
大数据为何会冲击传统媒体服务模式_数据分析师
大家都知道大数据对于媒体的杀伤力是巨大的,这其中包含传统媒体(例如报纸、电视)也包含网络媒体(例如新闻门户)。可是大数据为何能够冲击传统媒体呢?
用学术的口吻,可以这样描述:“媒体渠道碎片化,带来对指标的要求;大数据模式清晰的结果导向带来对广告客户的巨大吸引力。”
通俗地说,就是:做媒体的人多了于是客户就要去判断哪一家的效果最好。也就是说做媒体的人越来越多,客户看着越来越晕,最后忍不住了要问“你们究竟谁家的效果好?有什么样的评估标准?”随着数据经营理念的提升,大家发现可以用精准的数据数量来评估效果,而不是几年前那种关注度数据。 假如你是卖车的,第一家 媒体跟你说有1万个人从他的网站看过你的车,第二家媒体说他为你提供10个购买意向客户,两个数据都是真的,你选谁?
最早一批想要用效果去评估广告费的人,他们告诉客户“我以后不再收广告费,我按照大家的成交去结算”,结果他们都死了。然后大家发现,可以通过明确的机会去向客户收钱,于是发明了现在的所谓大数据。然而这种能够看似轻描淡写向我们走来的新模式,在我们对他有了深刻了解,在我们学会了它的使用方法之后,我们发现:大数据简洁的运营方式带来运营技术的革命!
1、大数据模式是不依赖编辑能力的内容革命
关于媒体的内容,过去一直有句话:内容为王。因此按照过去那个媒体套路,所谓媒体的任务就是:做内容,做内容,做内容。
如果深入分析做内容的根本目的,无非两个:服务用户、服务客户。从这两点出发就很容易理解大数据的作用了!
首先来看大数据对于“服务用户”环节的改变。我们来看“离经叛道”的例子——今日头条,今日头条通过用户访问习惯分析,向用户推荐TA所喜好的内容,从而避免了堆砌内容带来的信息过剩。多家传统媒体的人慕名去看今日头条经验,今日头条的人带他们去看机房,而不是去看编辑,说今日头条做内容用的是机器而不是人。于是老媒体人摇头,说这是瞎搞。于是今日头条估值一出来满世界的媒体开始围攻今日头条。可是,资深媒体经营人员私下悄悄说,代理今日头条很赚钱,流量也很大。不服输的媒体人仍旧在努力,他们雇佣了更高素质的编辑去人工筛选信息。这样新的问题产生了——你如何保证人的素质?如何保证内容判断的客观性?如何保证编辑的眼光与用户一致?今日头条给出的答案不会是终极答案,但是这是趋势!
再来看“服务客户”的环节。大数据之前的媒体服务,从根本上说非常像红白喜事的吹鼓手,吹吹打打做样子。这样固然可以吸引关注,可是难以吸引精准客户,更不用谈改善成交结果。大数据让呼叫中心焕发青春,让客服而不是编辑的作用凸显。对客户而言,他更喜欢一个牛皮哄哄的记者,还是带着他的客户(媒体的精准意向用户)而来的服务人员呢?对媒体经营者而言,培养一位懂策划的记者编辑难还是按照标准为客户服务的客服难呢?答案自选。
就算你不再说,内容为王的定理仍然存在,所改变的只有一点:过去的内容为王其实是“做内容的人为王”,大数据让媒体回归本源——内容为王。
2、大数据模式是不依赖销售精英的销售革命
媒体经营最难的环节是什么?——是销售!
第一代媒体销售是伴随着媒体的光环、影响力和纯广告模式而来的。他们的销售方式本质上是关系销售。
第二代媒体销售(尤其是大行业垂直网站的专业销售人员)是伴随着媒体竞争而来的,他们除了关系销售,开始在商业规则、营销策划上努力,这也带来了第二代媒体销售存在着培养难度大的巨大瓶颈。
大数据让销售回归产品销售水平,卖大数据服务跟卖团购服务差不多,简单直接。因为跟客户说任何好处也不如跟客户说你有多少精准客户资源、能保证他的销售达到什么结果。
所以,大数据让媒体运营摆脱了销售员依赖症,使媒体服务的规模不受销售团队的限制。
3、大数据模式是可预测盈利周期的经营革命
曾经有一条亘古不变的规则横在媒体经营者面前——广告滞后性原理。我们作为专业的互联网媒体盈利模式服务机构,在过去的5年里一直极其痛恨该原理,直到2014年大数据模式变得清晰。
所谓广告滞后性就是媒体服务好起来的时候,收钱会晚一些;当媒体服务质量下降的时候,收入下滑也有一个过程。这就让新办媒体、媒体新开的频道一直存在盈亏平衡周期的问题。一旦我们开出一个频道,就不得不面对着多久可以开始盈利的烦恼,运营频道的团队每天也都在问自己模式是否靠谱之类的问题。可是大数据让效果可以测算与预估,让客户可以直接计算获取销售机会的精确成本,于是预充值、精确计算效果等方式让媒体的运营者可以摆脱广告滞后性的束缚。
作为媒体大数据运营的鼓吹者,我每天都面临一个具体问题,就是:如何起步?——我的答案是:不是你没数据,而是你没有用数据! 所谓大数据其实是一种思维方式,大数据绝不是如何搜集分析数据,而是系统的数据搜集、挖掘、使用、分析过程。大数据的关键不是如何搜集与分析,而是你如何使用!
最后补充一点:大数据与媒体服务并不矛盾,反而有促进作用。经营就像用兵,讲究虚虚实实,在媒体的昨天我们难以让任何一个重视效果估算的客户清晰地认知服务效果,而大数据让我们可以至少让一部分客户对结果满意。这只会提升媒体服务的价值,绝不会贬低媒体服务的价值。依靠影响力混饭吃的黄金时代,正在快速从我们指缝中溜走,抓也抓不住!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23