当大数据遭遇深不可测的人性_数据分析师培训
关于大数据营销的神奇之处,有一个故事在大数据这个名词还没有红透互联网营销领域时就已经被津津乐道。
故事是这样的:
2012年初,一个男人冲进一家位于明尼苏达州阿波利斯市郊的Target超市兴师问罪:为什么超市不停地向他的还是高中生的女儿邮寄婴儿尿布样品和配方奶粉的折扣券?“你们是在鼓励她怀孕吗?”愤怒的父亲质问Target超市经理。几天过后,超市经理打电话向这位父亲致歉,这位父亲的语气变得平和起来,他反过来道歉说,他的女儿确实怀孕了,预产期在8月份。这是一个零售商如何应用大数据进行营销的故事,这个故事被《纽约时报》报道后,大数据的威力轰动全美。
为什么Target能够做出这么神奇的预测呢?这是因为Target建立了一个非常规范的大数据管理系统,它拥有一个数据分析团队,在查看准妈妈们的消费记录之后,找出了20多种关联物,通过这些关联物对顾客进行“怀孕趋势”预测,并寄送相应的优惠券,为消费推波助澜。只要有可能,Target的大数据系统会给每一个顾客编一个ID号。你刷信用卡、使用优惠券、填写调查问卷、邮寄退货单、打客服电话、开启广告邮件、访问官网,所有这一切行为都会记录进你的ID号。而且这个ID号还会对号入座的记录下你的人口统计信息:年龄、是否已婚、是否有子女、所住市区、住址离Target的车程、薪水情况、最近是否搬过家、钱包里的信用卡情况、常访问的网址等等。Target还可以从其他相关机构那里购买你的其他信息:种族、就业史、喜欢读的杂志、破产记录、婚姻史、购房记录、求学记录、阅读习惯等等。
在传统营销时代,拉斯韦尔模式是广告传播模式的最基本模式,它是1948年由美国政治学家、心理学家哈罗德·D·拉斯韦尔提出的一种具有代表性的线性模式,又简称“5W模式”,广告信息传播过程包含的五大要素是:谁(who)、说什么(say what)、通过什么渠道(in which channel)、对谁(to whom)、取得了什么效果(with what effect )。
谁(who)是指传播主体,也就是品牌和产品自身的信息,这个即便是传统营销时代都是毫无难度的工作。实际上在传统营销时代,传播最难解决的是对谁(to whom)、通过什么渠道(in which channel)、取得了什么效果(with what effect )三大问题,因此在传统营销时代,品牌经理经常都会质疑他们的代理商的一个问题是:“我知道我的广告费有一半是浪费掉的,问题是我不知道是哪一半”,从Target的故事来看,大数据可以非常精准地锁定甚至预测用户的下一个消费行为,这让在传统营销时代摸不清用户需求的品牌经理拥有了一个利器。
随着大数据时代的来临,通过什么渠道(in which channel)、对谁(to whom)、取得了什么效果(with what effect ),这三点在传统营销时代无法解决的问题,似乎可以迎刃而解,因为大数据营销的本质是影响目标消费者购物前的心理路径,它主要应用在三个方面:1、大数据渠道优化,2、精准营销信息推送,3、线上与线下营销的连接。在大数据营销应用的影响下,营销环节中最难解决的一个问题——如何精准地预测目标用户的需求并提供解决方案,这也是大数据营销所存在的价值,因此2014年国内DSP平台发展得如火如荼。
一、to whom?——大数据能精准锁定目标人群。传统营销大多以人口统计学特性来概括目标消费者,如消费习惯、心理特征、兴趣爱好这样的深度数据则需仰仗专业市场调查公司,而借助大数据技术,营销者可以无限的接近、近乎准确的判断每一个人的属性。一些企业通过收集海量的消费者信息,然后利用大数据建模技术,按消费者属性(如所在地区、性别)和兴趣、购买行为等维度,挖掘目标消费者,然后进行标签层的分类,再根据这些对个体消费者进行营销信息推送,如移动DSP的人群就按照3种标签层进行划分,分析用户的个性化需求,借此提供个性化产品和服务,或者实现更精准的广告:
1,属性标签层。这些属性可以从人群属性(性别、年龄、职业、收入等),设备属性(设备价格、设备系统、设备型号等),运营商属性(中国移动、中国联通、中国电信等),城市属性(发展程度、人口数量、区域位置),商圈属性(功能、位置等)等几个主要的属性方式进行标签,属性标签数量的多少与一个平台的技术及经验有直接的关系,技术越成熟,抓取的属性越准确,经验越丰富,属性的分类就越合理。
2,行为标签层。是指经过对用户在特定时间段、位置范围内的登陆网页或者app的行为分析而产生的标签层。行为标签层的分类依据行为发生的频次统计做出标签,如果用户的行为只是在某个时间段内产生过寥寥几次,并不会被列为一个标签,只有该行为的发生有一个规律的频次或周期出现才会被视为一个标签。比如经常玩手机游戏,经常使用旅游软件等细分出像商旅人群、手游人群、理财人群、爱车一族、化妆品受众、教育受众等等。由于用户的行为方式多种多样,这类的标签就会有成千上万个,对广告投放的的精准性来讲无疑是一大优势。
3,目标人群层。这是与广告投放最直接相关的层级,目标人群层主要是根据属性标签层与行为标签层组合之后产生的标签层,这种组合会产生一个极大标签量,同时一个用户被贴上多个标签之后就会变成一个综合标签体,也就保证了目标人群的精准性,例如某广告主需要定位在35岁左右的男性汽车受众,就可以通过第一层级的年龄、性别加上第二层级的汽车浏览行为组合后得到目标人群,从而定位出与该品牌最相关的人群,这样投广告针对性极强,效果极佳。
二、in which channel?——大数据能实时优化传播渠道。对于公开的媒体资源,为了覆盖尽可能多的受众,创造与受众的接触机会,广告主往往需要跨媒介传播。但是预算如何分配呢?大数据此时是最佳决策参考,基于海量用户数据,在营销渠道的投放比例分配上进行调整,获得最优的投放组合。
线上实时优化渠道:通过在不同的网页植入cookies,根据用户的互联网痕迹进行渠道营销效果优化,就是根据互联网上顾客的行为轨迹来找出哪个营销渠道的顾客来源最多,哪个来源顾客实际购买量最多,是否是目标顾客等等,从而调整营销资源在各个渠道的投放。例如东风日产,它利用对顾客来源的追踪,来改进营销资源在各个网络渠道如门户网站、搜索和微博的投放。
线下实时获取反馈:如快时尚品牌zara在门店布置多个摄像机,如顾客在门店中向店员反应“我不喜欢这条裙子的拉链”,马上就可以通过经理汇总给总部的设计人员,经过汇总和分析,根据客户需求马上做出产品的优化。
线上线下协同实现效果闭环:甚至一些企业将互联网上海量消费者的行为痕迹数据与线下购买数据打通,实现了线上与线下营销渠道的协同。比如东风日产,线上与线下的协同营销方式为:其门户网站带来订单线索,而通过这些线索,服务人员进行电话回访,从而推动顾客在线下交易。在此过程中,东风日产记录了消费者进入、浏览、点击、注册、电话回访和购买各个环节的数据,实现了一个横跨线上线下,以大数据分析为支持的,营销效果不断优化的闭环营销通路。
三、with what effect?——大数据能实时反馈效果,大数据是一种实时分析引擎。根据投放过程中的实际数据、如受众行为、流量构成及其他实时投放数据,找到广告目标受众最集中的时间点,找出受众反应最好的创意版本,确定竞品深度用户,挖掘新进潜在消费者等,对广告进行及时的判断和调整,而以上的过程是动态的、实时的。
理想的大数据时代通过对数据的处理能够给出每一个活动精准的效果评估,以前品牌经理所担心的“我不知道浪费的是哪一半”的担心再也不会存在,购买广告除了依托媒介购买人员的经验之外,每一步都有精准的数据呈现,品牌经理的所有决策都会在大数据时代看到更多过去被忽略的营销机会和策略。
传统营销传播的事后调查评估方法,对于消费者反馈的获取很慢,及时性也很差,但是“大数据”营销者近乎实时的各种传播效果反馈数据,信息详尽,并具有跟踪性,这对于营销传播的优化决策提供了巨大价值。
大数据营销能够解决传统营销中最为棘手的几个难题(传播人群、传播渠道、传播效果),因此业内人士几乎用很短的时间就达成了一个普遍共识:数字广告行业正朝着程序化购买方向发展,更有激进者已经提出“传统广告已死”的观点,也有观点指出可以通过大数据来实现更加精准更全景化的消费者图像的描绘。
然而大数据营销是不是真的无所不能呢?在我看来,最简单的传播模式5W中的“说什么(say what)”,恰恰就是大数据营销不能解决的最后一个难题。因为“说什么(say what)”是取决于对消费者真实需求的洞察,而这种洞察是源自于对消费者人性的探测,这不是机器和程序在现阶段所能取代人力的经验的。
唯一能实现5W传播模式大数据营销闭环的行业是电商行业,因为像电商这类广告主将其大部分数字媒介预算通过程序化购买,是完全合理的。因为这类公司主要投放效果广告,关注消费者看了广告后的转化率,即是否会立刻在线购买。程序化购买可以获得更便宜的广告位,通过优化算法达到更多的目标人群。
然而对于以产品、服务等核心的品牌而言,大数据营销并不能帮助他们解决品牌建立的问题,在今年上Ari Brandt 发表于《广告时代》上的文章《为何程序化购买尚不能为广告主带来所期待的营销效果?》里说到他“委托Millward Brown对300名数字营销人和营销决策者进行了一次专项调查:程序化购买是否可以成为铸造品牌的工具。调查结果证实了我的怀疑,反映了大多数受访者的困惑,他们对程序化购买有诸多担忧,其中包括横幅广告的不可见、优质媒体资源、点击作弊、品牌安全和非人流量等。”
对于非电商类产品而言,无论是快速消费品或者是耐用消费品或者是3C产品或者是时尚行业,它们最重要的工作除了销售之外,就是持之以恒地建立并保持与消费者之间有意义的关系,这种关系就是我们所熟知的“品牌的建立和维持”,它正是源自于对人性最深层次的洞察,而非其他冷冰冰的数据分析和程序筛选。
大数据能够帮助我们更快更精准地找到我们想与之沟通的目标消费群,以往我们通常是用抽样的方式来研究消费者,即按照随机或者配额的原则来寻找消费者并使用调查的方式获得数据;但是,大数据时代,则是通过实时监测或者追踪消费者在互联网上产生的海量行为数据,十分高效且低成本。
在获取了精确的目标人群之后,如果单纯地通过大数据营销实现程序化的购买,我们其实并不能洞悉消费者真实的需求,因为消费者的需求就犹如冰山一样,你能轻易观察到的就是露出冰面的冰山一角;而消费者的真实动机深藏在冰面下,需要深入洞察才能撼动整座冰山。根据冰山理论,人类潜在绝大部分意识对表层的意识和行为产生影响,用户的潜在需求才是产品真正的购买动机。
有一个关于即食通心粉的故事最能体现大数据在现阶段没有办法去探测人性的最佳例证,它跟Target超市的故事是两种截然不同的消费需求探测方法。
这个故事是这样的:
某即食通心粉品牌做了一个市场调研,他们获得了一个非常新鲜的发现,消费者在烹饪即食通心粉的时候会加上一点洋葱,于是体贴的通心粉厂家就发明了一个新产品,在即食调料包里为消费者加上一些洋葱。结果后来在实际销售时,没有加洋葱的通心粉还是比这个加进了洋葱的新产品卖得更好,这让市场研究人员百思不得其解。其实这里就隐藏了一个基于人性的洞察:家庭主妇在给家人烹制即食通心粉的时候,有一种没有尽到家庭主妇职责的内疚感,为了消除这种内疚感,她们会选择在烹饪通心粉时,加入一点自己准备的洋葱,表明这顿饭是自己精心准备的,自己不是一个偷懒的、不称职的家庭主妇,所以她们选择购买没有添加洋葱的即食通心粉。
诚然,大数据可以通过抓取微博、人人网以及各种论坛的数据,获取到消费者对品牌对产品的即时的看法和态度,然而消费者表现出来的行为总是自有其原因,这些原因,有些是消费者挂在嘴上愿意和你说的,大多是一些表面的原因,而潜藏在消费者潜意识里他们说不出来却又驱动他行为的因素,就是消费者洞察,这是品牌跟消费者建立“有意义”关系所不可或缺的一个环节,大数据无法取代人力进行。绝大多数消费者洞察不是来自于量化的研究数据和书面的研究报告,而是来自于与消费者的直接、深度接触中,比如街头暗访、消费行为的观察、与目标人群的谈话等等更接地气、更原始的方法,而非一串串冷冰冰的数码符号、人群标签所能替代的。
大数据营销并不能取代基于人性的消费者洞察,但是可以改变广告公司过往几个星期做一个创意的工作的节奏,大数据基于实时的数据挖掘技术推动广告公司创造与热点相关的内容,传播公司可以根据表现不断更换创意。比如在刚过去不久的世界杯营销,每隔几个小时就根据消费者在社交媒体上的热点话题创作出一个新创意,而确定延展哪个话题的创意,则是由从渺如烟海的社交大数据中挖掘出来最热门的话题。
为了建立忠诚持久的良好消费者关系,广告主必须回归到传播的本质,即旨在创作有价值的、创新的品牌信息,这也是移动互联网传播中被人所津津乐道的“内容营销”,内容的创造也就是5W传播中最重要的say what,一直以来都是广告公司核心的竞争力。不过在大数据营销大潮中,广告公司必须学会如何地合理使用大数据这个非常好用的工具去触达目标人群,并通过智能化的方式把这些信息传递给用户,以深化同消费者的情感关系。
数据分析咨询请扫描二维码
数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21