
深度评论:大数据阴暗面之一,马云如何将我带到沟里
导语:数据库销售是大数据的应用枝节,最好的预期是转换率突破20%,也就是说A客群向具有一定关联度的B客群转换的比重有二成,便可烧香拜佛了。然而转换难度系数大,关键在于客户有“暴力倾向”。坚持客户永远是对的,您就试试,非叫您鼻青脸肿不可。
当下人人都讲大数据,数据库销售则是大数据的应用枝节。就数据库销售而言,最好的预期是转换率突破20%。就是说A客群向具有一定关联度的B客群转换的比重有二成,便可以叩大首烧高香了。搁置也是浪费,客户有诉求,主事者是推手,天作之合,客户资源重复使用,天下难求。
先看尿不湿大数据在啤酒销售的应用。超市将尿不湿和啤酒两件风马牛不相及的商品摆放在一起销售案例,居然入选营销教科书。超市认为购买者—丈夫,买了尿不湿,会随便买一听啤酒。因为妻子生产丈夫采购时随机犒劳一下自己。那么,购买尿不湿客群中的新晋丈夫向购买啤酒客群转换,排除不饮酒者,饮酒者中不饮啤酒者,饮啤酒者中对尿不湿承接的排泄物习惯产生联想者,三种人剥离掉好几十个百分点,像《非诚勿扰》女嘉宾朝五十码以外不喜欢的男孩,摁下按键发出“嘣嘣嘣”让人窒息的声音。对尿不湿大数据下的客户要赔上格外的小心,从而诱发他们产生购买啤酒的冲动。
判断从不缺席,只是先与后的差别。我想说,转换难度系数大,关键在于客户有“暴力倾向”。坚持客户永远是对的,您就试试,伸过左脸,再来右脸,非叫您鼻青脸肿不可。
亲历一个企业家大数据在申办高端信用卡的案例。依托企业家背后的企业所形成多达十个商圈,面向企业家群体发行高端信用卡,一致看好的发卡群体,以及看好的应用商圈,结果迥异。发卡银行对企业群体进件收集时,他们表现的无不是在签约席上,或在去签约的路上,企业家都很忙。在如获至宝的核心数据库资源中,简直成为投融市场的万花筒,折射千态万姿。
一是负债过重,即负债超过收入20倍,占44%;二是额度未能达标,达不到高端卡授信标准,超过16%;三是信誉不良接近12%。他们,很忙;他们同时很缺钱,患有融资饥渴症。本来,希冀企业家群体向高端信用卡持卡人实现远高于上述最好的转换率,有个好收成,结果希冀未遂。
最后一个案例说到马云。2011年谷歌推出了谷歌钱包,亚马逊基于 kindle 提供支付和转账服务,2014年10月苹果基于 iPhone 和 iPad 的 Apple pay推出苹果支付,沃尔玛、CVS、埃克森美孚等在内的零售联盟正建立移动支付体系,AT&T、T-Mobile和 Verizon电信巨头正建立移动支付和虚拟钱包。早在2004年12月,阿里巴巴马云基于淘宝和淘宝商城做起支付宝。客户需要精准的支付产品,跨界者提供精准产品之际,还给客户提供渠道、信息,继而向客户提供精准的服务。这是全球非商业银行跨界者们做网络支付、金融的充分但不必要的理由。
大数据给我留下了阴面。我想在14∶30网购峰时喊一嗓子,鼓动买家集体退货,不需“芝麻开门”的暗语,支付宝的大门肯定被挤破,保证金肯定被挤提精光。但是,我的担心被它们的另一跨界迅速击碎,马云成立了网商银行,赴美融资成功。
尾大不掉的原理告诉我们,合规牌照的事后取得,好比在事实婚姻面前补办一张结婚证书而已。比如银行卡清算,在互联网支付方面,所有银行都接入了支付宝,线上没有跨行清算一说;至少在去年夏天因“众所周知”的原因退回线上之前,线下绕银联转接,事实清晰表明想突围成为清算“第二”。再比如,同样与B端开展互联网支付,它可以做到“T+0”,可以免去交易费用,其他参与者想覆盖支付成本而收费,被非理性“惯坏的客户”自然将市场份额推向马云。
马云的成本覆盖规律则是羊毛出在鸡圈里的猪身上。羊找鸡,鸡圈里关着猪,折射中国商业跨行业运营的悖论。以互联网金融理财产品—余额宝(对接的货币基金是“天弘增利宝”)为例。在羊毛层面,客户不付费,支付本身不赚钱;在鸡圈里,客户将支付宝里的钱存入余额宝中,余额宝的后台再将资金以协议存款的方式存入银行,支付宝从中也取得收益;在猪的层面,余额宝“化零为整”的存款方式,使得商业银行的收益让渡出来。
我在东胜时让农信社客户赎回天弘增利宝,收益破6%,两月后在康巴什,我让另一农信社客户赎回,收益已然破5%,鄂尔多斯辖内的东胜到康巴什,车程不超过半小时,收益折损巨大。美国没有余额宝,因为那里几近没有存贷差,无利可图。
还是回到大数据主题。羊的大数据,如何腾挪到鸡圈里,鸡的大数据又如何地平移到猪身上,马云,你将我带到了沟里。依托大数据跨界,A行业简单地被B行业依附,且生存,那么,A行业想活也无解。B行业被跟风者先伴生,直至共死,大数据筛出的客户也挽救不了这个行业。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08