一、核心技术
明日管理咨询的核心技术在国内属于领先水平，其咨询团队大多曾留学美国著名高等学府，学科遍布于各个与数据和模型相关的领域，包括统计学，计量经济学，营销学，计算机科学，数学，物理学等。 明日的顾问团队也是由国内外顶级大学商学院的著名教授组成，学术成绩卓越，并在营销领域经验丰富。以下是明日咨询常用到的一些核心技术与研究方法：二、离散选择模型 （Discrete Choice Model）
消费者的离散选择模型 （Discrete Choice Model） 可以帮助我们了解、分析、预测消费者如何在多个产品中做出选择。通过模型，我们可以知道哪些因素影响了消费者的选择，以及这些因素对消费者所做出的选择的影响有多大。比如，价格在多大程度上影响了消费者选择，或者当某一商品价格降低10%时，会在多大程度上影响市场份额。
应用较为广泛的选择模型主要包括：
（1） 二元选择模型（Binary Choice Model）
这类选择模型最为常见。比如消费者是否会买某一个商品；是否会买某一品类商品；是否会来某个店里购物，等等。只要消费者的决策是二选一，都可以应用二元选择模型来进行分析和预测消费者的行为。
（2） 多元选择模型-多选一（Multinomial Choice Model）
从多个商品或多个品牌中选出一个来购买。比如，消费者在国美购买液晶电视，会面对索尼、夏普、长虹、三星、康佳等品牌。那么，消费者为什么选择了索尼液晶电视而不是其他的品牌，哪些因素影响了消费者对索尼品牌的偏好，这些因素各自在多大程度上影响消费者的选择，都可以应用多元选择模型来进行分析。
（3） 多元选择模型-多选多（Multivariate Choice Model）
从多个商品或多个品牌中选出多个来购买。比如，消费者在超市购买酸奶，面对蒙牛、伊利、三元、光明等品牌。对于快速消费品来说，顾客可能同时购买两个或以上的不同品牌。这就是一个从多个选项中选出多个选择的问题，比如同时购买了蒙牛和三元酸奶。
哪些因素影响了消费者对这两个品牌的选择，以及这些因素各自在多大程度上影响消费者的选择，都可以应用Multivariate
Choice Model 来进行分析。
三、联合分析法 （Conjoint Analysis）
联合分析法 （Conjoint Analysis）可以帮助我们准确地分析和预测出消费者在每一个属性水平上的偏好程度。通过联合分析，可以间接推导出构成产品的所有属性的相对重要性权重的估计值，这些权重表示属性对消费者的选择的影响程度。 联合分析主要包括两种：基于打分的联合分析法（Rating-Based Conjoint Analysis）和基于选择的联合分析法（Choice-Based Conjoint Analysis）。前者比较容易实施而且分析起来简单，后者的实施和模型估计相对复杂但是却更加接近消费者购买时的真实情景。
联合分析的主要作用包括：
（1） 根据不同属性水平偏好的相似度进行市场细分。属性的效用函数可作为调查对象聚类的依据， 以便得到偏好相同的细分市场。
（2） 估计具有不同属性水平的品牌的市场份额。联合分析所估算的效用可作为模拟选项的输入，以便确定不同选项的份额，并由此估算不同品牌的市场份额。
（3） 确定最受欢迎产品的属性构成。可以通过属性水平的调整，改变品牌特征并估计相应的效用。 产生最高效用的品牌特征代表最受欢迎的品牌的构成。
四、生存分析法 （Survival Analysis）
生存分析是一种常见的统计方法， 在营销领域经常应用在预测某一事件发生的时间，比如：
1. 预测客户何时将会流失、
2. 分析哪些因素会影响客户的流失
3. 预测客户对新产品的购买时间
4. 分析影响客户购买新产品时间早晚的因素
五、变量选择 （Variable Selection）
随着信息存储能力的增加，在数据库里往往有成百上千的不同变量。毫无疑问，我们不可能将所有变量都放入模型之中，那么将哪些变量放入模型将直接影响数据分析与建模的效果。在模型中，如果某些变量高度相关，那么将出现多重共线性等问题。六、聚类分析 （Cluster Analysis）
聚类分析又称集群分析，是根据“物以类聚”的道理，对商品或顾客进行分类的一种多元统计分析方法，它们讨论的对象是大量的样品，要求能合理地按各自的特性来进行合理的分类，没有任何模式可供参考或依循，即是在没有先验知识的情况下进行的。聚类分析起源于分类学，在古老的分类学中，人们主要依靠经验和专业知识来实现分类，很少利用数学工具进行定量的分类。随着人类科学技术的发展，对分类的要求越来越高，以致有时仅凭经验和专业知识难以确切地进行分类，于是人们逐渐地把数学工具引用到了分类学中，形成了数值分类学，之后又将多元分析的技术引入到数值分类学形成了聚类分析。
聚类分析被应用于很多方面，在商业营销领域，聚类分析被用来发现不同的客户群，并且通过购买模式刻画不同的客户群的特征；在保险行业上，聚类分析通过一个高的平均消费来鉴定汽车保险单持有者的分组，同时根据住宅类型，价值，地理位置来鉴定一个城市的房产分组。 聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。
七、决策树模型 （Decision Tree）
决策树是一种非常具有直觉性而且容易实施的模型预测方法，它可以应用树状模型来对消费者进行分类。决策树由决策结点、机会结点与结点间的分枝连线组成。通常，人们用方框表示决策结点，用圆圈表示机会结点，从决策结点引出的分枝连线表示决策者可作出的选择，从机会结点引出的分枝连线表示机会结点所示事件发生的概率。 在利用决策树解觉问题时，将从决策树末端起，从后向前，步步推进到决策树的始端。在向前推进的过程中，应在每一阶段计算事件发生的期望值。计算完毕后，开始对决策树进行剪枝，在每个决策结点删去除了最高期望值以外的其他所有分枝，最后步步推进到第一个决策结点，这时就找到了问题的最佳方案。
决策树方法很早就开始应用在营销领域了，比如用来区分什么样的消费者可能会对直邮感兴趣，或者什么样的消费者最可能流失。
决策树对于常规统计方法的优缺点
优点：
1） 可以生成可以理解的规则；
2） 计算量相对来说不是很大；
3） 可以处理连续和种类字段；
4） 决策树可以清晰的显示哪些字段比较重要。
缺点：
1） 对连续性的字段比较难预测；
2） 对有时间顺序的数据，需要很多预处理的工作；
3） 当类别太多时，错误可能就会增加的比较快；
4） 一般的算法分类的时候，只是根据一个字段来分类。
八、人工神经网络分析 （Artificial Neural Networks）
人工神经网络也简称为神经网络或称作连接模型（Connectionist Model），是对人脑或自然神经网络若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。对于数据库营销来说，神经网络可以在处理非线性关系时和变量交互作用时提供极大的灵活性，这种灵活性可以为营销模型的应用带来更强的预测能力。至今为止，神经网络方法仍然是数据挖掘最有效的一种方法之一。
人工神经网络最早应用在神经生理学、统计学、数学、计算机科学、与工程学科等领域，可以帮助模式识别、信号处理、信号控制、语音识别、欺诈侦破、需求预测等具体应用。近年来，这种方法开始应用在营销领域，比如，应用人工神经网络来进行市场细分（market segmentation），用以替代传统的聚类分析法。 也有研究开始应用人工神经网络来寻找目标客户，找到了这些目标客户后， 便可以使用具体的的营销策略和方法来更加有效地提升销售额和利润率。
人工神经网络与其他传统统计方法的比较：相对于其他传统统计方法来说，人工神经网络能否显示出优越性依赖于具体的数据和应用。一般来说，当数据显示出高度的非线性关系时，或者自变量数据之间显示出显著的相关性时，人工神经网络要比其他方法好用。 另外，当数据的关系非常复杂，人工神经网络往往比线性回归或逻辑回归等方法更加有效，因为后者的错误假设将导致结果的偏差。
我们建议的做法是：对同一组数据同时应用传统统计方法和人工神经网络法，然后比较一下那一种方法的预测能力更好。
九、机器学习 （Machine Learning）
机器学习（Machine Learning）是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
在统计分析领域，之前只有有传统分析法与贝叶斯分析法两种。随着现代计算机技术与算法的不断发展，机器学习已经变成统计分析领域的第三种方法，而且能够非常有效的预测消费者的行为。
机器学习的方法主要包括：贝叶斯网络（Bayesian networks）；支撑向量机（Support vector
machines）；遗传算法（Genetic algorithms）等。
十、购物篮分析模型 （Market Basket Analysis）
购物篮分析通过消费者经常一起购买的多种商品来挖掘和分析商品之间的相关性，并为交叉销售、捆绑销售、与其他类型的促销管理提供决策依据。利用关联规则可以发现购物篮隐藏的相互关系和规律，比如“买尿布的男性顾客80%会购买啤酒”和“90%的写字楼顾客在购买纸杯的同时购买速溶咖啡”。 近几年来，网上销售的兴起为购物篮分析提供的大量的数据。
购物篮分析的一个经典案例：“啤酒与尿布”-关联规则的发现
上世纪90年代沃尔玛的超市管理人员分析销售数据时发现了一个令人难以理解的现象：啤酒与尿布两件看上去毫无关系的商品会经常出现在同一个购物篮中，而购买者基本是年轻的父亲。
沃尔玛超市于是尝试将啤酒与尿布摆放在相同的区域，从而获得了很好的品类销售收入增长。
1993年美国学者Agrawal提出通过分析购物篮中的商品集合，从而找出商品之间关联关系的算法，并根据商品之间的关系，找出客户的购买行为规律。
沃尔玛曾尝试将这些算法引入到POS机数据分析中，并获得了一定成功。
十一、协同过滤法 （Collaborative Filtering）
协同过滤法在数据库营销领域是一个崭新的技术，但是随着网络的发展和推荐引擎的需求，这种方法已经越来越重要。在营销应用中，协同过滤主要有两种方法：基于客户的协同过滤法，和基于商品的协同过滤法。基于用户的协同过滤法就是通过寻找和某一客户最相似的其他客户（最近的邻居），来预测这个客户的商品偏好。基于商品的协同过滤法则是通过购买某种商品的其他客户也购买的商品来预测目标客户下一个可能会购买的商品。用简单的说法， 前一种方法是根据客户的相似性，而后一种方法是根据商品的相关性。
亚马逊商城应用的就是基于商品的协同过滤法来为客户进行网上的商品推荐。
与传统文本过滤相比，协同过滤有下列优点：
（1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐；
（2）能够基于一些复杂的，难以表达的概念（信息质量、品位）进行过滤；
（3）推荐的新颖性使协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。
缺点是：
（1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）；
（2）随着用户和商品的增多，系统的性能会越来越低（即可扩展性问题）；
（3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。
（4） 组合推荐算法 （Hybrid Recommendation）。
十二、客户流失预警模型（Customer Churn Model）
客户流失管理的主要目的是为了在客户流失之前能够准确预测出哪些客户将要从公司流失，从而提前联系这些客户，为他们设计减少流失的营销活动与保留计划。
如同产品有生命周期一样， 我们也可以用生命周期来解释客户关系维系时间的长短。客户流失预警模型可以帮助企业分析和解决了以下问题：
（1） 哪些因素会导致客户流失？
（2） 各个影响因素对客户流失的影响程度有多大？
（3） 什么样的客户容易流失？
（4） 客户流失前有哪些行为特征？
（5） 客户的平均生命周期是多长？
（6） 怎样预测每一个客户在什么时候将会流失？
十三、RFM模型 （Recency Frequency Monetary Model）
RFM模型是由三个英文单词的首字母构成，这三个单词分别表示最近一次购买的时间（Recency）、购买频率（Frequency）、和购买金额（Monetary Value）。RFM模型应用这三个最基本的变量来描述、分析、和预测消费者的购买行为。由于其易于理解并且基本上预测较为准确，RFM模型已经广泛应用在直复式营销（Direct Marketing）领域。十四、交叉销售和升级销售 （Cross-Selling and Up-Selling）
交叉销售和升级销售 （Cross-Selling and Up-Selling）是数据库营销最为基本的手段，其主要目的是增加消费者在某一公司的总体花费。交叉销售是指增加消费者对公司其他品类商品的购买，比如某顾客买了一款佳能单反相机20D，可以通过交叉销售促使他购买佳能镜头或佳能相机包。升级销售指的是产品质量上的升级或者产品数量上的升级。比如，可以吸引那个买了佳能20D的顾客将来买个30D，或者为他的家人或朋友再买多个佳能20D。
通过对消费者购物历史数据的分析，应用购物篮分析、协同过滤、贝叶斯方法、以及时间序列模型等，我们可以对消费者下一个将要购买的商品概率进行预测。同时，还可以应用风险模型（Hazard
Model）对下一次购买时间进行预测。
推荐系统在交叉销售和升级销售领域有很多应用。比如，目前全球最大的B2C网上商城-亚马逊，应用了一套先进的个性化推荐系统，通过对消费者已经购买过的商品进行分析，同时参考其他消费者的购买历史数据，对这个目标消费者最有可能购买的一些商品进行预测，并在网页上进行交叉推荐和升级推荐。亚马逊商城30%的销售额来自于他们的推荐系统。
由于其简单性，RFM模型也存在着很多问题，而且很多学者在试图改进这种模型。其中的一个问题是，很多其他来源的客户信息无法应用在RFM中，比如，客户的人口统计信息（性别、年龄、收入、等）往往能大幅提升预测能力，但是却很少被融入传统的RFM
模型中。
客户终生价值的一个基本分析方法也可以应用RFM模型。但是，近年来在RFM模型基础上的改进已经大大提升了客户终生价值的预测准确程度。比如，随机模型的应用不仅在模型的严谨度上大幅提升，
而且能够更加有效的分析和预测消费者的行为。
十五、什么是直复式营销？
很多读者看到直复式营销（direct marketing）几个字，会误以为就是直销（direct selling），其实直复式营销和直销是完全不同的两个概念。根据美国直复营销协会（ADMA）的定义，直复式营销是“一种为了在任何地方产生可度量的反应和（或）达成交易而使用多种广告媒体，或者多种广告媒体相互作用的市场营销体系”。这是一种以赢利为目标，通过个性化的沟通媒介向目标市场成员发布发盘信息，以寻求直接回应（例如订购或问询）的社会和管理过程。
在生活中，我们被直复式营销的各种手段包围着：信箱里的各种宣传单，打到家里的推销电话，E-mail里的垃圾邮件，报纸里夹带的各种广告，电视直销的广告……，这林林总总的营销手段，运用得好与不好，给商家带来的营销效果有着天壤之别。
那么如何合理地运用这些营销手段，以最小的成本为商家创造最大的收益呢？
十六、什么是网络营销？
网络营销（On-line Marketing或E-Marketing）就是以国际互联网络为基础，利用数字化的信息和网络媒体的交互性来辅助营销目标实现的一种新型的市场营销方式。
网络营销的分类
1） 网络营销按前期推广可以分为：
- 搜索引擎营销（SEO）
- email营销（许可邮件营销/邮件列表）
- 数据库营销
- 信息发布 - 针对B2B商务网站的产品信息发布
- 网上商店 - B2B的阿里巴巴；B2C的淘宝、EBAY、腾讯拍拍
- 博客营销
- 论坛营销
- 软文营销短信营销
- 口碑营销
- 网络广告
2） 网络营销按与顾客互动交流可以分为：
- 在线咨询 - 留言本、在线咨询表单、QQ、MSN等为代表的即时通讯、53KF为代表的
- 网上订单
- 购物车
- email邮件及邮件列表
- Help或FAQS（常见问题解答）
- 企业论坛（BBS）或顾客交流社区
- 网络品牌
- 网上调查
- 网站后台顾客关系系统
十七、什么是搜索引擎营销？
搜索引擎营销，是英文Search Engine Marketing的翻译，简称为SEM。简单来说，搜索引擎营销就是基于搜索引擎平台的网络营销，利用人们对搜索引擎的依赖和使用习惯，在人们检索信息的时候尽可能将营销信息传递给目标客户。搜索引擎营销追求最高的性价比，以最小的投入，获最大的来自搜索引擎的访问量，并产生商业价值。搜索营销的最主要工作是扩大搜索引擎在营销业务中的比重，通过对网站进行搜索优化，更多的挖掘企业的潜在客户，帮助企业实现更高的转化率。
SEM的服务主要有4种方式：
一、 竞价排名，顾名思义就是网站付费后才能被搜索引擎收录，付费越高者排名越靠前；竞价排名服务，是由客户为自己的网页购买关键字排名，按点击计费的一种服务。客户可以通过调整每次点击付费价格，控制自己在特定关键字搜索结果中的排名；并可以通过设定不同的关键词捕捉到不同类型的的目标访问者。
而在国内最流行的点击付费搜索引擎有百度，雅虎和Google。值得一提的是即使是做了PPC（Pay Per Click，按照点击收费）付费广告和竞价排名，最好也应该对网站进行搜索引擎优化设计，并将网站登录到各大免费的搜索引擎中。
二、 购买关键词广告，即在搜索结果页面显示广告内容，实现高级定位投放，用户可以根据需要更换关键词，相当于在不同页面轮换投放广告。
三、 搜索引擎优化（SEO），就是通过对网站优化设计，使得网站在搜索结果中靠前。搜索引擎优化（SEO）又包括网站内容优化、关键词优化、外部链接优化、内部链接优化、代码优化、图片优化、搜索引擎登录等。
四、PPC（Pay Per Call，按照有效通话收费），比如：“TMTW来电付费”，就是根据有效电话的数量进行收费。购买竞价广告也被称做PPC，目前，SEM正处于发展阶段，它将成为今后专业网站乃至电子商务发展的必经之路。 SEO是属于SEM的一部分，SEM包含了SEO。SEO和SEM的区别，SEO和SEM最主要的是最终目标的不同。SEO主要是为了关键词的排名、网站的流量、网站的结构、搜索引擎中页面收录的数据；SEM是通过SEO技术基础上扩展为搜索引擎中所带来的商业价值，策划有效的网络营销方案，包括一系列的网站运营策略分析，并进行实施，营销效果进行检测。
搜索引擎营销主要实现方法包括：竞价排名（如百度竞价）、分类目录登录（开放目录，www.dmoz.org）、搜索引擎登录、付费搜索引擎广告、关键词广告、TMTW来电付费广告、搜索引擎优化（搜索引擎自然排名）、地址栏搜索、网站链接策略等。
利用搜索引擎工具可以实现4个层次的营销目标：
1）被搜索引擎收录；
2）在搜索结果中排名靠前；
3）增加用户的点击（点进）率；
4）将浏览者转化为顾客。
在这四个层次中，前三个可以理解为搜索引擎营销的过程，而只有将浏览者转化为顾客才是最终目的。在一般的搜索引擎优化中，通过设计网页标题、META标签中的描述标签、关键词标签等，通常可以实现前两个初级目标（如果付费登录，当然直接就可以实现这个目标了，甚至不需要考虑网站优化问题）。实现高层次的目标，还需要进一步对搜索引擎进行优化设计，或者说，设计从整体上对搜索引擎友好的网站。