CN105741134A - 跨数据源的营销人群在市场营销中应用的方法及装置 - Google Patents

Abstract

本发明实施例提供一种跨数据源的营销人群在市场营销中应用的方法及装置。实时获取多数据源的用户数据，并根据所述用户数据得到用户画像；根据所述用户画像进行市场营销活动；获取市场营销活动的反馈结果并根据所述反馈结果优化所述市场营销活动。为市场营销各环节提供客观的数据依据，以及优质数据和营销经验的积累。

Description

跨数据源的营销人群在市场营销中应用的方法及装置

技术领域

本发明实施例涉及大数据领域，尤其涉及一种跨数据源的营销人群在市场营销中应用的方法及装置。

背景技术

数据的应用对市场营销中对品牌推广策略的制定和验证、广告精准投放过程的控制、投放后数据的分析和再利用起到决定性的作用。

数据在市场营销方面的应用，核心是对于广告主的自有数据、广告投放后的到站数据、投放渠道的监测和反爬数据、以及第三方全网数据的应用。

对于数据的应用，目前国内市场的产品有阿里集团的达摩盘、晶赞科技的天机、腾讯集团的广点通等。

阿里集团的达摩盘，提供的基于是淘全网用户离线和实时数据，针对在淘宝站点买家和卖家行为数据进行的标准标签类目体系的人群细分，将细分人群进行市场营销活动。

晶赞天机，提供的是基于跨DMP(Data-ManagementPlatform，数据管理平台)的离线数据的标准标签类目体系的应用。在画像体系方面，使用的是标准的标签类目体系，进行人群的细分和营销活动的应用。

腾讯集团的广点通与阿里集团的达摩盘提供的应用场景非常类似，主要是应用自有产品中产生的用户离线数据，使用标准标签类目的画像体系，进而组合出不同的营销人群，进行的营销活动的应用。

以上产品主要是针对单一数据源，单一画像数据体系(标准标签类目体系)，在广告精准投放过程的应用。然而，市场营销的闭环中数据应用场景还包括营销策略和制定和验证，营销结果的数据分析和再利用。因此，基于单一数据源的数据在营销中的应用已不能够满足多方位数据应用场景的需求。

因此，一种跨数据源的营销人群在市场营销中应用的方法亟待提出。

发明内容

本发明实施例提供一种跨数据源的营销人群在市场营销中应用的方法及装置，用以解决现有市场营销中数据不足和营销过度的的缺陷，实现了以真实数据驱动的营销场景。

本发明实施例提供一种跨数据源的营销人群在市场营销中应用的方法，包括：

实时获取多数据源的用户数据，并根据所述用户数据得到用户画像；

根据所述用户画像进行市场营销活动；

获取市场营销活动的反馈结果并根据所述反馈结果优化所述市场营销活动。

本发明实施例提供一种跨数据源的营销人群在市场营销中应用的装置，包括：

数据获取模块，用于实时获取多数据源的用户数据，并根据所述用户数据得到用户画像；

数据应用模块，用于根据所述用户画像进行市场营销活动；

数据回流模块，用于获取市场营销活动的反馈结果并根据所述反馈结果优化所述市场营销活动。

本发明实施例提供的跨数据源的营销人群在市场营销中应用的方法及装置，通过实时获取多数据源的用户数据，并根据所述用户数据得到用户画像，根据所述用户画像进行市场营销活动，改变了现有技术中数据源单一，营销数据不足的缺陷，实现了营销策略和制定和验证、营销结果的数据分析和再利用；与此同时，获取市场营销活动的反馈结果并根据所述反馈结果优化所述市场营销活动，为市场营销各环节提供客观的数据依据，以及优质数据和营销经验的积累。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一的技术流程图；

图2为本发明跨数据源的营销人群在市场营销中应用的方法实施例流程图；

图3为本发明跨数据源的营销人群在市场营销中应用的装置实施例结构示意图；

图4为本发明实施例二跨数据源的营销人群在营销策略制定与验证中的应用示意图；

图5为本发明实施例跨数据源的营销人群在广告投放中的应用示意图；

图6为本发明实施例跨数据源的营销人群在广告投放后报表分析中的应用示意图；

图7为本发明实施例跨数据源的营销人群在数据沉淀和经验沉淀方面的应用示意图；

图8为本发明实施例广告主自有数据跨画像体系的营销人群在市场营销中的应用示意图；

图9为本发明实施例实时用户画像数据在广告投放中的应用示意图；

图10为本发明实施例一种跨数据源的营销人群在市场营销中应用的装置结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明涉及跨数据源的在市场营销生态圈各环节的应用，特别涉及到数据的采集、挖掘、分析的大数据处理技术，以及对于各种数据的组合算法，离线和实时数据的输出机制，数据资源的拉通技术。其中核心包括大数据流式处理技术、大数据仓库、大数据搜索引擎、流式计算框架、MapReduce分布式并行编程模型。

图1是本发明实施例一的技术流程图，结合图1，本发明实施例一种跨数据源的营销人群在市场营销中应用的方法，主要包括如下的步骤：

ST11：实时获取多数据源的用户数据，并根据所述用户数据得到用户画像；

本发明实施例采用大数据流式处理技术对多数据源的用户数据进行处理，数据源来自用户的浏览信息，通过流式计算，实时的把用户数据写入数据仓库。具体的，采用Storm流式计算作为大数据流式计算框架。Storm是高容错的实时计算框架，提供实时处理消息并更新数据仓库的能力。用户消息可以做到从产生到进入数据仓库整个流程只会消耗几秒钟时间。

如图2所示，本发明实施例的数据实时获取功能，在架构上采用生产者消费者模式，生产者就是用户的浏览信息。实时收集数据采用分布式消息队列Kafka，通过页面布码AJAX异步调用，实时获取用户的浏览信息。这一步获取到的用户信息实时度非常高，基本用户浏览过，就会立刻产生用户浏览信息。数据处理模块作为消费者通过订阅Topic从Kafka里面消费数据。后台使用redis构建分布式内存高速缓存，主从部署保证数据安全，可用性提高，前端代理使用twemproxy做负载均衡。消费者采用异步多线程方式，分布式部署，可以做到线性拓展，无单点故障。消费者进程通过从Kafka消费数据，写入redis缓存，做匹配规则处理，可以做到秒级返回。

很多营销项目或很多广告主，在打算投放广告前，都要求媒体提供其用户画像。在以前，大多媒体会针对自身用户做一个分类，但是有了大数据后，企业及消费者行为带来一系列改变与重塑，通过用户画像可以更加拟人化的描述用户特点。构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据，为用户画像的首先是要为用户打标签，让人能够理解而且方便计算机处置。

具体的，本发明实施例中，对获取到的多数据源数据数据处理，即对所述用户数据进行清洗、文本分析，从而根据冗杂的所述用户数据获取多维度的所述用户画像标签，并将所述用户画像标签存储于用户画像数据仓库。一个标签通常是人为规定的高度精炼的特征标识，如年纪段标签：25-35岁；地域标签：北京；体育爱好标签：羽毛球。多维度的所述用户画像标签是对客户在各个方面特征的提取。

如图3所示，本发明实施例中，采用数据仓库和搜索引擎二者一起组成用户画像数据仓库。其中，数据仓库使用分布式，面向列的开源数据库HBase，基于Google的Bigtable。HBase是一个高可靠，高性能，面向列，可伸缩的分布式存储系统，特别适合海量数据的处理。使用HBase作为大数据仓库，可以充分利用HDFS的分布式处理模式，通过Hadoop的MapReduce完成并行计算。这意味着HBase可以同时处理数十亿行和上百万列的大表。

其中，数据索引采用Elasticsearch，它是一个基于Lucene的搜索服务器，提供了一个分布式，实时，高可用的全文搜索引擎，对外提供基于RESTful的web接口。

从而，数据仓库HBase提供key-value海量数据存储，Elasticsearch配合建立索引，提供高效快速的检索功能。

ST12：根据所述用户画像进行市场营销活动；

得到不同数据源的所述用户标签之后，首先，将所述用户画像标签进行数据拉通与整合，并根据所述用户画像标签进行计算得到不同的营销人群，具体的，可以根据“且”“或”“非”关系的定义，组成不同的人群，以满足不同的应用场景；

每个用户都有一个用于识别的唯一的标识，如注册ID，手机号，邮箱等。当用户数据来自不同渠道时，根据所述唯一标示可以识别属于同一用户的数据。因此，本发明实施例中，需要进一步地通过数据拉通，获取不同渠道的用户数据，从而全方位获取用户特征标签，进行更精确的用户画像。具体地，通过所述数据拉通，将来自不同渠道的，带有同一用户标识的数据融合，对应到一个用户。

其次，根据预设的分析指标对所述营销人群进行分析，制定相应的营销策略，从而根据所述营销策略进行市场营销活动。

其中，预设的分析指标可以有很多项，例如人群的性别分布-男性、女性、未知，人群的年龄分布-young、mid-age、youngster、teenage、old、elder，人群的地域分布，人群的消费等级分布，人群的媒体渠道分布，人群的上网特征分布等系列的指标，进而指导人群进行组合策略、渠道投放策略、其它营销策略。当然，应当立理解，上述分析指标仅供举例使用，本发明包括但并不仅限于此。

本发明实施例中的所述营销活动包括品牌推广策略的制定、广告精准投放等。

需要说明的是，本发明实施例中，营销模型使用MapReduce分布式编程模型，用以实现大规模数据集的并行计算。通过“Map"和"Reduce"这两个步骤来并行处理大规模的数据集。

首先，Map会先通过分布式文件系统读取文件内容，存储在不同地方的文件可以同时被Map函数处理。也就意味着，Map操作是高度并行的。当Map工作完成之后，系统会接着对新生成的多个列表进行清理(Shuffle)和排序，之后，会这些数据会根据输出的键值到不同的Reduce处理，也就是对一个列表中的元素根据键值进行适当的合并。MapReduce的优点，主要有两个方面：其一，通过MapReduce这个分布式处理框架，不仅能用于处理大规模数据，而且能将很多繁琐的细节隐藏起来，比如，自动并行化、负载均衡和灾备管理等，这样将极大地简化程序员的开发工作；其二，MapReduce的伸缩性非常好，也就是说，每增加一台服务器，其就能将差不多的计算能力接入到集群中，而过去的大多数分布式处理框架，在伸缩性方面都与MapReduce相差甚远。

ST13：获取市场营销活动的反馈结果并根据所述反馈结果优化所述市场营销活动。

优化所述市场营销活动进一步包括，将所述反馈结果进行数据拉通与整合，根据所述用户画像标签组成不同的营销人群，从而补充和优化所述营销人群；分析所述反馈结果，对所述营销策略进行验证，从而优化以及调整所述营销策略。

具体地，反向收集营销活动的结果数据，对结果数据进行清洗、文本分析，从而再次获取多维度的所述用户画像标签，进而对结果数据做多维度的洞察分析。

本实施例中，通过对用户行为数据进行收集，搭建并完善用户画像模型，寻找迫切需求信息的匹配人群，精准推送相应的营销广告或服务信息；营销信息投放一段时间后，通过获取市场营销活动的反馈结果并根据所述反馈结果优化所述市场营销活动，剖析用户反馈行为数据，使营销更加精准，与此同时，不断丰富与优化用户画像模型，从而最终实现了个性化营销与服务推送。

图4是本发明实施例二跨数据源的营销人群在营销策略制定与验证中的应用示意图，图4详细诠释了跨一方数据源和三方数据源在营销策略制定和验证过程中的应用场景：

ST41：通过对一方数据和三方数据源的采集、清洗、文本分析，将冗杂的数据拆解为多维度的用户画像标签。

其中，所述一方数据指企业的本身提供的数据，如CRM，站内数据等。所述三方数据是指第三方平台提供的三方采集的数据。

ST42：根据一方标签得到对一方用户的画像，根据三方标签得到对三方用户的画像。

ST43：将一方标签和三方标签进行数据拉通与整合。

ST44：通过标签的自由组合，“且”“或”“非”关系的定义，组成不同的营销人群，以满足不同的应用场景。

ST45：通过对ST44产生的营销人群进行洞察分析，洞察的指标可以有很多项，如：人群的性别分布-男性、女性、未知，人群的年龄分布-young、mid-age、youngster、teenage、old、elder，人群的地域分布，人群的消费等级分布，人群的媒体渠道分布，人群的上网特征分布等系列的指标，进而指导人群进行组合策略、渠道投放策略、其它营销策略。

ST46：依据ST45系列的营销策略进行整体的市场营销活动。

ST47：依据ST46的市场营销活动，反向收集营销结果数据和用户的cookie数据。

ST48：将营销数据进行新一轮的清洗、分析、处理等如ST41中所述，进而对结果数据做多维度的洞察分析，根据洞察分析的结果，进行如ST45所述营销策略的验证，以便形成新的结论进而指导营销策略的优化与调整。

本实施例中，在选择营销策略之前，将营销人群的数据进行人群的透视分析在执行了营销投放后，将营销人群的曝光数据再次进行透视分析，进行营销策略的验证和修正，能够在营销闭环过程中不断进行营销策略的验证和优化，从而实现更好的市场营销。

图5为本发明实施例跨数据源的营销人群在广告投放中的应用示意图，图5详细诠释了跨一方数据源、三方数据源、投放回流数据源的应用场景：

ST51：通过对一方数据和三方数据源的采集、清洗、文本分析，将冗杂的数据拆解为多维度的用户画像标签。

ST52：根据一方标签得到对一方用户的画像，根据三方标签得到对三方用户的画像。

ST53：将一方标签和三方标签进行数据拉通与整合。

ST54：将投放回环数据的通过ST53的数据拉通整合得到补充营销人群数据，进而补充和优化营销人群。

ST55：广告投放计划。

ST56：渠道投放，是指通过API对接的如DSP(需求方平台)、PMP(私有交易市场)、EDM(邮件)、SMS(短信)等进行广告的投放。

ST57：通过ST55和ST56的流程，进行实时的用户数据收集。

ST58：通过ST57生成投放数据标签，将所述投放数据标签数添加入ST53的据拉通与整合，以回流数据支持广告投放的流程。

图6为本发明实施例跨数据源的营销人群在广告投放后报表分析中的应用示意图。图6重点诠释数据在报表中的表现。

ST61：通过对一方标签数据、三方标签数据、投放/营销标签数据的采集，得到一方用户的画像、三方用户的画像、投放/营销用户的画像。

ST62：对一方标签数据、三方标签数据、投放/营销标签数据数据拉通整合。

ST63：通过标签的自由组合，“且”“或”“非”关系的定义，组成不同的营销人群，以满足不同的应用场景。

ST64：将营销人群应用于不同场景，如图6，可以是：市场营销活动，广告投放活动等。

ST65：广告投放后进行报表分析，报表分析有多种维度和指标，如投放数据报表、营销活动报表等，本流程中只描述对人群分析的。

ST66：如ST65所述，对人群的分析维度是通过ST64中的活动采集回的用户cookie进行的分析，通过大数据处理模型和算法，进行多维度的分析。

所述多维分析可以包括：自然属性分析-年龄、性别、地域、消费水平；上网特征分析-上网时长、上网时段、上网频次；兴趣偏好分析-根据媒体浏览内容的分析与挖掘，进行20个类别的分析；消费偏好分析-根据对用户在电商站点的浏览、收藏、加购、订单、付款等一系列行为和触及商品的分析，进行25个类别的消费偏好的分析；品牌偏好-综合用户的全部互联网行为，进行大数据的挖掘分析，进而进行用户品牌偏好的分析；RFM分析-通过对营销人群的最近一次消费、消费频次、消费金额以及其它动态参数的综合算法，进行用户价值度的分析；活跃度分析-通过对营销人群的到站的行为分析，如日均访问次数，特定时段的访问数据进行建模和算法的综合处理，进而将用户分类到不同的活跃度区间。

上述分析维度并不包括本发明全部的分析维度，在生产过程中，所产生的其它维度或模型的分析，都在本专利的保护范围之内。

图7为本发明实施例跨数据源的营销人群在数据沉淀和经验沉淀方面的应用示意图。具体实施如下：

ST71：数据仓库是决策支持系统(dss)和联机分析应用数据源的结构化数据环境。用于存储原始数据、结构化数据。

ST72：标签数据来源于ST71所述数据仓库，用之于ST73的营销人群。

ST73：营销人群是根据场景需求将标签数据组合并计算得出的可用于营销的人群。

ST74：ST73向ST74所述的市场营销活动和广告投放活动输出人群数据，而ST74向下给ST73进行数据的验证。

ST75：ST74与ST73的输出与验证之后形成ST75所述的经验证的优质营销人群和优质的标签数据。而这些经验数据将重新回到ST71所述的数据仓库中进行存储，以支持整个营销闭环。

图8为本发明实施例广告主自有数据跨画像体系的营销人群在市场营销中的应用示意图。具体实施如下：

ST81：数据仓库如图7中ST71所述，这里不涉及跨数据源，只是广告主自有的一方数据和营销回流数据的存储，以及对应用的支撑。

ST82：是数据的加工流程，将原始数据进行清洗降噪和ES索引的处理。

ST83：经过ST82的过程后，生成画像标签数据，如图所示：自然属性标签、消费偏好标签、媒体标签、品牌偏好标签、上网特征标签、操作系统标签、硬件设备标签等。

ST84：自定义营销人群，从ST83的标签中根据需求组合并生成人群。

ST85：营销人群的应用场景包括营销策略的制定、广告投放的策略制定、渠道选择、营销效果的分析、回流数据的再应用等。

图9为本发明实施例实时用户画像数据在广告投放中的应用示意图。具体实施如下：

如图8所述ST81、ST82过程相同。

ST93：经过ST92的过程后，输出的用户行为规则，例如：登录行为、注册行为、浏览行为、收藏行为、加入购物车行为、下订单行为、支付行为等用户全流程的行为规则，本流程中展示的为x天内浏览过x商品x次。

ST94：实时采集用户为cookie，并与ST93中的所述行为规则进行匹配(match),将匹配上的用户打包。

ST95：继ST94，将用户发送给投放渠道，如PMP，媒体，自有站点等。

ST96：通过ST95中的渠道，将广告推荐展现给用户。

将用户和广告的展示数据以及用户的行为cookie回流到数据仓库中。以完全此营销闭环。

图10是本发明实施例一种跨数据源的营销人群在市场营销中应用的装置结构示意图，如图10所示，所述装置包括如下的模块：数据获取模块101、数据应用模块102、数据回流模块103。

数据获取模块101，用于实时获取多数据源的用户数据，并根据所述用户数据得到用户画像；

数据应用模块102，用于根据所述用户画像进行市场营销活动；

数据回流模块103，用于获取市场营销活动的反馈结果并根据所述反馈结果优化所述市场营销活动。

所述数据获取模块101，具体用于：对所述用户数据进行清洗、文本分析，从而根据冗杂的所述用户数据获取多维度的所述用户画像标签。

所述数据应用模块102具体用于：将不同数据源的所述用户画像标签进行数据拉通与整合，并根据所述用户画像标签进行计算得到不同的营销人群；

根据预设的分析指标对所述营销人群进行分析，制定相应的营销策略，从而根据所述营销策略进行市场营销活动。

所述数据回流模块103具体用于：分析所述反馈结果，对所述营销策略进行验证，从而优化以及调整所述营销策略。

所述数据回流模块具体103用于：将所述反馈结果进行数据拉通与整合，根据所述用户画像标签组成不同的营销人群，从而补充和优化所述营销人群。

图10所示装置可以执行图1-图9所示实施例的方法，实现原理和技术效果参考图1-图9所示实施例，不再赘述。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种跨数据源的营销人群在市场营销中应用的方法，其特征在于，包括如下的步骤：

实时获取多数据源的用户数据，并根据所述用户数据得到用户画像；

根据所述用户画像进行市场营销活动；

获取市场营销活动的反馈结果并根据所述反馈结果优化所述市场营销活动。

2.根据权利要求1所述的方法，其特征在于，根据所述用户数据得到用户画像，具体包括：

对所述用户数据进行清洗、文本分析，从而根据冗杂的所述用户数据获取多维度的用户画像标签。

3.根据权利要求1所述的方法，其特征在于，根据所述用户画像进行市场营销活动，具体包括：

将不同数据源的所述用户画像标签进行数据拉通与整合，并根据所述用户画像标签进行计算得到不同的营销人群；

根据预设的分析指标对所述营销人群进行分析，制定相应的营销策略，从而根据所述营销策略进行市场营销活动。

4.根据权利要求1或2或3所述的方法，其特征在于，根据所述数据处理的结果优化所述市场营销活动，具体包括：

分析所述反馈结果，对所述营销策略进行验证，从而优化以及调整所述营销策略。

5.根据权利要求1或2或3所述的方法，其特征在于，根据所述数据处理的结果优化所述市场营销活动，具体还包括：

将所述反馈结果进行数据拉通与整合，根据所述用户画像标签组成不同的营销人群，从而补充和优化所述营销人群。

6.一种跨数据源的营销人群在市场营销中应用的装置，其特征在于，包括如下的模块：

数据获取模块，用于实时获取多数据源的用户数据，并根据所述用户数据得到用户画像；

数据应用模块，用于根据所述用户画像进行市场营销活动；

数据回流模块，用于获取市场营销活动的反馈结果并根据所述反馈结果优化所述市场营销活动。

7.根据权利要求6所述的方法，其特征在于，所述数据获取模块，具体用于：

对所述用户数据进行清洗、文本分析，从而根据冗杂的所述用户数据获取多维度的所述用户画像标签。

8.根据权利要求6所述的方法，其特征在于，所述数据应用模块具体用于：

将不同数据源的所述用户画像标签进行数据拉通与整合，并根据所述用户画像标签进行计算得到不同的营销人群；

根据预设的分析指标对所述营销人群进行分析，制定相应的营销策略，从而根据所述营销策略进行市场营销活动。

9.根据权利要求6或7或8所述的方法，其特征在于，所述数据回流模块具体用于：

分析所述反馈结果，对所述营销策略进行验证，从而优化以及调整所述营销策略。

10.根据权利要求6或7或8所述的方法，其特征在于，所述数据回流模块具体用于：

将所述反馈结果进行数据拉通与整合，根据所述用户画像标签组成不同的营销人群，从而补充和优化所述营销人群。