
围绕着每一款新品或营销策略决定背后,不同于其他体育用品公司仍要依靠专业运动员、第三方数据调研等手段收集数据,耐克独有的社交运动平台Nike+正在成为耐克新品设计、营销推广等商业决策的重要依据。 先讲2个例子: 10月22日,包括两届网球大满贯冠军李娜、奥运金牌获得者埃里森·菲利克斯等在内的27位世界顶级运动员齐聚纽约,为耐克公司揭幕其Nike Women全新的春夏季系列,这也是耐克首次在全球如此大规模的推广其女子运动系列。 如此重视女性消费者,加码女性业务增长,背后主要的驱动力并不仅是传统数据调研或经验判断,而是耐克发现,其Nike+ Training Club应用程序已被下载1600万次,而其中900万竟然是女性下载了Nike+Running应用程序。 这也是耐克基于对其数字社区里的6500万名女性的研究。 9月26日,在上海,耐克宣布推出全新的zoom air系列跑步鞋,还请来了 2012 年伦敦奥运会万米冠亚军 Mo Farah 和 Galen Rupp 分享他们对于耐克跑鞋的体验。 与此前的诉求点不同,耐克此次主打“跑得更快”,提高跑步速度成为其此次产品的主要卖点。这是由于通过对Nike+数据研究,耐克发现,与第一阶段中国的跑者更多集中于40岁左右的中年人出于其健康担忧开始跑步不同,在耐克的社交运动网上,更多是19岁左右的跑者,他们自己组成年轻的跑团,自己上传数据,能不能跑得更快,对速度的追求成为其主要目标。 对耐克而言,通过Nike+这个硬件、软件、社区配合在一起的大平台,Nike每天都能收获源源不断的用户数据,这些数据能为Nike带来什么? 正是这些跑者上传的数字,成为耐克在比如产品设计、新品推广、线上线下营销等商业决策背后的重要依据,它能通过对用户跑步信息的收集帮助Nike找到用户、了解用户,从而更加精准地开展营销活动。 比如通过Nike+,耐克发现用户多数在夜间跑步锻炼,于是他们的研发部门就在设计鞋和衣服时,都加上了反光材料,提高了可见度和安全性。 也看到跑者对于速度的需求,耐克今年还在社区上新增加了“Nike+教练”功能,通过集合耐克教练资源与顶尖运动员的意见,根据每个跑步爱好者的比赛目标和能力,定制专属的跑步计划。 耐克提供的最新数据显示,现在Nike+全球注册用户共有2000多万。尽管在耐克的财报上,某款产品的效力多大还无从体现,但对一直占据营收前列的跑步业务来说,“Nike+正在成为拉动该公司业绩增长的新引擎。”张庆认为。 耐克2015年第一季度财报称,整个季度的营业收入增长15%,达到了近80亿美元,而在中国区,扣除了汇率波动造成的差价影响后,其业绩营收增长达20%。 Nike+无疑是耐克数码创新上的里程碑。2006年,耐克总部的工程师发现,在俄勒冈大学校园里,几乎每个人都使用iPod。在与苹果公司接触后,Nike+iPod的方案一拍即合。这让耐克第一次尝到了数字化社区带来的甜头。 经过几代的升级,Nike+支持多种系统下载,通过手机,跑者可以获得自己的运动时间、步伐、消耗热量、路线等数据。如今通过Nike+而衍伸出来的产品,正在通过更多形式的载体涉猎更多的运动,例如Nike+Training以及fuelband等。技术的革新也推动着耐克新的商业模式的应用——即“用户+ 数据+服务+终端。” 行业里目前的一个共识是,Nike+背后还是大数据的应用,即通过对用户行为的分析,以更了解用户的需求。体育行业资深人士认为,“靠卖智能的鞋子和衣服赚不了多少钱,但背后的数据却具有巨大的想象空间。 但耐克如何能够挖掘这一宝矿还有待考验。虽然商业逻辑还不清楚,但是这肯定是耐克未来与竞品的核心竞争力之一。” Nike+对于耐克的意义还在于,它将完全改变公司与用户间的沟通模式,将以往耐克的单向发出声音,转变为公司和全球用户在同一个“社区”下生活的情景。这无疑会大大增加耐克了解消费者的机会,加强用户的黏度。 而Nike+或许可以帮助耐克更快地找到它的目标客户,从1%的运动精英转而影响9%普通运动者到90%的潜在消费者,如同在跑步领域一样,把某项运动或品类做得更为精深,助推销售。 |
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12