京公网安备 11010802034615号
经营许可证编号:京B2-20210330
社会化媒体与大数据爆炸时代的营销
大公司有关消费者的数据已经达到200T,在社交网络流行的背景下(Facebook、Twitter、Foursquare、Pinterest、Instagram)社会化媒体数据更是如洪水般泛滥,数据大爆炸已到达失控的地步。
如何处理这些数据?如何存储?如何行动?如何分析利用?交易数据、个人信息等结构化数据还好说 ,这些传统的分析工具尚能够应付。但社会化媒体数据基本上是非结构化的数据,所以很难分析。也没有标记系统让我们通过分析工具来利用社会化媒体数据。单靠个人是无法分析这种规模的数据的。
新的形势需要靠训练有素的团队来利用社会化媒体数据。这个团队应该像一支管弦乐队一样。要有一个指挥来制定社会化媒体计划,这名指挥应该熟悉公司的各种流程。但是这位指挥如何才能够知道何时改变策略、何时作出相应行动,何时解除行动,如何确定Facebook上面的“like”对于品牌的意义是什么?如果在社会化媒体网站上面请消费者帮助开发新产品,是不是有手段能够真正分析其提供的信息并概括出有助于推进研发的要点?还是说这一系列的问题最终都没有答案—就像大多数的数据一样,只是被存了起来却没有被好好利用。
过去大部分数据都是结构化的,所以可以分析和利用。但社会化媒体数据完全不同,用户跟品牌的交互是在自己的社会化媒体模式驱动下进行的。社会化媒体属于一种独立的营销领域,甚至跟网站都不一样,属于一种在兴奋作用下的口碑传播。
此外,现在消费者跟品牌的交互方式越来越多是通过移动社会化媒体,在本地化的层次上进行的,这又给数据增加了一个维度。有多少公司在消费者从“喜欢”你的品牌转向利用品牌创建的app观看品牌电视广告然后拿起电话给客户服务致电时跟踪过消费者并分析其行为呢?这就是消费者跟品牌的交互方式,这么多的步骤往往几分钟之内就完成了。
但是,即便消费者已经无缝地转移到这个移动社会化媒体世界里,Organic还是处于有针对性地部署员工的早期阶段,更不用说分析社会化媒体数据了。现在Organic专门雇人跟踪Facebook的内容,并且把他们的1-800外包给了印度。对于来自社会化媒体的数据洪流以及这些数据如何与其他的客户跟品牌公司接触点相关联,我们需要有一个健壮的系统来进行分析(Organic已经为此开发了Connection Index)。
如果希望让这些数据物尽其用,就得不断地给营销队伍增加技术人员。数据库管理需要一个能干的人手才能把所有的数据都转化为能够分析的形式。还有,能够理解数据及其影响的统计分析人员也不可或缺。要有熟练掌握行为数据的人。从社会化媒体接收到的数据跟此前采集的静态的、事务性数据是很不一样的。社会化媒体数据是非结构化的、流动的、移动化的,而且往往是相互矛盾的。此外,还需要雇用懂得如何对这些数据进行标记的人,把它们结构化以便统计分析人员和数据库专家能够加以研究,再让营销人员将其转化为可行动的品牌战略。
这项任务不能够扔给传统上负责社会化媒体的营销人员。仅仅得出一个结论说YouTube上有了1000万的展示量已经不够了。这只能够反映有人在唠叨你的品牌。很快CFO就会要求说社会化媒体渠道也要有ROI(投资回报率)。如果你没有完成销售目标,财务不会关心有没有人在YouTube上看你的视频或者把你添加到自己的Pinterest板墙上。没有收入,絮叨就只是絮叨而已。
为了满足这些ROI的要求,需要把社会化媒体转化为可以指导行动的数据,否则的话,最终就只会伤害品牌而非帮助品牌。营销活动的圣杯一直都是创造出有实用价值的感情投入。社会化媒体有能力将消费者与品牌以比最好的口口相传还要好的效果联系到一起。但是我们还是需要知道那些感情是不是被转化成了利润。
Ps.此文是Omnicom Group旗下的数字广告代理部门Organic(Organic的客户包括Kimberly-Clark、克莱斯、美国运通、索尼 PS、Sprint及二十世纪福克斯公司等。)的CEO Marita Scarfi的一篇文章,里面谈到了社会化媒体对营销活动的影响以及新形势下的要求,此文有助于了解广告公司在新形势下应该如何运作营销活动。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 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 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 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。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 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 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21