电视购物中场景营销的应用范文

［摘要］大数据改变人类生活的方方面面，也改变着传统的营销模式。文章提出了全新的场景营销的概念，认为任何一次营销活动，都是在一定场景下发生的，场景是由各种信息丰富的维度构成的，从这些维度，产生出各种营销规则，进而建立各种场景营销的应用。

［关键词］大数据;数据挖掘;电视购物;场景营销

1引言

在大数据时代，商业、经济及其他领域中的决策将日益基于数据和分析而做出，而并非基于经验和直觉。大数据正在改变人类生活的方方面面，包括传统的营销模式。在大数据背景下，本文提出了全新意义上的场景营销的概念。我们认为任何一次营销活动，都是在一定场景下发生的，场景是由多个维度构成的。各个维度的信息获得，在大数据背景下，已经成为可能。如何更好的利用各个维度的信息，提高转换成功率，成为场景营销的核心。电视购物是一种电视业、企业、消费者三赢的营销传播模式，目前在我国电视购物转型期存在着电视购物频道和电视直销广告相互竞争发展的局面。国内新生的购物频道如快乐购物、宜和购物、开心购物、居家购物、乐家购物、新华购物、好易购等新兴的电视购物频道也纷纷亮相，且发展稳定业绩喜人，由于电视购物频道的商品多、贴近生活、价格合理、运作规范，越来越受到消费者喜爱，成为电视购物的主要渠道。电视购物频道有多条业务线，呼叫中心在各业务中都是一个关键的环节，承担了繁重的营销任务。呼叫中心的各个业务员的销售业绩千差万别，经验丰富的业务员会把一次电话接入变成公司产品的展销会，根据接入客户的不同特征，推销不同的产品给接入客户;而经验欠缺的业务员，往往只能完成单一产品的销售任务。为什么各个业务员之间会存在如此大的反差呢?这也是因为一双看不见的手———场景营销在后面起作用。经验丰富的业务员只是不知不觉中遵循了场景营销内在的规律，把场景中的各个维度的信息主动地应用到了自己营销的实践中。但是人的记忆力和精力都是有限的，借助工具的帮助成为必然。即使经验丰富的业务员也不能保证每次电话的接入，都能达到最优的销售结果。为了保证经验丰富的业务员的经验能够系统化地保存下来，经验欠缺的业务员能够基本达到经验丰富业务员的销售业绩，在电视购物中，改变传统营销模式，引入场景营销模式势在必行。

2场景营销

场景营销是飞速发展的数据挖掘技术、数据存储技术等诸多先进的大数据技术直接推动的结果。笔者认为，场景是由多个维度构成的，进而在多个维度基础上产生出多个营销规则，多个规则建立起了场景营销的应用。为此文章将从维度分析、规则生成，应用建立三个方面来描述场景营销。

2.1维度分析

维度分析是指对营销的场景进行纬度上的分解，把营销场景拆分成不同的纬度，这样可以方便地产生营销的各种规则。大数据的飞速发展有助于我们更加方便地研究各种营销场景的维度。文章将从如下几个方面，进行维度分析。

(1)客户维度。客户特征识别不仅仅是大数据营销的基础，即使是在传统行业，只要企业足够关注客户，也一定会进行客户特征分析，这是以客户为中心的企业赖以生存及发展的基本要件，甚至是公司盈利的第一步。客户维度主要用于描述客户自身的一些基本特征，例如性别、年龄、职业、收入、婚否、孩子个数、爱好、皮肤敏感度、所处区域等，这些基本信息不可能一次性获得，需要业务人员通过多次的电话交流，间接地获取这些特征。有些特征需要通过面向属性的归纳方法才能够得到。

(2)自然维度。自然维度是指由外界的各种信息构成的维度。它包括如下维度:区域、天气、时令、时间、节假日、公休日。自然维度对产生相应的营销规则有着重要的意义，营销活动一般会随着区域、季节等的变化，开展相应的营销活动。例如，对于东北地区的客户，在冬天应用会自动推荐给客户各种保暖内衣等;对于南方地区的客户，如果未来几天会有频繁的降雨，应用会自动推荐给客户各种除湿设备。自然维度的大量信息的获得和分析，在大数据背景下，已经成为可能。自然维度可以通过外部接口或者网络爬虫获得。

(3)商品维度。商品维度就是指商品的视角、特质。主要包括商品的类别、商品的颜色、商品的重量等。有了大数据这个强大的数据处理武器，可以对商品品质进行多角度，多维度的描述。另外，我们也可以通过协同过滤的算法，来计算各个商品之间的相似度，方便产生计算规则。商品之间的相似度，也是商品维度的重要一方面。

(4)计算维度。客户价值主要通过客户忠诚度和客户贡献度表征，但客户忠诚度和客户贡献度是不能直接测量获得的。这两个维度都是通过对历史销售数据的分析，用分析模型计算得到的。因此客户忠诚度和客户购买贡献称为计算纬度。客户忠诚度:忠诚度主要反映在客户购买行为中所表现出来的稳定、忠诚等行为特征上。在判断客户忠诚度的多个指标中，总购买额、重复购买次数和持续时间在客户购买行为中能够更好地说明客户的忠诚度。客户贡献度:贡献度是客户通过产品的购买对公司的贡献，反映客户的盈利能力，由一系列客户累计交易的获利情况的客户盈利能力指标来表示，例如客户交易次数等。客户忠诚度和客户贡献度都是用多个指标共同描述的，本文为方便研究用一个单独的指标描述它们。为此，使用主成分分析方法，把多个指标综合成一个可量化的指标。此外为了便于产生计算规则，也可以采用聚类分析的方法，客户忠诚度和客户贡献度分别分成高低两类。这样就可以把客户分成四个类别。高贡献高忠诚度的客户不但持续购买企业的产品或服务，还为企业积极宣传，企业只需要花费较低的维持成本就能产生源源不断的利润;高贡献低忠诚度的客户是企业值得珍惜的巨大潜在资源，他们是企业最应该实施影响的一类群体，只要通过适当的营销策略来增加顾客的忠诚度使之成为黄金顾客。低贡献高忠诚度的客户属于理性顾客。双低顾客，进行营销时可以不用考虑。

(5)专家维度。系统允许用户自己定义维度，这些定义的维度，能够马上参加规则的计算，也能够参加专家规则的生成。这些维度，一般都是由经验的业务员来制定的，故称为专家维度。例如，业务员可能增加具有双胞胎孩子的妇女这个维度，这样我们在场景营销中将采取不同的规则。专家维度可以方便场景营销进行无限可能的扩展。

2.2规则生成

规则分析是指根据构成营销场景的不同维度，产生各种场景营销的相关规则。

(1)计算规则。计算规则主要是对构成营销场景的各种维度(包括专家维度)进行分析计算，在没有任何假设的前提下，在没有任何人员的参与下，得出相应的营销规则。它主要包括两类规则:一类是销售相关的规则，另一类是客户管理相关的规则。下面分别介绍这两类规则。销售相关的规则，是通过关联规则或者协同过滤算法实现。关联规则主要是采用购物篮分析算法，各个项集主要来自于上节中提到的各种维度。进而通过查找出购物篮中的频繁项集，进而产生关联规则。从产生的规则中选出支持度，置信度和提升度都很高的规则，以此规则为基础产生各种营销方案。从关联规则中，可以产生出商品套餐规则和商品推荐规则。协同过滤算法主要是用来产生商品推荐规则。客户管理的规则主要是关于客户流失预警和流失客户特征分析的规则。随着行业竞争的加剧，以及客户购买习惯的理性化，客户流失的规模和速度在不断增大。因此，需要有效维持客户，不断提高客户忠诚度，才能减少营销成本。客户流失预警规则，主要是靠预警模型实现。通过定义统一的预警模型，可以实现自动匹配预警数据;加上预警通知策略和相应的客户维护方法，组成了客户预警流失方案。

(2)专家规则。专家规则主要是由业务员自己根据经验生成的销售规则。例如，业务员会根据节假日维度产生出情人节推荐巧克力套装等规则。这些规则一般由一些常识性知识和业务员的经验构成，这些规则一般是通过对专家维度的分析获得的。

2.3应用建立

如前所述，我们已经描述了如何根据维度来产生规则。现在可以利用这些规则，来建立场景营销的各种应用。

(1)套餐推介。营销活动的目的是多卖出产品，创造尽可能多的价值。打包促销可以在一次销售活动中，实现产品销售量快速提高。如何从大量的商品列表中准确的打包相关产品，需要利用我们套餐规则来实现。通过套餐规则，产生相应的套餐，以支持呼叫中心销售人员营销。例如:食品+饮料商品套餐;主机+配件商品套餐。当然套餐的生成不是一成不变的，随着套餐营销的时间的推移，如果该套餐没有达到销售阀值，应用就会自动更新相应的套餐。

(2)智能推荐。智能推荐的关键是快速识别当前的营销场景，并对比销售规则库，快速找出适合销售的商品，增加销售成功率。例如，通过分析营销销售的以下标签:性别、时间、地域、职业等，可以快速定位当前客户适合那类产品，为销售人员提供支持。另外，在呼叫中心业务中，包括老客户，也包括新客户;其中，对老客户可以根据客户类型有针对性促销产品;针对新客户，销售人员可以尽量多地了解客户的了解客户基本信息，通过这些基本信息，自动的识别客户类别，然后推荐相应的产品和服务。

(3)客户维护。该应用主要针对低贡献度高忠诚度的理性客户，针对识别出的易流失客户，进行重点监控;根据客户流失预警规则，当发生报警时及时联系客户，采用客户挽留策略，推荐和销售产品，避免客户流失，降低客户流失成本。另外，针对已流失、或者将要流失的客户，利用流失客户特征分析规则，对一些有针对性的客户，做一些调查问卷，了解流失原因，用于进一步分析的依据。

(4)客户拓展。通过计算维度产生的各类客户，去考察他们的客户维度，就可以得到各类客户，高贡献高忠诚、低忠诚度高贡献、低贡献高忠诚度、低忠诚度低贡献的基本特征，可以根据这些特征有重点的寻找新的客户;这些客户不在呼叫中心的系统中，但是可能存在于其他业务系统中，或者来自于其他渠道;也许他们没有主动打过电话，但是依然是潜在的购买用户。因此，可以采取主动营销的方式，实现用户拓展。

3未来的工作

在大数据的帮助下，场景营销在电视购物中取得了非常好的效果，但是还存在一些不足，需要我们在未来研究中得到完善。场景营销的维度分析还是有些粗糙，还应该进一步精细化。另外，维度分析分层管理将是下一步的研究方向。

参考文献:

［2］(美)坎塔尔季奇(KantardzicM.).数据挖掘:概念、模型、方法和算法［M］．2版.王晓海，吴志刚，译.北京:清华大学出版社，2013．

［3］卢辉.数据挖掘与数据化运营实战:思路、方法、技巧与应用［M］．北京:机械工业出版社，2013．

作者：苗新雨 单位：西安大略大学