京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代,怎么做全渠道的营销
营销在中国有很多变化,1978年之前主要是计划经济的时代,寻求政府的保护。1984年进入商品经济之后,中国企业通过大规模的扩大生产,扩大工厂得到生产效率。1992年进入市场经济之后,会涌现出一批企业,营销主要是做经销商的管理。1998年开始,中国进入互联网时代,这时候营销主要是走向了线上,比如四大门户网站——搜狐、新浪营销的发展。
2015年营销变得越来越软,渠道变得越来越分散,有的在微信朋友圈做广告,有的在微信公众号售卖,甚至有网红女主播在主播平台里卖东西。营销变得越来越软,一个口号走遍天下的时代过去了。
新兴碎片化营销传播渠道让各大品牌的CMO(首席运营官)们比较难做。如何收集好不同渠道的消费者数据,如何打通线上线下的数据触点,做更全面的消费者洞察,成为我们营销人关注的重点。
在新营销(场景营销)下有三个非常重要的点
一、消费者洞察
如何做全面、全渠道的消费者洞察?
这点在传统营销也是存在的,之所以把它拿出来看,是因为以90后、00后为消费主体的这部分人,价值观诉求非常难捕捉,不像七八十年代追求质量、性价比,彰显品牌价值就够了。
90后、00后更多追求内心的你是否懂我,你不懂我就不会买你的东西,我可能不会花200块钱买衣服,但是可能会花20000块钱报一个剑道班。零售已经不会开信用卡送产品了,你怎么捕捉到90后、00后,怎么捕捉到他的心很重要。
现在营销非常定制化,你在吃饭的场合,教育的场合,娱乐的场合,交通工具上,可能都是不同的场景,你用的营销素材,你的沟通方式,你的语气可能都会是不一样的。这三个点会是在新的场景营销当中非常重要的。
消费者洞察,我们经常把消费者分为三层——“PVC管理”:
PRM——潜在客户关系管理,比如30岁左右中年高端女性,你如何接触她们?
VRM——访客关系,是你线下门店的访客,或者你线上电商商城的访客。
CRM——客户关系管理,他对你的品牌产生认知,有可能留下,也可能流失。这三层的数据触点不一样,对消费者的信息掌握深浅不一,需要我们逐一分析把握。
二、价值观诉求
大数据时代有一个非常重要的特征——消费者数据的碎片化,我们以某一个企业,某一个客户为例。他线下有一千多家门店,线上有自己的电商商城,有自己的淘宝、京东旗舰店,有自己的语音服务中心,线下有100多家维修店,还自己搞自己的活动。如何打通它的一个消费者在不同渠道之间的碎片化数据?把ID拉通。
比如一个人有三个手机,两个邮箱,两个地址,有两台电脑,手机上有MA号,众多ID怎么拉通?识别一个人在不同渠道的数据统一,这是非常艰苦卓绝的一件事。这也是在大数据时代,我们要做好消费者洞察的必要前提。
在做完了这一点之后,我们要建立一个多层次的用户标签体系,去支持用户的选择更差。用户标签,用户画像可以分为原始数据层、预测标签、模型标签、事实标签甚至还有商业标签层的,这些不同的标签建立成在大数据时代完整的用户画像的体系。这里面用户洞察分成不同维度的微观洞察以及宏观洞察。
在建立起全景的消费者洞察之后,还是要做消费者细分,并且看一下不同的消费群体他们的心理状态和需求是什么。他们对于品牌的诉求,对于产品的要求在哪里。
这和以往不一样,以往我们大多数是通过发200份问卷做这件事情,现在我们完全可以通过扒取微博、微信、百度贴吧、论坛各种垂直行业的门户网站,和UGC内容看不同消费者在说什么,对品牌的要求、诉求是什么,这也是新兴的搜集价值观的手段。
三、场景化营销
如何在不同的场景和渠道唤醒消费者的购物欲望,非常重要。说白了就是一句话,在最合适的时间,最合适的地点,以最合适的方式,以最合适的产品和价格卖给最合适的人,这就是营销。但是你怎么识别里面最关键的合适的点?这是非常重要的地方。
这张图是我们认为现在营销不管是卖有形的产品还是无形的服务,都非常注重你如何诉说、描述内容。我们看到很多微信公众号里首先是给你讲一个故事,比如白领女性上班多么辛苦,穿衣打扮如何重要,某个明星是怎么样爱护自己的,最后给你推荐个化妆品。
在前面软的内容里,构建了一个对消费者的说服力,以及让消费者产生信任、共鸣之后,会在这个内容里把交易完成。
品牌也开始非常注重和消费者的互动,和消费者的打情骂俏,不管是在微信公众号还是在微博上,品牌越来越多的是双向,而不是单向的营销方式。
很多产品服务是在消费者互动环节里得到迭代和提升的,这也是在新时代C2B(消费者对企业)的模式。消费者会有提出很多诉求,假如你企业满足了我的诉求,我认为你是尊重我的,并且这个产品是属于我的,就会变成你这个品牌的粉丝。
四、案例分享——国内知名乳业品牌乳酸菌场景化
我们筛选百分点全网乳酸菌饮品消费者,匹配了百分点用户画像行为数据,包括媒体偏好、电商。同时取到了竞品用户画像数据,做竞争分析,获取了舆情数据,竞品消费者在互联网、社交媒体深怎么谈论这个品牌,这主要做全网大数据用户画像的分析。
主要是经过了这三个步骤:
1.消费者
女性是乳酸菌饮品主要消费人群,产品更受泛90后人群欢迎。同时我们做了很多包括时间、地域、场景的分析,就没办法展开了。有一个是我们基于全渠道用户的数据做了一个聚类分析,把细分人群分成不同的类别。
我们同时要观察哪个细分群体占比最高,因为如果某一个细分群体只有5%的人群,我们就不费劲了。我们主要选的是保健运动的推崇者和休闲的享乐一族,我们也是结合这两群人的诉求和消费价值观,以及产品定位做的。
2.完成四个竞品的分析,包括竞品人群
同时我们在价值观的提取上,因为人群是泛90后人群,所以提取了百度贴吧90后的调研。他们都在说些什么,他们都在饮食娱乐,运动上面考虑哪些点。泛90后受众喜欢聚会,我们传播助消化的品牌利益点。
3.设置传播场景
通过我们得到的信息,设置了三个传播场景:
第一,明星自爆可以膝盖不弯系鞋带。90后特别喜欢比较,喜欢证明自己的能力放在朋友圈里,比如反手摸肚脐、A4腰。
第二,邀请网红在街头聚餐;
第三,邀请网友跟风做这件事情,它主要传递乳酸菌饮品助消化的功能。
线上传播、网红街头聚餐的部分,有一些软植入。因为我们在用户画像分析里,看到两个细分群体偏好是新百伦和nike,我们会做病毒传播,把种子群体扩散出来。同时跟网友情感连接加强互动体验,也搞了跨界合作,当时正值大众点评网搞全球每日节,线下聚餐时我们提供乳酸菌饮料,让他们做在社交媒体上的传播。
这样的方案实施后,ROI(回报率)非常高,影响6.4亿人次,总互动56万人次。这体现了我们如何把大数据消费者洞察,消费者价值观深入挖掘,以及如何设计场景这三者结合起来。
总结一下,我们认为在“互联网+”和大数据的时代,营销由于消费的升级,消费者渠道的碎片化产生了非常大的变化。在这个时代里,我们要注重的不是千篇一律的营销,而是千人千面的营销。如何做好千人千面的场景化营销呢?我们认为主要有三个重要的点:
第一,全渠道消费者洞察;
第二,细分群体价值观挖掘;
第三,不同场景的设计。
这三者组成了在大数据时代的场景营销的革命。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22