数据建模

1. 为什么说数据建模已死？近日，Substack.com 上一篇名为 The Death of Data Modeling（数据建模之死）的博客引起了行业热议，许多数据从业者发现已经经典的数据建模流程可能已不再符合企业当下的数据分析需要。 本文将具体论述为什么说数据建模已死，并剖析以后数据建模存在的痛点和挑战，最初介绍数据建模 2.0 计划将如何帮忙企业真正实现自助式数据分析，心愿对大家有所启发。 1. 1 数据指标有歧义，口径对不齐 数据建模的外围性能是把数据组织成更容易被业务用户应用的模式，其中一部分流程是将业务用户须要应用的指标固化在模型中。但现实情况是因为数据模型的凌乱，业务用户拿到的数据指标有歧义、口径对不齐，难以达到预期的作用。 假如企业应用了一个中等规模以上的 BI 或者是数据仓库的技术栈，每次需要都独自创立 ETL 工作和聚合表，就会导致数仓中有大量的聚合表，对应也就须要创立成千盈百张报表；每张报表如果有十个以上的指标，那就意味着有几万甚至几十万的业务指标。这些口径是否对立？这些数据是否被人应用？这些问题都值得咱们去思考。 1.2 数据交付流程时效性差，开发成本高 对于分析师而言，传统围绕数据模型的数据交付流程时效性差，只能用加工好的已知数据进行剖析，但不能就未知数据给出洞察，难以满足当今的业务需要；而对于工程师来讲，反复开发工作多，老本还居高不下，工作成就感低。 传统的围绕数据模型的交付模式，通常须要通过需要提出、需要廓清、数据探源、数据开发、再到创立仪表盘、UAT 验收等一系列开发环节，这样的数据交付上线工夫通常须要 12 天。 此外，因为数据工程团队通常须要集中服务多个团队，往往不足对数据模型背地业务的了解，也短少短缺人力去继续跟进一直变动的业务需要。这就导致围绕数据模型的开发交付周期长，还须要业务和数据工程团队的深度染指才可能实现数据需要的上线。 1.3 业务人员数据分析被动 业务人员常常在须要应用数据的关键时刻，面临不晓得在哪里获取数据、甚至没数据可用的困境，在工作中处于被动状态。 随着越来越多数据模型表的产生，没有通过治理的数据模型存在着大量的数据工作和聚合表，数据的消费者很快就不晓得在数据仓库中应该应用哪些数据来答复业务问题了，本应供大家获取数据价值的数据模型沦为了只有多数专家数据工程师能力拜访探查的“数据沼泽”。 起源：https://dataedo.com/cartoon/d... 例如，一家应用私有云搭建 IT 基础设施的公司，其管理层每月会定期审核云老本数据报表，查看公司内各个我的项目在多家私有云平台上的生产是否超出预算，并制订下一步云上费用的投入打算。然而每次管理层审核时，都只能从现有报表中找问题，却无奈剖析出背地深层次的起因。因而，只能提出对报表的修改意见，问题会遗留到下次审核，再到下下次审核，如此周而复始...... 那么，当管理层看到我的项目 A 占用云老本过高，下一步应该减少投入还是要求项目组缩减开销呢？因为短少更具体的数据撑持，管理层难以疾速决策，只能会后解决，并要求下次散会时在报表增加项目组云资源应用的更多数据后果。 2. 现实中的数据建模面临这些挑战，咱们勾划出了数据建模现实中的样子。咱们心愿数据建模能够真正成为数据赋能业务的基石，实现数据分析平民化，那么“现实中的数据建模”应是怎么的呢？ 工程师把模型建好，业务就能自助应用，同时数据工程团队能够对立管控，保证数据口径的一致性；数据工程团队能够更加敏捷地交付业务需要，而不须要通过一个漫长的需要沟通流程；业务人员可自助应用数据，无需适度依赖工程师，整个数据建模过程就能失去无效的治理。数据建模真的死了吗？ 数据建模真的死了吗？事实上，数据建模仍旧存在且有其价值，企业的数据平台建设仍离不开好的数据建模。咱们认为“死掉”的是凌乱无序的传统数据建模，企业真正须要的是可能均衡集中的数据治理和麻利的自助式剖析的数据建模 2.0。 应用对立的模型作为宽表和指标的“收纳箱” 在经典数仓的实践中，大家经常应用雪花模型来刻画业务过程及其关联维度，咱们能够借助雪花模型对各个数据域、各个业务过程进行严格的建模。并且能够起到“数据模型收纳箱” “指标收纳箱”的作用： 雷同数据域、雷同业务过程的数据模型表，归属到同一个雪花模型之中，同一个模型负责不同数据模型表的计算、存储、迭代；所有的业务指标归属到惟一确定的模型；模型能够在指标开发的过程中被主动举荐生成，然而须要失去管理员审批同意，避免因模型的适度开发造成的凌乱。 每当用户须要创立新的指标时，能够依据图形界面的疏导，优先选择复用已有模型，或是定义新模型，零碎会在其欠缺模型定义的过程中一直辨认和举荐能够复用的模型。这就实现了模型层面的重复性检查和复用，遏制了数据聚合表的无序成长。 在这里，咱们能够看到这样的模型层就像一个“收纳箱”，能够无效地排汇、组织、去重本来须要数以千计的、零散的数据建模表层表。在资源层面，模型能够组织数据主题之间的血缘关系。在治理层面，模型层的呈现大大降低了指标平台底层的数仓表的数量，显著升高了治理的复杂度。 利用指标驱动业务需要向数据模型的积淀 在数据建模 2.0 的模式中，数据建模的过程仍始于维度表和事实表。在两头咱们会构建一些数据集市，供下层利用去应用。数据工程团队治理好了原子指标之后，业务人员就能够基于这些原子指标一直地去创立、衍生所需的业务指标。通过一直创立衍生业务指标，业务人员其实就自主实现了业务逻辑向数据模型的积淀。 在这个过程中，数据工程团队也能够通过推动指标治理来做到更好的数据治理。因为只有指标被应用、被生产，数据能力施展更大的价值。基于数据模型的指标中台能够帮忙企业治理口径的标准，比方反复的指标、异动的指标，还有一些异样的空值散布等。通过在指标层面上的利用，数据工程团队能够更有针对性地帮忙业务用户去治理指标背地的数据，做到对症下药。 新的数据建模形式将高效赋能业务人员进行自助数据分析，业务人员能够复用根底指标去自行创立并剖析衍生指标，而无需数据工程团队的染指。数据工程团队只须要在有全新根底指标的开发需要时，参加需要剖析和指标的开发，这样通过指标驱动业务反向将需要积淀到数据模型的形式。在 Kyligence 实在的客户案例中，数据交付工夫可从过来的 12 天缩短到 0 天 （对于剖析可复用根底指标的衍生指标）和 5 天 （对于须要新创建根底指标的场景）。 ...

一、数据建模的定义 数据建模指的是对事实世界各类数据的形象组织，确定数据库需管辖的范畴、数据的组织模式等直至转化成事实的数据库。 将通过系统分析后形象进去的概念模型转化为物理模型后，在visio或erwin等工具建设数据库实体以及各实体之间关系的过程（实体个别是表）。 二、数据建模的根本流程 1、确定数据及其相干过程，如实地销售人员须要查看在线产品目录并提交新客户订单。 2、定义数据，如数据类型、大小和默认值。 3、确保数据的完整性，应用业务规定和验证查看。 4、定义操作过程，如安全检查和备份。 5、抉择数据存储技术，如关系、分层或索引存储技术。 6、肯定要晓得建模通常会以意想不到的形式波及公司的治理。例如，当对哪些数据元素应由哪些组织来保护有新的见解时，数据所有权以及数据保护、准确性和及时性的隐含责任通常会受到质疑。数据设计经常促使公司意识到企业数据系统是如何相互依存的，并且激励公司抓住协调后的数据布局所带来的效率进步、老本节约和战略性时机。 三、数据建模的类型 1、ER模型OLAP中的ER模型，与OLTP中的有所区别。其本质差别是站在企业角度面向主题的形象，而不是针对某个具体业务流程的实体对象关系的形象。 2、星型模型星型模型，是维度模型在关系型数据库上的一种实现。该模型表示每个业务过程蕴含事实表，事实表存储事件的数值化度量，围绕事实表的多个维度表，维度表蕴含事件产生时理论存在的文本环境。这种相似于星状的构造通常称为"星型连贯"。其重点关注用户如何更疾速地实现需要剖析，同时具备较好的大规模简单查问的响应性能。在星型模型根底上，在简单场景下还能够进一步衍生出雪花模型。 3、多维模型多维模型，是维度模型的另一种实现。当数据被加载到OLAP多维数据库时，对这些数据的存储的索引，采纳了为维度数据波及的格局和技术。性能汇集或预计算汇总表通常由多维数据库引擎建设并治理。因为采纳预计算、索引策略和其余优化办法，多维数据库可实现高性能查问。 四、数据建模案例 1、Smartbi大数据挖掘平台算法丰盛，而且可扩大 数据挖掘平台反对多种高效实用的机器学习算法，蕴含了分类、回归、聚类、预测、关联，5大类机器学习的成熟算法。其中蕴含了多种可训练的模型：逻辑回归、决策树、随 机森林、奢侈贝叶斯、反对向量机、线性回归、K均值、DBSCAN、高斯混合模型。除提供次要算法和建模性能外，数据挖掘平台还提供了必不可少的数据预处理性能，包含字段拆分、行过滤与映射、列抉择、随机采样、过滤空值、合并列、合并行、JOIN、行抉择、去除反复值、排序、减少序列号、减少计算字段等。 2、Smartbi 大数据挖掘平台性能齐备，无缝集成到企业BI利用 1）适宜大型企业 分布式云计算，线性扩大，保障性能，与BI平台无缝整合，一键公布开掘模型，模型库进步常识复用，缩小反复投入，反对跨库查问，对立控制数据拜访权限，训练自动化、模型自学习。 2）适宜普通用户 直观的流式建模，极简格调的节点配置界面，反对可视化摸索，轻松了解数据品质和数据并联，流程节点在线帮忙，模型超参数主动调整。 3）业余算法能力 内置５大类机器学习成熟算法，反对文本剖析解决，反对应用Python扩大开掘算法， 反对应用SQL扩大数据处理能力。 三、Smartbi大数据挖掘平台易学易用，一站式实现数据处理和建模

在过来的几十年里，数据建模的致力通常集中在关系数据建模或可扩大标记语言(XML)的建模上。只有数据存储在关系数据库中，关系数据建模就会很好，但除此之外，它很少会有其余的用处。大数据建模是一个数据挖掘的过程，就是从数据之中发现问题，解释这些问题，建设相应的数据模型，能够通过预测发明新的决策参考，对于数据建模有不同的平台以及不同的工具，这个过程中也是有相应的规范，能够大大提高大数据建模的成功率。想要做好数据建模也并非难事。但前提是必须恪守好这五大准则，不愁做不好大数据建模。 准则一：以业务指标作为实现目标 大数据建模不只是一个技术，而是一个为了解决业务流程的问题的过程，如果没有指标或者说不是以解决业务方面的问题作为指标，那么就没有大数据建模。 准则二：理解业务知识 从大数据建模开始到完结，并且要基于理解业务知识的商业了解的根底上，晓得这些相干的数据与业务问题有什么的关系，是怎么相干起来的，到最初的塑造阶段，也是要利用业务知识来进行模型塑造，建设起来的大数据模型要通过业务问题的发问和解答。 准则三：做好数据预处理 做大数据建模，不仅仅是建模这一个动作，整个过程的多个环节都是很重要的，在大数据建模的过程中，找到适合的数据源才是重点，对于数据源进行预处理则是难点，数据预处理是艰难，尽管说当初曾经有很多的自动化的数据处理工具能够被应用，然而这些剖析工具以及各种分析方法也是通过了很长的一段摸索工夫。做大数据建模的时候，在数据预处理阶段不能焦急，要找到适合数据预处理的分析方法。 准则四：重视数据原有的模式 在进行大数据建模的时候重视一些数据原有的模式，例如在进行客户购买行为剖析过程中，可客户之后的购买预测可能和之前的购买行为有关系，当然这个过程和操作者的教训有很大的相关性，特地是在理解一开始的业务知识之后，可能对于这种原有的模式会有更好的了解。 准则五：大数据建模的价值不在于预测的准确率 一个模型建设起来了，很多人会按照这个模型进行各种预测，如果预测的精确，就阐明模型是好的模型，是有价值的，实际上这个不能作为判断价值的规范，一个好的大数据模型是为了扭转企业的行为以及以预测的后果来改善企业的行为，传递新的常识和见解，以及会不会适应业务的倒退的须要才是它的掂量尺标。 想要全面意识大数据建模，能够到Smartbi理解体验。Smartbi Mining通过深度数据建模，为企业提供预测能力反对文本剖析、五大类算法和数据预处理，并为用户提供一站式的流程式建模、拖拽式操作和可视化配置体验。Smartbi Mining不仅可为用户提供直观的流式建模、拖拽式操作和流程化、可视化的建模界面，还提供了大量的数据预处理操作。此外，它基于Smartbi对企业客户的长期教训，提供了大量实用的企业级平台个性。

简介：数据建模是数据标准化的核心内容，企业在搭建本人的数据平台时须要先建设适宜公司业务的数据模型。好的数据模型能够帮忙企业构建正当的数据根底构造，帮忙企业少走弯路，节俭长期开发成本。 本次阿里云DataWorks数据建模公开课邀请到Datablau创始人&CEO王琤老师为大家带来数据建模系列讲座，内容涵盖数据建模基本知识和企业级规范、架构与模型设计，以及阿里云DataWorks数据中台模型治理平台解决方案。数据建模是数据标准化的核心内容，企业在搭建本人的数据平台时须要先建设适宜公司业务的数据模型。好的数据模型能够帮忙企业构建正当的数据根底构造，帮忙企业少走弯路，节俭长期开发成本。 本次阿里云DataWorks数据建模公开课邀请到Datablau创始人&CEO王琤老师为大家带来数据建模系列讲座，内容涵盖数据建模基本知识和企业级规范、架构与模型设计，以及阿里云DataWorks数据中台模型治理平台解决方案。 DataWorks数据建模凋谢7天收费试用，申请试用请钉钉扫码分割@墨祤 本次公开课已圆满结束，直播回放内容如下： DataWorks数据建模公开课Part01 - 数据建模基础知识视频地址： http://cloud.video.taobao.com/play/u/1529307/p/1/e/6/t/1/300212292217.mp4 DataWorks数据建模公开课Part02 - 数据建模方法论&范式视频地址：http://cloud.video.taobao.com/play/u/1529307/p/1/e/6/t/1/300857810155.mp4 DataWorks数据建模公开课Part03 - DDM建模上手教程视频地址：http://cloud.video.taobao.com/play/u/1529307/p/1/e/6/t/1/300557169372.mp4 DataWorks数据建模公开课Part04 - DDM建模深度性能实操解说视频地址：http://cloud.video.taobao.com/play/u/1529307/p/1/e/6/t/1/301170335077.mp4 DataWorks数据建模公开课Part05 - 数据规范与数据模型管控视频地址：http://cloud.video.taobao.com/play/u/1529307/p/1/e/6/t/1/301181167701.mp4 以上是本次DataWorks数据建模公开课的全部内容，感兴趣的同学能够钉钉扫码分割@墨祤 申请试用 应用过程中有任何问题能够钉钉扫码退出DataWorks数据建模钉钉群探讨： 舒适揭示如您须要全面理解DataWorks数据建模（DDM）请点击：产品介绍视频、产品帮忙文档 版权申明：本文内容由阿里云实名注册用户自发奉献，版权归原作者所有，阿里云开发者社区不领有其著作权，亦不承当相应法律责任。具体规定请查看《阿里云开发者社区用户服务协定》和《阿里云开发者社区知识产权爱护指引》。如果您发现本社区中有涉嫌剽窃的内容，填写侵权投诉表单进行举报，一经查实，本社区将立即删除涉嫌侵权内容。

前言事实表次要分为事务事实表与周期快照事实表，累计快照事实表。然而它们在形容业务事实方面是有着十分大的差别的。 1.事务事实表（Transaction fact table）保留的是最原子的数据，也称“原子事实表”。事务事实表中的数据在事务事件产生后产生，数据的粒度通常是每个事务一条记录。一旦事务被提交，事实表数据被插入，数据就不再进行更改，其更新形式为增量更新。 事务事实表的日期维度记录的是事实产生日期，它记录的事实是事务流动的内容。用户能够通过事务事实表对事务行为进行特地具体的剖析。 通过事务事实表，还能够建设汇集事实表，为用户提供高性能的剖析。 举例： 比方，地产行业外面的排卡，订购，签约，回款这些都是一个特定的业务动作。蕴含有具体业务的产生工夫，以及业务产生时的相干渠道，组织，人力，产品以及客户。这样在kimball外面咱们对维度进行抽离不落入事实表外面。这个造成了一个典型的star模型。两头的事实表就是一个交易事实表也称为事务事实记录表。2.周期快照事实表（Periodic snapshot fact table）周期快照事实表以具备规律性的，可预感的工夫距离来记录事实，工夫距离如每天，每月，每年等等。典型的例子如销售日快照表，库存日快照表等。 周期快照事实表的粒度是每个时间段一条记录，通常比事务事实表的粒度要粗，是在事务事实表之上建设的汇集表。周期快照事实表的维度个数比事务事实表要少，然而记录的事实要比事务事实表多。 周期快照事实表的日期维度通常是记录时间段的终止日，记录的事实是这个时间段内一些汇集事实值。事实表的数据一旦插入即不能更改，其更新形式为增量更新。 举例： 如生产制作企业外面的产品仓库存储。某工厂每天生产的plm件都会进行寰球发货。仓库每天会定时进行数据快照，用以统计目前仓库的货物存量记录。该类表可称之为周期快照事实表，次要标记事务在固定周期的变动。工夫为数据快照周期。3.累计快照事实表（Accumulating snapshpt fact table）累计快照事实表和周期快照事实表有些相似之处，它们存储的都是事务数据的快照信息。然而它们之间也有着很大的不同，周期快照事实表记录的确定的周期数据。而累计快照事实表记录的不确定的周期数据。 累计快照事实表代表的是齐全笼罩一个事务或产品的生命周期的时间跨度，它通常具备多个日期字段，用来记录整个生命周期中的要害工夫点。另外，它还会有一个用于批示最初更新工夫的附加日期字段。因为事实表中许多日期在首次加载时是不晓得的，所以必须应用代理关键字来解决未定义的日期，而且这类事实表在数据加载完后，是能够对它进行更新的，来补充随后晓得的日期信息。 举例： 电商类网购，在客户实现购物业务动作之后会产生一条订购单，同时也会生成一条快递跟踪信息。快递动静跟踪信息表记录的模式就是累计快照事实表。次要记录事务在次要里程碑节点的状态变动，用于事务的全生命周期治理。

在《利用历史数据做商业预测的全过程》(以下简称前文) 一文中咱们介绍了如何应用历史数据进行商业预测的过程。不同的商业需要，还会有些各自的特殊性。例如，在很多业务场景中，存在一种数据不均衡的景象，比方银行贷款守约，守约的人只是很小一部分人；保险欺诈，欺诈者也是个别现象；还有产品质量中不良品的比例、工业生产中非打算停车景象……。这些常见景象的产生比率很低，但一旦产生就会产生较大的损失，所以要尽量能预测进去并防止。本文将介绍如何来预测这些常见产生的景象。 1\. 筹备历史数据 数据筹备的过程如前文所述，然而对于这种须要预测常见景象的场景，就要思考数据不均衡的问题。咱们把历史数据中产生过常见景象的记录称为阳性样本，数据不均衡就是指阳性样本在总数据中过于稀少。这时，即便总数据量很多也很难建出无效模型。因而，在筹备数据时就要尽量多提取阳性样本，具体多少并没有固定要求。一般来讲，问题越简单，须要的数量就越多，不过即便很简略的问题通常至多也须要几百条阳性样本才可能建出可用模型。反之，也不能只取阳性样本。例如，要建模预测贷款用户的守约状况，要保障守约客户的数据达到肯定数量，但也不能全部都是守约客户的数据，失常客户的数据也要采集。 2\. 建设模型 按前文所述即可。对于不均衡的的数据集，YModel 会主动进行抽样来使阳性样本和阴性样本（即失常的样本）的比例达到均衡，使用者不必本人操作。然而咱们能够本人批改和设置须要的配平比例，如下图，对于初学者通常倡议采取默认的比例就好。 3\. 预测 通过前两步的解决后，建设进去的模型就能够实现预测了，同样是依照预测的概率从高到低排序，找后面概率较高的客户或样本来重点排查就能够了。排在后面的样本产生常见景象的可能性更大。 4.Recall 查全率指标 在数据分布不均衡的场景中，只看预测的准确率是没有意义的，对咱们更有意义的是 Recall 查全率。查全率示意在所有的阳性样本，有多少被正确的预测了。举个夸大点的例子，机场辨认恐怖分子，在 100 万人里只有 5 个恐怖分子，因为恐怖分子是极少数，如果应用准确率来评估模型的话，那只有把所有人都辨认成正常人，其准确率能够达到 99.9995%，但显然没什么意义，一个恐怖分子都没有抓到，也就是说这个模型尽管准确率很高然而查全率为 0/5=0。反之，另一个模型预测出 100 集体为高风险人群，5 个恐怖分子都就蕴含在这 100 人里，这时候准确率降为 99.9905%（有 95 人预测谬误），但查全率为 5/5=1，恐怖分子都能抓到了。这样的模型就是更有意义的。 在 YModel 中咱们会用 Recall 曲线来判断查全率，如下图，横坐标示意将产生常见景象的预测概率依照从高到低排序取数，10，20……别离示意概率排名前 10%，20%……的样本，纵坐标示意在各排名阶段对应的查全率值。图中横坐标 10 对应的查全率约为 0.75，示意在预测概率排名前 10% 的数据中，能捕捉 75% 的常见景象，也就是说相比于全副排查，咱们用 10% 的工作量就能找到 75% 的常见（异样）状况。Recall 曲线越凑近左上角示意模型的捕捉常见景象（守约、欺诈、不良品、设施异样……）能力越强。

咱们在《利用历史数据做商业预测的全过程》(以下简称前文) 一文中介绍了如何应用历史数据进行商业预测的过程。不同的商业需要，还会有些各自的特殊性，本文将介绍如何应用预测技术来晋升营销成功率。 1. 筹备历史数据 在营销场景中，要预测的指标是客户的购买行为，须要收集一些可能会影响购买行为的信息字段，比方客户的年龄、学历、工作、支出、家庭构造、生活习惯、购物偏好，以及产品的特点、促销力度等信息，收集到的相干信息越多，预测成果也会越好。 另外，咱们还能够依据业务特点，分地区、分客群进行预测，比方纽约的房价和中南部城市的房价齐全不一样。再比方，汽车的销售，男性客户通常会关注性能，女性客户则更关注外观，还有高端客户和中低端客户的需要特点也会天壤之别。很多时候辨别客户群体的剖析预测，要比整体间接预测成果要更好，更有针对性。 如果是分地区、分客群的预测，那么对应的宽表也要多筹备几张，比方分 3 个客群，宽表就要对应筹备 3 张。 2. 建设模型 按前文所述即可，如果有多个客群，那就须要建设多个模型。 3. 预测客户购买清单 用前文的办法，能够实现预测，而后依照预测的概率后果从高到低排序，找后面概率较高的顾客来进行营销流动就能够了。排在后面的顾客的营销成功率更高。 4. Lift 指数 营销场景中，除了用通用的 AUC 指标来看准确率之外，还有一个很实用的评估办法称为 Lift 曲线。Lift 示意晋升指数，它的值为应用和不应用预测模型取得的后果之间的比率。如下图所示。 横坐标示意将预测概率从高到底排序取数，10，20……别离示意概率排名前 10%，20%……的客户，纵坐标示意在排名阶段对应的晋升指数。例如某种产品它的基准购买率为 1.5%，也就是说不采纳模型的传统营销，均匀每 100 集体里会有 1.5 集体会购买该产品。而后建设模型后，通过图中的 Lift 曲线可知，排名前 5% 的数据晋升度为 14.4，即均匀在 100 人里会有 1.5*14.4=21.5 集体购买产品。也就是说对概率排名前 5% 的客户进行营销，要比传统营销，成功率可进步 14.4 倍。随着横坐标用户百分比的减少，lift 值呈递加趋势，对应客户的含金量也在升高，当升高到某个段就没太大营销的意义了。例如图中对于排名约前 15% 的客户来说，lift 值都大于 1，也就是说对前 15% 的客户进行营销，成功率要高于随机抉择客户。咱们能够依据这个 Lift 曲线来决定抉择概率排名前多少比例的客户去做营销。Lift 曲线越陡，阐明模型筛选优质客户的能力越好，如图中的 Lift 曲线就是一个还不错的模型，可能帮忙咱们更无效的找到指标客户，以最低的老本找到最容易成交的客户。 5. 多产品组合购买清单 如果销售产品只有一种或少数几种，到步骤 4 就实现了。 如果销售产品种类很多，比方十几种，甚至上百种，还能够通过开掘客户的兴趣爱好，向其举荐产品组合，来进一步提高营销成功率和营销价值。比方，银行会有几十种金融产品须要营销，家电公司会有各种家电产品须要销售，超市或电商须要售卖的产品多种多样，保险公司有各种不同品种的保险须要营销……。 ...