传播过程模型 | 学习笔记

简介: 快速学习传播过程模型。

开发者学堂课程【高校精品课-湖南大学 -市场营销:传播过程模型】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/4/detail/16033


传播过程模型


内容介绍

一.传播过程模型

二.宏观的传播模型

三.微观模型


一.传播过程模型

营销者应该理解有效传播的基本要素,可以从两个层面来考虑营销的传播过程:第一是宏观的传播模型,另外一个是微观的传播模型。


二.宏观的传播模型

宏观的传播模型,主要由九个要素构成。发送者与接受者之间的信息传递过程:

image.png

发送者通过一定的规则来进行编码,将信息通过一定的媒介传达至接收者,接收者先将经过编码的信息进行解码,然后还原成所接受到的原始信息,为了让这种传播更加有效,接收者需要进一步对接收到的信息做出反应,并反馈到发送者端,主要是因为在各个环节中,都可能存在着具有干扰因素的噪音,这就是营销传播过程的一个宏观模型。

信息的发送者,必须知道自己想要吸引哪部分受众,以及希望受众获得什么样的反应。

他们必须以目标受众能够解码的方式来对自己的信息进行编码,然后通过能够达到目标受众的媒介来传递信息,并开发反馈渠道来监控反应。发送者的经验域与接受者的经验域重叠越多,信息就会接受的越有效,这就是传播的宏观过程。

例如在速溶咖啡到达中国后,如何将咖啡这个舶来品传递给可能的潜在消费者?当时,有两句广告语,“滴滴香浓,意犹未尽”,“味道好极了”。哪句广告语更能够传播咖啡这个商品的属性?到底是“滴滴香浓,意犹未尽”,还是“味道好极了”?很多同学会认为,第一句,更加具有一种小资情调。

但偏偏第二种广告卖的更好,为什么?这是因为当时咖啡的主要消费群体并不是小资群体,不是知识分子,或者是一些对外来文化比较接受的那个群体,因为他们没有资金。这种咖啡当时很贵,刚刚进入中国大陆市场时,类似于奢侈品或者身份象征的产品。当时购买咖啡的第一波消费者主要群体是中国的首批万元户,中国的首批万元户其实大多数是的士司机,所以“味道好极了”,这句广告语对这一个群体具有更广泛的吸引。

这就是说在传播的宏观过程当中,一定要了解到接收者的语境范围,它的理解程度,讨论完宏观的传播模型以后,还要从微观层面去考虑传播模型。


三.微观层面

微观层面更多的是考虑消费者的反应。有很多种反应层次模型,不同的学者通过研究,都提出了他们对消费者反应微观模型的一个理解,这些模型都大同小异。如下图的所有模型,虽然各种要素和流程会有一定的差异,但实际上,他们都是按照购买者认知顺序来进行的,将其划分为三个主要的阶段,叫做认知阶段、情感阶段和行为阶段。也就是说它是一种了解、感受、行动这样的一个顺序,适用于受众对产品品类介入程度较高的情况,他们会感知到不同产品之间的巨大差别。例如汽车或者房子,而另外一种顺序,例如行动感受与了解,就适用于受众虽然进入程度比较高,但感知产品内部差异的能力较差的情况。例如飞机票,或者个人电脑。第三种顺序,了解到行动再到感受,它更多的是适用于受众介入程度比较低,且感知差异很小的情况。例如日常用品,盐或者电池。

我们根据不同类别的产品来选择不同的反应顺序和流程,这样能够使营销者更好的对传播进行规划。分析如下:

例如,我们假设购买者对产品类别有较高的介入度,而且能够感知到产品内部较大的差异,来详细的为大家阐述一下效果层次的模型。假设现在有一个学院,他要进行一场营销传播活动,首先从知晓层面,应该多数目标受众对产品可能并不太了解,所以传播者的任务就是要建立知晓度。现在学院可能首先就要让更多的高中生对这个学院感兴趣,特别是很多时候高考就快到来,如何提高一个学校,一个学院的知晓程度,从而使得这个学院在未来的招生过程中,能够有一个很好的招生情况。很多高校会派他们的老师到各个高中去进行宣讲来提高我们的知晓度,知晓度提高以后,目标受众知晓该品牌,但可能了解不多。

所以,不仅要让别人知道我们的品牌或者名字,更需要对学院进行进一步的宣传,让目标受众能够了解关于学院更多的内容,要将一些人才培养方案,或者一些目标跟高中生,特别是高中生的家长进行沟通和交流,让他们了解他的小孩以后在大学里会接受什么样方式的教育和培养,在毕业以后,会达到什么样的水平。如果目标群体了解了关于品牌的知识,那么他们对这个品牌会有什么感觉?我们希望能够引起他们的兴趣,让他们喜欢,希望他们对我们有一种比较正向的看法,然后产生某种偏好。

他喜欢这个品牌,喜欢这个学院,但是他可能没有达到特别偏好的程度,作为传播者,必须通过和其他类似竞争者的比较,来树立消费者的偏好,例如比较很重要的某些关键指标:升学率,就业率,就业单位,等等这类指标。

与直接竞争对手进行比较这点很重要,经过比较后,形成消费者特定偏好后,主要是要取得消费者的信任,目标受众可能偏好某个特定的产品或者品牌,但是没有确定要购买,这时我们就需要提升对我们感兴趣的学生,最终选择的意愿或者申报的意愿,最后就是购买过程,促成购买,如果前面做的很好,但是最终没有实现实际的购买行为,也是无用功。营销传播者,必须引导消费者完成最后的步骤,最终让他报考我们学院。

不管是哪种消费者反应模型,都是分不同的阶段,每个阶段当中可能细分为某个步骤,那假设每一个步骤,它的从中概率,稍微小一点,那么整个事件完成到最终的行为阶段的这个概率就会大幅度的缩减。

假设这每个环节的成功率是50%,如果中间一共有六个环节,六个环节下来,它每个环节概率是50%,最终实现就是50%乘以50%乘以50%,六个50%相乘,它的概率等于多少1.5625%。任何一个环节出现纰漏,都会极大的降低最终成功的概率,为增加营销传播活动的成功概率,营销者,可以做一些努力来增加每一个步骤的可能性。

例如完美的广告活动,它应该确保:第一要让适当的消费者在恰当的地方,恰当的时间能够接触到恰当的信息。

第二广告要能够引起消费者的注意,但又不能分散对目标信息的处理,有些广告打的非常的热闹,但是,到底要卖什么并不清楚。例如华少他的口播非常厉害,但可能你更多关注的是华少的语速,而忽略了他推荐的品牌,语速太快听不清楚。

第三广告要恰当的反映消费者对产品和品牌的理解和行为层次。

1.广告定位要反映品牌希望追求,以及可以实现的差异点和相似点,人们往往对差异比较感兴趣。

第五,广告要能够刺激消费者考虑购买该品牌,要触动购买冲动,最后广告要通过已有的传播效果创造较强的品牌联想,使得他们在消费者考虑购买时能够产生着重的影响。

这是我们讲的营销的传播模型,宏观模型和微观模型,从两个层面上去探讨和减效,我们的营销传播工作是否有缺失,是否有效。

相关文章
|
2月前
|
机器学习/深度学习 计算机视觉
【Tied-Augment】卷出新花样:加强数据增强的有效性!从一篇顶刊论文中窥探的一些信息,
【Tied-Augment】卷出新花样:加强数据增强的有效性!从一篇顶刊论文中窥探的一些信息,
26 0
【Tied-Augment】卷出新花样:加强数据增强的有效性!从一篇顶刊论文中窥探的一些信息,
|
机器学习/深度学习 监控 算法
信用风险评估评分卡建模方法及原理| 学习笔记
快速学习信用风险评估评分卡建模方法及原理。
953 0
信用风险评估评分卡建模方法及原理| 学习笔记
|
4月前
|
移动开发 资源调度 监控
社交网络分析5:社交网络信息传播动力学。信息传播 、传染病模型、博弈模型和物理系统模型 、传播动力学分析 、 未来发展趋势与展望
社交网络分析5:社交网络信息传播动力学。信息传播 、传染病模型、博弈模型和物理系统模型 、传播动力学分析 、 未来发展趋势与展望
252 0
|
9月前
|
机器学习/深度学习 传感器 安全
【SIR传播】基于matlab模拟复杂网络SIR传播模型
【SIR传播】基于matlab模拟复杂网络SIR传播模型
|
9月前
|
机器学习/深度学习 算法 数据安全/隐私保护
「隐语小课」一种度量联邦学习中梯度泄露程度的方法
「隐语小课」一种度量联邦学习中梯度泄露程度的方法
267 0
|
9月前
|
运维 监控 算法
基于典型相关分析的故障检测和过程监控算法研究(Matlab代码实现)
基于典型相关分析的故障检测和过程监控算法研究(Matlab代码实现)
|
11月前
|
机器学习/深度学习 人工智能 算法
Nature子刊 | 不确定性驱动、用于主动学习的动力学用于自动采样
Nature子刊 | 不确定性驱动、用于主动学习的动力学用于自动采样
107 0
|
11月前
|
缓存 算法 Python
概率图推断之信念传播
变量消除算法有个致命的缺陷:每次查询都要要从头开始重新启动算法。这样会非常浪费资源,并且在计算上很麻烦。 这个问题也很容易避免。通过在第一次运行变量消除算法后缓存这些因子,我们可以轻松地计算新的边缘概率查询,基本上不需要额外的成本。 实现上面的功能有2中算法:信念传播(BP)和全联结树算法,本文先介绍信念传播算法。
129 0
概率图推断之信念传播
|
11月前
|
机器学习/深度学习 数据采集 编解码
OpenFold更多细节公开:重新训练AlphaFold2对其学习机制和泛化能力产生新见解
OpenFold更多细节公开:重新训练AlphaFold2对其学习机制和泛化能力产生新见解
197 0
|
11月前
|
机器学习/深度学习 人工智能 算法
NeurIPS 2022 | 直面图的复杂性,港中文等提出面向图数据分布外泛化的因果表示学习(1)
NeurIPS 2022 | 直面图的复杂性,港中文等提出面向图数据分布外泛化的因果表示学习
NeurIPS 2022 | 直面图的复杂性,港中文等提出面向图数据分布外泛化的因果表示学习(1)