
大数据分析或将带来广告3.0时代
与《广告分析2.0 时代来临》作者观点不同,我认为,如果从互联网时代开始谈起,广告的1.0 时代是“眼球经济”时代,广告的2.0 时代则是社交媒体时代,基于大数据分析的则是3.0时代。
在互联网时代,广告行业依然是依靠“千人印象成本”的计算,只是将户外广告、平媒广告的做法搬到互联网上而已——以曝光和印象为核心的广告模式。比如,电视广告计算的是收视率,机场外广告牌计算的是该区域的人流量。同理,在互联网上只是单纯地出售Banner等位置,核心问题还是抢印象。
而在社交媒体时代,在开心网、人人网、新浪微博等平台上,广告主可以实现与消费者实时互动,并促发参与和内容创造。
而广告3.0时代则在2.0的基础上,以数据分析为核心,实现对消费者购买决策过程的关注和优化。所有的传播都会最终转化为商业价值,不只停留在印象和参与的层面。
或者说,1.0时代广告与消费者都是独立存在的,二者之间不见得会有关系性,即使有联系也是单向的;2.0时代建立起消费者与广告的互动关系,但互动关系并非一定带来确定性的购买关系;3.0时代是可以完成广告与消费者行为之间确定性的购买联系。
中国市场已经走向了2.0时代的末期。如果只是社交媒体做广告营销,似乎营销人员可以靠粉丝数量“交差”了,但井喷式的社交媒体营销阶段已经过去,广告主越来越关注“粉丝关注”对商业的价值。
从广告公司的角度来说,奥美互动如何帮助广告主实现商业价值?一般,奥美互动会设定广告战略,以确定广告活动的核心目的,之后做出媒体选择,最后,创意就会解决“怎么做”的问题。
确定此次广告活动的核心目的之后,奥美互动就会选择明确的KPI。比如,在广告主只看用户活跃度的情况下,传统的战术派广告公司会选择QQ和人人网作为媒体平台,因为它们达到100万活跃用户这一指标的速度非常快。只要确定了媒体选择之后,奥美互动的跟踪程序就开始搜集数据。奥美的优势在于把不同媒体平台的数据整合在一起,分析出漏斗模型不同层次的转化率如何。如今广告主的需求是要获得有潜在购买意向的消费者,这样传统的战术派广告公司就行不通,可能高尔夫球俱乐部的数据比QQ更有效,潜在消费者更多。这要求广告公司关注购买决策的整个过程,而不是关注几个活跃度高的媒体。
举例来说,近期奥美互动帮助一个国际品牌在中国做“试点”。通常大品牌的做法是在一线城市铺设店面、做促销活动和广告轰炸。但我们提出,其实只需要在淘宝开一个网店,或者多开几家C2C网店同时开设一家品牌旗舰店。这样从品牌建立、认知度、消费偏向、销售、服务到客户忠诚度等全部用户数据都能被跟踪,从用户的购买行为就能清晰知道哪一类产品在何种情况下的销售量会比较大,同时测试品牌战略是否有效。
对公司来说,这里预示了组织变革的迫切需要——这个时代,销售与营销不能再单独分割开来。营销的曝光需要直接导向销售行为的实现,而销售本身也是在做品牌建设。根据我们的观察,日本和韩国的奶粉和纸尿裤品牌,其产品在中国市场上并无渠道网络,单纯依靠电子商务可以完成很高的销售额。
营和销结合在一起,是具有跨时代意义的分水岭。两者之间的合作更紧密,而这需要公司制度和流程的驱动,甚至迫切要求公司改变战略模式、经营模式,因为有太多小型垂直公司能够迅速在各个领域把大公司的市场蚕食和分解掉。比如,绝大多数公司的电子商务部门是独立的,但是它是向营销部门汇报还是向销售部门汇报,这是完全不同的考核指标——起到品牌的作用还是渠道分销的功能,这背后体现的是公司战略的不同考虑。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
PowerBI 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游戏流水衰退率:计算方法与实践意义 在游戏行业中,流水(即游戏收入)是衡量一款游戏商业表现的核心指标之一。而游戏流水衰退 ...
2025-08-12CDA 一级:数据分析入门的基石 在当今数据驱动的时代,数据分析能力已成为职场中的一项重要技能。CDA(Certified Data Anal ...
2025-08-12破解游戏用户流失困局:从数据洞察到留存策略 在游戏行业竞争白热化的当下,用户流失率已成为衡量产品健康度的核心指标。一款游 ...
2025-08-11数据时代的黄金入场券:CDA 认证解锁职业新蓝海 一、万亿级市场需求下的数据分析人才缺口 在数字化转型浪潮中,数据已成为企业核 ...
2025-08-11DBeaver 实战:实现两个库表结构同步的高效路径 在数据库管理与开发工作中,保持不同环境(如开发库与生产库、主库与从库)的表 ...
2025-08-08t 检验与卡方检验:数据分析中的两大统计利器 在数据分析领域,统计检验是验证假设、挖掘数据规律的重要手段。其中,t 检验和卡 ...
2025-08-08