
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
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 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 ...
2025-09-04