京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据营销的三大流派:刻舟求剑、叶公好龙和甩手掌柜
【导读】首先要强调一点,本文讨论的重点是大数据“应用”,尤其是针对企业营销的大数据应用,对于大数据技术本文会有少量涉及,但是对于大数据工程、大数据科学,这不是这篇文章关注的范畴。
大数据营销应用,在大数据带来的各类应用中,恐怕是品牌企业最关注的一个方向。被许多媒体报道过的ZARA的案例,就是一例典型的基于大数据获取、分析,完成经营及营销决策的案例。这个案例让很多企业认识到,通过大数据了解客户的喜好趋势、提高利润空间,可能是一个非常有效的途径。但是我们要知道,因为大数据很大,从关注到真正做出适当的投入和适应的配套动作,对于企业来讲,其间的距离并非举步既至,反而往往充斥着各种认识误区。就笔者所见,认识误区至少有三大流派:刻舟求剑派、叶公好龙派和甩手掌柜派。
报道ZARA案例的媒体,很少会将另一个案例拿出来进行对比性分析——H&M的大数据案例。在大数据方面,H&M与ZARA投入的热情不相伯仲,但是从大数据获得的收益却判若云泥,最重要的一个原因就是,在如何落实大数据得出的经营决策上,出现了较大的差异。ZARA对于大数据提供的决策信息落实得坚决而高效,配套大数据的管理链路非常通畅,直接指导到产品设计、生产、分区域投放的各个环节。对比而言,由于H&M产地分散到亚洲、中南美洲各地,使用大数据后,H&M又没有采用有效措施缩短跨国沟通的时间,这拉长了生产和经营适应大数据决策的时间成本。如此一来,大数据即便及时反映了各区域市场的顾客意见,H&M却无法立即改善,资讯和生产分离的结果,让H&M内部的大数据系统功效受到限制——这造成了ZARA为大数据获得的成绩弹冠相庆之际,H&M却认为大数据价值了了的现状。
上面这个案例是大数据应用的常见认识误区之一,笔者称之为刻舟求剑型认识误区,这种认识误区最大的特点是,看到大数据的视角是孤立、静止的,虽然愿意投入很大力量在大数据获取和分析方面,但是企业的其他管理配套却依然故我,并没有针对大数据应用做出更多的适应性调整,导致大数据工作的最大成就,只是获得了一堆数据而已。
令人遗憾的是,其实多数企业在大数据应用上,都或多或少的有一点刻舟求剑的毛病。判断一个企业在大数据应用上是否刻舟求剑,只要看参与大数据项目的部门和主管在企业中的地位和驱动力就可以知道。如果一家企业的大数据项目,其主对口部门是企业中的会员部门或者是技术部门,或者其他五花八门的总监级别的部门,除了这个对口部门外,并没有能够同时管理多个业务块的更高级别的干部关注大数据项目,那么基本上可以判断,大数据项目的成果多半跑不出数据范畴,想要对营销决策、产生企划和市场投放决策产生高效而持续的影响,基本上没可能。
企业的这种组织安排,显示出他们基本上没明白,大数据跟ERP有一点类似,要想产生效果,就要对旧有的一些管理链路、运营思路进行适应性改变,否则,希望大数据像一个模块一样,只要嵌入企业旧有营销链路,就能运转如神,那基本上属于痴人说梦。
刻舟求剑派虽然问题多多,至少在行动上还是有其坚决一面的,当发现投入不能得到应有产出,企业也还有机会亡羊补牢,对管理链路进行调整,从而使得大数据获得的决策信息、营销数据能够有效传递到相关部门。
笔者最怕的是碰上叶公好龙派,说起大数据的时候极为热情,上手实施的时候,要么手面极小,根本无法保证大数据所需要的资源总量;要么对于大数据必须有的一些工具建设、策略优化、数据准备工作指指点点、不予配合——这两种情况,都非常常见,往往让大数据服务提供商哭笑不得。
我们以面向营销促销的大数据挖掘应用为例,这种应用的目的都是通过精准的人群建模和工具体系建设,使企业能够有效提高新客户数量、新客户下单转化率、老客户复购率等等指标。这种应用无非是两个大类:企业有数据,或者企业没有数据。如果企业手中有大数据,那么必然要经过数据清洗、建模、挖掘、形成策略、建立营销工具、支持营销等多个步骤;如果企业手中没有大数据,那么必然要考虑首先找到数据源、建设数据获取工具,然后同样是清洗、建模、挖掘、形成营销策略、建立营销工具、支持营销等多个步骤。
如果我们碰上的是一家叶公好龙的企业,那就热闹了。比如服务提供商说数据要清洗,客户就可能会质疑:“我做DM和EDM的时候这个数据都能用,不用清洗,你们直接建模吧。”服务商就解释:“做DM或者EDM,只需要有联系方式,和一个粗略的人群分群,就可以了,但是转化率很低,通过数据清洗,我们要剔除其中所有不合格、不准确的数据,完成数据补齐等等工作,这是建模之前的必要步骤。”客户不听解释,反而更加质疑:“你们是不是不够专业,才对数据质量有这么高要求?要是我的数据像你要求的那么好,我找你们来干嘛?”
——照这样沟通,只有一个结果,服务商撤出项目,客户还觉得自己被人骗了。
还有一个门派,是最大的一个门派——甩手掌柜派。这个门派最大的认识误区特点是:我找大数据服务商来,就是给我干活的,我要什么,他给我什么就可以了,到底大数据是怎么运作的,我才不需要去明白呢!我要是都懂了,要他们干什么?
这个门派人数众多,是前述两个门派的火药库。就是由于“我不需要搞太懂”这个思维的存在,甩手掌柜们总会在该问的时候呆若木鸡,不该问的时候横加指责。总是呆若木鸡的企业,最后往往走向刻舟求剑派——这种企业思维中,大数据就是大数据,搞完这一块,等着结果出现就好了,为什么还要调整其他运营流程?而总是横加指责的企业,则往往变成叶公好龙者——这种企业的思维中,大数据“应该是我想的那个样子”,于是当别人告诉他“大数据其实是这个样子”的时候,质疑就如杂草般丛生了。
所以,想搞好大数据应用的企业,首先要检查一下自己是不是具备“学习型企业”的素质,牵头的高层领导、具体对口的部门,是不是有充分的学习热情和能力。一个大数据营销应用项目的建设,其实是一家企业特别好的一次学习和梳理营销体系的机会,当一个项目在建设的过程中,所有参与项目的企业内员工,逐步成长为数据获取、分析和形成决策、策略的个中好手,是一家企业非常幸福的事情,这意味着企业竞争力的提升!
至于甩手掌柜,对大数据来说,那叫做“死路一条”!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27