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在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07