
大数据阴暗面之一:马云如何将我带到沟里
当下人人都讲大数据,数据库销售则是大数据的应用枝节。就数据库销售而言,最好的预期是转换率突破20%。就是说A客群向具有一定关联度的B客群转换的比重有二成,便可以叩大首烧高香了。搁置也是浪费,客户有诉求,主事者是推手,天作之合,客户资源重复使用,天下难求。
先看尿不湿大数据在啤酒销售的应用。超市将尿不湿和啤酒两件风马牛不相及的商品摆放在一起销售案例,居然入选营销教科书。超市认为购买者—丈夫,买了尿不湿,会随便买一听啤酒。因为妻子生产丈夫采购时随机犒劳一下自己。那么,购买尿不湿客群中的新晋丈夫向购买啤酒客群转换,排除不饮酒者,饮酒者中不饮啤酒者,饮啤酒者中对尿不湿承接的排泄物习惯产生联想者,三种人剥离掉好几十个百分点,像《非诚勿扰》女嘉宾朝五十码以外不喜欢的男孩,摁下按键发出“嘣嘣嘣”让人窒息的声音。对尿不湿大数据下的客户要赔上格外的小心,从而诱发他们产生购买啤酒的冲动。
判断从不缺席,只是先与后的差别。我想说,转换难度系数大,关键在于客户有“暴力倾向”。坚持客户永远是对的,您就试试,伸过左脸,再来右脸,非叫您鼻青脸肿不可。
亲历一个企业家大数据在申办高端信用卡的案例。依托企业家背后的企业所形成多达十个商圈,面向企业家群体发行高端信用卡,一致看好的发卡群体,以及看好的应用商圈,结果迥异。发卡银行对企业群体进件收集时,他们表现的无不是在签约席上,或在去签约的路上,企业家都很忙。在如获至宝的核心数据库资源中,简直成为投融市场的万花筒,折射千态万姿。
一是负债过重,即负债超过收入20倍,占44%;二是额度未能达标,达不到高端卡授信标准,超过16%;三是信誉不良接近12%。他们,很忙;他们同时很缺钱,患有融资饥渴症。本来,希冀企业家群体向高端信用卡持卡人实现远高于上述最好的转换率,有个好收成,结果希冀未遂。
最后一个案例说到马云。2011年谷歌推出了谷歌钱包,亚马逊基于 kindle 提供支付和转账服务,2014年10月苹果基于 iPhone 和 iPad 的 Apple pay推出苹果支付,沃尔玛、CVS、埃克森美孚等在内的零售联盟正建立移动支付体系,AT&T、T-Mobile和 Verizon电信巨头正建立移动支付和虚拟钱包。早在2004年12月,阿里巴巴马云基于淘宝和淘宝商城做起支付宝。客户需要精准的支付产品,跨界者提供精准产品之际,还给客户提供渠道、信息,继而向客户提供精准的服务。这是全球非商业银行跨界者们做网络支付、金融的充分但不必要的理由。
大数据给我留下了阴面。我想在14∶30网购峰时喊一嗓子,鼓动买家集体退货,不需“芝麻开门”的暗语,支付宝的大门肯定被挤破,保证金肯定被挤提精光。但是,我的担心被它们的另一跨界迅速击碎,马云成立了网商银行,赴美融资成功。
尾大不掉的原理告诉我们,合规牌照的事后取得,好比在事实婚姻面前补办一张结婚证书而已。比如银行卡清算,在互联网支付方面,所有银行都接入了支付宝,线上没有跨行清算一说;至少在去年夏天因“众所周知”的原因退回线上之前,线下绕银联转接,事实清晰表明想突围成为清算“第二”。再比如,同样与B端开展互联网支付,它可以做到“T+0”,可以免去交易费用,其他参与者想覆盖支付成本而收费,被非理性“惯坏的客户”自然将市场份额推向马云。
马云的成本覆盖规律则是羊毛出在鸡圈里的猪身上。羊找鸡,鸡圈里关着猪,折射中国商业跨行业运营的悖论。以互联网金融理财产品—余额宝[微博](对接的货币基金是“天弘增利宝”)为例。在羊毛层面,客户不付费,支付本身不赚钱;在鸡圈里,客户将支付宝里的钱存入余额宝中,余额宝的后台再将资金以协议存款的方式存入银行,支付宝从中也取得收益;在猪的层面,余额宝“化零为整”的存款方式,使得商业银行的收益让渡出来。
我在东胜时让农信社客户赎回天弘增利宝,收益破6%,两月后在康巴什,我让另一农信社客户赎回,收益已然破5%,鄂尔多斯(8.80, -0.20, -2.22%)辖内的东胜到康巴什,车程不超过半小时,收益折损巨大。美国没有余额宝,因为那里几近没有存贷差,无利可图。
还是回到大数据主题。羊的大数据,如何腾挪到鸡圈里,鸡的大数据又如何地平移到猪身上,马云,你将我带到了沟里。依托大数据跨界,A行业简单地被B行业依附,且生存,那么,A行业想活也无解。B行业被跟风者先伴生,直至共死,大数据筛出的客户也挽救不了这个行业。
CDA数据分析师培训官网
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 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