*λ§μΌν μ μν λ°μ΄ν° λΆμ λ°©λ²λ‘ μ λν΄ κ³΅λΆν λ΄μ©μ μ 리νμ΅λλ€.
μΈλΆν segmentation
- 곡ν΅λ νΉμ±μ κ°μ§κ³ μλ μ¬λλ€μ κ·Έλ£Ήλ³λ‘ λΆλ₯νλ κ²
- νλ«νΌ(νμ΄μ€λΆ, ꡬκΈ,,,,)μμ νμΌν νλλ°μ μ°μΌ μ μλ€
- νκ²ν μ μ μΈλΆν λ¨Όμ μνν΄μΌ νλ€.
μΈλΆνλ 2κ°μ§ ννλ‘ λνλλ€.
1. developed from a persona
- κ·Έ μ¬λμ ꡬμ±μμμ λ°λΌ λΆλ₯ (λμ΄,μ§μ λ±)
2. developed from data analytics
- k-means clustering, statistical analysis,,,
μΈλΆνλ₯Ό νλ μ΄μ ?
- μΈλΆν helps us reach the right users!
μΈλΆνμ λ³μ : demograpic(μΈκ΅¬ν΅κ³νμ ), psychograpic, geographic, behavioral
1. demograpic
- age,gender,matital status, income, education level,,
2. psychograpic behaviors
- values, motivations, beliefs,,, μλ² μ΄λ 리μμΉλ₯Ό ν΅ν΄ λ°μ΄ν°λ₯Ό μ»μ μ μλ€.
3. geographic
- ex} tech-friendly US cities : NY, San Francisco, Austin, Miami
4. behavioral
- actual relationship user (has product research, spending habit)
- actual behaviors of the users themselves ( tech usage, media comsumption, spending habits,,)
- ex) IOS/Android, Twitter/LinkedIn
μ΅μ μ μΈλΆν μ λ΅μ νκ°μ§κ° μλ μ¬λ¬ κ°μ μΈλΆν λ³μλ₯Ό ν¬ν¨νλ€.
'λ°μ΄ν° λΆμ > Today I learned :' μΉ΄ν κ³ λ¦¬μ λ€λ₯Έ κΈ
[λ§μΌν μ μν λ°μ΄ν°λΆμ3-1] κΈ°μ μ λ°©λ²(νΌλ, Descriptive/Predictive Analytics, ROI&ROAS) (0) | 2022.12.02 |
---|---|
[λ§μΌν μ μν λ°μ΄ν°λΆμ2] ν΄λ¬μ€ν°λ§μ νμ©ν μΈλΆν (0) | 2022.12.02 |
Pandas νλ€μ€ κΈ°μ΄ - ν λ¨μ λ°μ΄ν° μΆμΆ (0) | 2021.09.22 |
Numpy κΈ°μ΄ (0) | 2021.09.18 |
[λ°μ΄ν° λΆμ] pandas κΈ°μ΄ 2 (0) | 2021.04.08 |