Big Data大数据重塑营销_数据分析师
IBM的超级计算机Watson2011年在美国著名电视问答节目《Jeopardy》上击败节目历史上最厉害的两位选手后,便一举成名。它能够以极快的速度处理数百万份以人类文字语言书写的文件——一般来说,电脑处理传统数据库中的数据文件毫无问题,但Waston的绝招在于同样可以阅读非结构性文件,即那些电子邮件、新闻报告、网站中的信息。
最终,花旗银行花大价钱聘请了Watson,要借用它对这些文件的处理能力来帮助决定应该对一个客户提供哪些新的产品和服务。它的第一份工作很可能是降低欺诈案件概率,以及搜寻哪些客户有信用度降低的迹象。
这是大数据时代的一个故事。
大数据改变未来
“大数据”热潮最近的一次推力来自于2011年10月份McKinsey&Company发布的报告《大数据:创新、竞争和生产力的下一个前沿(Big Data:Next Frontier of Innovation,Competition,Productive)》。
报告指出,“大数据”源于数据生产和收集的能力和速度的大幅提升——由于越来越多的人、设备和传感器通过数字网络连接起来,产生、传送、分享和访问数据的能力也得到彻底变革。2010年,超过40亿人(世界人口的60%)在使用手机,其中约12%拥有智能电话——其渗透率以每年20%以上的速度增长。如今,3000多万联网传感器节点分布在交通、汽车、工业、公用事业和零售部门,其数量正以每年30%以上的速度增长。
“大数据”趋势将会在5个方面提供价值:
数据的高透明度及广泛可获取性:一些制造商正试图集成多种系统的数据,甚至从外部供应商和客户处获取数据来共同制造产品。以汽车这类先进制造行业为例,全球供应商生产着成千上万的部件。集成度更高的平台将使公司及其供应链合作伙伴在设计阶段就开始协作。
决策验证对竞争方式的影响:大数据可能使决策制定发生根本性的改变。利用可控实验,公司可验证假设、分析结果以指导投资决策及运作改变。
应用于广泛的实时的用户定制及其对企业的影响:面向用户的企业已长期利用数据来细分和定位用户。大数据实现了用户定制的质的飞跃,使得实时个性化成为可能。下一代零售商通过互联网点击流可跟踪个体用户的行为,更新其偏爱,并实时模仿其可能的行为。
大数据对管理的改变及替代作用:大数据能进一步提高算法和机器分析的作用。一些制造商利用算法来分析来自生产线的传感数据,创建自动调节过程以减少损失,避免成本高昂(且有时具危险性)的人工干预,最终增加产出。
建立基于数据的商业模型:大数据催生了新类型的公司,其能建立由信息驱动的商业模型。许多公司都在价值链中发挥中间作用,通过商业交易创建极具价值的“排出数据”。如一家运输公司收集了大量的全球产品出货信息,并专门建立一个部门负责向经济预测方销售数据。
思维与应用的鸿沟
大数据的价值听起来十分鼓舞人心,而在实际的营销活动中,营销人对大数据的应用情况又如何?
Columbia Business School今年推出报告《Marketing ROI in the Era of Big Data》中指出,虽然91%的公司高层营销管理人员认为成功的品牌需要使用客户数据来做营销决策,然而观察他们收集数据的类型,只有35%的公司会收集社交媒体数据、19%会收集移动数据;其中51%的人指出在他们组织内部缺乏分享客户数据的机制,阻碍了他们有效衡量营销ROI,45%的人认为公司没有利用数据有效地将营销沟通个性化。
营销领域真正的进展似乎并不符合大数据热浪的如火如荼之势,正如报告撰写者指出,“我们希望了解到底现在人们在用数据做营销这条路上走了多远,大数据的热潮是否真正地促使营销者实践的改变,但迄今为止,营销领域的大数据实践依然刚刚开始,在许多公司组织中,有效利用数据做营销的实际进展要落后于人们实际的意愿。”
那么,在大数据热潮扑面而来的时候,究竟给营销者带来哪些机遇和挑战?《成功营销》系统梳理营销产业链上的相关各方观点与案例,希望能给企业加入大数据营销做出参考。
大数据落地1+1>2的营销未来
如果将这两个数据源进行对接,并且能够保持实时更新,营销的游戏规则将会随之而变:消费者洞察和预测分析这两个营销最重要的领域,会获得前所未有的价值发掘。
什么样的实时优惠对某个用户更有效?基于此用户的偏好,哪种网络页面能产生更好的服务效果?当一个潜在客户填写了网页表格后,跟他敲定一笔交易的可能性有多大?在一天的特定时间段中,哪种促销方式最有效?当一个用户被营销活动覆盖到后,他在六个月内购买的机会有多大?
在大数据时代,这些问题都会找到答案。对于营销这一原本就属于数据驱动的领域,大数据提供了一个前所未有的机会,用先前不能做到的方式来挖掘消费者洞察。
那么在大数据时代之前,我们通常利用哪些营销数据?答案是:CRM系统中的顾客信息、广告效果、展览等线下活动的效果等。这些数据来源都提供了一些信息,但是并不足够给出一个重要的洞察和发现。
让我们再来另外一批信息数据:官方网站登录数据、社交媒体数据、邮件数据、地理位置数据等。
这些信息源在几年前可能并不存在,而这些就是“大数据”所指的非结构性或者叫做多元机构性数据,它们更多以文字、图片、视频等方式出现,而且这些数据来源还在不断增加。
而如果将这两个数据源进行对接,并且能够保持实时更新,营销的游戏规则将会随之而变:消费者洞察和预测分析这两个营销最重要的领域,会获得前所未有的价值发掘。
比如微软正在通过对论坛、社交媒体上内容的监测,来发现人们对微软产品和营销活动的反应,这个夏天微软Window8发布后,就采用了传统数据收集和实时数据收集的两种手法,“我们对网络反馈信息的收集是连续的和实时的,我们也依然使用传统的消费者满意度调研,最终会将两者产生的数据结合起来进行分析。但是前者那种以日为单位的市场信息捕捉,能够使我们更快地对市场做出反应。
总的来说,大数据的到来将在以下几方面改变原有的营销流程,或者营销效果:
对原有营销方式价值的再次发掘。IBM的一个商业合作伙伴正在研究让呼叫中心产生的所有对话转换成文字,从而可以实现对这一营销渠道的数据挖掘。“这能够让市场部门获得之前没有的消费者洞察,知道消费者对品牌的感受以及他们怎么回应新产品”,IBM新兴技术项目总监Peter Waggett称更深入挖掘数据会帮助许多公司找到商业问题解决方案。
更好地对营销策略进行优化。麦当劳的部分门店安装了搜集运营数据的装置,用于跟踪客户互动、店内客流和预订模式,研究人员可以对菜单变化、餐厅设计以及培训等是如何对劳动生产力和销售额的影响进行建模;一些领先的零售企业也监控客户的店内走动情况以及与商品的互动。它们将这些数据与交易记录相结合来展开分析,从而在销售哪些商品、如何摆放货品以及何时调整售价上给出意见,此类方法已经帮助某领先零售企业减少了17%的存货,同时在保持市场份额的前提下,增加了高利润率自有品牌商品的比例。
除了线下活动优化外,还可以根据消费者在网络上的表现来优化网站的体验,比如eBay就做过数千次实验来改变自己网站不同部分的架构,来确定最优的页面效果和其他诸如导航、照片等功能的设置。
更完整的消费者描述。通过更丰富的消费者数据,包括网站浏览数据、社交数据和地理追踪数据等,可以绘制出更完整的消费者行为描述。比如英国葛兰素史克GSK公司,近期就发起了一个项目,获取更完整的消费者信息,从而获得更加深入的消费者洞察。他们通过定位那些谈论过旗下子品牌的人们,并且追踪他们在公开论坛上所谈到的所有其他东西,来建立消费者描述,而这些外部数据会和营销部门已有的数据进行整合,从而设定更为精准的优惠和促销,吸引人们来到对应的子品牌网站。“这是个不成熟的市场,但是品牌必须要了解怎么利用这些数据”,该公司CRM部门顾问James Parker说道。
更精细的消费者细分。这一功能基于上面一条“更完整消费者描述”的实现。消费者细分不是一个新鲜的概念,但是大数据时代中更多的数据,以及更好的分析工具,使商家能够以多种不同的维度对消费者进行细分,不仅仅是简单的划分群体,而是真正做到个性化。比如在原有的传统市场调研数据和购物历史数据之上,商家可以追踪和利用更多数据如网络上的点击,浏览记录,来更好地细分消费者。
高端零售商Neiman Marcus就建立了行为分类体系和多级会员奖励制度的体系,并将两者结合起来,来激励最富裕、最具长期价值的客户购买更多高利润率的产品;零售商Williams Sonoma也将他们6000万的顾客数据库和其家庭信息链接起来,通过了解这些家庭的收入、房屋价值和孩子数量等对顾客进行精准划分,其电子直邮邮件是根据不同消费者群体的行为方式和选择偏好来设定的,而基于这些信息的直邮邮件所获得的反馈数量是之前没有进行精准化的18倍。
最终完成真正精准化的营销:这一精准性包括精准的时间、地点、人物。理想的一个案例是:当一个顾客进入店铺后,一个零售商搜索他们的数据库,发现这位顾客是其希望留住的有价值顾客,之后他们通过将其过去的购物历史和Facebook主页获得的这位顾客的信息综合起来,来了解需要花多少钱来留住他,从而确定所售卖物品的合适价格和零售商可以退让的利润空间,针对这一位顾客给出最佳的优惠策略和个性化的沟通方式。因此,营销者最大的机会——在恰当的时间、恰当的渠道给一个潜在用户或者老客户提供最合适的产品和营销——将最终实现。
大数据——根据维基百科的解释,“大数据”指的是“普通软件工具不能在一定时间内抓取、管理以及处理能力的数据集合”,而另一个常见的描述是3V——Volume(规模)、Variety(种类)和Velocity(速度),即在这三个维度上都超出传统工具能够应付的数据集合。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 5 Pandas数学计算 importpandasaspdd=np.array([[81,&n ...
2024-11-23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