
大数据营销 传统企业的华丽转身_数据分析师培训
于是,向互联网转型迫在眉睫。然而如何顺利转型,却不是每个广告主都能做到的。怎样才是有效的大数据营销模式,在2014悠易DSP DAY上海站的论坛中,来自数据分析行业专家,成功完成互联网华丽转身的知名传统企业相关负责人,将带您一同探寻大数据营销的奥秘。
大数据营销趋势及扮演的角色
大数据营销要产生效果,需要一定的学习积累包括磨合,这个不是短期内可以产生效果的,它不像今天大家都在投的搜索引擎和直接投放电视广告,预算越大,产生的营销效果越好,这是可以有正向比例的。而利用大数据做营销,效果就如同Log抛物线,越到顶端加速越快,但是起步相对比较难,如果没有等到加速阶段就放弃,自然不会产生客观的效果,对于广告主来说,需要意识到的是,大数据营销需要背后海量数据的积累和分析,这是和普通的营销方式所不同的。
安客诚亚太区产品总监李辉表示,即使有很多的趋势,但大数据营销的本质没有变,就是通过合适的渠道找到合适的人,建立关系,实现销售。最关键的还是营销。
还有一个就是移动,移动造成的受众时间碎片化,跟PC广告不同的是,广告主需要想出受众所在的场景,这是比较困难的。
“在和广告主接触的时候,被问到最多的数据营销问题就是数据带来的价值”,李辉讲到。“数据不是短期内可以一蹴而就的,企业需要有一个内部的数据系统,这对企业也是一个很大的转型。
作为国内知名的广告主企业,海尔做营销的主要目的是什么?海尔是不是真正使用了大数据营销,有成功的解决方案?
海尔家电产业集团数据战略发展总监孙鲲鹏说:无交互不海尔,无数据不营销。数据可以提升我们的营销的效果,通过对数据的采集、挖掘、预测,能够帮助我们提高海尔的营销效率和效果,这是直接的好处。另外还有一个根本的好处是优化用户体验,以前没有数据做基础的时候,企业是单方面的把产品推销给用户。现在有了数据,可以通过需求预测数据模型洞察用户需求,大规模一对一精准营销,这样的用户体验是不一样的。也就是说,以前是为产品找用户,现在是为用户找产品。
至于海尔的数据模型是如何建立的,安客诚李辉介绍说,这些都基于海尔几十年的经验和线下习惯。安客诚将海尔系统来自不同渠道的售后售前和线上数据整合起来,基于这个可以做一些用户行为分析、建模、标签化。在应用到媒体的时候,还有一个要解决的问题,就是把数据和媒体数据实现连接,因为媒体这边也有用户人群的画像,有这么多用户标签,海尔的数据和悠易的数据对接,就可以实现在里面的人群寻找。
未来数字化营销的趋势展望
对企业来说,大数据营销已经成为未来营销新趋势,广告主期待未来会有什么数据在国内市场产生?更期待什么样的数据产品?
当提到这个问题时, 孙鲲鹏表示主要有三个方面:
第一是生态圈。目前海尔数据偏线下,从生产、开发到销售、服务,拥有的是第一方的线下实名数据,缺少线上数据,期待建立一个数据生态圈,在确保用户数据安全的条件下,借用先进的方法,让外部的线上数据和海尔的线下数据进行匹配,丰富用户画像,更加精准地洞察用户。
第二是开放。迫切希望数字营销行业能够开放,而不是大家都把自己的信息关在围墙内。越开放越安全,越关门越危险。至于开放什么?希望多举行类似的论坛,互相连接,不谈恋爱不见面怎么结婚?
第三是标准。希望建立数据行业标准。比如说安全,到底什么叫数据安全?比如海尔与互联网企业之间,什么样的安全标准双方都可以接受?包括企业的DMP数据管理平台与外部的DSP平台对接,PMP、RTB的开展,现有标准是否最合适?而且这个标准需要通俗易懂,否则这个新事物很难快速推广。
对于建立行业标准,安客诚李辉也表示赞同,未来安客诚将解决数据连接性问题,怎样能够有一个很好的数据连接技术平台,能够既保护好数据的产权,又实现数据的价值衡量。最后实现技术层面和整个业态的开放和广告主的开放。
杨纯表示,Admaster在2015年更希望为广告主提供好两个方面的工作,第一,连接外面的互联网数据,更好的为顾客服务。第二,帮助广告主把现在已有的数据,包括自有数据,怎么能够更好的在媒介环境里形成更加清晰全面的认识,只有了解才能投放,这两件事情做完以后,就是整个大数据的体现。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01