建议分析(Prescription Analysis)
数据科学的核心是机器学习。但在现实环境中,教科书式的问题如;分析谁会购买,评估网页排名或预测系统将崩溃,如此简单明白的课题往往是不存在的。而在这篇文章中,我们会从更实际的情景来讨论数据科学的使用, 而建议分析(Prescriptions Analysis)作为将【机器学习】和【全局优化】相结合的技术,在解决日常中实际的问题如何扮演一个重要的角色。的强大力量
工厂自动化的数据
大部分的工厂自动化,主要的困难并不在于说使用什么模型,或者如何做分析,反而是很多时候,因为数据的采集,而造成的对于关键资料的收集困难。10/29总部有一个很有趣的网上视频讨论,主要是讲关于在工厂自动化中所碰到的问题和解决方案。其中特别有意思的是对于一些传统工厂中如何做数据收集做出演示。
营销的灵魂拷问
所有公司在营销方面基本都面临三大挑战:客户理解、 ROI优化和潜客转换。到底是哪些人为什么会购买我们的产品?投入的营销费用到底效果如何最优化?如何把有可能的潜客最有效的转为购买顾客?而这三大灵魂拷问一直困扰着营销人员。
ARC 再论述-数字化营销(一)
对于数据分析我们之前讨论过,这是一个“赋能”的技术,可以做到所谓“见不可见,知不可知,为不可为”。这边,我们就用营销来做一个非常典型的例子说明。
ARC 再论述-数字化营销(二)
如同我们之前所谈到的,任何数据分析,包括数据营销也是一样,都需要使用 CRISP-DM 的流程,建立对系统的完整理解。通过这个思维框架,以确定目标、掌握数据、建立模型、实际应用。所以明白整体的实用目的,永远是数据分析中最重要的任务。
ARC 再论述-数字化营销(三)
ARC 再论述-数字化营销(三)
如何有效有序的建造一个平台,可以通过2014年我写的一本书“钻石营销”来把这个问题讲解清楚。整体理论是以客户为主,从厂商的角度将其中的历程分为三个阶段:获取/维护/转换(Acquisition / Retention / Conversation),ARC模式最主要功能是能够将客户流程的核心功能,依照不同的阶段,利用科技的手段建立可操作的平台,通过这个平台能与有效的和现有的营销体系相结合,产生最大的效用。