用大数据如何做t恤

『壹』 大数据如何与零售业结合 在实战中应用

大数据如何与零售业结合 在实战中应用

一、“大数据”的商业价值

1、对顾客群体细分

“大数据”可以对顾客群体细分，然后对每个群体量体裁衣般的采取独特的行动。瞄准特定的顾客群体来进行营销和服务是商家一直以来的追求。云存储的海量数据和“大数据”的分析技术使得对消费者的实时和极端的细分有了成本效率极高的可能。

2、模拟实境

运用“大数据”模拟实境，发掘新的需求和提高投入的回报率。现在越来越多的产品中都装有传感器，汽车和智能手机的普及使得可收集数据呈现爆炸性增长。Blog、Twitter、Facebook和微博等社交网络也在产生着海量的数据。

云计算和“大数据”分析技术使得商家可以在成本效率较高的情况下，实时地把这些数据连同交易行为的数据进行储存和分析。交易过程、产品使用和人类行为都可以数据化。“大数据”技术可以把这些数据整合起来进行数据挖掘，从而在某些情况下通过模型模拟来判断不同变量(比如不同地区不同促销方案)的情况下何种方案投入回报最高。

3、提高投入回报率

提高“大数据”成果在各相关部门的分享程度，提高整个管理链条和产业链条的投入回报率。“大数据”能力强的部门可以通过云计算、互联网和内部搜索引擎把”大数据”成果和“大数据”能力比较薄弱的部门分享，帮助他们利用“大数据”创造商业价值。

4、数据存储空间出租

企业和个人有着海量信息存储的需求，只有将数据妥善存储，才有可能进一步挖掘其潜在价值。具体而言，这块业务模式又可以细分为针对个人文件存储和针对企业用户两大类。主要是通过易于使用的API，用户可以方便地将各种数据对象放在云端，然后再像使用水、电一样按用量收费。目前已有多个公司推出相应服务，如亚马逊、网易、诺基亚等。运营商也推出了相应的服务，如中国移动的彩云业务。

5、管理客户关系

客户管理应用的目的是根据客户的属性(包括自然属性和行为属性)，从不同角度深层次分析客户、了解客户，以此增加新的客户、提高客户的忠诚度、降低客户流失率、提高客户消费等。 对中小客户来说，专门的CRM显然大而贵。不少中小商家将飞信作为初级CRM来使用。比如把老客户加到飞信群里，在群朋友圈里发布新产品预告、特价销售通知，完成售前售后服务等。

6、个性化精准推荐

在运营商内部，根据用户喜好推荐各类业务或应用是常见的，比如应用商店软件推荐、IPTV视频节目推荐等，而通过关联算法、文本摘要抽取、情感分析等智能分析算法后，可以将之延伸到商用化服务，利用数据挖掘技术帮助客户进行精准营销，今后盈利可以来自于客户增值部分的分成。

以日常的“垃圾短信”为例，信息并不都是“垃圾”，因为收到的人并不需要而被视为垃圾。通过用户行为数据进行分析后，可以给需要的人发送需要的信息，这样“垃圾短信”就成了有价值的信息。在日本的麦当劳，用户在手机上下载优惠券，再去餐厅用运营商DoCoMo的手机钱包优惠支付。运营商和麦当劳搜集相关消费信息，例如经常买什么汉堡，去哪个店消费，消费频次多少，然后精准推送优惠券给用户。

7、数据搜索

数据搜索是一个并不新鲜的应用，随着“大数据”时代的到来，实时性、全范围搜索的需求也就变得越来越强烈。我们需要能搜索各种社交网络、用户行为等数据。其商业应用价值是将实时的数据处理与分析和广告联系起来，即实时广告业务和应用内移动广告的社交服务。

运营商掌握的用户网上行为信息，使得所获取的数据“具备更全面维度”，更具商业价值。典型应用如中国移动的“盘古搜索”。

二、“大数据”与零售业的结合运用

对于数据的使用，许多实体零售商同样表示非常重视，他们对企业积累的数据进行了各种预测和分析。然而，对具体的销售业务来说，往往存在理想与现实的纠结，前不久市场中一家知名的服装零售企业一方面在宣传盈利上市的同时，一方面曝出有近10亿元的库存。国内很多零售企业都知道“大数据”应用的好处，但他们一旦将“大数据”的应用结合到自己的企业经营中时，便会出现与目前经营有非常大的不适应问题，如此导致许多企业对此都持非常谨慎的态度。

1、将零售策略与“大数据”技术进行结合

零售企业谈的“大数据”的最大价值，是在零售策略上与“大数据”技术进行结合，最大程度地编制前置性的零售策略，确保销售计划的实现。“大数据”讲究四个“V”：一是数据体量大（Volume）；二是数据类型复杂（Variety），多涉及到各种结构性与非结构性的；三是价值密度低（Value），这和体量大是相对应的；四是数据更新与处理速度快（Velocity）。

根据这些特性主动地在业务数据产生的同时做出相应的策略应对，会为企业赢得更多的时间和市场策略调整空间。这类似于大江大河的洪峰预警，上游的洪峰出现什么状况，下游要做什么样的应对。数据用到这一层面上，才具有直接的业务价值，这不是那种销量同期比、环比、销售计划比数据能指导业务的价值能相比的。例如一家涉足线上业务的实体零售商，在一组货品的15分钟促销时间内，往往准备着3套应变策略，以确保货品能够按计划卖出。

在实体商业领域，有许多关于数据与营销的案例。一个较早的版本就是美国沃尔玛啤酒和尿布的数据关系。原来，美国的妇女在家照顾孩子，所以她们会嘱咐丈夫在下班回家的路上为孩子买尿布，而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒。

当分析师了解到啤酒和尿布销量存在正相关关系、并进一步分析的时候，发现了这样的购买情境，于是将这两种属于不同门类的商品摆在一起。这个发现为商家带来了新的销售组合。当然，即使再多的零售连锁企业知道这个故事，也极少从平时销售中能发现这样的组合，哪怕是牵强附会的。

所以，零售策略设计是零售业“大数据”价值最大的地方，也是“大数据”可以直接为其提供支持的业务。

2、零售企业对“大数据”应保持正确态度

企业的领导者首先要重视“大数据”的发展、重视企业的数据中心，把收集顾客数据作为企业营销运营的第一目标；第二，对企业内部人员进行培训及建立收集数据的软硬件机制；第三，以业务需求为准则，确定哪些数据是需要收集的；第四，确认在企业已有的数据基础上或者未来方向前提下，如何达成前三项目标的基础建设方案。

在这些IT基础工作需要企业有实实在在的投入和建设规范的信息化团队，作为中国商业最大的一分子——中小微型零售企业似乎是不可能也没有足够的能力来面对这样一场变化的。

大中型零售商因为本身业务及利润的积淀，已经能够承担这样一场需求趋势的需要成本。中小微型企业还处于快速发展过程中，如果也如同大中型企业进行全方面的投入，将很快会被新型的IT工具拖垮或者遭受重创。

但这并不意味着中小零售企业没有机会，实际上IT的发展为所有的企业都提供了平等的选择，云计算的广泛应用即是对这样一场变革带来的临时礼物。

作为中小微型零售企业，完全不必考虑自己建设一套“大数据”的IT系统，他们从精力、成本、能力上来说都不适合，因此此类企业可以将企业的IT建设外包给适合的服务商，企业本身的所有精力可以投入到对商圈的开发上。

目前，一些IT软件开发运营商也已经针对传统零售企业推出了云服务的基础平台，为中小微型商业企业提供了大型企业和超大型企业同样的基础环境及系统架构，小企业只需清晰地规划出自己的目标和适合的步骤，使用云平台按需付费即可，大可不必进行巨大的初始投入和不可预测的运行成本。

三、“大数据”在零售企业实战中的应用

1、Target

最早关于“大数据”的故事发生在美国第二大的超市塔吉特百货（Target）。孕妇对于零售商来说是个含金量很高的顾客群体。但是他们一般会去专门的孕妇商店而不是在Target购买孕期用品。人们一提起Target，往往想到的都是清洁用品、袜子和手纸之类的日常生活用品，却忽视了Target有孕妇需要的一切。为此，Target的市场营销人员求助于Target的顾客数据分析部要求建立一个模型，在孕妇第2个妊娠期就把她们给确认出来。在美国出生记录是公开的，等孩子出生了，新生儿母亲就会被铺天盖地的产品优惠广告包围，因此必须赶在孕妇第2个妊娠期行动起来。如果Target能够赶在所有零售商之前知道哪位顾客怀孕了，市场营销部门就可以早早的给他们发出量身定制的孕妇优惠广告，早早圈定宝贵的顾客资源。

如何能够准确地判断哪位顾客怀孕？ Target想到公司有一个迎婴聚会（baby shower）的登记表，开始对这些登记表里的顾客的消费数据进行建模分析，不久就发现了许多非常有用的数据模式。比如模型发现，许多孕妇在第2个妊娠期的开始会买许多大包装的无香味护手霜；在怀孕的最初20周大量购买补充钙、镁、锌的善存片之类的保健品。最后Target选出了25种典型商品的消费数据构建了“怀孕预测指数”，通过这个指数，Target能够在很小的误差范围内预测到顾客的怀孕情况，因此Target就能早早地把孕妇优惠广告寄发给顾客。

为了不让顾客觉得商家侵犯了自己的隐私，Target把孕妇用品的优惠广告夹杂在其他一大堆与怀孕不相关的商品优惠广告当中。

根据这个“大数据”模型,Target制订了全新的广告营销方案，结果Target的孕期用品销售呈现了爆炸性的增长。Target的“大数据”分析技术从孕妇这个细分顾客群开始向其他各种细分客户群推广，从Target使用“大数据”的2002年到2010年间，Target的销售额从440亿美元增长到了670亿美元。

2、ZARA

ZARA平均每件服装价格只有LVHM四分之一，但是，回看两家公司的财务年报，ZARA税前毛利率比LVHM集团还高23、6%。

（1）分析顾客的需求

在ZARA的门店里，柜台和店内各角落都装有摄影机，店经理随身带着PDA。目的是记录其顾客的每个意见，如顾客对衣服图案的偏好，扣子的大小，拉链的款式之类的微小举动。店员会向分店经理汇报，经理上传到ZARA内部全球资讯网络中，每天至少两次传递资讯给总部设计人员，由总部作出决策后立即传送到生产线，改变产品样式。

关店后，销售人员结帐、盘点每天货品上下架情况，并对客人购买与退货率做出统计。再结合柜台现金资料，交易系统做出当日成交分析报告，分析当日产品热销排名，然后，数据直达ZARA仓储系统 。

收集海量的顾客意见，以此做出生产销售决策，这样的作法大大降低了存货率。同时，根据这些电话和电脑数据，ZARA分析出相似的“区域流行”，在颜色、版型的生产中，做出最靠近客户需求的市场区隔。

（2）结合线上店数据

2010年，ZARA同时在六个欧洲国家成立网络商店，增加了网络巨量资料的串连性。2011年，分别在美国、日本推出网络平台，除了增加营收，线上商店强化了双向搜寻引擎、资料分析的功能。不仅回收意见给生产端，让决策者精准找出目标市场；也对消费者提供更准确的时尚讯息，双方都能享受“大数据”带来的好处。分析师预估，网络商店为ZARA至少提升了10%营收。

此外，线上商店除了交易行为，也是活动产品上市前的营销试金石。ZARA通常先在网络上举办消费者意见调查，再从网络回馈中，撷取顾客意见，以此改善实际出货的产品。

ZARA将网络上的海量资料看作实体店面的前测指标。因为会在网络上搜寻时尚资讯的人，对服饰的喜好、资讯的掌握，催生潮流的能力，比一般大众更前卫。再者，会在网络上抢先得知ZARA资讯的消费者，进实体店面消费的比率也很高。

这些顾客资料，除了应用在生产端，同时被整个ZARA所属的英德斯（Inditex）集团各部门运用：包含客服中心、行销部、设计团队、生产线和通路等。根据这些巨量资料，形成各部门的KPI，完成ZARA内部的垂直整合主轴。

ZARA推行的海量资料整合，后来被ZARA所属英德斯集团底下八个品牌学习应用。可以预见未来的时尚圈，除了台面上的设计能力，台面下的资讯/数据大战，将是更重要的隐形战场。

（3）对数据快速处理、修正、执行

H&M一直想跟上ZARA的脚步，积极利用“大数据”改善产品流程，成效却不彰，两者差距愈拉愈大，这是为什么？

主要的原因是，“大数据”最重要功能是缩短生产时间，让生产端依照顾客意见，能于第一时间迅速修正。但是，H&M内部的管理流程，却无法支撑“大数据”供应的庞大资讯。H&M的供应链中，从打版到出货，需要三个月左右，完全不能与ZARA两周的时间相比。

因为H&M不像ZARA，后者设计生产近半维持在西班牙国内，而H&M产地分散到亚洲、中南美洲各地。跨国沟通的时间，拉长了生产的时间成本。如此一来，“大数据”即使当天反映了各区顾客意见，无法立即改善，资讯和生产分离的结果，让H&M内部的“大数据”系统功效受到限制。

“大数据”运营要成功的关键，是资讯系统要能与决策流程紧密结合，迅速对消费者的需求作出回应、修正，并且立刻执行决策。

3、亚马逊

此前亚马逊并未大张旗鼓推展广告业务，直至2012年年底，有报道指出，亚马逊即将推出实时广告交易平台，从而向Facebook和谷歌发起挑战。这个实时广告交易平台又称“需求方平台”（Demand Side Platform，DSP），可以让广告与目标消费者相遇。广告商可以在“需求方平台”上竞标网站的闲置广告空间，而竞标标的包括广告版位，以及符合特定条件的消费者。

亚马逊开发的“需求方平台”可以“协助广告商接触网路上的众多用户，同时也帮助客户迅速找到想购买产品的相关资讯”，“需求方平台”概念虽非亚马逊首创，但以丰富资料为后盾。

亚马逊与广告商分享的资讯有两类，一是依用户网路行为所做的通用分类，例如热衷时尚、喜爱电子产品、身份为母亲、爱喝咖啡等，二是用户的商品搜寻记录。至于消费者的实际购物资料，亚马逊似乎尚未列入分享。广告商即使无法得知实际消费记录，能了解潜在顾客的商品搜寻记录；亚马逊如果全力进军网路广告市场，仍可能大大改变产业生态。

亚马逊2012年的广告收入约为5亿美元， 2013年的广告收入将达10亿美元。这会成为亚马逊未来几年内营收增长的新动力，更重要的是，它可能是亚马逊各项业务中利润率最高的业务之一。

4、沃尔玛

2011年，沃尔玛电子商务的营收仅是亚马逊的五分之一，且差距年年扩大，让沃尔玛不得不设法奋起直追，找出各种提升数字营收的模式。最终，沃尔玛选择在社交网站的移动商务上放手一搏，让更大量、迅速的资讯，进入沃尔玛内部销售决策。沃尔玛的每张购买建议清单，都是大量资料运算而出的结果。

2011年4月，沃尔玛以3亿美元高价收购了一家专长分类社群网站Kosmix。Kosmix不仅能收集、分析网络上的海量资料（大数据）给企业，还能将这些资讯个人化，提供采购建议给终端消费者（若不是追踪结帐资料，这些细微的消费者习惯，很难从卖场巡逻中发现）。这意味着，沃尔玛使用的“大数据”模式，已经从“挖掘”顾客需求进展到要能够“创造”消费需求。

沃尔玛本身就是一个海量资料系统，适用各种商业上的分析行为，它的综合功能，作为世界最大的零售业（专题阅读）巨人，沃尔玛在全球超过200万名员工，总共有110个超大型配送中心，每天处理的资料量超过10亿笔。由于资料量过于庞大，沃尔玛的“大数据”系统最重要的任务，就是在做出每一笔决定前，将执行成本降到最低，并且创造新的消费机会。

Kosmix为沃尔玛打造的“大数据”系统称做“社交基因组（Social Genome）”，连结到Twitter、Facebook等社交媒体。工程师从每天热门消息中，推出与社会时事呼应的商品，创造消费需求。分类范围包含消费者、新闻事件、产品、地区、组织和新闻议题等。同时，针对社交网络快消息流的性质，沃尔玛内部的“大数据”实验室专门发展出一套追踪系统，结合手机上网，专门管理追踪庞大的社交动态，每天能处理的资讯量超过10亿笔。

“社交基因组”的应用方式五花八门。举例来说，沃尔玛实验室内部软件能从Foursquare平台上的打卡记录，分析出在黑色星期五，不同地区消费者最常购买的品项，然后，针对不同地区送出购买建议。

以上是小编为大家分享的关于大数据如何与零售业结合 在实战中应用的相关内容，更多信息可以关注环球青藤分享更多干货

『贰』 大数据时代，怎么做好精准营销

大数据时代下，如何精准获客？

现如今，大数据的使用无论是在商务层面还是我们的日常生活中，都变得越来越普遍，但是说到对大数据的使用，最常见的还是在我们的商业服务行业中，比如当下很火的大数据营销。

目前，大数据已经渗入到了各个行业，如何根据大数据精准定位用户，达到获客目的？

1、精准定位消费者

在打营销战之前，我们最先要做的就是梳理出我们的目标人群，即消费人群。而在这其中，目标人群又可以划分为以下三大类：直接目标人群、间接目标人群和二级目标人群。

直接目标人群指的是购买和后期使用该产品的都是同一人，间接目标人群指的是对直接目标人群购买行为有一定影响力的人，类似于种草安利；二级目标人群指的就是使用该产品的人。

当我们弄清楚以上几大人群的定义之后，我们就可以根据自己的产品属性找出对应的目标用户，再根据目标人群的年龄阶段、兴趣爱好、购买习惯等找出他们真正的需求。

2、媒体推广

借助于部分主流网络媒体，树立企业正面形象，传播企业品牌信息，从而增强企业传播声量，有效提高企业品牌在目标客群中的知名度和号召力，最终影响到用户的合作意向。

3、自媒体运营

通过在常见的自媒体平台如今日头条、百家号、大鱼号等，长期稳定的发布和企业相关的优质内容（如企业动态、所获荣誉等），进而强化品牌在用户心中的形象。举个简单的例子，我们某个企业在今日头条、百家号等自媒体平台，长期有较为稳定的品牌信息露出，作为普通用户，看到该企业的好感度远大于同行业中没在这些平台做内容的企业，当用户真的有需求的时候，自然而然先想到的就是有稳定信息露出的品牌了。

4、微信获客

作为全民使用频率较高的的社交软件，微信获客也逐渐成为各大企业常用的获取方式之一，企业通过微信群，朋友圈等途径做宣传，用户与企业之间可以有个比较直接的沟通，用户有什么问题，也能得到最及时的反馈。

5、短视频营销

在快节奏的生活里，越来越多的用户倾向于通过短视频来获得企业相关的信息，时间短、传递信息快，相较于以往的图文形式更加有趣且易于接收。

值得一提的是，以上几种方式并非是完全独立存在的，想要精准获客，我们可以根据企业实际情况，选择最为合适的一种或者若干种营销方式，最大化实现精准获客。

图片来源：Pexels

『叁』 大数据时代: 大数据时代的 商业创新

大数据时代: 大数据时代的 商业创新

大数据不是一个新的现象，或者是数据根本就不是一个新的现象。上世纪1920年代，在美国出现了所谓的直销业，大量的百货公司开始进行所谓的直销，给每家每户送目录，这就是开始采集用户的数据来进行个性化的营销。到1982年，美国的一些航空公司出现了客户忠诚项目，航空公司开始有大量的客户交易行为数据。
商业创新涉及产品整个价值链
从商业创新的角度来看，更多的是围绕着管理现有和潜在顾客的全生命周期，在你购买之前、购买之后，全媒体、全渠道。无论是pc、手机，还是线下o2o，所有跟这个企业的社会互动，把这些数据收集起来，就能做出一个很好的预测。而且传统的数据营销，产品投放市场以后，只是单纯地做营销。现在，商业的创新是更多延伸到产品整个价值链的上下游商业的创新。
大数据时代，商业创新的市场趋势和一些商业创新出现新的范式。
我们现在处于一个社会化互联网时代，早就过了门户时代。现在的互联网是一个社会化的互联网，其内容主要是用户提供的，用户的内容都可以自己生成，而不是由企业生成的。
互联网时代，最主要是两种形式：一种叫口碑，就是“言”；另外一种是观察模仿，或者叫观察学习，就是“行”。
大数据时代的商业创新，既然是围绕着社会互动展开的，就有一个很重要的特点：社会化互联网使社会互动成为企业的一个重要的战略变量，无论是口碑还是观察模仿，在传统的线下，企业没有办法直接操控。中国有一句谚语：酒香不怕巷子深，但现在不一样，现在很重要的一个特点是，商业创新要看各种各样的新的商业模式，很多完全是围绕这个展开的。
口碑：
新的营销决策变量
从过去这些年的研究中，可以发现的一些有关口碑的例子。比如亚马逊1995年最早推出消费者的口碑，第一次把消费者的口碑当做企业操控的变量，它可以决定提供还是不提供。这里，我们要思考口碑给企业带来了什么样的影响，功能是什么。
观察学习也是这样，也是亚马逊最早开始做的。我们在线下排队的时候，亚马逊很轻易地放到网站上，后台可以统计出看过某款产品的客户，最终有多少人购买这款产品。
我们看到100个顾客从餐馆门前走过，最终有多少人进了这个餐馆，多少人进了对面的餐馆，这就是在现实生活中大家去吃饭时关心的数据。企业仍然能够把它当做直接操控的战略变量，这就改变了很多商业的游戏规则。
另外，社会互动的类型成为企业直接管理的变量。其实，另外一种社会互动的异质性本身或者同质性本身，也成为企业管理战略的变量，这是我们要在另外一篇文章里面讨论的问题。
商业创新：
立足社会互动的战略管理
商业创新是围绕着利用社会互动来影响产品投放市场以后的战略吗？其实远远不止，社会互动还可以影响到整个价值链的上下游。企业用消费者社会的互动来做新产品的测试，更重要的是新产品测试的时候就在做营销了。
身处大数据时代，商业创新一个很重要的立足点就是怎么来进行社会互动的战略管理。社会互动的异质性取决于社会网络关系，社会互动不同的类型不仅可以影响企业做决策，还受现在移动互联网o2o的影响，它也是一个战略变量。
其实在大数据时代，你仍然可以做社会互动。美国芝加哥的一家公司是卖t恤衫的，任何一个人都可以把自己设计的t恤衫上传到这个网站，得票高的由这个网站生产。这样来做新产品开发，同时也是在做新产品的测试，也是在做新产品的营销。什么意思呢？在大数据时代，如果你要基于社会互动战略管理的时候，我们过去商业上决策的流程是一种串行。现在是一个并行，我在做营销的时候，我就应该在做研发，我在做研发的时候，我应该就在做营销，不应该把它割裂开来。
社会互动：
企业可操控的战略变量
传统的市场主体企业创造价值，顾客消费价值。是谁创造价值，谁消费价值呢？实际上是消费者在创造价值，企业在消费价值。而传统市场的功能是在做价值的交换和资源的配置，但是价值的交换前提是：谁是价值的创造者，谁是价值的消费者非常清晰，而现在并不清晰，现在市场最主要的功能更多的是在做一种资源的整合和价值的共创。市场的主要调节机制不仅是供求价格，更多是社会互动。
人类社会一直有社会互动，社会互动现在成为市场调节的主要机制？一个很重要的条件是，价格之所以成为调解价值，第一是价格可观测、可度量，第二是价格可调控。
由于互联网、大数据技术，社会互动成为企业可以操控的战略变量。大数据技术可以把用户在微博、微信上互动的内容分析提取出来，知道什么价值有用，什么价值没用，这就是大数据时代对商业创新的影响。

『肆』 如何利用大数据做金融风控

大数据能够进行数据变现的商业模式目前就是两个，一个是精准营销，典型的场景是商品推荐和精准广告投放，另外一个是大数据风控，典型的场景是互联网金融的大数据风控。

金融的本质是风险管理，风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。

传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据，利用评分来识别客户的还款能力和还款意愿。信用相关程度强的数据 纬度为十个左右，包含年龄、职业、收入、学历、工作单位、借贷情况、房产，汽车、单位、还贷记录等，金融企业参考用户提交的数据进行打分，最后得到申请人 的信用评分，依据评分来决定是否贷款以及贷款额度。其他同信用相关的数据还有区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率等。普惠在线

互联网金融的大数据风控并不是完全改变传统风控，实际是丰富传统风控的数据纬度。互联网风控中，首先还是利用信用属性强的金融数据，判断借款人的还 款能力和还款意愿，然后在利用信用属性较弱的行为数据进行补充，一般是利用数据的关联分析来判断借款人的信用情况，借助数据模型来揭示某些行为特征和信用 风险之间的关系。

互联网金融公司利用大数据进行风控时，都是利用多维度数据来识别借款人风险。同信用相关的数据越多地被用于借款人风险评估，借款人的信用风险就被揭示的更充分，信用评分就会更加客观，接近借款人实际风险。

常用的互联网金融大数据风控方式有以下几种：

验证借款人身份
验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以借助国政通的数据来验证姓名、身份证号，借助银联数据来验证银行卡号和姓名，利用运营商数据来验证手机号、姓名、身份证号、家庭住址。

如果借款人是欺诈用户，这五个信息都可以买到。这个时候就需要进行人脸识别了，人脸识别等原理是调用国政通／公安局 API接口，将申请人实时拍摄的照片／视频同客户预留在公安的身份证进行识别，通过人脸识别技术验证申请人是否是借款人本人。

其他的验证客户的方式包括让客户出示其他银行的信用卡及刷卡记录，或者验证客户的学历证书和身份认证。
分析提交的信息来识别欺诈

大部分的贷款申请都从线下移到了线上，特别是在互联网金融领域，消费贷和学生贷都是以线上申请为主的。
线上申请时，申请人会按照贷款公司的要求填写多维度信息例如户籍地址，居住地址，工作单位，单位电话，单位名称等。如果是欺诈用户，其填写的信息往 往会出现一些规律，企业可根据异常填写记录来识别欺诈。例如填写不同城市居住小区名字相同、填写的不同城市，不同单位的电话相同、不同单位的地址街道相 同、单位名称相同、甚至居住的楼层和号码都相同。还有一些填写假的小区、地址和单位名称以及电话等。

如果企业发现一些重复的信息和电话号码，申请人欺诈的可能性就会很高。

分析客户线上申请行为来识别欺诈

欺诈用户往往事先准备好用户基本信息，在申请过程中，快速进行填写，批量作业，在多家网站进行申请，通过提高申请量来获得更多的贷款。

企业可以借助于SDK或JS来采集申请人在各个环节的行为，计算客户阅读条款的时间，填写信息的时间，申请贷款的时间等，如果这些申请时间大大小于 正常客户申请时间，例如填写地址信息小于2秒，阅读条款少于3秒钟，申请贷款低于20秒等。用户申请的时间也很关键，一般晚上11点以后申请贷款的申请 人，欺诈比例和违约比例较高。

这些异常申请行为可能揭示申请人具有欺诈倾向，企业可以结合其他的信息来判断客户是否为欺诈用户。
利用黑名单和灰名单识别风险

互联网金融公司面临的主要风险为恶意欺诈，70%左右的信贷损失来源于申请人的恶意欺诈。客户逾期或者违约贷款中至少有30%左右可以收回，另外的一些可以通过催收公司进行催收，M2逾期的回收率在20％左右。

市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单在两百万左右。

黑名单来源于民间借贷、线上P2P、信用卡公司、小额借贷等公司的历史违约用户，其中很大一部分不再有借贷行为，参考价值有限。另外一个主要来源是催收公司，催收的成功率一般小于于30%（M3以上的），会产生很多黑名单。

灰名单是逾期但是还没有达到违约的客户（逾期少于3个月的客户），灰名单也还意味着多头借贷，申请人在多个贷款平台进行借贷。总借款数目远远超过其还款能力。

黑名单和灰名单是很好的风控方式，但是各个征信公司所拥有的名单仅仅是市场总量的一部分，很多互联网金融公司不得不接入多个风控公司，来获得更多的 黑名单来提高查得率。央行和上海经信委正在联合多家互联网金融公司建立统一的黑名单平台，但是很多互联网金融公司都不太愿意贡献自家的黑名单，这些黑名单 是用真金白银换来的教训。另外如果让外界知道了自家平台黑名单的数量，会影响其公司声誉，降低公司估值，并令投资者质疑其平台的风控水平。

利用移动设备数据识别欺诈
行为数据中一个比较特殊的就是移动设备数据反欺诈，公司可以利用移动设备的位置信息来验证客户提交的工作地和生活地是否真实，另外来可以根据设备安装的应用活跃来识别多头借贷风险。

欺诈用户一般会使用模拟器进行贷款申请，移动大数据可以识别出贷款人是否使用模拟器。欺诈用户也有一些典型特征，例如很多设备聚集在一个区域，一起 申请贷款。欺诈设备不安装生活和工具用App，仅仅安装和贷款有关的App，可能还安装了一些密码破译软件或者其他的恶意软件。

欺诈用户还有可能不停更换SIM卡和手机，利用SIM卡和手机绑定时间和频次可以识别出部分欺诈用户。另外欺诈用户也会购买一些已经淘汰的手机，其机器上面的操作系统已经过时很久，所安装的App版本都很旧。这些特征可以识别出一些欺诈用户。

利用消费记录来进行评分

大会数据风控除了可以识别出坏人，还可以评估贷款人的还款能力。过去传统金融依据借款人的收入来判断其还款能力，但是有些客户拥有工资以外的收入，例如投资收入、顾问咨询收入等。另外一些客户可能从父母、伴侣、朋友那里获得其他的财政支持，拥有较高的支付能力。

按照传统金融的做法，在家不工作照顾家庭的主妇可能还款能力较弱。无法给其提供贷款，但是其丈夫收入很高，家庭日常支出由其太太做主。这种情况，就需要消费数据来证明其还款能力了。

常用的消费记录由银行卡消费、电商购物、公共事业费记录、大宗商品消费等。还可以参考航空记录、手机话费、特殊会员消费等方式。例如头等舱乘坐次数，物业费高低、高尔夫球俱乐部消费，游艇俱乐部会员费用，奢侈品会员，豪车4S店消费记录等消费数据可以作为其信用评分重要参考。

互联网金融的主要客户是屌丝，其电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。有的互联金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，其可以借助于工具将客户历史消费数据全部抓取并进行汇总和评分。

参考社会关系来评估信用情况

物以类聚，人与群分。一般情况下，信用好的人，他的朋友信用也很好。信用不好的人，他的朋友的信用分也很低，

参考借款人常联系的朋友信用评分可以评价借款人的信用情况，一般会采用经常打电话的朋友作为样本，评估经常联系的几个人（不超过6六个人）的信用评分，去掉一个最高分，去掉一个最低分，取其中的平均值来判断借款人的信用。这种方式挑战很大，只是依靠手机号码来判断个人信用可信度不高。一般仅仅用于反欺诈识别，利用其经常通话的手机号在黑名单库里面进行匹配，如果命中，则此申请人的风险较高，需要进一步进行调查。

参考借款人社会属性和行为来评估信用

参考过去互联网金融风控的经验发现，拥有伴侣和子女的借款人，其贷款违约率较低；年龄大的人比年龄低的人贷款违约率要高，其中50岁左右的贷款人违 约率最高，30岁左右的人违约率最低。贷款用于家庭消费和教育的贷款人，其贷款违约率低；声明月收入超过3万的人比声明月收入低于1万5千的人贷款违约率 高；贷款次数多的人，其贷款违约率低于第一次贷款的人。

经常不交公共事业费和物业费的人，其贷款违约率较高。经常换工作，收入不稳定的人贷款违约率较高。经常参加社会公益活动的人，成为各种组织会员的人，其贷款违约率低。经常更换手机号码的人贷款违约率比一直使用一个电话号码的人高很多。

午夜经常上网，很晚发微博，生活不规律，经常在各个城市跑的申请人，其带贷款违约率比其他人高30%。刻意隐瞒自己过去经历和联系方式，填写简单信 息的人，比信息填写丰富的人违约概率高20%。借款时间长的人比借款时间短短人，逾期和违约概率高20%左右。拥有汽车的贷款人比没有汽车的贷款人，贷款 违约率低10%左右。

利用司法信息评估风险

涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。

寻找这些涉毒涉赌的嫌疑人，可以利用当地的公安数据，但是难度较大。也可以采用移动设备的位置信息来进行一定程度的识别。如果设备经常在半夜出现在 赌博场所或赌博区域例如澳门，其申请人涉赌的风险就较高。另外中国有些特定的地区，当地的有一部分人群从事涉赌或涉赌行业，一旦申请人填写的居住地址或者 移动设备位置信息涉及这些区域，也要引起重视。涉赌和涉毒的人员工作一般也不太稳定或者没有固定工作收入，如果申请人经常换工作或者经常在某一个阶段没有 收入，这种情况需要引起重视。涉赌和涉毒的人活动规律比较特殊，经常半夜在外面活动，另外也经常住本地宾馆，这些信息都可以参考移动大数据进行识别。

总之，互联网金融的大数据风控采用了用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。互联网金融企业通过分析申请人的社会行为数据来控制信用风险，将资金借给合格贷款人，保证资金的安全。

『伍』 淘宝网店如何运用大数据营销

淘宝网店运用大数据营销，主要还是要通过大数据去分析，顾客的喜欢商品，以及顾客对于价格的接受能力，还有就是顾客的人群分部，这样就可以运用好大数据进行营销的。

『陆』 利用大数据分析法，企业如何做到精准营销

大数据最大的价值不是事后分析，而是事前预测。在当今社会下，互联网移动数据在迅猛发展，用户的一些活动会在网络中以数据的形式呈现，这将会为企业带来极大的商业利益。一方面，消费者的个性化需求不断显现，为企业带来了很大的利用价值;另一方面，企业对消费者的特征偏好不再陌生，将利用互联网背后下的消费数据，挖掘这些数据背后的真正价值。现代社会中的大多数企业，已深深的感受到大数据可以做到精准营销，并可以为其所带来较大的商业价值，并不断思考如何能将这些数据进行有效整合和充分利用，准确地分析用户的特征和偏好，了解用户真正的需求，挖掘产品的潜在价值，帮助企业找到最精准的用户，实现市场营销的精准化、场景化，进而做到精准营销。
案例解读：对于电信运营商来说，按服务对象的不同，大数据的应用可分为两种：对内应用和对外应用。典型对内应用包括内部经营分析应用、网络优化、客户精准营销等，例如通过适当分离存量和增量用户，分析不同群体用户的特征和偏好，提高用户转化率和提升存量客户的价值。譬如服装网站Stitch fix例子，在个性化推荐机制方面，大多数服装订购网站采用的都是用户提交身形、风格数据+编辑人工推荐的模式，特别之处在于结合了机器算法推荐。通过顾客提供的身材比例，主观数据，加上销售记录的交叉核对，挖掘每个人专属的服装推荐模型，从而做到一对一营销。
大数据的好处：试举一个示例：如果你想要搜集一个200份有效问卷，普通的方法就是发放。但是你需要发放多长时间呢？这个过程是否较为复杂？通常情况下，按照发问卷、填写问卷、回收问卷、统计问卷这个思路的话，时间大约需要一个月。这样既浪费时间，又耽误工作。但现在不一样了，通过使用大数据分析法，只要3小时就可以轻松完成这个过程。那是因为数据做到了发送时间的"一对一定制化"，利用数据可以轻松得出某位先生通常会在哪个时间段内打开邮件，然而就会在那个时间段给他实时发送，这样既节约时间，又提高准确性。这些都是数据细分受众的好处。
那么企业到底如何应用大数据做到精准营销呢？
（1）运用大数据分析法，分析用户的行为
通过积累数据，才能更加准确的分析出你的新老用户的喜好和消费习惯。虽然过去大多数企业都会说顾客就是上帝，要以顾客为中心，想顾客所想，做客户想做，但是如何真正做到这个口号呢？目前就可以应用大数据分析法，分析客户的基本需求，这其实就是利用大数据进行营销的前提。
（2）运用大数据分析法，营销信息精准推送
企业如何才能将一些营销的信息准确推送给真正需求的用户呢？这就需要大数据分析法。那么现在企业真正做到精准营销还比较难，因为缺少了详细且海量的数据，缺少了对数据详细的分析，自然就不能够做到真正的精准，而现在通过运用大数据分析法，分析客户的真正需求，使营销广告能更精准的推送给用户。
（3）运用大数据分析法，营销活动投其所好
有了精准营销，那么企业如何做到将营销互动推送给客户呢？首先，企业需要明确的知道自己的产品主要倾向于什么样的客户。如果企业在活动之前对受众客户的需求有了解，清楚的知道用户对产品的需求，那么生产出的产品就一定能够投其所好。现在社会，无论是线上还是线下的产品，都可以运用大数据分析法，通过不同渠道了解客户信息，从而在产品的营销中做到投其所好。
（4）运用大数据分析法，筛选重点客户
在众多的用户中，到底哪些是重点客户呢？相信这样的问题是大多数企业都想了解的。现在通过使用大数据分析法，就可以了解这类问题。通过大数据的分析，企业能够筛选出有价值的重点客户。针对这类重点客户，进行精准营销，对目标用户进行多角度的分析，帮助企业更加了解消费者的特点。

『柒』 大数据精准营销如何做

精准营销的实质是根据目标客户的个性化需求设计产品和服务，而大数据就是手段。大数据精准营销做法如下：

1、以用户为导向。

真正的营销从来都是以用户为中心的，而大数据把用户实实在在“画”在了眼前，营销者可以根据数据库内的数据构建用户画像，来了解用户消费行为习惯、以及年龄、收入等各种情况，从而对产品、用户定位、营销做出指导性的调整。

2、一对一个性化营销。

很多销售在推销产品时常常会遇到这样的问题：产品是一样的，但是用户的需求是各不相同的，如何把相同的产品卖给不同的用户？这就需要我们进行“一对一”个性化营销。利用大数据分析，可以构建完善的用户画像，了解消费者，从而做出精准的个性化营销。

3、深度洞察用户。

深度洞察用户，挖掘用户潜在需求，是数据营销的基础。利用数据标签，可以准确获知用户的潜在消费需求。

例如：我们得知一位用户曾购买过奶粉，那么我们可以得知，家里有小孩，相应的可以向他推送早教课程等适合婴幼儿的产品。洞察消费者需求后再进行投放，营销的效果将比撒网式有效且更易成交。

4、营销的科学性。

实践证明，数据指导下的精准营销相对于传统营销来说更具有科学性。向用户“投其所好”，向意向客户推荐他们感兴趣的东西，远远要比毫无目标的被动式营销更具成效。

大数据精准营销包含方面

1、用户画像

用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。具体包含以下几个维度：

用户固定特征：性别，年龄，地域，教育水平，生辰八字，职业，星座。

用户兴趣特征：兴趣爱好，使用APP，网站，浏览/收藏/评论内容，品牌偏好，产品偏好。

用户社会特征：生活习惯，婚恋，社交/信息渠道偏好，宗教信仰，家庭成分。

用户消费特征：收入状况，购买力水平，商品种类，购买渠道喜好，购买频次。

用户动态特征：当下时间，需求，正在前往的地方，周边的商户，周围人群，新闻事件如何生成用户精准画像大致分成三步。

2、数据细分受众

在执行大数据分析的3小时内，就可以轻松完成以下的目标：精准挑选出1%的VIP顾客发送390份问卷，全部回收 问卷寄出3小时内回收35%的问卷 5天内就回收了超过目标数86%的问卷数所需时间和预算都在以往的10%以下。

3、预测

“预测”能够让你专注于一小群客户，而这群客户却能代表特定产品的大多数潜在买家。当我们采集和分析用户画像时，可以实现精准营销。这是最直接和最有价值的应用，广告主可以通过用户标签来发布广告给所要触达的用户。

这里面又可以通过上图提到的搜索广告，展示社交广告，移动广告等多渠道的营销策略，营销分析，营销优化以及后端CRM/供应链系统打通的一站式营销优化，全面提升ROI。

4、精准推荐

大数据最大的价值不是事后分析，而是预测和推荐，我就拿电商举例，"精准推荐"成为大数据改变零售业的核心功能。

数据整合改变了企业的营销方式，现在经验已经不是累积在人的身上，而是完全依赖消费者的行为数据去做推荐。未来，销售人员不再只是销售人员，而能以专业的数据预测，搭配人性的亲切互动推荐商品，升级成为顾问型销售。

『捌』 电商平台如何利用大数据做好用户体验

在中国，通过大数据人物画像来实现流量个性化已非新鲜事，同时在大洋彼岸的美国，目前已经更进一步，通过最先进的数据分析平台，电商可以通过社交平台等数据对用户个性特征进行分析，从而实现更精准的营销，而且并非“财大气粗”的中小企业也可以享受到这样的福利。
不是所有的行为数据都有价值对于电商而言，其对大数据分析的主要需求可以体现在两方面，一是快速反应出问题所在，二是发现新的用户群体
对于备受关注的后者，电商希望通过智能联网分析已有的数据，发掘并预测出用户的兴趣所在，刺激用户购买积极性，并将产品推向特定人群。
目前业界的普通实现方式是，通过用户网络上留下的历史信息、记录，来猜测喜好，例如相关图书推荐、机票航班推荐等，但失算之处可能在于精准度和推荐时机不尽人意，比如用户已经旅行归来，系统还在推荐往返机票。
目前美国有一种研究方向，通过非结构化数据分析技术对用户进行个性化维度分析，包括对用户在网络上更新的个人状态信息进行分析，如Twitter、Facebook，推定用户个性及特征，以精准定义个人并实现标签化，同时反馈给商家并与目标市场用户相匹配，从而实现产品的关联。
对此，美国数据分析科学家、Taste Analytics创始人及全美五大可视化研究中心的Derek Wang(汪晓宇)博士表示，传统的方式需要基于大量的行为数据进行分析，并相信所有的动作具有价值，但事实却并非这样，容易造成对精准度和时机的把握不尽人意;而通过对人在网络上留下的真实语言、说话方式、评价内容等进行个性化维度分析，更贴近人真实的本性，这当然也包括购买喜好，只有这样才能实现更加准确的产品购买需求挖掘。
电商商户的“福利”
目前，该分析技术在电商平台上更能直接释放效力的方式，便是针对中小型商户的解决方案：对用户产品评价进行分析，来优化产品、提升用户体验。
Derek Wang举例道，通过Taste Analytics Signals数据分析平台，亚马逊平台上的耳机商户，可以对平台上用户的产品评价及Facebook上的留言进行语义分析，得出对耳机品牌、电池寿命、品种型号的用户反馈，以及不同产品间如Bose与Sony的产品分析。
这对于美国为数众多的亚马逊、新蛋、易贝商户而言无疑十分受用，其可以及时对产品和销售过程进行优化。
另一个典型应用是电商平台本身。美国某着名的大型家居销售企业，在其电商网络平台上，通过刺激网络流量来买卖产品。利用数据分析平台，其不仅发现并解决了用户消费时信用卡连刷2次的问题，同时观察到网络流量在一周中的不平均分布，后续通过市场促销，改变了市场营销过程。
(用Taste Analytics Signals平台对Amazon某热销汽水的分析结果)
决策在数据之上而非数据本身
用户的特征来自于文本分析，用户在网络上说的每一句话都将可能成为分析点。无疑更多的数据将有力于对用户行为进行匹配，提高分析准确性，而这方面社交平台则提供了一个很好的非结构化数据的来源。
事实上，美国电商本身已经在开始着手整合社交网络的数据信息，例如闪购网站Myhabit建议用户通过亚马逊账号登陆;电商Macys需要用Facebook账号登陆(这样的整合在国内也并不鲜见)。对于用户，这样的登陆方式更方便快捷;对于商户，可以将个人信息关联起来;而对于大数据技术/服务提供商，数据分析服务便可以由此展开，进行深度数据挖掘。
在Derek Wang看来，此项围绕人的非结构化数据分析平台服务，不仅能提升结果的准确性，更重要的是它建立的不是一个推荐系统，而是一个增强智慧的过程。毕竟仅基于既有行为的数据分析会导致可能的失败，小到上述提及的机票推荐，大到金融领域采用数学模型的危险性在次贷危机中已经暴露无疑。
“由机器提取的数据内涵，通过图像的方法展示给企业决策者，决策者通过与机器互动后做出决定。数据分析平台是辅助企业决策者的工具，也是它的价值所在。” Derek Wang说道。
不谋而合，《纽约时报》资深撰稿人史蒂夫·洛尔曾着书大数据时评论，虽然决策活动对数据与分析的倚重与日俱增是大势所趋，但同时还要让常识发挥应有的作用，经验与直觉仍然在决策中占有一席之地，而好的直觉又往往建立在大量数据分析基础之上。
机器与人分工合作才更好，更加值得一提的是，直观的图像可视化的呈现方式，使得电商及商户的内部分析师即使没有IT背景，也可以轻松地掌握产品动态，从而帮助其赢得市场。
大数据确有裨益，但并不是所有企业都能成功掘金大数据;只有那些富有远见、重视系统且敢于投资的公司才会有所斩获。对于零售业而言，有三个重要战略可帮助电子商务成功运用大数据。
正确理解大数据
不必纠结于大数据到底是什么，试图计算出多少数据才算大数据是不明智的。首先，没有确切的数字或数量级可用作数据量的分界线，因为大数据不在“量”，而在“全”。通过对全面数据的分析可以发现相应的趋势，进一步预测未来。想要掌握大数据，必须具备“大数据”的思维模式，即关注于那些已帮助完成了某项任务的数据。从庞大的历史数据中寻找规律，从而预测未来;或者找出有关因素，对搜索最佳数据的系统进行改善，获得正确数据取得最大利益。
如何获取大数据?
大数据被炒热和巨无霸企业在其中获得的巨大商业价值密不可分，但这并不意味着大数据是只有大公司才买得起的“独有玩偶”。小公司也能拥有自己的“大数据”。虽然大多数电商企业仍处于起步阶段，但它们也可以收集数据，挖掘优秀人才帮助做出更加明智的决定。数据分析可以从小数据开始、效果立竿见影，随后发展成为大数据。即使一家小咖啡厅也能通过探寻顾客的饮用习惯、信用卡记录以及在线定位设置而建立自己的“大数据”。
尽管中小型企业还未完全配备企业先进的大数据线上工具和模式，但他们仍能从本公司历史数据中找出规律。例如，有了一两个月推广促销活动的历史数据后，服装电商公司就可以开始分析各个品类的销售表现情况，掌握一周或一个月内的最畅销和最滞销的销售品类信息，同时清楚了解长期内的平均增长率和复合增长率。这样的数据分析方法能提供产品销售额和产品销售表现的衡量指标，从而找出产品销售模式和趋势，做出下一步商业决策。这样将帮助企业实现更大的销售额，同时，无论有无市场推广活动，都可以监控产品的销售表现。
整合零售策略与大数据
从企业的角度来看，大数据的最大价值在于零售策略与大数据技术相结合。目前，由于消费者对于他们所希望的购物时间与购物方式的要求越来越高，现代零售业已变得愈发复杂。因此，零售商需要更加聪明地来服务顾客，更加灵活地选用库存和配送订单的地点，更加明确如何使用搜集到的顾客数据进行线上线下的交叉销售和追加销售。为了达成这一目的，零售商需要借助一个定制软件来制定以顾客为导向、基于数据的策略，以便于为顾客提供个性化服务。
此外，企业必须将零售策略与数据分析最大程度地相匹配，保证销售计划的实现。大数据最大的特点之一就是在于能够高速更新和处理信息。根据这一特性，商业数据一旦生成，就可以进行相应策略的制定，帮助公司赢得时间与空间调整市场策略，以最充分地发挥自身优势。这就像防洪预警：上游一旦有所警示，下游就应立即作出回应调整。例如，涉足线上的传统零售商，在一组货品的15分钟促销时间内，往往会准备三套应变策略，以确保商品按计划销售。 通过整合零售策略和大数据，企业将能够吸引更多消费者、为他们提供定制化服务，从而提升产品销售表现、增加销售额，进而扩大收益。

『玖』 我想用大数据推广我的实体店请问怎么做到，或者怎么自学

你可以先输入你实体店的关键词，然后再通过大数据来精准定位你所需要的人群。然后再进行推广而引流，你可以试试用一下（晓客）来进行。