
大数据营销:追踪到行为,却抓不住心
曾几何时,大数据和大数据营销风靡全球,大数据的火爆,带动了国内外学术界、企业界和政府的热情,各类相关研究机构如雨后春笋般涌现。有人说大数据的热潮触发了一场思想启蒙运动,使得“大数据是资产,不是包袱”、“要拿数据说话”等观念逐步深入人心,改变了以往不重视数据积累、不相信数据分析等认识。然而,在大数据热火朝天前行的路上,开始有人用冷静的眼光进行反思和批判。例如,2014年3月英国报刊《财经时报》(FinancialTimes,FT)刊发“大数据:我们正在犯大错误吗?(Big Data: Are We Making a Big Mistake?)”。2014年4月《纽约时报》发表题为“大数据带来的八个(不,是九个!)问题(Eight(No, Nine!) Problems With Big Data)”的文章。与此呼应的是,在企业实践中,大数据营销的应用乱象丛生,遭网友调侃。
豆瓣:我买了俩馒头,他问我,你要不要来碗米饭?
淘宝:我吃完俩馒头,他问我,你要不要来俩馒头?
百度:“老板,给我俩馒头”-“湖南株洲馒头机制造厂供应优质馒头机”
腾讯:正当我要买馒头时,他在后面拍了拍我,“同学,来我这买,一模一样,还有豆沙馅”
360:让我摸一下,免费送馒头。
类似简单粗暴的产品推介在营销实践中也频频发生。记得前段时间,有位消费者在一家网络平台购物,后来这家网络平台就不停地给她推荐相关产品,于是她就发了条经典的评论,说这家网站虽然能够追踪到她的行为,但却抓不住她的心。一语道破大数据营销目前的局限。那么,大数据营销为什么抓不住消费者的心?未来怎样才能抓住消费者的心?人们努力的方向是什么?
大数据营销和消费者的心之间是个什么关系。如果说大数据营销的基础和前提数据挖掘是人类认识外界事物的一种技术,或者说是一种科学的手段;那么,用这样的一种方式或手段来认识消费者的心,我想是存在问题的,而且离抓住消费者的心还是有很大距离的,未来依然有很长、很艰难的路要走。因为目前的数据挖掘还处于初级阶段,有简单的案例,也有深入的案例。简单的案例,就像男性消费者去超市给孩子买尿不湿,顺便买啤酒,通过数据挖掘发现啤酒和尿不湿有极大的关联,因此,超市后来就调整了啤酒和尿不湿的摆放距离。深入的案例,就像美国宾州州立大学丁敏教授与中央财经大学王毅等人目前研究的声纹,通过从不同人口统计特征变量的数据挖掘,找出消费者个体内在的性格特质,然后提供个性化需求,进而提高绩效。
大数据营销所面临的挑战
虽然这些成果确实带来了企业绩效不同程度的上升,但目前的大数据营销依然面临着四个方面的挑战:
第一,数据挖掘的事后性或滞后性。大家都知道数据挖掘中所使用的数据都是事后发生的,在时间维度上具有滞后性,这也是数据挖掘自身方法的局限性所在。海量的数据若不能及时有效地利用,存储的成本也会不断上升,犹如食之无味,弃之可惜的鸡肋。而且海量的数据杂乱无章,并非像人们心里所想的关系发生演绎,因此,人们难以掌控数据间的逻辑关系。一旦数据遭遇损失,若不能完全恢复,也会对整体的分析造成不利的影响。未来企业生存与发展所面对的环境不确定性逐渐提高,数据挖掘若不能及时跟进,准确预测未来,总是马后炮,那么对企业的价值何在?
第二,非数据事物的数据化。也就是说有些数据是量化的,直接可以用数字来表达;而有些数据并非量化的,像网络评论、图片、声音,甚至是一些物理情境的因素,该如何将这些非数据事物转化为数据?同时,在转化的过程中,他们的量纲,也就是单位不同,采用统计分析软件进行标准化的过程是否科学?这些都是需要解决并回答的问题。
第三,数据本身的真假。数据在搜集过程中,如何知道人们在报告数据时说的是真话,而不是假话?心理学领域有研究表明,人们的心理存在内隐的和外显的,用通俗的话来说,就是心里想一套,嘴上说一套,手上做一套,完全不一致。就像2016年下半年美国的总统选举,调查时不少人说要选希拉里,可到真正投票时,那些人却投了特朗普。什么原因呢?其中之一是,据我的一个朋友对美国选民的调查发现,不少人怕嘴上说选特朗普会受到周围人的谴责,或会影响到他们的形象,但心里面却认同特朗普的不少做法。所以,最后特朗普赢得了大选。那么,数据挖掘如何应对“想一套、说一套和做一套”的情况呢?
第四,数据挖掘是行为到行为,现象到现象的关联影响,难以反映出消费者的心理动机。心理学领域在谈到动机与行为间的关系时,常常强调一个行为背后有多种动机,或者说一个动机会产生多种行为。数据挖掘所发现的结论大多是主体或现象之间的关联,并不能解释为什么关联?尤其更加无法揭示主体或现象之间关联的深层次的多种动机或原因。就像在网上买个手机,有的人是为自己买,有的人是为他人买,当产品的购买者与使用者不是一个人,或者说分离的时候,该如何通过数据挖掘分别知道购买者和使用者的动机呢?
第五,大数据营销中的数据安全问题。当我们过度挖掘数据,对消费者进行营销时,如何让消费者感觉到非常自然,而且自己的信息没有被泄露呢?这里我列举一则顾客买披萨遭遇大数据营销的段子:
某比萨店的电话铃响了,客服人员拿起电话。
客服:XXX比萨店。您好,请问有什么需要我为您服务的?
顾客:你好,我想要一份……
客服:先生,烦请先把您的会员卡号告诉我。
顾客:16846146***。
客服:陈先生,您好!您是住在泉州路一号12楼1205室,您家电话是2646****,您公司电话是4666****,您的手机是1391234****。请问您想用哪一个电话付费?
顾客:你为什么知道我所有的电话号码?
客服:陈先生,因为我们联机到CRM系统。
顾客:我想要一个海鲜比萨……
客服:陈先生,海鲜比萨不适合您。
顾客:为什么?
客服:根据您的医疗记录,你的血压和胆固醇都偏高。
顾客:那你们有什么可以推荐的?
客服:您可以试试我们的低脂健康比萨。
顾客:你怎么知道我会喜欢吃这种的?
客服:您上星期一在中央图书馆借了一本《低脂健康食谱》。
顾客:好。那我要一个家庭特大号比萨,要付多少钱?
客服:99元,这个足够您一家六口吃了。但您母亲应该少吃,她上个月刚刚做了心脏搭桥手术,还处在恢复期。
……
大数据营销未来努力的方向
综上所述,大数据营销的前提是挖掘网上的数据,而网下的数据较难搜集;同时,对于非数据化的事物如何转化为量化的数据面临着挑战。尤其是大数据营销虽然能够追踪到消费者的行为,但却抓不住消费者的心,不过未来要想抓住消费者的心,也还是存在努力的方向,其一是大数据营销与人格心理分析,其二是大数据营销与人际情境心理分析,其三是大数据营销与物理情境心理分析,其四是大数据营销与文化背景心理分析。最后,我想说的是:人心即宇宙,宇宙即人心。路漫漫其修远兮,吾将上下而求索。大数据营销未来之路漫长而艰辛,至于能否抓住消费者的心,依然是个未知数。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02