精準化營銷一直以來都是互聯網營銷業務在細分市場下快速獲取用戶和提高轉化的利器。在移動互聯網爆發的今天，數據量呈指數增長，如何在移動和大數據場景下用數據驅動進行精準營銷，從而提高營銷效能，成為營銷業務部門的主要挑戰之一，同時也是大數據應用的一個重要研究方向。本文通過數據體系架構和技術實現案例，分享美團大眾點評數據應用團隊在這個方向上的一些嘗試和實踐經驗。

在介紹數據體系和框架前，為了方便大家理解，先簡單闡述一下O2O營銷的基本組成：O2O營銷是由營銷發生的渠道（站內，站外）與營銷的主題業務（流量，交易）兩個維度組成的，其中產生了多種營銷的形態，如精準化用戶營銷活動、DSP的精準投放、渠道價值排名和反作弊等，數據分析和挖掘在這些環節都能發揮很大的價值。本文主要闡述站內的精準化用戶營銷活動。

一個站內用戶運營活動的生命周期大概可以歸納為：確定目標、選取活動對象、設計活動方案、活動配置與上線、線上精準營銷與動態優化以及效果監控與評估六個環節。如下圖所示。


在這個周期中，數據都有巨大的發揮空間與價值。我們在項目啟動后與業務充分溝通，了解其業務痛點，確定一期主要嘗試從數據上幫助運營和財務同事解決以下幾個問題： ① 營銷活動前：確定目標和選取活動對象 ② 營銷活動中：效果監控和跟蹤；用戶和商戶端策略的輸出 ③ 營銷活動后：效果評估和優化建議

對于①的目標確定，以前更多是拍腦袋決定，缺乏一套穩定的分析框架和模型。而活動對象，包括用戶和商戶/團單選取，需要業務和BI同學每次人工跑數據得出，效率低下。 而對②和③，更是缺乏一套公司的營銷監控平臺，時常出現預算花超不可控的情況?；顒咏Y束后，效果數據也是各個業務方自己給出，口徑不一致導致難以整體評估效果。

基于上述的業務場景和需求，我們用分層的金字塔架構設計了一套營銷數據系統和服務，有效滿足了業務的訴求并具有很好的平臺擴展性。

最底層是我們的數據倉庫和模型層，這里又大致可以分為三個主題：畫像，運營和營銷，流量。這三個都是運營活動必不可少的數據組成部分。 對于畫像，我們的做法是部分自主建設，同時集成業務方如搜索、廣告和風控團隊開發的畫像標簽，形成統一的畫像寬表。目前我們的用戶標簽體系覆蓋了包括：基本信息、設備信息、消費瀏覽以及特征人群等5個大類的180多個標簽。在標簽的實現上，我們也秉承從需求出發的原則逐步迭代，從最初的以統計和基本的營銷模型如RFM為主，到現在在潛在用戶挖掘和用戶偏好上開始探索使用機器學習的挖掘方法。

在營銷運營集市上，我們與財務和支付系統協作，開發了一套公司預算流水號系統。運營人員在配置活動時，從財務申請預算流水號，并在優惠后臺配置與對應活動關聯，用戶享受優惠的每一筆訂單都會在業務表中進行打點，做到在最細粒度上的預算監控。同時在用戶、商品等維度建模后，形成了營銷交易評估的指標體系：新用戶成本，新老用戶分布，7天、30天購買留存等。

活動評估的另一個維度就是流量：活動頁的點擊、轉化漏斗、不同渠道來源等指標是運營人員無時無刻不關心的，這部分模型作為數據中心數據倉庫中核心的一環。我們參考了其他公司的做法，建立了自己的PV、UV、Session以及路徑樹轉化等模型，可以很好地滿足運營需求。

在數據倉庫之上，我們建立了數據服務層。在統一使用公司高性能的RPC框架之上，針對不同的應用選擇了差異化的數據存儲和查詢引擎。比如在畫像服務中，需求是滿足線上業務系統的實時訪問需求，要求毫秒級的并發和延遲，因此我們選用了Redis作為存儲。而相較之下，分析類產品對并發和延遲要求相對較低，但對數據在不同維度上的聚合操作要求較高，在對比了Kylin、ElasticSearch（以下簡稱ES）、Druid后，我們決定使用ES作為存儲和查詢引擎，主要有2個理由：一是我們有留存等指標，需要重刷數據，而對于Kylin來說，無法使用其提供的自動增量cube機制，重建數據代價較大，同時ES在同樣的維度上，空間膨脹度上比Kylin少近一半；二是ES整個系統設計和架構非常簡潔，運維方案簡單，也有專門的工具支持，對于當時沒有專職運維的開發團隊來說是一個捷徑。

最上層是數據產品和應用，針對前面提到的運營活動的不同階段提供數據平臺和工具： * 人群分析平臺（Hoek）：用戶可以通過選擇畫像服務提供的不同的標簽組合快速創建人群包，創建的人群包可以提供給其他不同業務和形態的營銷工具，如push，促銷工具等。* 智能發券引擎（Cord）：通過配置后臺和Hoek平臺，運營人員就可以完成定向活動受眾和策略的配置，而無需開發接入。具體細節在后面的案例分享中再詳細介紹。* 云圖/星圖：完成活動效果數據查詢和分析的工具平臺，構建基于ES的查詢引擎，提供多維度的實時指標查詢。

除了系統化的建設外，在運營活動的迭代中，我們與業務合作，進行了大大小小20多個專題分析，產出了包括閃惠預算動態分配、閃惠立減梯度優化、用戶價值分以及免費吃喝玩樂選單等主題模型。幫助業務提高預算使用率30%，同時更好地評估拉新帶來的用戶價值。

整體的架構最終是為精準化營銷服務，下面就結合兩個案例具體介紹。

案例分享

外賣潛在用戶挖掘

精準營銷一個主要的方向就是潛在客戶挖掘，特別是在點評這個平臺上，目前已有包括美食、外賣、麗人、教育等近20個業務，如何在平臺近一億的活躍用戶中挖掘垂直頻道的潛在用戶就成了精準化營銷的一個很現實的問題。Facebook和騰訊的廣告系統都提供類似的Lookalike功能，幫助客戶找出和投放人群相似的用戶群，其廣告的點擊率和轉化率都高于一般針對廣泛受眾的廣告。

目前常用的潛在用戶挖掘方案主要就是基于畫像或者關系鏈的挖掘，我們團隊從需求出發，結合點評的畫像體系從關聯規則、聚類和分類模型三個算法上進行了探索。對比效果如下：


未來我們除了在分類和聚類上進一步優化外，還計劃利用點評好友關系，使用Spark的GraphX建立標簽傳播的算法進一步深挖高質量的相似用戶。

微信紅包精準優惠券引擎

另外一個精準營銷的案例是智能發券引擎Cord，背景是點評會在微信群/朋友圈中用紅包發各種優惠券，當好友來領券時，如何決定發哪個業務什么面值的券更容易轉化。本質上是一個簡化的推薦問題，我們也參照廣告系統的架構設計了Cord引擎。主要包含分流模塊（用于灰度發布和AB測試）、召回模塊（負責從畫像服務和優惠配置系統獲取人和券的物料信息）、過濾模塊（負責進行兩者的匹配）、推薦模塊（可以根據業務規則或者我們挖掘的策略對結果進行排序，返回給活動系統最合適的優惠券進行發放）。整個系統實現完全服務化和可配置化，外部的活動系統可以根據配置的開關啟用或者在特殊場景下禁用Cord服務；而Cord內部，也可以根據配置中心的設置，動態調整推薦策略。在數據挖掘上，目前除了業務配置規則外，我們針對公司主流的運營方式，基于畫像中的用戶偏好和優惠敏感等標簽進行綜合打分，抽象了以GMV為目的和以拉新用戶為目的的推薦策略。

精準營銷是目前大數據落地的一個公認的場景，但隨著移動互聯網和O2O的發展，這一領域也會有新的問題和挑戰出現。結合我們這一年多的實踐經驗，團隊也歸納了一套數據系統架構的設計原則： * 在數據架構和建設上，從需求出發，建立準確和易用的數據底層模型，統一指標體系和口徑。 * 在數據服務上，通過分層和SOA的思想，解耦與業務系統的邏輯。同時針對不同需求和場景選擇適合的技術組件。

展望未來，在數據上如何快速地進行挖掘模型的開發，在架構和產品上滿足更多場景，讓數據在營銷上發揮更大的價值，是下一步的重點方向。

總結

以上是生活随笔為你收集整理的数据驱动精准化营销在大众点评的实践的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。