如何用大數據指導市場營銷？

11-16

感謝大家的支持，這裡作了一些修訂。

修訂：20140406，補充之前沒有展開的內容，歸納完善了部分章節。

==========

作為前工場工友，現從事大數據市場營銷實踐，看到這個問題，覺得可以且有必要在知乎上留下點東西。分享一點個人的觀點，請大家指正。
其實問題準確應該說是「如何用大數據探索市場營銷實踐」。國內外大家都在摸索，還談不上玩轉。

以下我以「大數據營銷」指代「用大數據指導市場營銷」，不是大數據概念本身的營銷。

=======

1. 誰在做大數據營銷？

2.
大數據營銷做什麼？

3.
大數據營銷怎麼做？

4.
大數據營銷現如今做得怎麼樣？

=================

1.誰在做大數據營銷？

大家都說自己在做大數據營銷。

基於：
1,業務：和市場營銷相關，因此政府機關單位數據不考慮。
2.體量：擁有足夠多有價值的數據。這一條很多互聯網企業和傳統大企業都能滿足。
3.技術：有技術能力處理大數據。
上面3個因素，國內能做大數據市場營銷的還真只有BAT三家。國外的不熟悉，這裡不談。

眾所周知，三家的數據特點各不相同。騰訊優勢在社交數據；阿里巴巴優勢在商品和交易數據；百度優勢在全網信息、消費者行為和主動需求數據。

當然例如平安、寶潔、沃爾瑪這樣的大企業，其自身肯定積累了大量的數據，基於這些數據的數據挖掘、過去就一直在做的網站分析等業務，雖然現今都冠以「大數據」的名義，但這與我們討論的大數據還不盡相同，他們用傳統數據工具對抽取一定數據進行分析，能基於那些數據進行挖掘，只是數量增多了而已，總體而言仍然屬於傳統的小數據範疇。

2.大數據營銷做什麼？

營銷業務類型
如果粗略劃分的話，廣告主市場營銷的預算一般可以分為實效營銷和品牌營銷兩大塊，根據自身發展需要和行業業務特點各有側重。例如過去京東、一號店等電商類企業，平安等金融類企業主要做效果營銷，互聯網是更適合做效果的媒體投放渠道；寶潔等FMCG客戶、賓士奧迪等汽車客戶主要做品牌營銷，傳統電視渠道是主要的媒體投放渠道。當然現在情況也逐漸改變，主要反映在：

1. 越來越多的品牌類廣告主也開始把品牌營銷預算放在互聯網上做

2. 越來越多的營銷形式越來越綜合。效果類客戶逐漸開始做品牌（京東）；品牌類客戶也開始做效果（汽車，考核線下4S店銷量轉化）。

2.1.實效營銷
實效營銷，互聯網人太清楚了。由於業務特性，過去的百度和阿里巴巴大數據主要應用還是中小客戶和消費者的個性化廣告，騰訊也主要是面向消費者的個性化廣告（阿里還可以用支付數據作信用風險評估，但是金融方面的了）。
例如像大家相對熟悉用大數據訓練優化數據挖掘模型，Amazon等一眾零售電商普遍應用這種個性化推薦技術，在我看來只是市場營銷中的應用類型之一。包括BAT及各大電商在內的各種個性化搜索和展示廣告都是這個路子。基本上都是實效營銷，考核CPC。在很多互聯網人眼裡，由於熟悉實效營銷，會有一種認知，市場營銷就是這些東西。掛廣告，考核CPM/CPC/CPD/CPS。
2.2品牌營銷
據我觀察，不少互聯網人其實對於品牌營銷是比較陌生的。關於品牌營銷
這裡需要先說為什麼做品牌營銷？
理由1.賺錢的需要：實效（效果）營銷錢賺到天花板了，互聯網媒體要搶品牌營銷大頭的預算了。

整個廣告市場，大廣告主手上的預算，佔大頭的還是品牌營銷預算，投放的媒介上傳統媒體（例如電視等）居多，投給數字媒體上的錢只是10%~30%（大概數字）左右。
理由2.客戶的需要：別再跟我提CPC了，很多東西沒法通過點擊衡量，品牌的知名度、美譽度、忠誠度怎麼用CPC衡量？因此需要對大客戶提供整合營銷的解決方案。
百度過去是效果營銷的典型代表。
有一種認知，百度在網民眼裡是個搜索工具，賺錢靠SEM，靠競價排名，賺不良廣告主的錢。我覺得這也是 @Fenng 提到的智力上偷懶的表現。
百度除了廣泛的中小企業客戶，還有大量的大品牌客戶，例如寶潔、賓士、寶馬、平安、歐萊雅等等，收入比重很大。對這些大客戶，需要品牌營銷。

這樣百度大數據的價值就體現出來了。前邊說到百度數據的優勢在於全網信息和消費者真實行為和需求的表達。覆蓋的廣度不是商品交易數據能比的。因此對為品牌提供整合營銷解決方案奠定了基礎。
基於以上，對百度最有價值的方式是基於大數據提供品牌營銷解決方案。

3.大數據營銷怎麼做？

基於數據的營銷基本過程

大數據的基本營銷過程與過去數據分析基本過程沒有差別，需要在定義商業問題之後，採集和處理數據、建模分析數據、解讀數據這麼三個大層面。但是大數據對三個層面的影響使得具體的做法又與傳統不一樣。

3.1 數據層：採集和處理數據

傳統採集數據的過程一般是有限的、有意識的、結構化的進行數據採集，例如問卷調研的形式。你能採集到的數據一定是你能設想到的情況。數據的結構化較好。一般的資料庫Mysql甚至Excel就能滿足數據處理過程。

而互聯網時代里，大數據的採集過程基本是無限的、無意識的、非結構化的數據採集。各種紛繁複雜的行為數據以行為日誌的形式上傳到伺服器。專屬的例如Hadoop、Mapreduce等工具就不贅述。

3.2 業務層：建模分析數據

使用的數據分析模型，例如基本統計、機器學習、例如數據挖掘的分類、聚類、關聯、預測等演算法，傳統數據和大數據的做法差別不大，例如銀行、通信運營商、零售商早已成熟運用消費者的屬性和行為數據來識別風險和付費可能性。但是由於數據量的極大擴增，演算法也獲得極大優化提升的空間。

3.3 應用層：解讀數據

數據指導營銷最重要的是解讀。

傳統一般是定義營銷問題之後，採集對應的數據，然後根據確定的建模或分析框架，數據進行分析，驗證假設，進行解讀。解讀的空間是有限的。

而大數據提供了一種可能性，既可以根據營銷問題，封閉性地去挖掘對應數據進行驗證，也可以開放性地探索，得出一些可能與常識或經驗判斷完全相異的結論出來。可解讀的點變得非常豐富。

4.大數據營銷目前做得怎麼樣？

大數據探索品牌營銷目前做得怎麼樣？

阿里巴巴怎麼做我不清楚，感覺阿里的大數據還主要在實效營銷的方面發力。通過「西湖品學·大數據峰會」的報道上看來的。

我所在的部門便是基於客戶的真實商業需求和問題，通過大數據的應用提供解決方案，目前也已經和客戶產生了不少優秀的模型方法和案例成果。
與傳統品牌營銷的幾方面類似，大數據在品牌營銷的主要應用方向也有：
1.消費者洞察
2.媒體價值研究
3.市場競爭分析
4.品牌管理
等方向。
每一塊具體的研究內容和案例，展開說有很多。下次我繼續補充。
=======================
利益相關：百度員工，文中觀點僅代表個人分析，不代表僱主觀點。

One Sheep，Two Sleep，
數羊意在睡眠；
同理，大數據意在營銷，
會心然後一擊。

大數據會心

會心受眾（Audience）

百度搜索風雲榜，會心認知。
各行業、地域、年齡、性別受眾關注什麼？
淘寶搜索排行，會心認可。
受眾優挑什麼產品/品牌/行業？
淘寶成交排行，會心認購。
受眾購買什麼產品/品牌/行業？

問，哪些需求待你滿足？
會心顧客（Customer）

百度指數/淘寶指數/百度司南，會心認知
百度指數，熱門趨勢反映知名度與忠誠度，需求圖譜反映美譽度；
淘寶指數，顧客地域、性別、年齡、愛好、消費等級可見一斑；
百度司南，對受眾人口屬性、訪問偏好、搜索行為管中窺豹。
需求方平台，會心認可、認購
若對數據魔方（可獲顧客購買頻次，來訪高峰、購買高峰、地域分布、性別分布、年齡分布）不滿足，
通過淘寶鑽石展位，或百度網盟，或DoubleClick投放不定向廣告一周，一目了然：哪類人只看不點（非受眾）；那類人只點不買（受眾），哪類人愛看愛點愛買？（顧客）。

問，哪些顧客待你覆蓋？
會心粉絲（Fans）

社會化聆聽，會心認知
1、理論入口即化：
假設你的官微每周增10粉掉1粉，分類統計（所在地、性別、職業、標籤、興趣點、關注對象）不難。
假設你在專櫃/官網/
大眾點評/百度知道每周收10評價，語義分析（產品、服務、物流）不難。
2、實踐難在3V：
即Volume（海量數據），Variety（多種屬性），Velocity（即時採集呈現）；畢竟沒誰是10粉絲10評價的量級。
目前國內僅Migo與AdMaster待價而沽，我都買不起。
品牌社區，會心認可、認購：
可以在微信，如雕爺牛腩微信公眾號，融粉絲調研與VIP申請於一體。
可以在微博，如杜蕾斯官方微博，共21條內容直言不諱徵集粉絲想法。
可以在網站，如耐克通過Nike+可獲知，冬天美國跑步者多於歐洲非洲；全球人均每次跑步時間35分鐘；跑步者最喜歡的歌與聚集地……

問，粉絲為什麼愛你，如何讓更多粉絲更愛你？

營銷一擊
大數據本身可營銷。
殺招1：數據產品化（Data Productionalization）

買是泄密
網購留下的姓名、郵箱、地址、手機……可資料庫營銷（會心受眾、顧客、粉絲後，以微信、電郵、簡訊、電話、信件召顧客返購），亦可出售。
賣即契約，顧客默認被市調（顧客改善體驗改善計劃），被傳播（為產品付費後，顧客還是產品），
亦可出售。
百度一下，你就知道沒誰乾淨。

大數據指導營銷戰略。
殺招2：數據共生（Date Symbiosis）
錢多人已不傻，畢竟：

沒啥無法認知：
上周300萬志願者衛星圖搜救MH370。
沒啥無法認可、認購：
我有一屋兇器……
沒啥不競爭：
與空間競爭，對手與顧客遍及全球；
與時間競爭，一千行業，就有一千喬布斯餘音繞梁；
與顧客競爭，內問微博朋友圈，外問百度谷歌，就是不問你……

如何是好？
如《Tribes》論證，消費者願意與其他消費者（而非企業）關聯。
認知、認可、認購萬事俱備，只欠東風讓受眾、顧客、粉絲一起玩：

如小米，把米粉玩成：

洞察對象，手機發燒友的論壇交流，讓小米更懂消費者。
創意機器，自由刷機系統，不設輸入法都是米粉創意。
測試工具，三分之一改進意見來自米粉的體驗與共鳴。
傳播載體，工程機、F碼、閃購……稀缺喚起分享與互動。
收入來源，小米1234，到小米商店、紅米、小米電視、小米路由器
…… 米粉買單最凶。

大數據指導營銷戰術。
殺招3：精簡客制（Simplify Customize）
會心受眾/顧客/粉絲後，依此精、簡產品/渠道/價格/宣傳：

例，淘汰非基於需求且粉絲不愛的產品；
例，進受眾、顧客、粉絲聚居地線下渠道；
例，新品定價略高於顧客消費等級；
例，付費粉絲都關注的明星微博宣傳；
例，內容貼合+人群定向+興趣匹配+行為記憶=精準營銷

……無非受眾/顧客/粉絲 ×認知/認可/認購的彼此獨立，完全窮盡。
讓受眾/顧客/粉絲，因無需選擇而選擇。

會心一擊

大數據會心受眾、顧客、粉絲。
大數據本身營銷一擊；
大數據指導營銷戰略戰術一擊。

開頭的One Sheep，Two Sleep——&>應寫作One Sheep，Two Sheep。
畢竟首屏瀏覽率77%，此處低至20%；55%訪客頁面停留時間不超15秒。
隨便寫寫，你多半不看。
會心，然後一擊。

說起市場營銷，可能大家都會想到，市場部門為了擴大品牌影響力，在市場上佔據一定的市場份額，會在各大渠道投放廣告，至於廣告投放出去後，如何追蹤渠道，如何衡量渠道投放效果，反過來指導和迭代下一輪投放，大部分人對這個過程的把控和分析是很模糊的，發了那麼多軟文、投了那麼多廣告、做了那麼多活動，最後老闆發話了「花了那麼多錢，效果咋樣啊？」，此時你可能就蒙了。今天用一張圖給大家簡單描述下，渠道投放出去後映射到產品最後發生購買的整個過程。

這是互聯網營銷過程中用戶典型的點擊流，大家可以回想下自己接觸、了解、購買一個新產品的過程。從某個廣告或者朋友圈看到了一條特別有意思而且很感興趣的產品，最後點擊推廣鏈接，打開了某個落地頁，瀏覽落地頁的內容後，最終完成了廣告主所期許的行為，至於廣告主所期許的行為是什麼是和營銷目的密切相關的，同時我們還要考慮到推廣產品所處的階段，因為不同產品階段的營銷目的是不一樣的。

這個過程可以分解為點擊前階段（Pre-Click）、點擊後階段（Post-Click）和購買後階段（Post-Buy），對於市場營銷來說，它是重點關注用戶生命周期的早中期階段，即點擊前階段和點擊後階段，主要包含用戶獲取、用戶激活和病毒傳播。

大數據是一切智能化的基礎和土壤，在這個過程中收集的數據量足夠多，才足以消除不確定信息，它所分析出來的數據才更有指導意義，善於收集、使用並分析數據，才能抓住「互聯網+」時代的「牛鼻子」。

點擊前階段

該階段我們的目的是提高用戶獲取的效率，完成目的前我們首先要了解各種廣告形式，一般會分為付費廣告和免費廣告。

付費廣告大概有：各種展示類廣告、視頻貼片廣告、搜索引擎SEM、百度品專等；

免費廣告大概有：直接流量、SEO、社交流量、朋友圈、朋友推薦等。

不管是哪種廣告形式，首先得做出區分才能衡量。第一步要建立精細化的渠道追蹤體系，用UTM參數配置來追蹤用戶的來源，告別拍腦袋主觀判斷渠道質量好壞的狀態。如下圖所示，UTM提供了五個可以自由配置的參數：

參數定義好後，可以進行各種場景的跟蹤。

如當生成的鏈接用於付費推廣時：

https://www.sensorsdata.cn/index.html?utm_source=baiduutm_medium=CPCutm_term=用戶畫像Futm_content=textlinkutm_campaign=news conference

如當生成的鏈接用於免費推廣時：

https://www.sensorsdata.cn/index.html?utm_source=baiduutm_medium=朋友圈utm_content=userarticleutm_campaign=五一系列活動

此時你可能會問，除了這些被標記的，那些自然過來的流量如何區分呢？別忘了，你肯定知道前向域名和前向地址，一般都是通過這兩個欄位開區分自然流量的。還有一些用戶可能還想區分站內和站外流量，沒關係，我們再增加兩個欄位，最近一次站外來源和最近一次站外地址就可以了。

好了，渠道標記完成後，我們來看看，這個階段的好壞可以用哪些指標來衡量？

Impression 即曝光量，Click 即點擊量，人們常常用 Click 和 Impression的比值 CTR 即點擊通過率來衡量廣告引起人們注意的程度。但是在展示類廣告中會存在大量作弊的現象，但是仍沒有阻止人們做展示類廣告，為什麼呢？因為廣告學中有個理論，叫曝光效應。它其實利用了人們的心理，就是一個東西，你見得越多，越覺得它好。關於曝光量這個指標還有個笑話，我的一個好朋友假期要帶男朋友回家見爸媽，可能覺得不帥，就想著如何捯飭能看的比較帥一些，然後我另一個閨蜜就發話了，利用廣告學曝光理論，多帶男朋友回幾次家，在爸媽眼前多晃悠幾次，你爸媽會覺得越來越耐看的（==！)。

CTR 說明這次所做廣告的創意水平以及和人群的匹配程度。比如，我在一個廣告位置投放了不同廣告創意的廣告，哪個廣告的 CTR 比較高，就說明哪個創意做的比較好。

CPC 即每次點擊花費多少錢，可以幫助你衡量比較不同渠道的成本。成本和 CTR 綜合衡量。

點擊後階段

用戶點擊推廣鏈接後，跳轉到的落地頁可能在 web 端，也可能在 app 端，落地頁打開後，如何衡量這個落地頁的好壞呢？落地頁承載的是用戶對你的產品的第一印象，第一印象很重要！

Traffic 即流量
通常用 PV UV Visit 指標來衡量，但是這些指標只能在淺層次上衡量這次營銷效果是否成功。

Call to Action
行為召喚，或者說是用戶行為號召。至於這個號召按鈕是什麼是和你這次營銷目的相關的，比如註冊或者下載App。這個 Call to Action按鈕一定要設置好，用戶點擊使用是無障礙的，要不你前期做的廣告，很可能就白費了。

如果流量和落地頁相匹配的話，上述指標不會差。用戶從落地頁跳轉到你的產品內部後，我們就需要通過 Engagement 這個指標，來看看用戶和我們產品內容和功能的交互度如何？

Engagement
Engagement 並不是指一個具體的度量，它是一系列衡量用戶在營銷活動中參與程度的指標集合，即用戶在產品中和產品內容和功能的交互程度。我們可以這樣理解它，它用以衡量流量產生之後和最終發生轉化之前的用戶行為和過程。

先來看標準意義的 Engagement 指標，主要指跳出率、停留時長和頁面訪問深度三個指標的綜合考量。我們可以看到，這些標準意義的指標，還不足以涵蓋更為具體的用戶行為分析需求。比如，一個網站有一些更為重要的希望用戶完成的用戶行為，註冊或登錄、申請試用、或是把商品加入購物車，其中註冊或登錄、申請試用是 Call to Action 行為，那麼這些行為的渠道來源數據是能夠採到的，但是加入購物車就不一樣了，這個行為是用戶登錄後的行為，登錄前後的行為如何關聯起來，用戶行為數據如何和後端業務數據打通，真正實現渠道與業務相匹配呢？。如果你不能把登錄前和登錄後的行為標識為一個用戶，那麼分析的意義就蕩然無存了。有關如何把登錄前後的行為關聯起來可以參閱如何準確的標識用戶 · Sensors Analytics 使用手冊這篇文檔。

標準意義的 Engagement 指標反映了用戶對於營銷內容和產品的感興趣程度，而按照業務定義的 Engagement 指標則反映了影響用戶最終發生轉化的各種因素。

另外從用戶和產品的交互過程中，會產生大量的用戶行為數據，我們可以從用戶行為上詳細了解到了用戶的一些行為特點，也就是我們常說的用戶畫像，比如用戶經常瀏覽電器類產品，且瀏覽次數大於5次，說明這批用戶目前在關注電器信息，那麼我們就可以把這部分人群撈出來，打上標籤，針對這部分人群作為重點投放的廣告人群，開始下一輪精準投放，這樣就形成了一個數據營銷的良性循環。

Conversion
提起轉化率，漏斗模型是市場和運營最為熟悉的方法，一般會按照「點擊推廣鏈接--&>瀏覽落地頁--&>有效諮詢--&>註冊--&>購買」類似的過程來做每一個轉化步驟，從而快速定位到哪裡出現了問題。但是這個模型在實際操作過程中是有兩個主要問題的。

首先，轉化漏斗需要全流程的監控數據，但這些數據很難全部準確的獲取。要想準確獲取這些數據，我們需要一個好的數據模型來定義每一個步驟，每一個步驟定義好後，我們還要考慮這幾個步驟的用戶如何貫通起來，即如何讓用戶一層層的漏下去？我們注意到從註冊前到購買的過程是完全割裂的，因為註冊前是匿名用戶，註冊後產生的購買是真實用戶，如何將註冊前和註冊後的行為關聯起來就顯得很重要，它和上述 Engagement 指標講解時所採取的方案是一樣的，可以參閱如何準確的標識用戶 · Sensors Analytics 使用手冊這篇文檔。

另外對於一些需要轉化周期的行業，比如互聯網金融、在線教育、醫療等行業，消費者有很長的決策周期，但是從市場現有的漏斗模型來說，因為漏斗轉化是基於會話的，轉化周期只有30分鐘左右，也就是此時一般只能實時統計到有效諮詢這個層級，這就削弱了這個漏斗模型的價值。既然這個問題存在了就一定有解決方案，如果這個轉化周期能根據自己的業務情況自定義呢？比如設置為3天或者7天，那麼這個問題就能很輕易解決和追蹤了。關於如何解決，有興趣的可以參閱漏斗分析 · Sensors Analytics 使用手冊這篇文檔。

其次，這個轉化漏斗的各個步驟，都是大過程，每個步驟間都有轉化和流失，因為每個步驟間用戶還會發生一系列的行為，這些很細微的行為導致了最終的轉化和流失，所以我們需要結合用戶行為序列和漏斗模型來共同完成此轉化過程的分析。

購買後階段

用戶第一次購買後，我們會關心他是否會再次購買，是不是在我們平台上留存下來了，以及流失率怎麼樣？對於復購和流失的優化，那就是另外一個課題了，如何通過數據優化產品和運營，可以作為下個主題來探討。

這篇文章跟大數據精準營銷有關，可以參考一下：

人類所有的知識可以分為三個大類：自然科學、社會科學和人文科學。一直以來，營銷的科學性正是因為運用了自然科學中的數據收集手段，嚴謹的記錄、搜集和分析消費者的各項數據和行為軌跡；同時又採用了社會心理學的方法，通過現象去解釋人的內心世界。這種主客觀的結合，讓營銷能夠推測與接近市場需求的方向，讓生產者與消費者達到和諧交換。因此，數據與營銷之間存在著密不可分的關係。

我們對於數據的計量單位已經從位（bit）、位元組（B）、千位元組（KB）、兆位元組（MB）、吉位元組（GB）、太子節（TB）等走向了澤位元組（ZB），甚至堯位元組（YB）。大數據帶來的影響不僅是數據量幾何級的增長，還有從量變到質變的顛覆性變革。另一方面，互聯網的發展使得消費者個性化需求的日益凸顯，也讓營銷領域發生了從「以產品為中心」到「以客戶為中心」的轉變。基於大數據的精準營銷對企業的營銷戰略帶來了挑戰也賦予了新的可能。

1、何為精準營銷？

精準營銷（Precision marketing）的概念是由營銷專家菲利普·科特勒在2005年底提出，他認為企業需要更精準、可衡量和高投資回報的營銷溝通，需要制定更注重結果和行動的營銷傳播計劃，還有越來越注重對直接銷售溝通的投資。簡單來說就是5個合適，在合適的時間、合適的地點、將合適的產品以合適的方式提供給合適的人。像戀愛一樣，讓消費者能夠一見鍾情、二見傾心、三定終生，實現產品與用戶多維度的契合。

2、數據貫穿營銷過程的始末

從啤酒和尿布這個古老的故事說起，沃爾瑪通過對超市一段時間的原始交易數據的詳細分析，發現了這對神奇的組合，將它們放在一起銷售，提升了兩種商品的銷量，這是傳統零售的一個經典故事。具體的一些分析方法可見此文章：除了啤酒和尿布，關聯規則分析究竟還有哪些實際應用？ - 知乎專欄

到了互聯網時代，亞馬遜的個性化推薦大幅增加了其銷售量、Facebook的精準廣告投放，成功把粉絲和流量變現、Google搜索頁面動態調整，讓推薦更符合用戶心意，提高了搜索的效率，這些事例都成為業界口口相傳的大數據營銷經典之作。通過大數據計算，能夠準確推測用戶的真實需求，將用戶想要的、喜歡的精準到達，有效的導流、用戶觸達和促進銷售。

在大數據時代之前，成功的營銷準則似乎並不複雜。掌握營銷的4P理論——產品（product）、價格（price）、促銷（promotion）、渠道（place），當營銷遇到挑戰時，只要使用熟知的營銷方案，加上好的產品和漂亮的廣告，基本就可以完成營銷的目標。而進入大數據時代，一切營銷行為和消費行為皆數據化，營銷逐漸的成為了一個數字遊戲，數據分析和數據管理成為了營銷人員的核心競爭力，數據貫穿營銷過程的始末。

3、大數據給營銷的會心一擊

誰是準確的目標受眾？如何在合適的時間、合適的地點、以合適的方式傳達給消費者正確的信息？隨著數據搜集、存儲、管理、分析、挖掘與應用的技術體系的發展，這些問題的答案已經可以顯現於眼前。　　數據挖掘與分析與將隱藏於數據汪洋中瑰寶打撈而出；各渠道數據融合提高了精準營銷的準確度；可視化技術把複雜的數據打磨為直觀的圖形，使之成為淺顯易懂、人皆可用的工具和手段；完備的數據伺服器集群，提供強大穩定的數據計算能力，實時洞察消費者行為，及時響應；移動終端的普及，讓數據分析隨地可行……大數據營銷使得營銷行動目標明確、可追蹤、可衡量、可優化，從而造就了以數據為核心的營銷閉環，營銷行動得到良性循環。

毋庸置疑，大數據可以幫助企業進行營銷決策的調整與優化，亦有助於品牌發現機遇，如新客戶、新市場、新規律、迴避風險、潛在威脅等。企業如何駕馭數據，利用數據驅動實現業務洞察，是形成差異化競爭優勢的關鍵所在。

註：文章轉載自海致BDP~~~

從技術層面上來回答這個問題。

依百度祝佳所說，基於數據的營銷過程與過去數據分析基本過程沒有差別，需要在定義商業問題之後，採集和處理數據、建模分析數據、解讀數據這麼三個大層面。

數據層：傳統的採集和處理數據過程一般是有限的、有意識的、結構化的，能採集到的都是你所能設想到的情況。而對於商業智能，數據的採集過程是可以不受限的，是無意識非結構化的數據採集。所有的生產經營過程信息都可以轉化為結構或者非結構化的數據。

業務層：建模分析數據使用的數據分析模型，利用商業智能的OLAP（聯機分析處理）技術對複雜的數據進行分析操作，快速靈活地進行大數據量的複雜查詢處理。例如銀行、通信運營商、零售商早已成熟運用消費者的屬性和行為數據來識別風險和付費可能性。

應用層：數據指導營銷最重要的是解讀。傳統一般是定義營銷問題之後，採集對應的數據，然後建模分析，驗證假設，進行解讀，解讀的空間是有限的。而商業智能提供了一種可能性，既可以根據營銷問題去挖掘對應數據進行驗證，也可以開放性地利用外部環境數據與內部數據事實結合探索，得出一些預測性的結論。

在應用實現層面上，真正能應用大數據的應該也就BAT，大多企業仍然通過網站、業務系統、外部商業數據這些來做一些「數字營銷」。技術上商業智能BI，還有一些專業工具通過埋點等一些列手段的數據分析。

業務應用方面，主要通過以下幾點來實現精準營銷：

用戶行為特徵分析

基於大量的事實數據，我們可以年齡、職業、學歷、收入等維度分析用戶的喜好和習慣，給用戶設定「標籤」，做到比用戶更了解自己。

精準消息推送

依靠數據分析結果的支撐，在對用戶行為和特徵分析之後，我們對用戶群體進行細分，用郵件，簡訊，客戶端推薦，甚至是傳統的商店產品的組合羅列、搭配銷售來對特定客戶推薦特定產品，實現精準定位。

挖掘重點客戶

二八理論告訴我們，80%的利潤來源於那少部分忠實的老用戶，而且開發一個新用戶的成本也高得多，所以維繫老用戶，挖掘重點用戶成了重中之重。也是通過對用戶行為的分析，我們來判斷哪些用戶是與企業的產品和服務匹配的，是最有價值的用戶。最直接的就是網站的訪問，可以判斷用戶關心的東西是否與企業有關。當然可以藉助外部的社會化媒體信息，從千絲萬縷的聯繫總挖掘對應的信息，綜合起來，幫助企業篩選重點用戶。

成果展現

大數據的分析實質上是圍繞特定指標的數據展現和某一業務不同維度的分析。以下是FineReport所參與搭建的數據平台中，企業營銷數據的展現案例（供參考）。

各地區指標完成情況

客戶ABC等級分析

產品分析

社會組織分析

無全量、海量數據不要輕易嘗試大數據營銷，會坑死你。

除了bat還有很多公司可以做大數據營銷，只是我們忽略了而已。
比如保險公司，以車輛保險為例，保險公司會有一個龐大的系統記錄車險到期時間，一般保險業務員會在車險到期前一個月給車主打電話續險，也有保險內勤跟其他保險公司的人合作，出賣數據以中飽私囊，這個算不算大數據？
好吧，還是換個喜聞樂見的形式來表述吧。
假設，我認識100個妞，有結婚的，有男友的，有單身的，還有喜歡大叔的，喜歡正太的，喜歡喝酒的，喜歡泡夜店的，喜歡爬山的，還有最近在忙工作的，最近在考試的。
那麼，問題來了
我是應該選擇在一個風和日麗的清晨，和一個作風保守的妹子一起手拉著手爬山，還是應該在燈光迷幻的夜店摟著一個快把胸露出來的妹子隨著音樂擺動。
我是應該選擇一個單身女青年一起花前月下，還是苦苦念著一個已婚女子至今不能放下，還為她拍一部《那些年》。
我是在一個女孩子大姨媽來的期間送去體貼的問候，還是應該在大姨媽還沒來和剛走的時候邀請妹子在你的房間裡面多呆一會兒？
如果你這些都有答案的話，那麼
你會按照女孩子的大姨媽時間以及她的性格，是否單身，喜好做什麼，最近有沒有時間來安排自己的生活吧，若無意外，此事，定能算得上是大數據了。

在中美的大公司都做過市場營銷的數據分析工作，在中美的top學校也都學習過市場營銷。關於營銷中到底怎麼使用數據進行指導，我總結下兩條最常用、最核心、最原則性的方法。第一是利用數據做Attribution，第二是利用數據treat customers differently。

什麼是attribution？就是多種因素影響一個我們關心的目標，怎麼知道每種因素分別起到的作用。最經典的例子是在廣告屆，很出名的一句話是「」我知道我的廣告費一半都浪費掉了，但我不知道是哪一半「」。為什麼呢? 因為回顧過去一年，同時投入了那麼多種類型的廣告，銷售增長了20%，怎麼知道是哪一種廣告在起到作用呢？對每種廣告投放進行論功行賞，這個分析就是最經典的attribution。現在流行的digital marketing也是一樣，一個消費者先後接觸多種廣告，最後選擇了購買你的產品，到底是其中哪一種廣告起到了關鍵的作用？對digital marketing和advertising spending的optimization，現在是美國大量運用數據的領域。國內也開始慢慢起步了。剛剛說到的都是customer acquisition的階段的典型attribution，在customer retention階段，其實也有很多應用。比如我以前在Hyatt Hotels做住客忠誠度的研究。問卷首先問給別人推薦本酒店的可能性1-10，然後再問對於酒店經歷的各個方面的滿意度1-10。想要知道各個不同方面的滿意度是如何影響客戶推薦酒店的可能性，這就得使用以往問卷數據建立回歸模型來解答的，也就是典型的attribution。數據中發現的insight可以指導酒店合理使用資金對酒店進行改善，把錢用在客戶最關心的部分。

第二個利用數據指導市場營銷的原則性方法，是利用數據對消費者行為進行預測，然後達到treat customer differently的目的。老美營銷者常喜歡說的一句話，是not all customers are created equal,就是想說營銷活動中想要提升效率就要treat customer differently，而treat customer differently的基礎就是對消費者行為進行預測。而預測，就需要通過對以往大量的數據進行分析和建模。在customer acquisition的階段，典型的分析工具是建立response model和customer lifetime value的model。比如你有一個20% 折扣的coupon可以發給消費者，但在網上發送這個coupon是有成本的，比如付給網站的廣告費。那麼潛在的客戶中，你應該把coupon發給誰？利用數據分析的做法，是通過以往發送coupon的結果數據建立一個response model，然後對於現在的目標群體進行scoring，coupon只發給收到coupon後實際使用的概率超過某個cut-off line的消費者。進一步的做法，是對所有潛在消費者收到coupon之後5年內的消費總額進行預測，並將coupon發給消費總額最高的那一部分消費者。這就叫做customer lifetime value的分析。在customer retention的階段，treat customer differently同樣重要。電信公司常用的方法就是預測現有消費者的churning probability，就是現有客戶的流失概率。對於流失概率高的客戶，當然是要各種方式進行加力挽留了。

如果想做市場營銷領域的數據分析師，可以考慮去美國讀一個Business Analytics（MSBA）的碩士，建模那些東西，自己學還是挺麻煩的，有興趣的話可以看下這個網站：http://www.analyticsguides.com 。專門介紹business analytics專業的。

BAT員工，做營銷數據產品的，所以就從這個點切入說下理解

我認為理想的狀態應該是使用針對營銷場景設計的數據產品，並且數據產品能夠直接輸出一些可執行的策略和建議。

這裡先強調下對數據產品的理解。一定要跟數據工具和一些可視化的數據報表區分開，最大的差別就是內在有沒有結合業務對數據進行加工。很多工具和報表缺乏對業務的理解，只是簡單的呈現一些數據，或者就是各個功能點之間是割裂的，無法解決複雜的營銷問題。

然後再強調下可執行的策略和建議。要麼是針對一次具體營銷活動在投放前的全部策略，如目標受眾、投放渠道、營銷重點等；要麼就是能直接對接一些投放廣告投放平台，在線時時的提供千人千面的廣告呈現策略，如對於觸發某個汽車品牌廣告的用戶，我呈現的廣告風格、廣告中突出體現的汽車要素（是油耗還是舒適性）。

我認為比較理想的營銷數據產品從功能上說應該至少是兩層的，底層是一些獨立的小功能模塊，上層是定製化的將這些小功能模塊組合起來形成的大功能群。

底層的獨立小功能模塊一定要充分的結合營銷的各個場景，從大場景來說有4個，分別是整體市場情況、品牌競爭、用戶畫像、決策路徑。

稍微展開說下，整體市場情況中包含了品牌所在行業的體量、品牌的市場佔有率和增長率、品牌人群的地域分布等；

品牌競爭主要目的是通過與競品的對比充分的找准本品的定位，會包括競品的識別、用戶在比較本品和競品時會從哪些維度來對比等；

用戶畫像主要是為了全方位的描繪用戶，除了人群標籤以外，還會有目標受眾的活動區域、偏好的瀏覽媒體、常用的APP等；

決策路徑是很多產品都忽略的，而這也是目前很多行業里前沿的廣告主最關心的問題。比如汽車行業的很多廣告主，他們做數字營銷已經很久了，傳統的人群畫像等已經不能滿足他們的需求，他們更關心的是哪些因素影響了用戶的決策，他們將用戶的決策視為一個動態的過程，而不是靜態的畫面或者場景。舉一個簡單的功能範例，到底是哪些因素影響我的目標受眾從關注我的品牌而轉換到競品？

上面說的都是一些底層的獨立小功能，那麼營銷場景中還會有很多複雜的問題，不是一個單獨的功能就能支撐的，這就需要根據不同的問題，將底層的小功能進行組合，形成更大的功能群。具體的場景就是輸入本品之後，能夠一攬子的告訴你你的目標受眾群體是誰、在哪兒去接觸他們、在接觸他們的時候以哪些內容能更好的打動他們。看似簡單，但背後涉及複雜的策略和演算法邏輯，以及難度較大的工程實現。

我目前主要負責的是通過建模來解決如上提到的諸多功能，也就是背後的營銷問題。歡迎同行前輩溝通。也期待看到大數據指導市場營銷這部分有更前沿的探索。

我認同某位知友說的市場營銷的概念很大，所以大數據怎麼指導市場營銷的概念也是相對大了。不過也是有好多知友覺得大數據更多的還是從市場和營銷方面切入，像DMP、DSP等概念的出現，其實更多的都是大數據背景下精準營銷的產物。

大數據也很可能在企業在市場研究方面有突破：
1、好處是什麼？互聯網大數據有

豐富性、自發性、實時性、成本低、探索未知
等特點，可以讓企業在市場研究的時有

【成本低、周期短、實時反饋】、【

發掘自發、真實、多元的聲音

】
、【

探索經驗外的未知信息

】等優點
2、挑戰是什麼？

具體要求有三大能力：

（1）
數據獲取能力

不僅要從內深上不斷發展，如打造一支具備「三項核心技術」：分散式通用爬蟲，海量數據清洗和NLP國內頂尖的爬蟲團隊。另一方面面對國內處於成長期的數據交易市場，更需要外延，未來更需要的一些商業API數據，在一些開放的數據聯盟及平台上進行數據的市場交換及購買能力。

（2） 數據處理能力

同時互聯網大數據基本上是大量的非結構化的，文本的數據。數據量巨大，已經超過了單機Excel等工具的能力範圍，同時非結構化數據的特性決定了對大數據處理能力的高要求。要求語言分析能力包括垃圾過濾、觀點抽取、實體識別、內容分類、內容聚類、內容摘要、情感分析。

（3） 數據洞察能力

大數據時代企業要想從數據中獲得價值，就需要通過海量的數據挖掘，分析出隱藏在背後的用戶行為習慣以及偏好，設計更符合用戶需求的產品和服務。在其中對數據的敏感、分析和洞察能力的重要姓可想而知。這就包括建立數字模型、探究光臨與因果、整合多源數據、建立快速反饋體系、定性與定量分析等。

首先你得有足夠體量的數據獲取方法，深刻體會獲得數據的過程，與數據的提供者深度溝通。單單以上幾點就把絕大部分企圖染指大數據的人擋在門外。
手機碼字，稍后豐富。

以下內容2014年4月12日補充。

我最關注的是數據採集，我覺得這是大數據的王道。
永遠記住，大數據的競爭在於數據採集的競爭，在於數據維度的競爭。你能從搜索排名看到的東西，別人一樣看得到。你在用戶不知情的情況下獲得的東西準確性到底有多少？？購買，和消費是兩個概念。我在淘寶買的奶嘴肯定不是我使用對么？？也許是給同事代買的不是么？？這種干擾會讓你的數據變得異常飄忽。
大數據原則：一定要在陽光下得到你要的一切。數據的獲取一定是一個互動的過程，你的用戶能感知到你所做的一切，他願意與你配合，當然絕大部分大數據的業內人士都倒在了這一點上。看看滿屏幕的淘寶推廣廣告就知道了，我都買完了的商品大片的出現在我的屏幕上，去年買了個表啊！
現階段，工作重點最好放在數據獲取的層次，除非你為了吃飯，找一些客戶忽悠，為他們分析數據騙錢。是的，就是騙錢。你得到的這點東西真的能稱為大數據么？？拋開數量不談。BAT級的公司確實能得到海量的數據，但誰說數據多了就是大數據？？大數據更多的體現在對單個個體的精準描述上，基於單個個體的描述來判斷群體的動向。百度只是知道我搜索什麼，百度就不一定知道我做什麼工作我老婆喜歡什麼化妝品對么？我搜索的東西也許是我的工作需要也許是我的個人興趣也許是我敲錯鍵盤了不是么？？你怎麼分別？永遠不要在二維層面上做三維的數據分析！

《哈佛商業評論》——大數據顛覆市場營銷

2008年，理查德·泰勒（Richard H. Thaler）和卡斯·桑斯坦（Cass R. Sunstein）提出了一個觀點：個人觀點的微小變化都可以演變為所有人的群體行為模式的重大變革。同年，IBM推出了「智慧地球」的概念，其核心是：這個世界正在被感知化（Instrumented）、互聯化（Interconnected）和智能化（Intelligent）。在「智慧地球」的願景下，個人的行為不僅能夠被量化搜集、能被預測，而且個人觀點的表達能夠改變商業世界和社會的運行。

　　由此，一個個性化客戶主導商業需求的時代到來了，市場營銷引領的企業變革初見端倪。這一變化使得由亞瑟.尼爾森（Arthur Charles Nielsen）開啟的現代市場研究學發生了顛覆性的變化。

　　20世紀30年代，市場信息的收集與闡釋被正式納入營銷概念，自此，營銷界一刻也沒停止對消費者的研究。從公司角度而言，其市場營銷的切入點和重點經歷了三個階段的變化。這其中最為著名的三個觀點是羅瑟·里夫斯（Rosser Reeves）提出的USP理論，要求向消費者表達一個「獨特的銷售主張」（ Unique Selling Proposition ）；傑羅姆·麥卡錫（Jerome McCarthy）的「4P組合」以及80年代品牌專家大衛·艾克（David A. Aaker）的「整合營銷」（Integrated Marketing）理念。

http://www.hbrchina.org/2012-12-11/112351184.html

假設你是班主任老師，一個班裡有50個孩子，
進行一次考試，從第1名排到第50名，每一科的成績都有，
你知道哪個孩子排名靠後且家裡有錢，哪個老師願意課外輔導賺取外快，
你問一下她們兩個，買賣就做成了。
如果你能把一個學校、一個地區、一個城市學生的成績掌握起來，其價值更是不可估量。
這就是大數據市場營銷。

大數據服務市場營銷，無論從什麼行業來說，都圍繞渠道來源、渠道轉化、渠道流程優化、用戶留存等方面。

渠道來源。電商廣告界有句名言：我知道我一半的廣告費都浪費了，但是我不知道是哪一半。在不同的渠道來源中，需要判斷出哪些渠道有效果？哪些渠道來的線索更優質？從而為電商投放與推廣提出指導意義。企業可以標記用戶渠道來源，評估渠道拉新效果。

渠道轉化分析。吸引用戶到電商平台不是目的，重要的是跟蹤到用戶的激活。跟蹤到用戶購買才是真正的轉化了，分析不同渠道註冊及消費轉化，調整投放策略。值得強調的是，渠道轉化分析是市場投放和用戶轉化的要關心的重要指標，它傳遞出你的用戶是否真正發生了購買行為。

激活流程的優化。通過數據分析不斷地優化激活／註冊流程，讓整個的轉化激活的流程變得更加的容易，杜絕「卡殼」，讓用戶與留存購買變得水到渠成。

用戶留存。電商企業讀懂用戶留存。可通過日留存率、周留存率、月留存率等指標監控應用的用戶流失情況，關注用戶留存變化與留存規律，並在用戶流失前提前採取相應措施，激勵這些用戶繼續使用應用，如此來增加用戶粘性。

作者：喬一鴨，神策數據運營一枚，專欄用戶行為分析；更多乾貨分享請關注2017神策數據驅動大會。

鄙人市場汪一隻，不請自來，就不客氣了。

我們喜歡談論東西的時候，包括做方案或者報告的時候，加點數據會比沒加數據有意思得多，再詳盡的文字在數據面前都會顯得蒼白無力。

做營銷方案需要數據分析，市場調查需要數據反饋，做活動也沒法脫離數據，更要緊的是拿著活動方案或總結跟老闆彙報的時候，只有數據才會有說服力，所以，我們喜歡在交給領導的方案中增加預估的一些數據，在活動結項的報告中附加一些數據報表，當然，如果領導更喜歡閱讀你的純文字報告作文那真是一種大幸了。

好了，市場營銷這個範圍很寬泛，我就以市場營銷中的「做活動」為例，聊聊怎樣用大數據來指導這一項營銷活動。

最基本的事情是，大數據可以幫助我們梳理出一條完整的前後脈絡。

客戶從哪裡來，客戶來了如何應對，現場需要哪些設備、人員來增進服務，如何做好更加高效的現場管理，活動後期的數據統計、存儲以及效益評估等等。借用大數據立足全局，運籌帷幄，這是大數據的第一個緊要之處。比如說按照下面這張脈絡圖構建起整個活動的流程：

接著，就是把活動中的數據運用起來。

不過在活動數據運用這一塊，目前國內能夠做到非常深入的少之又少，我們可以藉助那種活動管理系統的工具來做這些數據處理的工作。大數據需要一種規範化、標準化的處理模式，以實現數據價值的最大化。市場活動中的大數據如果做分類處理的話，應該包括：

很重要的一點，也是大數據、大計算非常重要的特點，就是大數據可以幫助我們對市場活動中的用戶行為習慣進行分析。

用戶行為分析是市場策略中常用的一道規則。市場活動以用戶為中心，以效益為導向，活動的籌備、布置、服務都圍繞此而展開，如果缺乏這一數據性的依據，極可能導致活動實效的大縮水。

大型活動的數據收集依賴系統化管理來完成，而將要為營銷提供決策依據的用戶行為分析則還需要對收集的數據做點「加法」，從而實現這些數據價值的深度挖掘。

那麼，需要做「加法」的數據對象包括哪些呢？一般說來，完整的用戶行為數據應包含用戶的習慣、來源、服務體驗度等，具體而言主要是參會人員的報名渠道來源，支付方式，人群職位分布與行業來源，人員的群體習性與特徵，對不同分會場的的關注度，現場服務的體驗度，不同區域的人流密集度等等。

採用「加法」處理所收集的數據，仍然依託著技術優勢的系統化管理實現，對數據完整、準確地記錄下來，並依據一定的演算法邏輯來完成。例如，在對參會人員的報名渠道來源分析中，大數據處理方式會精確地分析出該名參會人員獲知活動信息的推廣渠道、地域來源，不同渠道分布比例、各渠道營銷成本與收益對比，以及團隊報名與個人報名的比例、參會群體獲取信息的行為分析等。

除了對數據挖掘的深度，這種方法還同時具備了數據的精確性、實時性等，真正把數據的附加價值發掘出來。

在營銷觀念發生了翻天覆地變化的如今，基於數據分析的用戶行為研究不僅可以提供營銷決策的依據，而且還將在後續營銷機會跟進、服務體驗改進、現場資源優化配置等方面給企業以實際的幫助。

大數據指導不了市場營銷。
市場營銷是高於大數據的。大數據只是市場營銷能用的一個工具而以。
市場營銷的根本性目的在於找出市場中的不平衡。而大數據也許從某一角度能證明這種不平衡確實存在。

你玩轉大數據了嗎？

Big data is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everyone claims they are doing it...

一、用戶畫像

1.大數據

來源：阿里指數、百度搜索指數、微指數首頁

2. 實時熱點信息流：賭，色，貪，懶，媚···

來源：百度搜索風雲榜、微博實時熱門榜、發現 - 知乎

3.關鍵詞檢索：用戶關注什麼？有共鳴，可複製，視覺美，趣味性，話題性。

來源：知乎搜索·知乎話題的關注人數差異，全吧搜索·百度貼吧的粉絲數差異，微博搜索·微博的粉絲數差異；微信搜索·文章閱讀點贊量；bilibili搜索·彈幕/投幣量。

4. 關鍵詞檢索：用戶買什麼？

來源：淘寶無線搜索、天貓PC搜索、淘寶PC搜索、一淘搜索、虎撲識貨、知乎/微博大V的賣的產品服務。

5.關鍵詞檢索：用戶怨什麼？

來源：全吧搜索、微博搜索、微淘留言、購買評價、App Store評價。

二，業務運營能力

1，線上運營能力——Alexa、 Chinaz-UV、Chinaz-SEO、阿里媽媽-淘寶客

2，產品服務質量——

三，企業主動披露信息

1，業務搜索

企業信息-天眼、上市披露-雪球、模糊搜索-知乎、模糊搜索-百度、國內新聞-百度、公開披露-風報、定義解釋-維基

2，人/企業

企業信息-工商總局、企業信息-阿里巴巴、企業信息-啟信寶、企業信息-ICP備案、職業人-LinkedIn、社會人-Weibo、投資人-投中、投資人-IT桔子

3，數據安全

國內外數據平台匯總、手機號獲得信息

4，政務公開-國內

中國證券監督管理委員會、中國證券投資基金業協會、中證指數有限公司、深圳證券交易所、上海證券交易所、全國中小企業股份轉讓系統、上海聯合產權交易所、每日開放式基金凈值表、中國銀行外匯牌價

5，海外上市公司

美國上市公司：U.S. Securities and Exchange Commission
香港上市公司：:: HKEx :: HKExnews ::
新加坡上市公司：Singapore Exchange Ltd
加拿大上市公司：The Stock Market, Canadian Stock Exchange
英國上市公司：Home - London Stock Exchange

技術不重要腦力才重要數據不重要解讀才重要

消費者毫無隱私而言.