
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
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14