
大数据营销:“万灵药”还是“大忽悠”
互联网正在触发一场营销革命,甚至有人认为大数据的出现是自工业革命以来营销发生的最为深刻的变革之一,这种变革的动力来自于科技、市场,更来自于消费者。如果说70后甚至80后只能算得上是互联网的“新移民”,那么90后和00后们则是标准的互联网“原住民”,只有更好地了解他们的需求、欲望以及他们的购买倾向,才能把握住营销的未来。
为什么是吴莫愁?
互联网已经改变了人们工作生活的每一处、每一刻,当然也包括营销。一个企业通过传统方式选择品牌代言人,需要做大量的市场调研与客户分析,抽样、问卷、电话、面访、细分……往往要耗费大量的时间精力、物力财力之后才能找到那个“意中人”,但互联网公司却可以通过大数据分析“轻松”地告诉你一个相同的答案。
“搜索引擎是一个大数据金矿,海量的数据库中能够储存网民的真实需求,这个金矿对于广告主洞察消费者有着重要的价值,通过对这些海量数据的洞察分析,可以为品牌营销提供良好的技术支撑。”百度公司副总裁曾良告诉《中国经济周刊》。
曾良表示,通过对百度指数、百度风云榜等数据得知,吴莫愁的关注度和知名度非常高,甚至超越了王菲等大牌。尽管吴莫愁一出道便颇受争议,但从百度大数据来分析,这些争议只是来自于不同观众对于她不同的感觉,而不是来自于负面新闻或者绯闻事件。这也说明,吴莫愁在具有超高关注度的同时,也具有相当高的美誉度,并且个性鲜明、带有很强的新生代正能量,对于消费人群为年轻人的品牌和产品来说,她是一个非常好的选择。
曾良还向记者举了另外一个例子,他曾经通过搜索引擎提供的大数据为某品牌汽车推荐了一位代言人,因为搜索这款车型及其竞争车型的人,有相当多的人同时也在搜索这位明星,而且从搜索行为上来看,是非常喜爱和认可这位明星的。这个品牌汽车的负责人听到之后非常惊讶,因为他们之前确实有请过专业的调研公司和营销机构做过分析,得出的结论是同一个明星。
宝洁是全球最大的广告主,而中国是宝洁全球第二大的市场,宝洁公司大中华区品牌运营总裁谢冰表示,“过去我们用得更多的是问卷、电话等传统抽样调研的方式,如今大数据时代的到来将为‘消费者洞察’这个古老的命题带来无限的想象力和可能性。”
“直觉不靠谱,大数据才靠谱。”曾良说。
营销官们尚未做好准备?
尽管大数据几乎成为年度流行语,在各种各样的营销论坛上,大数据更是必谈的话题。但是,真正理解和知道如何利用大数据的CMO(首席营销官)并不多。
被称为“整合营销之父”的世界级营销大师唐·舒尔茨(Don E.Schultz)前不久到访了中国,他告诉记者:近八成的企业管理者面对大数据表示茫然,即使是世界最顶级企业的首席营销官们,大多数也表示对于如何使用大数据还没有准备好。
“现在,信息数量爆炸式增长,媒体的形式多种多样,消费者获得信息的方式也很多,消费者有多种机会获得多种多样的数据。过去这些信息掌握在营销人员手里,现在发生了很大的变化,所有的信息随时可得,消费者可以得到各种各样的信息。”舒尔茨告诉《中国经济周刊》。
“过去这些营销人员并没有这样的复杂数据,但现在,数据量呈现几何基数式的增长,信息过剩导致价值信息发掘难度增大。面临这么多的数据他们也觉得不知道如何做。世界各国都是在摸着石头过河,大家一起在不断的探索。”他说。
唐·舒尔茨教授对中国在大数据营销上的表现颇为兴奋,“在互联网营销方面中国确实在很多方面都大大超过美国,比如说双十一,网上当天交易额达到57亿美元,比美国销售量最多的一天‘黑色星期五’多三倍。美国用手机主要打电话,而中国很多人用来获得数据。”他说。
呼唤成熟的评价体系
营销从诞生之日起就被认为是“以客户为导向”的,这几乎与互联网的精神不谋而合。但是,如何才能真正把互联网思维运用到营销之中呢?这似乎又回到了那个古老的话题——如何找到消费者的需求,然后满足它。
曾良举了一个玉兰油的例子。“我们在2011年的时候,对玉兰油和其他一些化妆品品牌做了一些搜索关键词的研究,“我们发现一组非常有意思的数据,搜索玉兰油的用户中有25%接着会搜索‘适用年龄’,而其他的类似品牌并没有这个特点。这说明一个问题:很多消费者不晓得玉兰油到底适用什么年龄,这个品牌定位有一点不清,而这个问题会影响到玉兰油的市场销路。”他说。
当百度将这个问题反馈给宝洁之后,宝洁快速推出一个新的包装产品——“玉兰油25岁装”,很明确地把这个产品定位为适用于25岁左右人群的产品,目前“玉兰油25岁装”是玉兰油最畅销的人气单品。
当然,大数据也并不是一剂万灵药,搞不好就变成了“大数据忽悠”。“对于大数据营销的效果也尚没有一套成熟、客观、公正的评价体系,这也是未来值得探讨的话题。但是,未来营销一定会因为大数据而发生重大变化,比如个性化广告和个性化产品的对接。” 财讯传媒集团首席战略官段永朝告诉《中国经济周刊》。
另外,段永朝也提醒,大数据营销的另外一个掣肘点是数据获得和隐私保护的边界不清,这会给大数据营销带来一些不确定性。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-19偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12