chǎn)品的定位。缺點：PSM雖然考慮到了消費者的意愿，卻忽視了消費者的實際購買能力。一般來說，消費者的購買能力主要受到價格說謊和系統(tǒng)缺陷兩個因素的影響。價格說謊，即消費者可能出于各種原因有意或無意地抬高或壓低其接受的價格，例如為了謀取自身利益壓低價格或出于面子抬高價格。系統(tǒng)缺陷，即沒有考慮價格變化對購買意愿的影響。為此我們可以通過強(qiáng)調(diào)實際購買力、增大樣本量、進(jìn)行分組調(diào)查等策略來解決PSM模型存在的缺陷。三、PSM實操定價分析1.探索數(shù)據(jù)源通過觀察源數(shù)據(jù)我們可以發(fā)現(xiàn)，要建立PSM模型還缺少了各價格段的累計占比。價格很劃算便宜有點貴太貴502082060028027002082800019119000030100000302.數(shù)據(jù)預(yù)處理針對數(shù)據(jù)中需轉(zhuǎn)換的數(shù)據(jù)利用“元數(shù)據(jù)編輯”進(jìn)行更改。由于問卷中提出的四個問題遵循嚴(yán)格的次序，所以在進(jìn)行數(shù)據(jù)處理時，還需要剔除不滿足邏輯關(guān)系的樣本點。但并非四個回答都是不合理的，直接剔除會影響信息的有效性，為此將進(jìn)行降低剔除率的處理。3.計算價格點占比新增四列數(shù)據(jù)，該新增列數(shù)據(jù)內(nèi)容分別為很劃算、便宜、有點貴以及太貴的累計求和。并利用Python節(jié)點進(jìn)行占比計算。4.繪制PSM價格敏感度折線圖選用可視化看板整體呈現(xiàn)PSM價格敏感度折線圖。在后臺“分析展現(xiàn)”板塊創(chuàng)建自助儀表盤可達(dá)到效果。5.產(chǎn)品精準(zhǔn)定價策略分析根據(jù)繪制所得價格敏感度折線圖，對產(chǎn)品的定價策略進(jìn)行精準(zhǔn)分析?！就卣箤嵱?xùn)】女裝產(chǎn)品PSM定價分析歸納與提高定價決定著企業(yè)經(jīng)營的收入和利潤，也影響著企業(yè)的資源配置與價值鏈。PSM是價格敏感度測試一種簡單、實用方法，其一般分析流程包括：設(shè)計一個覆蓋產(chǎn)品價格范圍的價格梯度表、設(shè)計四類價格問題、發(fā)放問卷收集數(shù)據(jù)、數(shù)據(jù)處理、計算累計頻數(shù)占比、繪制PSM價格敏感度折線圖與結(jié)果解讀。通過該定價方法衡量顧客對不同價格的滿意及接受程度，充分考慮了消費者的主觀意愿，又兼顧了企業(yè)經(jīng)濟(jì)利益最大化的追求。第8章基于決策樹的消費者響應(yīng)預(yù)測教學(xué)內(nèi)容一、決策樹原理解析二、基于決策樹