京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据营销的三大流派:刻舟求剑、叶公好龙和甩手掌柜
【导读】首先要强调一点,本文讨论的重点是大数据“应用”,尤其是针对企业营销的大数据应用,对于大数据技术本文会有少量涉及,但是对于大数据工程、大数据科学,这不是这篇文章关注的范畴。
大数据营销应用,在大数据带来的各类应用中,恐怕是品牌企业最关注的一个方向。被许多媒体报道过的ZARA的案例,就是一例典型的基于大数据获取、分析,完成经营及营销决策的案例。这个案例让很多企业认识到,通过大数据了解客户的喜好趋势、提高利润空间,可能是一个非常有效的途径。但是我们要知道,因为大数据很大,从关注到真正做出适当的投入和适应的配套动作,对于企业来讲,其间的距离并非举步既至,反而往往充斥着各种认识误区。就笔者所见,认识误区至少有三大流派:刻舟求剑派、叶公好龙派和甩手掌柜派。
报道ZARA案例的媒体,很少会将另一个案例拿出来进行对比性分析——H&M的大数据案例。在大数据方面,H&M与ZARA投入的热情不相伯仲,但是从大数据获得的收益却判若云泥,最重要的一个原因就是,在如何落实大数据得出的经营决策上,出现了较大的差异。ZARA对于大数据提供的决策信息落实得坚决而高效,配套大数据的管理链路非常通畅,直接指导到产品设计、生产、分区域投放的各个环节。对比而言,由于H&M产地分散到亚洲、中南美洲各地,使用大数据后,H&M又没有采用有效措施缩短跨国沟通的时间,这拉长了生产和经营适应大数据决策的时间成本。如此一来,大数据即便及时反映了各区域市场的顾客意见,H&M却无法立即改善,资讯和生产分离的结果,让H&M内部的大数据系统功效受到限制——这造成了ZARA为大数据获得的成绩弹冠相庆之际,H&M却认为大数据价值了了的现状。
上面这个案例是大数据应用的常见认识误区之一,笔者称之为刻舟求剑型认识误区,这种认识误区最大的特点是,看到大数据的视角是孤立、静止的,虽然愿意投入很大力量在大数据获取和分析方面,但是企业的其他管理配套却依然故我,并没有针对大数据应用做出更多的适应性调整,导致大数据工作的最大成就,只是获得了一堆数据而已。
令人遗憾的是,其实多数企业在大数据应用上,都或多或少的有一点刻舟求剑的毛病。判断一个企业在大数据应用上是否刻舟求剑,只要看参与大数据项目的部门和主管在企业中的地位和驱动力就可以知道。如果一家企业的大数据项目,其主对口部门是企业中的会员部门或者是技术部门,或者其他五花八门的总监级别的部门,除了这个对口部门外,并没有能够同时管理多个业务块的更高级别的干部关注大数据项目,那么基本上可以判断,大数据项目的成果多半跑不出数据范畴,想要对营销决策、产生企划和市场投放决策产生高效而持续的影响,基本上没可能。
企业的这种组织安排,显示出他们基本上没明白,大数据跟ERP有一点类似,要想产生效果,就要对旧有的一些管理链路、运营思路进行适应性改变,否则,希望大数据像一个模块一样,只要嵌入企业旧有营销链路,就能运转如神,那基本上属于痴人说梦。
刻舟求剑派虽然问题多多,至少在行动上还是有其坚决一面的,当发现投入不能得到应有产出,企业也还有机会亡羊补牢,对管理链路进行调整,从而使得大数据获得的决策信息、营销数据能够有效传递到相关部门。
笔者最怕的是碰上叶公好龙派,说起大数据的时候极为热情,上手实施的时候,要么手面极小,根本无法保证大数据所需要的资源总量;要么对于大数据必须有的一些工具建设、策略优化、数据准备工作指指点点、不予配合——这两种情况,都非常常见,往往让大数据服务提供商哭笑不得。
我们以面向营销促销的大数据挖掘应用为例,这种应用的目的都是通过精准的人群建模和工具体系建设,使企业能够有效提高新客户数量、新客户下单转化率、老客户复购率等等指标。这种应用无非是两个大类:企业有数据,或者企业没有数据。如果企业手中有大数据,那么必然要经过数据清洗、建模、挖掘、形成策略、建立营销工具、支持营销等多个步骤;如果企业手中没有大数据,那么必然要考虑首先找到数据源、建设数据获取工具,然后同样是清洗、建模、挖掘、形成营销策略、建立营销工具、支持营销等多个步骤。
如果我们碰上的是一家叶公好龙的企业,那就热闹了。比如服务提供商说数据要清洗,客户就可能会质疑:“我做DM和EDM的时候这个数据都能用,不用清洗,你们直接建模吧。”服务商就解释:“做DM或者EDM,只需要有联系方式,和一个粗略的人群分群,就可以了,但是转化率很低,通过数据清洗,我们要剔除其中所有不合格、不准确的数据,完成数据补齐等等工作,这是建模之前的必要步骤。”客户不听解释,反而更加质疑:“你们是不是不够专业,才对数据质量有这么高要求?要是我的数据像你要求的那么好,我找你们来干嘛?”
——照这样沟通,只有一个结果,服务商撤出项目,客户还觉得自己被人骗了。
还有一个门派,是最大的一个门派——甩手掌柜派。这个门派最大的认识误区特点是:我找大数据服务商来,就是给我干活的,我要什么,他给我什么就可以了,到底大数据是怎么运作的,我才不需要去明白呢!我要是都懂了,要他们干什么?
这个门派人数众多,是前述两个门派的火药库。就是由于“我不需要搞太懂”这个思维的存在,甩手掌柜们总会在该问的时候呆若木鸡,不该问的时候横加指责。总是呆若木鸡的企业,最后往往走向刻舟求剑派——这种企业思维中,大数据就是大数据,搞完这一块,等着结果出现就好了,为什么还要调整其他运营流程?而总是横加指责的企业,则往往变成叶公好龙者——这种企业的思维中,大数据“应该是我想的那个样子”,于是当别人告诉他“大数据其实是这个样子”的时候,质疑就如杂草般丛生了。
所以,想搞好大数据应用的企业,首先要检查一下自己是不是具备“学习型企业”的素质,牵头的高层领导、具体对口的部门,是不是有充分的学习热情和能力。一个大数据营销应用项目的建设,其实是一家企业特别好的一次学习和梳理营销体系的机会,当一个项目在建设的过程中,所有参与项目的企业内员工,逐步成长为数据获取、分析和形成决策、策略的个中好手,是一家企业非常幸福的事情,这意味着企业竞争力的提升!
至于甩手掌柜,对大数据来说,那叫做“死路一条”!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12