英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
从营销组合的角度揭示商业智能大数据分析
摘要：大数据分析作为一种颠覆性的技术已经被接受，它将重塑商业智能，而商业智能是一个依赖数据分析来获得商业洞察力以更好地做出决策的领域。本文立足于最近的文献，从营销组合框架的角度研究了大数据分析的前景。确定了五个重要营销观点，即人、产品、地点、价格和促销相关的数据源、方法和应用，这为营销智能奠定了基础。然后，讨论了大数据分析和市场营销相关商业智能的几个具有挑战性的研究问题和未来的研究方向。
关键词:大数据分析 商业智能 营销情报 营销组合 测量与测井数据
1 介绍
最近的技术革命，如社交媒体，能够比以往更快地生成数据[28]。大数据的概念及其在商业智能中的应用近年来引起了极大的关注，因为它在产生商业影响方面具有巨大的潜力[12]。“大数据”的定义是“超出技术有效存储、管理和处理能力的数据量”[21]。大数据可以通过三个重要维度来描述，即体积、速度和变化[38]。在强调商业智能市场化相关方面的市场营销智能中，与公司市场相关的数据被收集并处理为支持决策的见解[19]。传统上，营销智能依赖于市场调查来了解消费者行为和改进产品设计。例如，公司使用消费者满意度调查来研究顾客态度。利用大数据分析技术，通过挖掘社交媒体数据，可以自动监控战略营销决策的关键因素，如客户对产品、服务或公司的意见[35]。
然而，虽然大数据的可访问性为营销智能创造了前所未有的机会，但也给从业人员和研究人员带来了挑战。大数据分析主要关注三类挑战：存储、管理和处理[21]。对于典型的营销智能任务，如客户意见挖掘，目前企业有许多不同的方式（社交媒体数据、交易数据、调查数据、传感器网络数据等）从各种信息源收集数据。根据收集到的数据的特点，可以采用不同的方法来发现营销智能。基于单一数据源开发的分析模型可能只能提供有限的洞察力，从而导致潜在的有偏见的业务决策。另一方面，集成来自不同来源的异构信息提供了对领域的整体看法，并生成更准确的营销智能。不幸的是，整合来自多个来源的大数据以生成营销智能并不是一件小事。并促使探索新的方法、应用程序和框架，以便在营销智能的背景下进行有效的大数据管理。
基于对营销智能的不同观点研究，并在此背景下提出了一个管理大数据的框架。首先确定市场营销智能视角的流行数据源。然后，总结了适合不同数据源和营销视角的方法。最后，从不同的角度给出了应用实例。拟议的框架为企业选择适当的数据源和方法来管理重要的营销情报以实现其战略目标提供了指导。
2 大数据管理框架
营销组合框架是一个众所周知的框架，它确定了营销决策的主要组成部分，并主导了营销思想、研究和实践[6]。Borden[5]被认为是第一个使用“营销组合”这个词的人，他提出了一套12个要素。麦卡锡[29]将波登的12个要素重组为4个要素或4P，即产品、价格、促销和地点。4P模式被认为是最相关的消费营销。然而，有人批评它是一个面向生产的营销定义，研究人员提出了第五个P（人）[18]。本文采用了市场营销组合框架的5P模型，因为这些观点对信息时代成功的营销策略的制定起着至关重要的作用。
在本文中，提出了一个营销组合框架来管理大数据的营销智能。该模型根据营销组合框架将营销智能的研究分为五个角度。此外，还确定了每个透视图中的常见数据、方法和应用程序，并突出了每个透视图的主要大数据特征。该框架为基于大数据分析的营销决策提供了指导。图1是提议的用于营销智能的大数据管理框架的概述。首先，从不同来源获取数据，并利用这些数据生成重要的营销情报。其次，应用各种分析方法将原始大数据转换为可操作的营销知识（智能）。最后，结合数据和方法，从营销组合模型的各个角度支持营销应用。
图1.大数据管理的营销组合框架
2.1 数据
研究人员使用各种方法收集数据，如调查、访谈、焦点小组、观察和存档[2]。注意，数据收集方法不同于研究方法。例如，实验是市场营销中广泛使用的研究方法，但研究人员依靠调查、观察或访谈来收集实验数据[27]。调查和日志是获取商业智能数据的两种最常见的方法[22]。调查的定义是“使用定义明确的概念、方法和程序，有组织、有方法地从某一人口的某些或所有单位收集有关感兴趣的特征的信息，并将这些信息汇编成有用的摘要形式”[10]。公司使用调查来收集数据，以达到各种目的，例如了解客户的偏好和行为。例如，苹果已经向最近购买了iPhone的客户发送了调查，以获得他们购买iPhone的反馈以及他们对该产品的体验[16]。日志数据是由捕获事务记录和用户行为的信息系统生成的[20]。例如，沃尔玛已经开始探索分析社交媒体数据，以获得客户对公司或特定产品的意见[7]。日志数据和调查数据在大小、质量、频率、目标、内容和处理技术方面可以不同[37]。这两种数据收集方法在不同的业务上下文中相辅相成。当收集无法直接观察到的现象的数据时，调查是有用的。当需要用户实际行为的实时结论时，最好使用日志数据。当研究用户意图与用户行为之间的关系时，这两种方法可以结合起来。这两种方法都有优缺点，且认为大数据管理应该同时考虑这两种方法。
2.2 方法
营销智能是指从数据中挖掘洞察力，以进行营销决策。数据挖掘技术可以通过从大型数据库中提取或检测模式或预测客户行为来帮助实现这一目标。根据数据挖掘文献，常用的数据挖掘方法包括关联挖掘、分类、聚类和回归[31]。为此需要根据数据特征和业务问题选择合适的数据挖掘方法[25]。
2.3 应用
2.3.1 客户细分和客户分析
为了进行有效的营销，必须确定一组具有相同偏好的特定客户，并对特定的营销信号作出响应。客户细分应用程序可以帮助识别可能有相似兴趣的客户的不同社区（细分）。Kim等人[23]建议根据生命周期特征对客户群进行聚类。通常，各种聚类和分类技术被应用于客户细分和用户分析。然而，在大数据环境下，客户细分正变得越来越具有挑战性。例如，为了在电信应用中区分不同的客户群，有必要分析他们的通话数据和他们的人口统计数据[1]。呼叫数据量巨大（如每天每对客户之间的通信时间），应考虑各种数据（如定性人口统计数据和定量呼叫记录）。事实上，对于最细粒度的目标营销（例如，一对一营销），并不是在讨论如何识别相似客户群，但是，对每个客户的“分析”，以便在实时生成大量客户服务消费数据的情况下，将最合适的产品/服务推销给最合适的个人[1]。
2.3.2 产品本体与产品声誉管理
为了缓解通过调查数据获取有限产品声誉的缺点，Morinaga等人[30]开发了一个自动框架，通过挖掘Web内容来监控各种产品的声誉。聚类和关联挖掘技术是支持声誉管理应用的最常用方法之一。最近，Di等人[14] 提出了一种基于文本的信誉管理方法，该方法不仅可以从Web上挖掘基于文本的信誉数据，而且还可以考虑发布到Web上的产品的图形图像。尽管如此，截至本文撰写之时，已有200亿张图片上传至Instagram。鉴于在线存档的图片规模如此之大，要分析用于产品声誉管理的图片数量，更不用说各种格式的源数据（如文本与图像），是一项极为艰巨的任务。为了对发布到Web上的用于产品信誉管理的文本评论进行自动分析，必须开发基于计算机的丰富的产品信息表示，以便随后进行产品信誉分析。最近，一种以潜在主题建模为基础的自动产品本体挖掘方法被探索用于基于从在线社交媒体中提取的产品文本描述构建产品本体[24]。自动构建的产品本体可以作为支持产品声誉管理应用和其他营销智能应用的基础。然而，考虑到从在线社交媒体中自动提取产品本体涉及的计算复杂性，必须开发新的计算方法来处理大型社交媒体数据的体积、速度和多样性问题。
2.3.3 促销营销分析与推荐系统
在竞争日益激烈的商业环境中，每年花费数十亿美元用于促销活动[34]。因此，促销营销分析引起了实务界和研究者的广泛关注。有效的促销策略是企业提高销售额和收入的关键成功因素之一[4]。促销数据通常包括促销类型（降价或优惠券）、促销时间和促销期间的购买记录等信息。早期与促销营销分析相关的工作主要集中在分析不同类型的客户如何应对不同的促销策略，或者不同类别的产品如何影响促销策略的有效性[33]。现有的研究大多使用回归方法来研究不同背景下的晋升[4]。在大数据环境中，有更多的日志数据可用于提升分析。最近的一项研究是从顾客评论和促销活动中获得口碑[26]。作者发现口碑数量和优惠券提供之间存在替代关系，但口碑数量和关键词广告之间存在互补关系。促销营销分析还可以包括其他角度的因素，如价格和地点。例如，通过移动技术和基于位置的服务，公司可以利用客户的位置信息来改进其促销策略并选择目标客户。为了提高产品知名度并向潜在客户推广产品，推荐系统在电子商务环境中得到了广泛的应用[15]。基于用户评价的协同过滤方法或基于内容的关联挖掘方法是推荐系统开发的常用方法。然而，现有的方法可能无法扩展到大数据。例如，给定N个用户等级，协作过滤方法的一般计算复杂度为N2[9]。因此，要扩展现有的推荐系统以处理大数据（例如，N=千万）并像在电子商务环境中预期的那样实时地向潜在客户生成适当的推荐，是相当困难的。这就是为什么“速度”是营销智能背景下“促销”视角最具挑战性的问题之一。
2.3.4 定价策略与竞争对手分析
关于管理者在不同情况下应该遵循什么样的定价策略，已有很多研究。传统上，定价策略的实证研究采用调查数据和回归方法。例如，研究人员利用一项全国性的邮件调查来研究定价策略的决定因素[32]。他们发现在不同的市场环境下，不同的定价策略是首选的。电子商务的发展使得价格信息可以在网站上获取，研究人员开始使用日志数据来研究电子商务网站的定价策略。例如，最近的一项研究使用一种方法从销售排名中估计需求水平，并直接从公开的电子商务数据中得出需求弹性、可变成本和定价选择的最佳性[17]。基于各种测井数据源的数据，可以研究价格歧视的最优性。当回归方法被广泛应用于价格预测应用时，关联挖掘方法被应用于竞争对手分析应用。一个自动化的竞争对手分析应用程序不仅仅是识别一个公司的潜在竞争对手；它还可以有效地发现潜在的竞争产品和产品环境[3]。这种类型的应用已经被证明有助于促进营销组合模型的“价格”方面。然而，网络上的产品定价信息量之大，也给利用大数据扩展现有应用带来了新的挑战。
2.3.5 基于定位的广告和社区动态分析
地点也是市场分析的一个重要维度。基于地点的营销研究主要关注地点对营销策略的影响。例如，研究人员通过一项调查来收集客户数据，并研究不同层次的基于地点的营销方式，如酒庄在其品牌推广活动中采用的原产地策略[8]。
随着移动技术的广泛应用，基于位置的服务(LBS)可以在特定的时间和地点为用户提供个性化的信息。基于位置的广告被认为是一种有效的营销策略[13,27]。定位是满足消费者需求最重要的解决方案之一，是个性化营销信息的重要来源。在基于位置的广告中，客户可以根据他们当前的位置或预测未来的位置，得到及时的广告或产品推荐。基于位置的广告为公司吸引更多的顾客和提升品牌价值提供了一个新的工具。基于位置的广告面临的一个挑战是如何准确预测客户的位置。同时考虑空间和时间数据(基于位置的服务的时间移动模式挖掘)。需要在客户搬迁到新地点之前的短时间内处理大量的时空数据。因此，大数据的“速度”问题也是基于位置的广告最具挑战性的方面之一。
研究人员研究了基于位置的社交网络中的日志数据，以发现用户的个人资料;这些自动发现的用户资料有潜力随后应用于基于定位的目标营销[36]。基于位置的营销应用通常使用回归和分类方法。在另一项研究中，Castro等人利用个人的GPS轨迹来揭示不同社区的基于位置的动态。通过分析当地社区的动态，可以预测他们的产品/服务偏好的变化。因此，可以根据一群顾客的地点和时间动态制定有效的营销策略。然而，这类应用需要同时处理大数据的“多样性”和“速度”问题。例如，需要对基于位置的社交网络中用户之间的关系数据和GPS信号进行分析，以揭示本地社区的基于位置的动态。此外，由于个人可能不断地在不同的地方移动，基于位置的营销应用程序必须能够快速响应，以保持相对于不断移动的客户的位置敏感性。
3 未来研究方向
因此建议使用一个营销组合框架来指导营销智能大数据管理的研究。从不同的营销角度识别数据来源、方法和应用。在不同的营销视角下，进一步讨论了大数据管理的挑战性问题。基于该框架，强调未来大数据管理的研究方向。
- 研究如何为特定的目标选择合适的数据源
可用数据的数量正在增加。目前的技术不允许及时处理所有可用的数据。因此，数据选择是管理营销情报的关键决策。如何选择能够为业务决策提供最大价值的数据，需要对数据和营销情报目标之间的一致性进行进一步的研究。
- 分析如何选择合适的数据分析方法
有许多
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238048]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
