
大数据时代-如何才能把营销数据落到实处
在大多数公司,营销人员负责评估市场竞争。因此,将近60%的信息专员都会向营销部门报告分析数据,然而大多数营销人员并不能战略性地运用这些竞争分析,只是不断收集而已。换句话说,他们只是对现在进行“快照”,而无法前瞻。
很多分析师都会埋怨:他们的营销负责人太重视竞争对手的各项数据了。
大数据时代的崛起似乎加剧了这一趋势。从全球著名的市场调研公司Nielsen到美国咨询公司Gartner ,再到市场研究公司IMS,这些专业大数据提供者紧盯市场动向,随时描绘市场图景。众所周知,财富500强公司的营销人员非常善于分析竞争对手的市场份额数据,甚至能精确到小数点第二位。
毫无疑问,大数据以及分析学正在改变营销面貌。但是并没有让营销变得更富有战略性,不过是更精确了而已。之前只是用同一个广告到处轰炸式宣传,而如今大数据使得营销人员可以根据用户的个人偏好和特定消费媒介有针对性地向不同客户群体投放不同广告。其对当下营销表现的改变,就好像导弹对当下空战的改变一样,但正如军事专家所言,空袭并不能赢得战争。
时至今日,很多营销人员已经拥有很多前所未有的科技工具作为“武器”,又拥有极先进的数据“侦查”方法。但他们似乎经常缺乏有效的“战略计划”,缺乏根据对方行动评估未来局势并进行反击的能力。
然而,有为数不多的个别公司却可以利用这些数据,从竞争情报分析人员那里得到更多战略价值。
集中精力关注战略框架
在总部位于比利时的中型制药企业UCB,作为战略营销实践的一部分,Heresh Rezavandi和他的经理Michelle Maddix-Sovero正在领导一个年轻的战略情报部门。Rezavandi的战略预警办法是从公司现有战略开始入手的,借鉴竞争战略之父Michael Porter的战略框架,考虑到替代品、买家和供应商,将纷纭复杂的竞争信息和未来预测综合分析。这能够帮助团队保持努力的方向。
加入UCB之前,Rezavandi在一家制药咨询公司工作,在那里,他目睹了管理者根本不知道究竟需要什么,只会说:“拣重要的通通报上来。” Rezavandi表示:“在加入UCB之后,我很快意识到,这里和咨询公司不同,信息收集不过是一切的开端。”
让高管层参与进来
在总部位于美国俄亥俄州辛辛那提市,提供高度专业化商业服务的制服企业Cintas,拥有3万名员工。其中1600名经理和董事都在一个返情报的协作区内,这1600人来自全公司各个级别、各个地区以及各个业务部门,公司最高领导层也都在这个协作区里。负责该公司竞争情报部门的主管Troy Pfeffer表示:“你想要情报,就要自己参与情报创建。”
Troy特别推崇这一方式。他表示:“询问情报的人,通常对该情报已经有了相关了解。忽略这一情报来源会降低情报质量。而通过让询问情报的人加入该情报的创建,你将大大提升采取行动的可能性,深挖这个组织的情报文化。”
洞察先机
2014年,英国罗得岛州东部城市沃里克一家私营科技服务公司Atrion有了麻烦。这家公司创建于1987年,一直以来,其核心业务都是IT基础设施技术的销售、安装和后续支持,其收入的80%都来源于此。但是,随着云计算渐渐成长起来,Atrion的客户突然发现有了更便宜的选择。
幸运的是,云计算的迅速崛起并没有让Atrion措手不及。2012年,Atrion的情报分析人员鉴定指出,云计算将成为首号战略威胁。Dave Ramsden和他的团队立刻开始跟踪相关数据,不放过任何哪怕最微弱的危险信号。随着云计算的采用率开始增长,他们拉响了警报。
于是在2014年,Ramsden的团队开始建立五年计划,根据历史表现给出预期增长,并在商业基础设施方面将当前增长和预期下降的可能相结合,给出备选方案。Ramsden还利用当时公开可见的情报信息,描绘出了战略地图,分析说明其它科技服务公司在不断变化的市场中做出的战略决策。这促进团队提出许多批判性的问题:Atrion究竟想成为什么?继续紧抓硬件这一块吗?还是成为云服务公司呢?又或者演变成一家专业服务公司?
公司决定提高对服务销售的关注,多多咨询客户,用心理解客户所需的业务。同时公司开始创新服务产品,使得投资组合更加多样化。截至2015年6月的财政年度,Atrion整体总收入增长了约19%,而服务收入增长了44%。
形成假设——然后测试
Man-Wai Chow在化学公司Eastman领导战略情报工作,他的情报流程是由假设驱动的。这些关于主要产业力量的假设,让其团队得以提供可行的商务见解。假设通常始于企业拥有的某些信念,这种信念或对或错。作为战略情报领导,他的任务就是打磨这些信念,对其进行测试。
Man-Wei的团队发展了这些假设(即观点),然后确定具体的路标或者说是先行指标,努力去验证并尝试这些假设。这里不得不再次提到Michael Porter的战略模型,它往往会帮助我们获得一个更清晰的观点。Chow 表示:“我们经常会提出‘假设’,防止自己鼠目寸光。我们和业务部门也会紧密合作,深入洞察,提高决策质量。”
很多公司仍认为营销人员只需要负责执行战略,而不需要参与战略的制定。但营销人员远不止销售工作而已,他们还可以促进战略和业务的发展。
但营销人员都知道,营销已经不再只仅仅是做做广告,发发新闻稿了。那个营销人员只需要简单设计下优惠券就OK了的时代已经过去。今天的市场营销包括数据科学和分析部门,需要收集和分析大量交易型的(仍然是主要形式)和字符类型的(挖掘社交网络)用户数据,来设计“最优客户体验”。最新科技工具可以作为辅助,但是无法代替精明的战略思想家。正如Man-Wai Chow所说:“算法无法超越人类智慧。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03