
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
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