一个客户的迷茫：你们懂我？
案例：一个客户带着急切的心情，在某电信运营商官网看了几款3G和4G的手机，其中不乏三星note3等知名高端品牌，但是看到标价后打了退堂鼓；于是他又到了另外一个网站碰碰运气，终于购买了质美价廉的努比亚X6。一周之后，电信客服电话致电上来，态度十分诚恳，信心满满地向该客户推荐note3，结果客户表示不需要，客服仍坚持不懈，又极力推荐了后备的几款高端品牌手机，客户无奈之下，只好回复“我已经买了新手机，谢谢”。
刨根揭底，其实，客户的需求已经很间接告诉我们了，奈何我们却失去了两个营销的机会，以下是客户潜在的纠结：
1、我的标签：虽然看了知名高端品牌但是没买，足见我比较穷，无优惠不购买，我明显是优惠高度倾向型。
2、我现在的需求：既然看的是3G、4G手机，那么我可能用3G制式的电信套餐，为什么不向我推荐4G套餐？有优惠的3G套餐也行。
3、动作太慢了：我一周前的手机需求，你一周后才找我，有点慢了……
企业的反思：为什么会这样？
在互联网高速发展时代，“数据挖掘”的概念充斥着电商企业管理运营的方方面面。于是网络爬虫技术、数据集市等数据管理技术甚嚣尘上，多元回归、决策树、神经网络、甚至贝叶斯模型等高深的数据建模都直接搬上了应用。但是一直以来，做业务的不知道数据从哪里来，做数据的不知道数据会怎么用，数据挖掘常用于临时性项目支撑，大体都是基于业务方项目所需的目标客户进行概率匹配，并得出高成功概率客户群体的“完美结论”，而客户的诉求在数据生产链上部分被无视了。
于是乎，业务方很信任地向数据方高呼“你有什么数据，得出什么结论，给我，立马用！”，数据方也很自信地回应“你要什么数据，要什么结论，我给，立马传！”。
这样便形成一个数据生产应用的怪圈，客户的诉求不经精雕细琢，直接用单纯的表象行为数据作为基础信息录入BI-Store，而后，数据方基于已知的结果用了很多“博大精深”的模型得出各种潜在营销的结论，并称之为“客户诉求”，业务方则怀着无比崇敬的心情拿着这批高大上的数据去执行生产，以期获得皮克马利翁效应。然后，像之前的案例一样，客户莫名其妙地被“关怀”，而其真正的需求却没有反映，因为业务方根本没有获取到这些信息，根本无法做出相应的引导，客户也只能将之烂在心底，一个可能营销的时机就这么浪费了。
走向正轨：如何改变？
我认为，主流所崇尚的大数据管理，并不是指数据大规模集成大范围应用，而是基于客户需求场景集成的一整套小数据集合的有机构成。这里强调四个方面的概念；
1、数据的本质不是为了解决问题而找数据，而是为了还原客户的需求场景，因此业务方才是数据收集的第一发起者。
2、数据规模大不等于价值大，小数据更能明确表达具体的场景应用（例如看某个客户是不是游戏爱好者，可从其浏览的APP类型以及流量就可以判断，无需从什么高深的数据模型或全数据分析），从小角度切入的想法设计的数据应用更能做到具体而快速。
3、一组小数据能产生的价值有限，必须要考虑数据组之间的关联性，要把数据组放在一个“数据框架”（场景）内，才能挖掘出更具丰富的市场应用。
4、在大数据背景下，数据规模和内容是海量大，必须对每一组数据进行聚类描述，可通过关键概念抽取的办法对数据族群进行定义，这样在设计“数据框架”（场景）内，才能快速地知道使用哪个数据组更为合适。这方面，京东就做得很到位，客户要判断一个商品好不好，在京东商城不用怎么看那些动辄上千的海量评价，只要关注京东对海量评价的关键描述聚类即可知道大致的情况。
说了那么多，那基于客户需求场景的大数据运营具体如何实现，以上述的个案为例，我们的步骤如下：
首先是确定问题，明确收集数据的出发点。
业务方迅速通过客户在官网上留下的购买行为，得到这样一个场景结论——客户关注高端手机品牌但是没有买。于是基于这个场景，业务方收集数据的出发点是客户为什么没有买手机，要怎么给其营销。（别小视这个场景，其实门站的场景大体就分为已完成购买和没有完成购买两个类别，解决了后者也是提升市场转化率的关键）。
其次是建立数据框架，通过数据组关联还原场景结论。
数据方要对数据收集进行降噪，从小角度去剖析为何没有买的原因，他们可以分析客户的购机历史，消费能力等数据组情况，并通过关联发现，客户之前浏览了很多有优惠的购机方案，并且这些机型都支持3、4G的网络制式，并且客户的套餐仍为低端3G上网套餐。于是整个框架大体可以描述为，该客户为喜好高端手机品牌且高度倾向优惠的4G可迁移用户，可挖掘的营销机会至少有两个。
第三，基于框架结论，制定匹配的营销策略。
根据这个结论，我们就可以知道，不仅仅是向客户营销note3这么简单了，还要加上价格优惠、套餐可迁移这两个潜在需求。那么是否要等其再次登录官网才推荐呢？实际上，数据挖掘除了需求推演这个特性外，还有个时间生命周期，特别是互联网上的电商行为，其需求的变化比宇宙第二逃逸速度更快，所以，只有在保质期内的数据结论才能产生价值。因此在得出这一场景需求之后，我们需要建立一套相配对的外呼快速接触体系，第一时间（一般是2-8个小时内）以电话外呼的方式联系客户，向其营销我们早已组装好，非常适合其口味的产品。也就是说，我们得出数据框架结论后，要有配套的迅速实现机制。
最后，检测应用结论，调整数据链条。
很多时候，我们对于数据应用的成效只有好用和不好用的评判，却没有一套正确的检验机制，这是我们落入“用数据解决问题”偏轨导致。其实，大数据挖掘的另一个本质是“养数据”，我们对于数据应用的成效，不应是“好用就优化”和“不能用就重做”，而是要调整数据链条，挖掘可再生空间，让健康的数据更加有活力，让不健康的数据得到充足的营销补充。例如，在我们向浏览官网手机终端但未购买的客户进行实时外呼营销，如果能注入更多的数据活力，加入客户的流量套餐分析，那么就可以绑定流量优惠向客户营销手机，提升转化率，又如，外呼发现客户已购买手机，我们可以及时通过调整数据链，增加网络制式的判断（假设客户买的是4G手机，但是没有办理4G套餐），那么我们就可将手机营销失败转为营销4G套餐的机会。
没有好与不好的数据模型，大数据挖掘的本质是还原客户潜在的需求场景，好坏的关键在于我们是在“用数据”还是“养数据”。
