
光用大数据锁定消费者没用,要为他们创造价值
大数据协助营销官们解决了一些长久以来没有答案的基本问题。但大数据真正的贡献在于给客户创造新价值。只有这样,营销人员才可以把数据转化成持续竞争优势。
大数据给营销带来了非常大的希冀。特别是,它能解决营销人员一直觉得棘手的两个问题:
1. 谁在什么时候以什么价格买了啥?
2. 客户所听、所读和所看到的东西究竟与他们消费购买有无关联?
解决它们就能更容易地锁定目标客户,发现并消除所谓被“浪费了的50%”的广告预算,从而使营销变得更高效。因此,为了解决这两个问题,营销官们把自己的 大数据 望远镜对准这样一个目标:预测消费者的下一笔交易。他们努力地画出每位消费者更为详细的用户画像、记住他的媒体偏好、仔细观察他的购物习惯、并将他的喜好愿望和想要的都进行归类。其结果就是给出了一个精致、高分辨率的用户特写,揭示他的下一步举动。
然而,急着探索和瞄准下次交易令许多行业很快面临一种令人担忧的现实:赢得了下一笔交易最终也只是短期的策略优势。它忽视了一个巨大且必然的结果,那就是如果每个竞争者都能掌握了预测客户下一笔交易的能力,营销官们也会不可避免地牺牲掉边际交易的利润。这种没有赢家的短期军备竞赛最终会导致在中长期让所有竞争对手地位均等。追求下一笔交易将不会带来持续性的竞争优势。
这并不意味着企业不应尝试去预测和捕抓消费者下一次的购买意图。而是他们要知道,只有在竞争对手普遍落后,成为领先者还依旧有点儿优势的行业里,这种做法才能取得高于平均水平的回报。在旅游、保险、电信、音乐和汽车这些行业里,各竞争对手之间的预测水平已迅速趋于平衡, 能从预测下一次购买中获得的可持续竞争优势已非常少。
营销方案若想依靠大数据获得持续性优势,就必须问一些有关长期客户粘度、忠诚度以及客户关系的战略性问题。基于大数据提出的问题,不仅要关注什么能诱发下一次购买,也要问问哪些因素能让客户保持忠诚;不仅看客户下次愿意付多少价钱,也要问问他们能提供的终身价值是多少;不仅看怎么从对手那里挖来客户,也要问问在对手有更优惠的价格时,怎么才能让他们留下来。
要想知道这些更具战略性问题的答案,就得以不同的方式运用大数据。与其只看如何用数据锁定客户,我们更应该关注如何用大数据给客户创造价值。也就是说,我们需要做个转化,不问大数据能为我们做些什么,而是关注大数据能为客户做什么。
大数据能帮助提供设计资料,增强产品与服务,或完全打造一个全新的出来。简单例子有像亚马逊和Netfilx,通过推荐引擎减少搜索和评估成本,给客户创造价值;或者是像Opower利用定制化的使用信息增强商品的实用性。更有趣的例子是一些来自众包的数据,可以回答消费者诸如“我能从其它消费者学到什么”或“我跟其它消费者相比起来如何”等重要问题。
多参考一些利用大数据创造新价值的初创公司能给我们带来不少启发。Opower允许客户给他们的Facebook好友分享自己的水电账单,了解自己与其它用户相比起来排名情况如何。 INRIX则是集合客户手机和其它来源的交通数据,提供实时的路况报告。房地产网站Zillow结合各方信息给买家、卖家和中介提供关于地产特性与价值,性价比高的房地产以及市场特征的综合洞察。这些公司都是天生大数据企业。他们的成功也为所有行业敲响了警钟:今天,所有的生意都是信息生意。
每家公司可以通过以下三个问题,来判断自己能如何利用大数据给客户创造价值:
1.哪种数据能帮助我的客户减少成本与风险?
市值数十亿的公司如Yelp、Zagat、猫途鹰、优步、eBay、Netflix和亚马逊都会处理大量数据,例如给出服务提供商和卖家的点评排名,以降低客户的风险。目前,这些关于好坏的排名已成为评判卖家的标准。但是越来越多客户希望得到关于某些问题更为详细的答案,比如与我相似的消费者对此产品或服务有什么看法。要回答这些细致的问题,就需要更深入了解客户究竟在找什么,以及他们是如何看待自己的。这将是下一代大数据价值创造的契机。
2.有哪些数据目前还很分散,但聚集起来会产生新的洞察?
有没有一些数据(如击键或地点信息)一旦集合起来会有价值?非洲一家了不起的初创公司InVenture将智能手机里的附带数据转换成为信用评价等级,让金字塔底层的客户也可以贷款或购买金融商品。在一个多数人都没有信用历史的地方,并没有信用评级存在,因此初级的手机使用数据也能用作信用评价标准。那些将自己的联络人姓和名都储存整理的人更有可能还款。
3.客户多元化与差异性要达到什么样的程度,聚合不同客户的数据才真正有用?
比如销售农用产品(种子、肥料和杀虫剂)的企业能从分散于不同地区的农民那里收集数据,从而判断适合于不同环境的最优农产品组合。无论农夫在自己那块地上耕种了多久,要想知道最佳农用产品组合,整合不同土壤、气候和环境条件的农场信息会比只看自己一家经验更有效。
大数据协助营销官们解决了一些长久以来没有答案的基本问题。但大数据真正的贡献在于给客户创造新价值。只有这样,营销人员才可以把数据转化成持续竞争优势。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29