京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据营销要学会做减法
在大数据时代的背景下,营销战事实上很接近于小说、影视中的“穿越”题材,从“未来”回到现在,也就是说借助于大数据,从顾客的真实交易行为数据中,计算出不同顾客的下次购买时间、购买方向、关注重点,进行针对性的计算。
营销为什么可以被颠覆?营销作为一门专门被提出、研究的学科,不过百余年的历史,却走过了之前三个阶段。第一个阶段,也就是所谓的1.0时代,即供需完全脱节,企业无法获知消费者的需求,能否成功只能靠运气;第二个阶段(2.0时代),企业开始致力于专业的差异化,开始从整体上分析把握市场、客户的需求;第三个阶段(3.0阶段),社会责任传播、品牌管理被引入营销体系,企业更多地根据部分特定的消费群体拟定产品和营销策略。
很多企业对于营销的理解,迄今仍然停留在以上所述的第二个或第三个阶段。当然,相比第一个阶段,基于差异化的营销、品牌营销、社会责任营销,都意味着营销的科学化,可以非常有效地帮助企业避开危机、迎来挑战。
尽管如此,也要看到,营销的科学化仅仅是部分的、相对的,总体上,怎么做营销,经验多流于感性化,预估、预判很难上升为真正意义上的预测。大数据时代的到来,为营销从主要靠“猜”和“蒙”,转型为精准研究及应用创造了条件。大数据依托海量的实时和历史数据,运用强大的数据分析,挖掘消费者个人化需求以及潜在需求,找出产品预测,找到精准目标顾客,进行一对一营销,甚至还可以精算出成交转换率。
营销被颠覆及超越,随之而来是更高水准的新营销。在过去,实体的百货零售业,营销战从早打到晚,在品牌大战、促销大战之前,商家和品牌商需要筹备很长时间,但究竟能够换得什么样的效果,营销人员很难做到心中有数。
而在大数据时代的背景下,营销战事实上很接近于小说、影视中的“穿越”题材,从“未来”回到现在,也就是说借助于大数据,从顾客的真实交易行为数据中,计算出不同顾客的下次购买时间、购买方向、关注重点(品牌、价格、折扣、不同品类商品的组合),进行针对性的计算。大数据让人变得更聪明,营销者可以掌握更多、更为真实和实时的数据,但这并不意味着思考的难度就下降了——相反,一些营销者过去依靠不对称的信息优势、关系优势获得的成功,而今随着信息的海量化和非壁垒化(透明化)、社交网络的发展而受到挑战,营销者需要根据更多信息在更短的时间内完成更多决策。
这也意味着,大数据营销的真正挑战,其实在于如何做对决策。功典(亚洲大数据决策营销的领导品牌)首席执行官、香港海归创业家陈杰豪所著的《颠覆营销》一书,不仅是一本旨在颠覆传统营销观念和方法的作品,而且还努力纠正因为大数据流行而在企业家阶层中普遍形成的“大数据万能论”等错误认知。作者指出,大数据的应用原则其实不难掌握,难就难在如何诠释数据:诠释依赖人的观察、对核心know-how的理解与经验法则。
经验在大数据时代依然显得十分重要,构成解读数据、确定数据功效的基础。我们所说的营销4.0,既要求达成大数据基础上的精益思考,又要求实时化决策,这必然需要启动降维减法思考。书中为此提出了一个获利公式,营收等于有效顾客数、顾客活跃度、客单价的相乘,这其中涉及到新增率、变动率、流失率、转化率、活跃度、瞌睡顾客唤醒率、半睡顾客唤醒率、新顾客客单价、主力顾客客单价。
作者有关大数据需要做减法的观点,对于中国企业界及创客群体具有重点意义。大数据不意味着要利用所有可以掌握和挖掘的数据,而应当分清重要数据和干扰变项,有目标和策略地搜集必要的关键数据,依循既定的商业逻辑。
相比传统的营销4P理论(产品product、价格price、渠道place、促销promotion),大数据下的营销4P,则由消费者、成效、步骤、预测(均为P开头的英文单词)组成。围绕这四个节点,再确立出相应的模型及指标,增强对变动性、异质性销售过程的把握能力。这种转变,很好地适应了大数据时代的产销模式,即变“先产后销”为“有销才有产”,供需关系紧密连接,几乎不存在成本浪费和库存,靠“猜”的营销也因此变成了超精准营销。
本书作者指出,以消费者为中心的新营销模式,要抓住每个消费者不同的生活情境,根据位置信息、搜索记录、线下购买行为,不断提高对消费者品牌印象、购买意图的认识。为了达成这方面目标,要精准把握关键数据,要从顾客姓名、联系地址等背景档案信息,交易数据等动态数据,与交易商品相关的价格、口碑数据等商品特性数据中找出关键点。
要驾驭大数据营销,企业仍需摆脱好高骛远的心态和不切实际的目标,首先致力于做好基础工作,比如内部部门的数据称谓统一、工作流程及其运行逻辑的统一,构建基于企业利益最大化的共同愿景,推动数据整合计划。书作者结合多个行业企业的数字化转型经验,就不同行业、规模、数字化起点的企业启动大数据营销特别是关键数据挖掘分析能力,提供了具体可行的建议。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12在数据分析日常工作中,Excel数据筛选是数据清洗、数据提取、样本筛选的核心基础操作。传统Excel手动筛选、函数筛选方式,面对多 ...
2026-08-12