京公网安备 11010802034615号
经营许可证编号:京B2-20210330
社会化媒体与大数据爆炸时代的营销
大公司有关消费者的数据已经达到200T,在社交网络流行的背景下(Facebook、Twitter、Foursquare、Pinterest、Instagram)社会化媒体数据更是如洪水般泛滥,数据大爆炸已到达失控的地步。
如何处理这些数据?如何存储?如何行动?如何分析利用?交易数据、个人信息等结构化数据还好说 ,这些传统的分析工具尚能够应付。但社会化媒体数据基本上是非结构化的数据,所以很难分析。也没有标记系统让我们通过分析工具来利用社会化媒体数据。单靠个人是无法分析这种规模的数据的。
新的形势需要靠训练有素的团队来利用社会化媒体数据。这个团队应该像一支管弦乐队一样。要有一个指挥来制定社会化媒体计划,这名指挥应该熟悉公司的各种流程。但是这位指挥如何才能够知道何时改变策略、何时作出相应行动,何时解除行动,如何确定Facebook上面的“like”对于品牌的意义是什么?如果在社会化媒体网站上面请消费者帮助开发新产品,是不是有手段能够真正分析其提供的信息并概括出有助于推进研发的要点?还是说这一系列的问题最终都没有答案—就像大多数的数据一样,只是被存了起来却没有被好好利用。
过去大部分数据都是结构化的,所以可以分析和利用。但社会化媒体数据完全不同,用户跟品牌的交互是在自己的社会化媒体模式驱动下进行的。社会化媒体属于一种独立的营销领域,甚至跟网站都不一样,属于一种在兴奋作用下的口碑传播。
此外,现在消费者跟品牌的交互方式越来越多是通过移动社会化媒体,在本地化的层次上进行的,这又给数据增加了一个维度。有多少公司在消费者从“喜欢”你的品牌转向利用品牌创建的app观看品牌电视广告然后拿起电话给客户服务致电时跟踪过消费者并分析其行为呢?这就是消费者跟品牌的交互方式,这么多的步骤往往几分钟之内就完成了。
但是,即便消费者已经无缝地转移到这个移动社会化媒体世界里,Organic还是处于有针对性地部署员工的早期阶段,更不用说分析社会化媒体数据了。现在Organic专门雇人跟踪Facebook的内容,并且把他们的1-800外包给了印度。对于来自社会化媒体的数据洪流以及这些数据如何与其他的客户跟品牌公司接触点相关联,我们需要有一个健壮的系统来进行分析(Organic已经为此开发了Connection Index)。
如果希望让这些数据物尽其用,就得不断地给营销队伍增加技术人员。数据库管理需要一个能干的人手才能把所有的数据都转化为能够分析的形式。还有,能够理解数据及其影响的统计分析人员也不可或缺。要有熟练掌握行为数据的人。从社会化媒体接收到的数据跟此前采集的静态的、事务性数据是很不一样的。社会化媒体数据是非结构化的、流动的、移动化的,而且往往是相互矛盾的。此外,还需要雇用懂得如何对这些数据进行标记的人,把它们结构化以便统计分析人员和数据库专家能够加以研究,再让营销人员将其转化为可行动的品牌战略。
这项任务不能够扔给传统上负责社会化媒体的营销人员。仅仅得出一个结论说YouTube上有了1000万的展示量已经不够了。这只能够反映有人在唠叨你的品牌。很快CFO就会要求说社会化媒体渠道也要有ROI(投资回报率)。如果你没有完成销售目标,财务不会关心有没有人在YouTube上看你的视频或者把你添加到自己的Pinterest板墙上。没有收入,絮叨就只是絮叨而已。
为了满足这些ROI的要求,需要把社会化媒体转化为可以指导行动的数据,否则的话,最终就只会伤害品牌而非帮助品牌。营销活动的圣杯一直都是创造出有实用价值的感情投入。社会化媒体有能力将消费者与品牌以比最好的口口相传还要好的效果联系到一起。但是我们还是需要知道那些感情是不是被转化成了利润。
Ps.此文是Omnicom Group旗下的数字广告代理部门Organic(Organic的客户包括Kimberly-Clark、克莱斯、美国运通、索尼 PS、Sprint及二十世纪福克斯公司等。)的CEO Marita Scarfi的一篇文章,里面谈到了社会化媒体对营销活动的影响以及新形势下的要求,此文有助于了解广告公司在新形势下应该如何运作营销活动。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据指标体系搭建工作中,从业者常困惑于指标搭建的核心逻辑:究竟是依托一线零散数据自下而上汇总指标,还是基于战略目标自上 ...
2026-07-31在数据分析、问卷研究、实验复盘、业务建模的工作中,大多数人最关注的是“用什么统计方法”:是做T检验、方差分析、卡方检验, ...
2026-07-31 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-07-31在问卷调研的数据分析流程中,“先检验信效度,再开展进阶统计分析”是通用的规范逻辑。很多从业者会听到“问卷效度高,后续可以 ...
2026-07-30【核心关键词】大数据、统计学、专业、毕业生、论文、课程、计算机、建模、知识、数据分析、机器学习、数据科学、大数据技术、 ...
2026-07-30 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-07-30在业务数据分析中,按天拆分统计夜间时段的数据是高频需求——比如电商夜间订单监测、平台夜间用户活跃度分析、运维系统夜间异常 ...
2026-07-29在机器学习建模与特征工程实践中,判断不同特征对模型预测效果的贡献度,是特征筛选、模型解释、业务归因的核心环节。特征置换重 ...
2026-07-29 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-07-29【核心关键词】岗位、数字化、经验、课程、方法论、决策、企业、大方向、数据分析、销售管理、理论知识、思维方式、分析销售、 ...
2026-07-28在问卷调研、用户分群、效果对比等业务数据分析中,分类变量的关联性与差异性验证是高频需求。卡方检验作为针对离散分类数据的经 ...
2026-07-28 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-07-28在Excel数据分析与报表制作中,数据透视表是快速完成多维度汇总、分组统计的核心工具。很多从业者在得到透视表汇总结果后,为了 ...
2026-07-27 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-07-27当下,我们已然步入数据要素价值全面释放的智能时代。数据不再只是零散的数字记录,更是驱动新质生产力运转的核心动能、滋养人工 ...
2026-07-27【核心关键词】客户、数据分析、指标体系、数据采集、数据指标、业务数据、分析思路、业务需求、分析方法 【专访摘要】本次 CDA ...
2026-07-24在数据分析、业务建模与数字化运营体系中,原始业务数据普遍存在缺失、重复、异常、口径不一致等质量问题,直接用于分析与建模会 ...
2026-07-24 很多数据分析师能熟练计算均值、标准差,但当被问到“如何用一张图让业务方3秒内看懂核心结论”“面对不同数据类型该怎么选 ...
2026-07-24在数据驱动的精细化运营体系中,指标是业务判断、效果复盘、策略优化的核心依据。随着企业数据化程度提升,指标数量持续膨胀,但 ...
2026-07-23在用户运营与产品增长体系中,留存是衡量产品真实价值与用户粘性的核心标尺,也是决定用户生命周期价值、获客投产比的底层因素。 ...
2026-07-23