誰(shuí)在做大數(shù)據(jù)營(yíng)銷?
大家都說(shuō)自己在做大數(shù)據(jù)營(yíng)銷。
基于：
1,業(yè)務(wù)：和市場(chǎng)營(yíng)銷相關(guān)，因此政府機(jī)關(guān)單位數(shù)據(jù)不考慮。
2.體量：擁有足夠多有價(jià)值的數(shù)據(jù)。這一條良多互聯(lián)網(wǎng)企業(yè)和傳統(tǒng)大企業(yè)都能知足。
3.技術(shù)：有技術(shù)能力處理大數(shù)據(jù)。
上面3個(gè)因素，海內(nèi)能做大數(shù)據(jù)市場(chǎng)營(yíng)銷的還真只有BAT三家。國(guó)外的不認(rèn)識(shí)，這里不談。
眾所周知，三家的數(shù)據(jù)特點(diǎn)各不相同。騰訊上風(fēng)在社交數(shù)據(jù);阿里巴巴上風(fēng)在商品和交易數(shù)據(jù);百度上風(fēng)在全網(wǎng)信息、消費(fèi)者行為和主動(dòng)需求數(shù)據(jù)。
當(dāng)然例如平安、沃爾瑪這樣的大企業(yè)，其自身肯定積累了大量的數(shù)據(jù)，基于這些數(shù)據(jù)的數(shù)據(jù)挖掘、過(guò)去就一直在做的網(wǎng)站分析等業(yè)務(wù)，固然現(xiàn)今都冠以“大數(shù)據(jù)”的名義，但這與我們討論的大數(shù)據(jù)還不盡相同，他們用傳統(tǒng)數(shù)據(jù)工具對(duì)抽取一定數(shù)據(jù)進(jìn)行分析，能基于那些數(shù)據(jù)進(jìn)行挖掘，只是數(shù)目增多了而已，總體而言仍舊屬于傳統(tǒng)的小數(shù)據(jù)范疇。
大數(shù)據(jù)營(yíng)銷做什么?
粗略劃分的話，廣告主市場(chǎng)營(yíng)銷的預(yù)算一般可以分為實(shí)效營(yíng)銷和品牌營(yíng)銷兩大塊，根據(jù)自身發(fā)展需要和行業(yè)業(yè)務(wù)特點(diǎn)各有側(cè)重。例如過(guò)去京東、一號(hào)店等電商類企業(yè)，平安等金融類企業(yè)主要做效果營(yíng)銷，互聯(lián)網(wǎng)是更適合做效果的媒體投放渠道;寶潔等FMCG客戶、疾馳奧迪等汽車客戶主要做品牌營(yíng)銷，傳統(tǒng)電視渠道是主要的媒體投放渠道。當(dāng)然現(xiàn)在情況也逐漸改變，主要反映在：
越來(lái)越多的品牌類廣告也開始把品牌營(yíng)銷預(yù)算放在互聯(lián)網(wǎng)上做越來(lái)越多的營(yíng)銷形式越來(lái)越綜合。效果類客戶逐漸開始做品牌(京東);品牌類客戶也開始做效果(汽車，考核線下4S店銷量轉(zhuǎn)化)。
實(shí)效營(yíng)銷，互聯(lián)網(wǎng)人太清晰了。因?yàn)闃I(yè)務(wù)的特性，過(guò)去的百度和阿里巴巴大數(shù)據(jù)主要應(yīng)用仍是中小客戶和消費(fèi)者的個(gè)性化廣告，騰訊也主要是面向消費(fèi)者的個(gè)性化廣告(阿里還可以用支付數(shù)據(jù)作信用風(fēng)險(xiǎn)評(píng)估，但是金融方面的了)。
例如像大家相對(duì)認(rèn)識(shí)用大數(shù)據(jù)練習(xí)優(yōu)化數(shù)據(jù)挖掘模型，Amazon等一眾零售電商普遍應(yīng)用這種個(gè)性化推薦技術(shù)，在我看來(lái)只是市場(chǎng)營(yíng)銷中的應(yīng)用類型之一。包括BAT及各大電商在內(nèi)的各種個(gè)性化搜索和展示廣告都是這個(gè)路子�；旧隙际菍�(shí)效營(yíng)銷，考核CPC。在良多互聯(lián)網(wǎng)人眼里，因?yàn)檎J(rèn)識(shí)實(shí)效營(yíng)銷，會(huì)有一種認(rèn)知，市場(chǎng)營(yíng)銷就是這些東西。掛廣告，考核CPM/CPC/CPD/CPS。
大數(shù)據(jù)營(yíng)銷怎么做?
大數(shù)據(jù)的基本營(yíng)銷過(guò)程與過(guò)去數(shù)據(jù)分析基本過(guò)程沒有差別，需要在定義貿(mào)易題目之后，采集和處理數(shù)據(jù)、建模分析數(shù)據(jù)、解讀數(shù)據(jù)這么三個(gè)大層面。但是大數(shù)據(jù)對(duì)三個(gè)層面的影響使得詳細(xì)的做法又與傳統(tǒng)不一樣。
3.1 數(shù)據(jù)層：采集和處理數(shù)據(jù)
傳統(tǒng)采集數(shù)據(jù)的過(guò)程一般是有限的、有意識(shí)的、結(jié)構(gòu)化的進(jìn)行數(shù)據(jù)采集，例如問(wèn)卷調(diào)研的形式。你能采集到的數(shù)據(jù)一定是你能設(shè)想到的情況。數(shù)據(jù)的結(jié)構(gòu)化較好。一般的數(shù)據(jù)庫(kù)Mysql甚至Excel就能知夠數(shù)據(jù)處理過(guò)程。
而互聯(lián)網(wǎng)時(shí)代里，大數(shù)據(jù)的采集過(guò)程基本是無(wú)窮的、無(wú)意識(shí)的、非結(jié)構(gòu)化的數(shù)據(jù)采集。各種紛繁復(fù)雜的行為數(shù)據(jù)以行為日志的形式上傳到服務(wù)器。專屬的例如Hadoop、Mapreduce等工具就不贅述。
3.2 業(yè)務(wù)層：建模分析數(shù)據(jù)
數(shù)據(jù)分析模型，例如基本統(tǒng)計(jì)、機(jī)器學(xué)習(xí)、例如數(shù)據(jù)挖掘的分類、聚類、聯(lián)系關(guān)系、猜測(cè)等算法，傳統(tǒng)數(shù)據(jù)和大數(shù)據(jù)的做法差別不大，例如銀行、通訊運(yùn)營(yíng)商、零售商早已成熟運(yùn)用消費(fèi)者的屬性和行為數(shù)據(jù)來(lái)識(shí)別風(fēng)險(xiǎn)和付費(fèi)可能性。但是因?yàn)閿?shù)據(jù)量的極大擴(kuò)增，算法也獲得極大優(yōu)化晉升的空間。
3.3 應(yīng)用層：解讀數(shù)據(jù)
數(shù)據(jù)指導(dǎo)營(yíng)銷最重要的是解讀。
傳同一般是定義營(yíng)銷題目之后，采集對(duì)應(yīng)的數(shù)據(jù)，然后根據(jù)確定的建�；蚍治隹蚣�，數(shù)據(jù)進(jìn)行分析，驗(yàn)證假設(shè)，進(jìn)行解讀。解讀的空間是有限的。
而大數(shù)據(jù)提供了一種可能性，既可以根據(jù)營(yíng)銷題目，封鎖性地去挖掘?qū)?yīng)數(shù)據(jù)進(jìn)行驗(yàn)證，也可以開放性地探索，得出一些可能與常識(shí)或經(jīng)驗(yàn)判定完全相異的結(jié)論出來(lái)。可解讀的點(diǎn)變得非常豐碩。
大數(shù)據(jù)營(yíng)銷目前做得怎么樣?
我所在的部分便是基于客戶的真實(shí)貿(mào)易需乞降題目，通過(guò)大數(shù)據(jù)的應(yīng)用提供解決方案，目前也已經(jīng)和客戶產(chǎn)生了不少優(yōu)秀的模型方法和案例成果。
與傳統(tǒng)品牌營(yíng)銷的幾方面類似，大數(shù)據(jù)在品牌營(yíng)銷的主要應(yīng)用方向也有：
1.消費(fèi)者洞察
2.媒體價(jià)值研究
3.市場(chǎng)競(jìng)爭(zhēng)分析
4.品牌治理
|
咨詢服務(wù)熱線：400-099-8848
