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
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 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 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19