京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据分析或将带来广告3.0时代
与《广告分析2.0 时代来临》作者观点不同,我认为,如果从互联网时代开始谈起,广告的1.0 时代是“眼球经济”时代,广告的2.0 时代则是社交媒体时代,基于大数据分析的则是3.0时代。
在互联网时代,广告行业依然是依靠“千人印象成本”的计算,只是将户外广告、平媒广告的做法搬到互联网上而已——以曝光和印象为核心的广告模式。比如,电视广告计算的是收视率,机场外广告牌计算的是该区域的人流量。同理,在互联网上只是单纯地出售Banner等位置,核心问题还是抢印象。
而在社交媒体时代,在开心网、人人网、新浪微博等平台上,广告主可以实现与消费者实时互动,并促发参与和内容创造。
而广告3.0时代则在2.0的基础上,以数据分析为核心,实现对消费者购买决策过程的关注和优化。所有的传播都会最终转化为商业价值,不只停留在印象和参与的层面。
或者说,1.0时代广告与消费者都是独立存在的,二者之间不见得会有关系性,即使有联系也是单向的;2.0时代建立起消费者与广告的互动关系,但互动关系并非一定带来确定性的购买关系;3.0时代是可以完成广告与消费者行为之间确定性的购买联系。
中国市场已经走向了2.0时代的末期。如果只是社交媒体做广告营销,似乎营销人员可以靠粉丝数量“交差”了,但井喷式的社交媒体营销阶段已经过去,广告主越来越关注“粉丝关注”对商业的价值。
从广告公司的角度来说,奥美互动如何帮助广告主实现商业价值?一般,奥美互动会设定广告战略,以确定广告活动的核心目的,之后做出媒体选择,最后,创意就会解决“怎么做”的问题。
确定此次广告活动的核心目的之后,奥美互动就会选择明确的KPI。比如,在广告主只看用户活跃度的情况下,传统的战术派广告公司会选择QQ和人人网作为媒体平台,因为它们达到100万活跃用户这一指标的速度非常快。只要确定了媒体选择之后,奥美互动的跟踪程序就开始搜集数据。奥美的优势在于把不同媒体平台的数据整合在一起,分析出漏斗模型不同层次的转化率如何。如今广告主的需求是要获得有潜在购买意向的消费者,这样传统的战术派广告公司就行不通,可能高尔夫球俱乐部的数据比QQ更有效,潜在消费者更多。这要求广告公司关注购买决策的整个过程,而不是关注几个活跃度高的媒体。
举例来说,近期奥美互动帮助一个国际品牌在中国做“试点”。通常大品牌的做法是在一线城市铺设店面、做促销活动和广告轰炸。但我们提出,其实只需要在淘宝开一个网店,或者多开几家C2C网店同时开设一家品牌旗舰店。这样从品牌建立、认知度、消费偏向、销售、服务到客户忠诚度等全部用户数据都能被跟踪,从用户的购买行为就能清晰知道哪一类产品在何种情况下的销售量会比较大,同时测试品牌战略是否有效。
对公司来说,这里预示了组织变革的迫切需要——这个时代,销售与营销不能再单独分割开来。营销的曝光需要直接导向销售行为的实现,而销售本身也是在做品牌建设。根据我们的观察,日本和韩国的奶粉和纸尿裤品牌,其产品在中国市场上并无渠道网络,单纯依靠电子商务可以完成很高的销售额。
营和销结合在一起,是具有跨时代意义的分水岭。两者之间的合作更紧密,而这需要公司制度和流程的驱动,甚至迫切要求公司改变战略模式、经营模式,因为有太多小型垂直公司能够迅速在各个领域把大公司的市场蚕食和分解掉。比如,绝大多数公司的电子商务部门是独立的,但是它是向营销部门汇报还是向销售部门汇报,这是完全不同的考核指标——起到品牌的作用还是渠道分销的功能,这背后体现的是公司战略的不同考虑。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14