超市利用自己的分析结果进行调查
培训课程有助于加强交叉销售，提高客户忠诚度，帮助一系列数据库营销活动实现更高的销售，提高推广效率。2013年，母亲100活动成员平均比2012年增加44人.8%截至2013年底，174万人达到181万人。截至2013年底，会员零售店数量也较2012年增加了32家.7%到20709间。母亲100活跃会员产生的销售额约占集团总收入的88%.9%。2013年，母亲100呼叫中心平均每月处理27万部电话，母亲100《儿童》杂志平均每月发行65万部。如图3所示-由于母亲100会员计划的精准营销，合生元的收入比例下降了0.5个百分点至31.87%。 图3-4合生元主要经营费用占比 （资料来源：合生元集团2013年年报） 合生元客户关系管理（CRM）系统计划实施的关键在于1万多家线下商店是否愿意配合线下交付，以及他们的需求是否能得到满足。因此，合生元也非常关注商店负责人的需求。当该系统开始实施时，母亲和婴儿所有者担心的第一个问题是，那些属于自己的线下用户被转移到在线订单后被APP分配给其他线下商店，不仅没有引入流量，而且分散了他们的线下用户资源。合生的解决方案有两个重要组成部分，一是保持线上线下价格的统一；二是协调订单分配，遵循老客户到老店，新客户就近分配的订单原则。如果线下用户选择在线订单，母亲100将让用户选择以前购买过的产品的商店分销。如果是新用户，他们将提供定位服务（location based services，LBS），推荐就近门店配送；一旦订单1小时内没有反应，就会被推送到商家系统中，让附近的门店抢单，这很大程度上消除了店主们的顾虑。消费品企业传统的营销模式，是基于经销商影响零售商，基于零售商影响消费者。合生元的模式是反过来的，直接体现了终端为王的管理思想：合生元会员经销商。 客户关系管理系统掌握的购买数据也可以实现准确的营销，使不同购买力的消费者能够获得他们需要的服务。合生元有四个价格的产品。根据过去的大量数据分析，经常购买400元或以下价格产品的客户不关心价格促销信息，更喜欢服务信息，如免费母亲课堂或特殊活动安排；购买200元左右价格产品的客户往往对促销活动更感兴龋在2008年之前，大多数分散的商店仍然使用手动记录用户的固定电话号码，通常会向用户发送短信，但实际上他们不知道这些用户的购买习惯。这种毫无价值的推动对客户来说是一种干扰，只会增加客户的厌恶。 合生元除了关注和创造消费者需求外，还关注营销价值链中代理商和零售商的需求。消费者关注的是能否方便、快速、及时地获得高性价比的优质产品和服务；价值链中间环节的代理商和零售商关注的是能否获得更稳定的消费者，以保持渠道利润的增长，母亲100会员系统的使用是否比传统的线下销售方式降低了营销成本，增加了销售额。 合生源会员平台一直以全面了解和满足会员的育儿需求为目标。通过母亲100，我们可以直接与会员互动，获得大量的会员购物数据。合生源为母亲100会员推出了移动应用程序，消费者可以通过该程序获取育儿信息、查询、积分交换和在线购物。2014年，合生亲100的应用程序，以增加在线活跃会员的数量和应用程序的下载。2014年初，合生元推出了母亲100微信商城和京东母亲100旗舰店两个新的在线项目。这些在线订购平台与母亲100应用程序一起，使集团成员更容易购物。2014年，合生元继续改进和推广这一新功能，并与第三方解决方案供应商开发其他在线购物平台。 亚马逊推荐系统引导消费者需求 亚马逊CEO杰夫贝佐斯（Jeff Bezos）他曾经说过，他的梦想是如果我有100万用户，我会为他们建立100万个亚马逊网站。尽管美国互联网公司的CEO都是个性十足，但亚马逊CEO贝佐斯绝对是少数民族中的少数民族。他从1994年开始在网上书店，就像雅虎的杨志远一样，他是美国互联网行业的前任，比谷歌的两位创始人都要老。20年来，大多数同龄人和企业都浪漫总是被雨吹走，但贝佐斯和他领导的亚马逊发展迅速，并在2011年成为市值超过100亿美元的第二家互联网公司。这在商业竞争激烈、技术变革迅速的互联网行业创造了奇迹。 智能推荐系统承载着贝佐斯的梦想，即通过数据挖掘技术为每个用户实现个性化的推荐结果，使每个用户更容易获取信息。为了实现这个梦想，在过去的十年里，亚马逊的无数顶尖技术专家和工程师致力于推荐算法和技术的研究和应用，提出了许多优秀的算法，克服了许多技术问题。在今天的互联网应用中，越来越多的聪明推荐系统被开发出来，并被大多数用户信任和使用。亚马逊推荐系统的原理如图3所示-5所示。 图3-亚马逊推荐系统原理 （资料来源：亚马逊2009） 推荐系统并不神秘，亚马逊的推荐系统有以下关键点值得思考和学习： 1.所有用户的行为都是有意义的 数据是所有推荐系统的基础。良好的推荐效果必须来自于丰富和准确的数据。一方面，这些数据包括用户与推荐项目相关的基本信息，另一方面，用户行为和关系数据也非常重要。因为这些用户行为和关系数据可以真正反映每个用户的偏好和习惯。整个推荐系统的基石是收集这些基本数据，做好筛选和预处理。 用户行为数据可分为显式反馈两部分（explicit feedbacks）数据和隐藏反馈（implicit feedbacks）数据。显式反馈是指能够清楚地表达用户好恶的行为数据，如用户购买、收集、评分和其他商品的数据。相反，隐式反馈数据是指不能直接反映用户偏好的行为，如点击、浏览、停留、跳转、关闭等。通过挖掘显式反馈数据，可以清楚地掌握用户的偏好，但在许多应用程序中，显式反馈数据通常非常稀疏，导致无法深入挖掘用户的偏好。这个问题在一些新的在线应用程序或不受欢迎的项目或用户中尤为明显。在这种情况下，用户的隐藏反馈数据尤为重要。因为虽然用户在网站上的点击和其他行为非常复杂，但它包含了大量的信息。在2006年~2008年进行的国际着名推荐竞赛Netflix Prize耶胡达柯伦，冠军队员（Yehuda Koren）发现将用户租用电影的记录转换为特征向量，注入奇异值分解算法（SVD）它可以很好地提高推荐的准确性，影响用户的兴趣向量。 2.购物篮分析对消费者有利 分析了许多电子商务网站的购物篮（market business analysis）自动推荐工具在互联网上非常流行。亚马逊和Netflix推荐引擎可能是这类工具中最著名的。他们为客户提供购买产品的建议。例如，如果你喜欢一本书或一部电影，自动推荐工具会推测你也可能对类似的书或电影感兴龋Netflix能向你推荐你从未听说过的影片，却刚好投你所好，这就是很多消费者愿意付费订购Netflix主要原因之一是网站了解他们的真实想法。它可以跟踪消费者根据他们的推荐租用了多少部电影，并知道他们租用的电影占系统推荐总数的百分比。亚马逊和Netflix你所做的与超市预测你的购买行为没有什么不同。如果你在超市购物，超市预计你会买苹果和香蕉。 事实上，购物篮分析起源于20世纪90年代，深受零售商的喜爱，因为它讲述了啤酒和尿布的故事。据说这个故事的主角是一家不知名的美国零售商。它使用统计模型来分析所有顾客的购物篮，即顾客每次购买的所有商品。零售商发现，每个星期五晚上，顾客的购物车经常有啤酒和尿布。经过更深入的研究，它发现了原因。结果证明，每个星期五晚上，女性消费者都会让丈夫去超市给孩子买一些尿布，只要丈夫去购物，他们就会选择半啤酒。调查超市使用了自己的分析结果，
