
大数据不仅是一种资源,更是一种思考营销的全新方式
置身于当下的每个营销峰会,人们讨论的焦点都绕不过这两个字。台上的演讲嘉宾中,开始有了越来越多互联网的身影,从他们口中蹦出的专有名词也不再为传统广告人熟知,每个广告主看起来都开始更关心效果而非创意。
种种迹象表明,广告的变局正悄然开始。
没有人会否认大数据对广告营销的重要性,但也没有人能否认,随着数字营销进程的不断加快,传统营销的经验已经不适用于这个新的时代。广告主们正走入“无人区”,它们亟需一套新的方法论解决营销过程中产生的全新的难题:如何解决数据孤岛?如何把数据应用于实战?以及,如何在最大程度上挖掘出每个数据的价值?
从广告营销公司的层面来说,一套营销方法论同样重要,这是它们应对数字化时代的良方,否则就有被甩下急速行驶列车的可能。尤其当你知道身处一个目的地满是掘金机会的列车时,谁也不愿意中途下站。
作为一家移动广告平台,多盟对数字化时代有着更深的理解。与鳞次栉比的纯技术公司不同,凭借自身对移动互联网营销的深入理解,它的数字营销方法论天然带着更多服务的基因和对营销变化更精准的洞察。
在今年的GMIC上,蓝色光标集团副总裁、多盟总裁边嘉耕受邀做了《数据赋能,营销智能》的演讲。这场演讲向人们全面阐释了多盟的一套名为“DATA+”的系统化解决方案,通过这套方案,多盟能够为每个客户提供定制化的数据及策略解决方案,并提供面向策略、运营和营销管理的咨询服务,而这为那些处于困惑中的广告主们指明了方向。
选择多盟这样一个移动营销行业中数据运用领先的公司作为案例,可以管窥广告营销公司未来该如何应对席卷而来的数据浪潮,并且怎样在其中腾挪移转争取出自己的生存空间。
媒体驱动vs数据驱动
在这场主旨演讲中,边嘉耕提到多盟成立的这七年,也正是移动营销从“媒体驱动型”向“数据驱动型”转变的时期。这让很多广告主及营销公司感同身受,因为这个洞察与他们的切身体会完全吻合。
从历史的维度去看,早期的广告营销公司往往通过掌握媒体资源构建起自己的壁垒。所以,以往判断一家公司是否有价值的标准在于它是否能与更多的媒体建立起合作关系。在高度数字化之前,广告投放遵循着工业时代的经验进行:大投入、多媒体、饱和式攻击……我更愿意将这个阶段定义成“粗放式”的广告经营模式。
但当技术的进步让广告主和媒体能够精细化操作每个流量和接触点之后,媒体资源以外,在实操层面使用数据的能力也开始变得至关重要。
在多盟团队看来,市场中从不缺乏数据,不同的市场主体也都在纷纷构建自己的数据库。但一个不幸的现象是,数据越多,孤岛越多。“DATA+”中的重点在“+”,而不是“DATA”,这意味着如何打通、管理和分析数据是更为重要的,只有这样才能帮助品牌抓住实现生意持续增长的机会。
这已经成为了行业痛点,一个最新的例子是,具有指标意义的可口可乐公司直接用首席增长官取代了首席营销官。
在多盟的构想中,DATA+应该在数据上形成一个闭环,并且在实践过程中根据市场反馈螺旋迭代、向上发展。目前的核心产品模块包括三大类:前端是基于互联网行为数据的营销策略推荐,中端是数据驱动的营销管理系统,后端是提供端到端的闭环数据服务方案。从策略、管理到服务,数据真正活起来了,它的价值能够反复被挖掘,直到最大化。
边嘉耕用了三个标签阐述对团队的定位:广告狂人之外,他们还是技术达人和数据专家。他的定位也反映出未来广告营销公司的一个发展趋势:数据和技术能力将成为比拼的关键战场,不管对于4A这样的巨兽还是技术公司均是如此。
总的来说,数据已经不再仅仅关系着最后的投放环节,还开始影响广告公司的前端创意以及与广告主的沟通交流。高举数据的大旗,并真正脚踏实地地思考营销方法论的革新,从广告主心态的转变以及技术的演进史思考,这么做都势在必行。
占有数据vs使用数据
现在的广告主容易陷入这样一种迷思:认为大数据的重点是“大”,所以对数据的重视只限于收集和存储的层面。但实际上,中国的数据市场割裂非常严重,广告主手上只握有一方数据,更大量的数据集中在互联网媒体手中,但这些媒体对于营销的经验并没有深耕多年的专业公司来得充足。
到头来,广告主的大数据,从收集的角度来讲量不够大,从使用的角度来讲效果也不够好。
多盟认为这给广告营销公司提供了难得的机会:在品牌对数据不了解、媒体对营销不了解的背景下,站在广告主一方的专业公司能够帮助企业对数据建立更清晰的认知,也能更合理化地运用。
人们对广告营销公司推动大数据的质疑,往往集中在能掌握多少数据,对数据的控制力有多强。但实际上,相较简单地占有数据,使用数据才是更关键的环节。
从某个层面讲,《大数据时代》这本具有指标意义的书提供了一些不太完善的观点,譬如认为数据量越大越好。但实际上,漫无目的地追求数据量不太聪明,庞大的数据规模反而会降低分析效率。坦白讲,大数据拼到最后不是比拼谁多,而是在数据赋能之前如何为数据赋能的能力。
以广告发布前的A/B Testing为例,DATA+的解决方案中对数据进行了相当精细化的处理。面对同样的一个数据集,多盟可以从目标受众、创意呈现、体验路径、产品组合/促销方案四个维度深挖价值。
而在针对目标受众的分析中,DATA+首先会将消费者划分出几个不同的子集,并分别从互动、点击、拉新等层面考察每个子集的反馈效果。一目了然的细分数据让广告主了解到如何向正确的人说正确的话,在这个过程中,数据从“一库一吃”变成了“一库多吃”,即使是有限的数据用好了也能发挥出惊人的价值。
所以,数据固然重要,但通过技术产品的优势挖掘数据,并将成果直接应用于营销实战更加重要,这些正是多盟这类营销技术公司能做好的。
边嘉耕选择用大树来形象地阐释DATA+的产品结构:它的树根是多方数据源,树干是数据的基础处理能力,顶端散发出的树枝是一个个模块化的数据产品,而树枝上的树叶则是定制化的解决方案。数据的养分从底端不断向上传导,最终整个大树枝繁叶茂。
媒体视角vs广告主视角
在明确数据使用比简单的数据占有更重要之后,应该采用怎样的视角使用这些数据对营销同样重要。
以精准投放中最重要的标签转译为例,腾讯、京东、头条、优酷这些重要的流量方,它们都有自己的标签体系,有些更为成熟的系统还有自身的人群挖掘规则。但是,将品牌的感性目标人群画像转译成理性的标签非常困难,难点在于这并非简单的基于人口结构的划分。
要让这些数据的价值变得更大,必然需要结合营销的相关理论和经验。譬如同样是产妇,适龄产妇和高龄产妇在消费心理和决策模型上大相径庭;同样是准备旅游的人,马上出发和一个月之后出发关注的点也截然不同,这些差异需要专业的营销人士加以区隔和整理。所以,从广告主视角出发使用数据远比媒体视角重要。
DATA+的人群策略系统通过对多方DMP的运用,可以深入分析品牌目标的种子人群,再加上营销人员根植于营销体系多年形成的经验判断,能够产出更具结构化的人群策略以及更佳细腻且适配的标签方案,更好地实现“技术+营销”的结合。
边嘉耕在演讲中分享的一个案例能够更系统地阐释两种视角间可能出现的差异。此案例的广告主是某进口敏感肌洗衣液,在策略重构的模块,营销专家们从购买兴趣和认知程度两个维度构建了一个3*3的矩阵,将人群细分为准妈妈、烦恼客、讲究咖等9个人群。随后根据不同人群制定不同的传播方案和沟通策略,譬如在针对精明妈的推广中,就使用“宝宝护肤,从选对洗衣液开始”的诉求。在投放的环节,则根据广告主的目标和预算规模作为主要考量进行最优化的配置。在线下推广的部分,多盟也为9个不同类型的人群定制化了不同的促销方案。
坦白讲,媒体方(或者说流量方)需要耗费很多精力才能完成整个营销活动的策划流程。但对于有着多年经验的营销公司来说,他们显然更加轻车熟路。
多盟的团队用了一个形象的比喻解释自己如何站在广告主的角度做事:“如果把数据比作一条鱼,我们不仅要让广告主吃上鱼,还要告诉他鱼是一种什么动物,生活的环境如何,我们大概怎么捕到鱼的。”某种程度上,和广告主的沟通也不仅是产出并执行一套方案这么简单,弥合广告主对数字营销认知的差距会让整个过程更有意义。
坦白讲,数字营销是没有止境的,大数据不仅是一种资源,更是一种思考营销的全新方式。在数据驱动的营销背景下,从广告主的视角合理地使用数据变得愈加重要。而数据也不应该成为一个个相互隔绝的孤岛,更不应该拉大产业链中各企业间的差距。理想的方式是各司其职、共同发展,而多盟和它的DATA+想做的就是这样的事情。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-19偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12