
大数据时代-如何才能把营销数据落到实处
在大多数公司,营销人员负责评估市场竞争。因此,将近60%的信息专员都会向营销部门报告分析数据,然而大多数营销人员并不能战略性地运用这些竞争分析,只是不断收集而已。换句话说,他们只是对现在进行“快照”,而无法前瞻。
很多分析师都会埋怨:他们的营销负责人太重视竞争对手的各项数据了。
大数据时代的崛起似乎加剧了这一趋势。从全球著名的市场调研公司Nielsen到美国咨询公司Gartner ,再到市场研究公司IMS,这些专业大数据提供者紧盯市场动向,随时描绘市场图景。众所周知,财富500强公司的营销人员非常善于分析竞争对手的市场份额数据,甚至能精确到小数点第二位。
毫无疑问,大数据以及分析学正在改变营销面貌。但是并没有让营销变得更富有战略性,不过是更精确了而已。之前只是用同一个广告到处轰炸式宣传,而如今大数据使得营销人员可以根据用户的个人偏好和特定消费媒介有针对性地向不同客户群体投放不同广告。其对当下营销表现的改变,就好像导弹对当下空战的改变一样,但正如军事专家所言,空袭并不能赢得战争。
时至今日,很多营销人员已经拥有很多前所未有的科技工具作为“武器”,又拥有极先进的数据“侦查”方法。但他们似乎经常缺乏有效的“战略计划”,缺乏根据对方行动评估未来局势并进行反击的能力。
然而,有为数不多的个别公司却可以利用这些数据,从竞争情报分析人员那里得到更多战略价值。
集中精力关注战略框架
在总部位于比利时的中型制药企业UCB,作为战略营销实践的一部分,Heresh Rezavandi和他的经理Michelle Maddix-Sovero正在领导一个年轻的战略情报部门。Rezavandi的战略预警办法是从公司现有战略开始入手的,借鉴竞争战略之父Michael Porter的战略框架,考虑到替代品、买家和供应商,将纷纭复杂的竞争信息和未来预测综合分析。这能够帮助团队保持努力的方向。
加入UCB之前,Rezavandi在一家制药咨询公司工作,在那里,他目睹了管理者根本不知道究竟需要什么,只会说:“拣重要的通通报上来。” Rezavandi表示:“在加入UCB之后,我很快意识到,这里和咨询公司不同,信息收集不过是一切的开端。”
让高管层参与进来
在总部位于美国俄亥俄州辛辛那提市,提供高度专业化商业服务的制服企业Cintas,拥有3万名员工。其中1600名经理和董事都在一个返情报的协作区内,这1600人来自全公司各个级别、各个地区以及各个业务部门,公司最高领导层也都在这个协作区里。负责该公司竞争情报部门的主管Troy Pfeffer表示:“你想要情报,就要自己参与情报创建。”
Troy特别推崇这一方式。他表示:“询问情报的人,通常对该情报已经有了相关了解。忽略这一情报来源会降低情报质量。而通过让询问情报的人加入该情报的创建,你将大大提升采取行动的可能性,深挖这个组织的情报文化。”
洞察先机
2014年,英国罗得岛州东部城市沃里克一家私营科技服务公司Atrion有了麻烦。这家公司创建于1987年,一直以来,其核心业务都是IT基础设施技术的销售、安装和后续支持,其收入的80%都来源于此。但是,随着云计算渐渐成长起来,Atrion的客户突然发现有了更便宜的选择。
幸运的是,云计算的迅速崛起并没有让Atrion措手不及。2012年,Atrion的情报分析人员鉴定指出,云计算将成为首号战略威胁。Dave Ramsden和他的团队立刻开始跟踪相关数据,不放过任何哪怕最微弱的危险信号。随着云计算的采用率开始增长,他们拉响了警报。
于是在2014年,Ramsden的团队开始建立五年计划,根据历史表现给出预期增长,并在商业基础设施方面将当前增长和预期下降的可能相结合,给出备选方案。Ramsden还利用当时公开可见的情报信息,描绘出了战略地图,分析说明其它科技服务公司在不断变化的市场中做出的战略决策。这促进团队提出许多批判性的问题:Atrion究竟想成为什么?继续紧抓硬件这一块吗?还是成为云服务公司呢?又或者演变成一家专业服务公司?
公司决定提高对服务销售的关注,多多咨询客户,用心理解客户所需的业务。同时公司开始创新服务产品,使得投资组合更加多样化。截至2015年6月的财政年度,Atrion整体总收入增长了约19%,而服务收入增长了44%。
形成假设——然后测试
Man-Wai Chow在化学公司Eastman领导战略情报工作,他的情报流程是由假设驱动的。这些关于主要产业力量的假设,让其团队得以提供可行的商务见解。假设通常始于企业拥有的某些信念,这种信念或对或错。作为战略情报领导,他的任务就是打磨这些信念,对其进行测试。
Man-Wei的团队发展了这些假设(即观点),然后确定具体的路标或者说是先行指标,努力去验证并尝试这些假设。这里不得不再次提到Michael Porter的战略模型,它往往会帮助我们获得一个更清晰的观点。Chow 表示:“我们经常会提出‘假设’,防止自己鼠目寸光。我们和业务部门也会紧密合作,深入洞察,提高决策质量。”
很多公司仍认为营销人员只需要负责执行战略,而不需要参与战略的制定。但营销人员远不止销售工作而已,他们还可以促进战略和业务的发展。
但营销人员都知道,营销已经不再只仅仅是做做广告,发发新闻稿了。那个营销人员只需要简单设计下优惠券就OK了的时代已经过去。今天的市场营销包括数据科学和分析部门,需要收集和分析大量交易型的(仍然是主要形式)和字符类型的(挖掘社交网络)用户数据,来设计“最优客户体验”。最新科技工具可以作为辅助,但是无法代替精明的战略思想家。正如Man-Wai Chow所说:“算法无法超越人类智慧。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
MySQL 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 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16