在大數據的時代，企業和消費者的接觸點變得越來越多，企業要實現它的業務需求，首先要從接觸點上采集消費者的數據，然后去進行分析和挖掘，以滿足不同業務部門的需求，這個是業務層或者說需求層要解決的一些問題。給大家分享一個案例，看看大數據建模在解決這些問題上起到的作用：

這個案例是某品牌手機新品上市營銷的業務方案，我們幫它做了兩件事情，第一件事情是老用戶的營銷，通過建模找到新品手機的目標人群。第二件事情是微博營銷，對于這一點我們又做了三件事：1）幫它甄別這個行業比較有話語權的微博；2）幫它識別了網友中的意見領袖；3）幫它找到想買手機的用戶。

這個項目的關鍵點，其實就是定義清楚業務問題。我們定義清楚一系列業務問題之后，選取一些建模的方法去實現，幫助它解決這些業務問題。例如如何通過老用戶建模分析找到新品手機的目標人群？

提取原始數據

我們首先提取了這個品牌手機的電商旗艦平臺及線下門店的用戶歷史交易數據，作為原始數據，去做一些清洗和預處理。然后提取了用戶的行為特征，去識別這個終端消費用戶的購買頻次，消費的品類，價格承受度等。然后運用協同過濾模型，去做度量這個新品手機和其他品類的相似性。

當然，我們也使用了其他的模型 預測 ，例如購買概率的預測，產品生命周期的推測等等。之后，去建立用戶特征的過濾，最后鎖定目標的人群，輸出目標群體的營銷列表，找到整個老用戶群體里有可能去購買新品手機的用戶群體，并做了基于購買概率的排序。對于新品手機的微博營銷方案，首先我們爬取了在新浪微博上行業相關的微博，通過關鍵詞提取了所有博文的內容，包括評論內容、轉發內容、用戶信息等。

構建模型

進一步我們構建了三個模型，篩選出來用于微博營銷新品手機的潛在目標用戶。這三個模型分別是通過構建影響力指數模型去找到具有行業話語權的行業公眾號、通過社會網絡模型識別微博中的意見領袖，以及通過語義分析模型找到想買手機的人群，從而實施新品手機廣告的轉發和推薦。下面我具體介紹一下這三個模型：

1、做微博公眾號影響力指數的編制

首先我們做了微博公眾號影響力指數的編制。基于這個分類下的藍V用戶的微博影響力數據，綜合利用AHP方法計算出不同行業在微博平臺影響力的指標，然后我們找到這些最具有影響力的微博公眾號或者藍V的用戶去做新品手機廣告的觸達。第二是運用社會網絡模型去找到這款手機的意見領袖。

社會網絡分析模型廣泛地運用在這種具有網絡特征的 大數據分析 中，例如通過計算節點的連接數去找到一個社交群體中的意見領袖和活躍分子等。

2、微博中意見領袖帶動關注

同時SNA模型還可以用來計算社交網絡的密度，監控這個網絡的健康度等，目前在輿情監控領域、電信網絡的數據分析等都有比較廣泛的應用。我們利用SNA模型，去找到微博中和手機相關的意見領袖，進行新品手機營銷文章的推送，引發這個意見領袖的關注和討論，從而帶動大多數跟隨者對某品牌新品手機的一個關注，這是第二個模型。

3、文本挖掘

在文本挖掘模型中，我們首先建立了一系列的規則，例如在微博正文中含有“想買手機”、“挑選手機”等關鍵詞的微博，我們針對規則對抓取的博文進行了標注和過濾，經過SVM分類模型的訓練，我們把微博進行分類，最后篩選出可能會對某品牌手機感興趣，或者近期有購買手機意愿的人群，由營銷人員進行觸達，推廣這個新品的手機。

模型應用效果

我們看一下這幾個模型一些應用的效果。

首先第一部分，在老用戶營銷中，我們經過建模加權之后的結果，找到不同等級的目標，用戶群體超過10萬人。通過篩選之后進行短期的推送，效果比盲投廣告提升了三倍。在微博營銷中，通過三個模型，我們獲取了超過10萬人的目標用戶群，經過運營人員進行觸達，有超過1萬人響應了新品手機微博的營銷信息，最終通過這些大數據建模的方式找到這個營銷的短名單，然后幫助這個品牌成功實現新品上市的營銷推廣方案。

注意事項

最后想跟大家分享的是，在大數據時代的商業建模要做到以下三點：

第一、好數據勝過復雜的模型

不用去太刻意追求模型的復雜度，往往線性回歸和邏輯回歸就能解釋大部分的問題了。我深深記得當年在學校時，一位計量經濟學教授說過的話：如果你不知道該用簡單模型還是復雜模型，為什么不從簡單的開始呢？

第二、要做好充分的數據預處理

做好數據的清洗、融合、集成、規約等，去了解業務，理解數據，切忌Garbage In，Garbage Out。所謂磨刀不誤砍柴工，如果數據預處理準備的充分，接下來的數據挖掘也會非常地流暢。反之，如果沒有做充分的數據預處理和描述性分析，就會對建模的結果產生懷疑，進而返工，浪費更多的時間。

第三，組建大數據建模團隊

我們認為需要大數據建模分析去解決業務問題的 企業 應該組建一個功能比較全面的數據科學團隊。我們之前也講過，在大數據時代，建模已經演化成一個體系問題，基本不能由一個人來承擔了，或者說，一個人需要掌握太多種技能才能應付整個建模流程。通常來說數據科學團隊里會有大數據提取工程師、建模算法工程師、數據可視化工程師、業務數據分析師、優化工程師等，是一個集團軍作業、流水線作業的情況，而不是像小數據時代，通過一個人就能解決從數據的提取、加工、建模，到最后數據的分析結果展示這一系列的問題了。

我們認為，如果一個人能解決大數據建模這一系列的問題，能夠和數據庫進行底層的交互，又能去做建模算法的挖掘，能做數據的優化，能做數據可視化，集這些功能為一身的人才配稱之為數據科學家，真正的數據科學家是非常稀有的。

而當我們沒有集這些功能于一身的人的情況下，通常可以用群體的力量去解決我們在大數據時代遇到的數據挖掘問題。所以我們認為，企業去招一個全面的數據科學家，不如去組建一個功能比較全面的數據科學團隊，大家各有所長，數據提取工程師去做和數據庫的交互，算法的工程師去做數據的挖掘，可視化做可視化的展現，調優的去做運營調優等，以集體的力量去解決企業在大數據時代遇到的商業建模的一些問題。

責任編輯：王培