
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
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23