京公网安备 11010802034615号
经营许可证编号:京B2-20210330
对大数据营销现状的三个“唯”批判
当你想买牛奶时,一款牛奶品牌的信息立马出现在你的面前,实现精准推送——大多数人对大数据营销的理解也许还停留在这个层面上。
但很明显,大数据的魅力远不止于此。仍以牛奶为例,它不仅会实时提醒你牛奶何时会过期,同时也会自动列出一份采购清单,发往超市的后台,之后你就会收到最新鲜的牛奶——这会是大数据营销不远的未来。
这样的理解差异化也同样体现在大数据营销的从业者中:较多人还在声嘶力竭地呐喊着“不要采样而要全量、不要看因果要看关联、不要看精准而要看混杂性”等等。对此,阿里妈妈首席数据科学家薛贵荣(数据分析师)认为,这些理解都仅仅停留在概念层面,没有真正把大数据落到营销的实处。
对于目前的大数据营销现状,他提出了三个“唯”批判,这也构成了他关于大数据营销的核心理解。
阿里妈妈首席数据科学家薛贵荣
批判一:唯概念论
把消费者作为营销的终点而不是起点
品牌很难掌控消费者需求,只有消费者自己才能决定他的兴趣和购买,这样朴素直白的道理大家都懂,但是在营销的推行中,这一点却往往被忽视。
今天在谈大数据营销时,大部分人还是热衷于谈RTB,即实时竞价,为不同的消费者推送不同的广告内容,引以为傲的是精准。与此同时,老派的营销人也仍不忘把经典的4P、5P概念带入到大数据的环境中。
不难发现,这些营销方式的起点都不是消费者,而是营销的终点,这也是薛贵荣对其批判的一个关键。在他(数据分析师)看来,这些概念并没有错,但这些方式方法与数据营销离得太远。他的主张是:首先要从人开始做营销,发现目标消费者,再去推断消费者在哪里、消费者需求是什么等问题。
确定了这些核心的消费者画像后,展现层面的问题也就迎刃而解,譬如需要为这些消费者匹配什么样的活动和运营,设计什么样的页面展示和店铺装修等。同样,在渠道层面,品牌商和卖家可以根据数据预知布什么样的渠道,在各个渠道分别布什么样的货。
更深层次的影响也渗透到了物流和生产环节。薛贵荣强调说,这是一个以消费者诉求为驱动的整体运营和营销体系,体现的是企业运营营销全链路的贯穿。
这样的链路也许在双11还能稍见类似的踪影,品牌方和卖家为了迎接大量需求涌入,提前在渠道、备货、物流等方面做准备。而实际上,这样的提前准备仍然有一定的误打误撞心理——在空前的购物热情下,很多品牌面对的都几乎是备多少都能卖掉的场面,根本不是由大数据所体现出来的需求,因此回到日常销售,就又进入到了以供为主的原始路径。
“不要今天卖了多少货,再去决定生产多少东西,而需要再往前走一步,你知道消费者明天的需求,然后决定生产多少货。”薛贵荣告诉记者,以今天对消费者的洞察来看,大数据已经能做到这个程度。
而之所以薛贵荣能够先人一步地看到这一点,他认为,是因为他就是从RTB做起来的。早在阿里妈妈负责钻石展位业务时,他就看到了其中的局限性:一开始的业务逻辑很简单,就是人群定位为主,做“看了来买、买了再买”的定位行为,需求是由系统背后的工程师所决定的,但商家的主观能动性被制约。这就推动了“达摩盘项目”的启动,商家主动进行个性化营销的意识有了萌发。但当自动化智能营销工具“阿里魔镜”推出后,薛贵荣又发现,其实商家的主观能动性仍然有发挥的空间,完全可以再往前走一步,从消费者出发做营销。
“本质就在于我们越来越了解消费者,所以消费者的诉求提前被我们观察到了,所以消费者会买单。消费者买单,商家就会从中获益。”因此,薛贵荣强调说,无论大品牌还是小企业,都需要从RTB这种模式转变到以消费者诉求为起点的营销方向。
批判二:唯上帝论
不区分消费者之间的动态价值差异
早在1996年,《差异化营销》一书的作者葛斯·哈伯就提到,公司的小部分客户通常带来大部分的营业收入,客户数量与收入并不成比例,在营销领域,二八定律同样发挥着作用。
而直到今天,商家对于消费者的理解还是不够深入,薛贵荣把这种浅层理解称之为“数人数”,即只知道今天卖了多少货,却很少思考该如何利用消费者在店里留下的各种行为数据。
“不能单纯的说买过你东西的就是老客户,逛过没买的都是潜在客户,你(数据分析师)要区分客户的价值,达到‘你期望客户带给你的价值’与‘你送给客户的价值’之间的平衡,这是大家从来没有去想过的问题。”薛贵荣认为,两个不同价值的互相匹配是其中的关键,“用户是上帝”往往是一句口号,花钱最多和花在你这个企业身上钱最多完全是两个概念。
目前,针对消费者分层已经有许多成熟的营销模型。以四象限的客户体系模型为例,薛贵荣(数据分析师)认为,消费者可以按“花钱多的”、“花钱少的”和“花在你身上钱多的”、“花在你身上钱少的”来分类,以此来识别哪类用户才是真正的核心消费者。商家不需要对所有用户用同样的力,不是所有的消费者都要努力让他变成你的VIP客户。把“花钱最多的人”转化成“为你花钱最多的人”,这才是商家努力的方向。
例如,两个同样在你身上花了100元的人,第一个是个高富帅、白富美,每个月的花费成千上万,而第二个人是个学生,每个月只消费200元,这两个消费者对商家的价值完全不一样。前者还不是忠实用户,但可以争取让他花更多的钱;而对于后者,他的忠诚度已经够高了——消费者分层的意义就在于,要发现你的消费者处于怎样的位置,然后需要配合不同的运营方式。
薛贵荣还提到了另外一个模型RFM,这个模型强调了三个关键的客户信息,即最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。消费者在不同时间往往也呈现出不同的状态,经常到店、花钱最多且最近来过的客户是最忠实的消费人群,需要密切关注、经常刺激消费。“很多商家没观察到这类消费者的状态,没有意识到客人已经流失了。客户都要走了,你还不知道,还停留在花钱买广告的状态。”薛贵荣认为,营销的最高等级是关怀你的客户。
以这些模型为参考,商家实际上可以根据自己的情况,对消费者进行相应的分层,确定他们不同的营销空间,而不是做千篇一律的信息轰炸。
批判三:唯ROI论
没把消费者作为核心资产来管理
什么是企业核心的竞争力?很多人有各种不同答案,人才、创新、数据等等,这些都对,但除此以外,薛贵荣还明确提出,大数据时代,消费者才是企业的核心竞争力,需要把这群人当成资产来进行管理。
一个企业会周期性地对企业资产进行财务盘点,有多少钱、从哪里来、花到哪里去,这样的财务思路同样也应该用在消费者资产管理上。企业应该问问自己,到底有多少消费者、他们从哪里来、在我这里进行了怎样的消费,未来如何增值。
这样的管理和盘点,一个好处是能够保证投入和产出之间的平衡,就如上面所提到的消费者分层,思考“我对消费者的投入”与“他给我带来的价值”是否能够成比例,以此避免资源浪费。
这里需要避免的一个问题是:可能做一次活动的投入产出比很高,所以我的营销做得还不错的想法。大部分商家现在的营销手段还都是处在做一次性营销,搞一次营销活动,客户来了、买了,这次营销关系就此结束;待到下次再做营销活动时,又是一次从头再来。前后两次的营销是没有关联的,完全断层。这就是资产浪费的一个典型表现。
薛荣贵告诉记者,国外很多电商企业在拉新客和维护老顾客的投入比在2:8左右,而国内的营销几乎是在做完全相反的事情,不断地拉新客,却没有把客户管理起来,拉新客和维护老顾客的投入比在8:2左右。当下一波营销活动发生时,老客混在新客中,被推送着同样的信息。每次做营销都是零起点,营销资源极大浪费。薛荣贵认为,这并不意味着单次的营销活动不重要,而是要进行变革,以资产为主线,将多个单次活动串联起来,变成企业的营销规划。
管理和盘点在另一方面的意义更为深远,把消费者当成资产管理起来,让这部分资产进行升值。“当你有了资产的概念,你会考虑对资产不断的投入放大,让资产盘活起来。”阿里的粉丝爆炸器就是根据企业的已有消费者资产为样本,在一个上亿的消费者人群大池子里,帮助企业寻找未来成为该企业忠诚消费者的一群人,帮助企业达到资产放大的目的。通过不断的更新迭代,最终能够让一个企业的消费者资产能够十倍、百倍的放大,实现资产的增值。
(数据分析师)以消费者为中心的企业数据资产运营和营销,这必将是企业率先进入DT时代的一个通行证。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27