
京东如何用大数据经营用户_数据分析师
京东商城高级副总裁徐雷就京东在大数据驱动营销的方法和策略进行了深入分享。徐雷表示,越鲜活的数据时间越短,超过3个月的Cookie价值不大;此外,大数据技术如果运用得法,将打打提升转化率。
当下,业界、学术界都在谈论“大数据”。似乎不谈论大数据你就OUT了!在最靠近日常消费的电商圈是如何运用大数据的呢?易观网对徐雷的演讲进行整理:
经营用户——京东的闭环思维
以京东为代表互联网企业,有两类市场工作:其一,运营类市场工作,比如内部会员营销,(这也是京东内部认为苦、赃、累的活)。这一工作保障了大体量公司70%的市场效果。其二,项目被认为是市场的最主要工作。
谈及大数据,实际上营销人员涉及的工作更多属于运营类工作。今天,我将分享与市场工作紧密联系的会员营销。两年前,电商企业对互联网广告的应用就是买流量,随后变成买订单,如果单纯从广告角度来说就是买用户。作为一家电商企业,更需要关注经营用户。
从外表来看,电商无外乎就是卖商品。但是,换个角度来看,电商需要以客户为中心,做经营客户的生意。消费者进行购物就会涉及到“消费闭环”。首先,我们通过构建闭环获得并维持一个高质量的客户。其次,要提高这些客户的购物频率与购物篮子。最后,力图提高客户的生命价值。对于零售企业来讲,所有的客户对于一家零售企业都是有生命周期的。在延长客户生命周期的同时,我们希望驱动更高的一些价值,能驱动更高的一些销售,最终形成品牌的知名度。这便是经营客户的角度,企业应该构建额完整的闭环。
从数据里看营销——谁是最有价值的人?
传统线下的客户生命周期管理与线上大有不同。线上我们通过数据进行整合分析以后,分成购物前的行为,比如浏览行为、评论行为、促销行为,判断客户的价值。再判断客户的实质价值与客户的预测价值组成了客户全生命周期的价值,而权声明价值的高低将决定购物转化率的高低。这里需要强调,越鲜活的数据时间越短,按我们定义,超过3个月的Cookie价值不大。
通过大数据技术来寻找客户生命周期种不同阶段的节点。在第一个流失的环节和第二个流失的环节的时候是一个关键点,要在不同的时间点进行刺激。京东内部分成很多不同的组织,在不同的流失节点要做到不同的流失行为和动作。根据用户访问的情况,我们会针对他系统定制化的,发出推荐商品。
在做营销决策的时候,企业思考问题的原点就是客户。客户购物以后,他已经跟你形成了一个稳定的交易关系,或初步的交易关系。实际上当客户浏览,进入公司网站的时候所产生的所有的行为都会产生数据。这些数据经过有效的组织和形成信息最终实现营销价值转化。客户就是整个价值链条的起点,企业观测客户,观测各种各样的数据,把数据有效的整合形成一个信息,通过这些数据,再观察整个商业视野,最终提出针对自身客户营销的营销决策。
不同的电商公司、不同的互联网公司对活跃客户的定义不尽相同。这是因为不同企业的经营模式,经营类别,经营价格,以及他所经营商品的频次不同。所以,在活跃客户会由老客户和新客户组成。如果切不把客户进行有效的分组,就是一大堆没有太大价值的用户。
任何一家零售企业都有流失客户。大数据的分析可以帮助企业看清,流失客户为什么流失?企业如何影响流失客户的流失行为?客户关系从一个访客关系,到注册,并在注册以后的若干次访问,大概只有20%左右的客户当天购物。注册用户会在浏览一定频次以后转为购物客户,紧接着大多数客户会进入到一个快速的跟你发生交易关系的一个成长的阶段,但同时会有客户开始流失。成长客户也会存在流失,这时候需要营销人帮助做维持工作。而有的客户的生命周期比较长,有的客户则会快速的流失。
京东会对消费者进行新老客户的再定义。京东认为年龄小于13个月的属新客户,我们发现购买金额在400元左右波动大的时候客户的流失率非常大。全世界所有零售企业在这个环节同样遭遇流失的境况。大家会看到,刚开始熟的新客户一来迅速就可以进行流失,但是同时,留下来的客户消费金额就会快速提升,进入到一段相对非常稳定的阶段(当然这是根据京东对13个月内新客户为定义的情况下做出的判断)。在14到24个月的时候,京东将该阶段的消费者定义为老客户,在这一时期,消费金额发生了重大变化,客户也比较稳定。客户生命周期从14到24个月的时候是客户发展阶段一个稳定的重要的节点。此外,京东发现,老客户不太爱登录,新客户反而爱登录。从登录的人数角度来说,老客户登录远远低于新客户的占比,但是从客户30天购买,老客户只购买不登录占6%,新客户占1%。
今年,电商企业在互联网营销里面有两个重大的打击:其一,中国几个主流的硬件服务商在收紧邮件的发送。电商企业想针对自己的会员进行EDM营销,进行设置、组织商品等营销型邮件的时候,各大运营商会进行控制。所以,如果通过方式计算市场触发性的邮件的发送,可以直接到用户发送。其二,电信运营商也在控制短信的发送。电商企业想要发短信服务,一定会受到电信运营商的控制,而且这个政策据说是中短期的政策。这时候,就需要用技术、用大数据帮助企业解决并提高转化率。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10