
大数据成营销核心驱动力 营销人员如何制胜_数据分析师考试
据IBM统计,世界上每天产生的数据量达到250万字节再乘以三次方,足够填满5.31亿张DVD光盘。在世界上所有的信息数据中,90%产生于过去两年。IBM大数据处理软件集团市场营销总监Graeme Noseworthy表示:“很长时间以来,我们专注于以人力资源为依托的业务生意,而现在逐渐向以数据驱动的组织架构转变,这种形式将让我们以客户为中心的水平达到前所未有的高度。”
大数据爆炸要求公司不再依靠直觉做决策。在利用新数据驱动型客户情报方面,营销人员倍感压力。难怪对大数据的浓厚兴趣已成为营销员最抢手的素质之一。然而,最近Corporate Executive Board(以下简称CEB)在对《财富》1000家公司中近800名营销人员调研得出:绝大多数的营销人员仍依赖直觉——而少数积极使用大数据的人做得也并不好。以下是我们的重要发现:
多数人过多依赖直觉
平均说来,营销人员在所有客户相关决策中,仅有11%的决策依赖数据。事实上,当我们要求营销人员仔细想想他们近期做决定时采用的信息时,他们表示,超过一半的信息是来自经验或对客户的直觉。他们最后才考虑数据——追踪与经理、同事的谈话,专家建议和与客户的一次性互动。
但在今天多变的商业环境中,依靠过去的经验来做决策越来越不靠谱。随着消费者行为的不断变化,曾经有效的假设(如,“年纪大的消费者不会使用Facebook或发送信息”)会马上过时。
多数人不擅长统计学
当我们用五个中低难度的问题来测试营销人员的统计能力时,接近一半(44%)的人做错了四道或五道题,仅仅6%的人做对了所有的测试题。所以仅有5%的营销人员拥有统计学教科书令我们不足为奇。
有些人过度使用数据
虽然多数营销人员未充分利用数据,但是有一小部分(11%)人仍感觉用不够。这些人每天都关注数据变化,他们完全依赖于数据做大多数决策。他们是“联接”型人格并喜欢外部激励——所以他们喜爱数据以及任何形式的反馈,包括来自营销效果、经理或同事的信息、以及同他人频繁互动带来的数据。我们将这些人称之为“联结者”,而他们正是多数CMO寻找的人才。但是这种类型的营销人员经常是业绩欠佳者(他们的业绩评级低于其他营销人员的平均水平)。问题是,他们缺乏有效使用数据的统计素质或者判断力。每当他们看见一个新的标准,他们就会做出调整——结果他们经常改变方向,以至于丢失了最终的目标。在管理岗位上,这些人无休止的演习活动(fire drills),妨碍他人长时间坚持项目,以达到最好的结果,从而给公司带来了巨大的破坏性。更糟的是,很多市场营销课程(尤其是直复营销、数字营销和忠诚营销)总是在不经意间鼓励这种行为,结果令问题被放大。那是因为信息板经常捕获诸如点击、打开率之类的基础指标,而这些指标与顾客忠诚度、价值这些更重要指标关联性不强,然而营销人员因改善回应数据模型而获得奖励。
集中于目标、过滤干扰因素
经理们认为今天顶级营销人员应该具备三个关键素质:适应不确定性的能力、基于数据询问战略问题的能力、将注意力集中在高阶目标的能力。这些特质有助于营销人员过滤掉干扰因素,并且只将见解或数据点应用到事关长期成功的方面上。当营销人员能更好的接触到原始数据,并且大数据保持增长时,这种过滤干扰的能力将越发重要。
对于营销领袖来说,坏消息是具备过滤干扰因素能力的人寥寥无几(大约只有10%的营销人员擅长此能力),并且这种能力很难通过教授获得。好消息是,一个拥有良好指导团队的环境将保护营销人员免受干扰因素打扰——时刻提醒,以防目标偏离航线。为了更加有效地使用数据,最好的商业领袖持续重述他们的商业目标(保持他们不受外界影响),并教授营销人员在做决定时,将数据置于第一位,核心位置。并锻炼营销人员对常见、错误的数据解释的敏感性。遵循以上措施能够让即使是最容易分心的数据爱好者也能超预期完成任务。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01