如何10分钟装扮成大数据营销专家?

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介:

image

现在参加个活动,如果听不到“大数据”、“大数据营销”这类词,说明你混的不是互联网圈子,不够前沿,要注意革命形象了。

这里有一种快速打入圈子的方式,能让你短时效地装一下。你花10分钟时间就能准备好。

首先要花记住几个词:跨屏、精准、RTB、程序化购买、定向……然后说出来,是否觉得比以前的4P、4C等等更有面子?

剩下的,就需要化繁为简、迅速了解几种主流的大数据营销模式。熟悉了它们,就有了判断一家企业是否具备大数据营销能力的标准。这里介绍四种主流模式,分别是互渗关联模式、精准定向模式、动态调整模式、粉丝引爆器模式。

听起来有点膈应。不过,当你明白了它们分别对应的互联网企业后,就能体会到理解这些实在很从容。

不过,提醒一下,这只能让你装10分钟。之后你应该赶快离开现场,苦心修炼。因为我也就知道这么多。

海外三种大数据营销主流模式

先说互渗关联模式,它是亚马逊的菜。基本逻辑如此这般:看到A,联想到B,然后从数据中能找到直接关联。

你应知道沃尔玛“啤酒+尿布”的案例。过去,很多美国新爸爸为孩子买尿布时,总喜欢顺手带走几瓶啤酒……互渗关联形成的案例,成就了传统零售业的一个营销经典。

这模式后来被亚马逊复制。《大数据时代》一书曾记录,1994年,贝索斯创办公司伊始,便组建一个20人内容团队,专门写书评、推荐关联新书,促进交易。但随着书籍数量和网站规模放大,这种人工方式无法适应,个性推荐系统诞生。

最初效果不好,因为依托的是用户间关联。本质上推荐的是人。那时移动互联网不发达,这一维度很粗放。书评家詹姆斯 马库斯评价说,总让他“和一群脑残一起逛书店”。

亚马逊后来转变思路,将关联对象由用户变为商品,奠定了“从商品到商品”的个性推荐基调。这比“从用户到用户”要精细,因为系统中商品标签丰富,也是计算与推荐的目标。它可以提前分析产品间关联,避免推荐的“冷启动”,及时产生有效的结果。

则是精准定向模式践行者。这模式有DSP的影子,就是从一个大用户群里找到最想要的A,推送给品牌方,同时也让这群人接受他们的朋友可能感兴趣的内容,带有强烈的社交属性。

FB选择的范围,就是自己的13亿多用户。后者的喜好、购物历史、社交关系等信息,都是掘金利器。比如通过复杂分析,FB可帮一家企业锁定一些购买过与它类似商品的消费者,进而推荐、说服他们也选择购买这家企业的商品。

扎克伯格曾在F8 Keynote上提过一个名为Open Graph Protocol的标准,后者可将网上所有原始数据打上独特标签。当你在FB上分享了亚马逊一本书,系统会将目录、作者等信息回传,形成复杂数据关联,随后FB就能为你推送其他内容与广告服务。

谷歌当然不能错过。它可是全球互联网广告巨头。它的大数据营销模式可称为“动态调整模式”。比如你要推A,但实际应用场景中,数据反馈结果是B比A更受欢迎,平台迅速调整计划改推B。

这种即时、高效与谷歌基于搜索建立的服务有关。每次使用它的搜索,停留时长、浏览内容不同,重新搜索时,系统就会给呈现不同结果。

最后一种模式,也即“粉丝爆炸器”,对应的是一家中国平台——阿里妈妈。或许你不知道,它是阿里集团旗下互联网广告平台、集团现金奶牛。

“粉丝爆炸器”模式的逻辑是:在大量用户群中选择一组特定种子用户群,然后根据商家的诉求引爆,引发更大的用户倍增效应。

商家的痛点在于,如何在客户首次购买前建立一种联系。相对已成客户的人群规模——一家中型电商每月可能有上万,尚未成为客户的人群规模可能高达几亿。如何从上亿的潜在客户中找到最具价值的种子人群,正是商家致胜的关键。

这也正是阿里妈妈“粉丝爆炸器”模式的价值。当然它并非孤立要素,而是建立在阿里妈妈达摩盘(DMP)基础上,后者是2014年整合推出的大数据大数据管理平台。达摩盘能帮商家很快找到店铺或品牌的一批最忠实的用户,也即种子用户。Lookalike模型则负责找到与这些种子用户相似的更大群体,然后爆炸式复制、扩散。

这个过程中,规模和效果可在模型中找到平衡点,实现量化营销。比如某商家有10万种子用户,通过Lookalike可扩展到10倍、20倍甚至30倍。但规模扩大时ROI指标可能衰减,这时他可选择能接受的ROI范围,主动平衡精准触达的规模。

与沃尔玛“啤酒+尿布”的逻辑不同,“粉丝爆炸器”侧重的是人的综合维度,尤其消费行为特征,而不是商品与服务的关联。如果只考虑后者,新爸爸买啤酒后,系统未来可能会推荐给他红酒或其他饮料,而“粉丝爆炸器”则会推荐除了尿布之外的奶粉、婴儿护肤品、产后保养品等。

模式辨析:阿里妈妈“粉丝爆炸器”能胜出吗?

四种大数据营销模式有没有高下之分?

我觉得不能在单一维度上对比。它们诞生的基础,与对应企业的核心主业密切相关。需要结合它们的商业模式来看未来的适应能力,尤其要关注它们的数据.

以谷歌为例。谷歌堪称全球最能赚钱的互联网广告巨头,几乎已成美国传统媒体的梦魇。2015年Q3 ,谷歌Alphabet营收187亿美元,广告营收占比近90%。

它的大数据营销,建立在它的搜索主业基础上。通用搜索意味着它能覆盖广泛、基础性的用户与信息需求,它让谷歌从一开始就能把握用户的各种行为、决策。

2005年以来,谷歌连续收购了近120个大小项目,覆盖操作系统、广告、分享、社交、地图、流媒体、桌面和移动、硬件等,持续增强了大数据挖掘、方案营销、跨屏分发的能力,但本质上,它仍是一家以搜索为根基的互联网广告公司。

谷歌有庞大的数据,用户行为信息丰富,技术更擅长,谁想挑战它的技术能力,都很困难。但动态调整模式短板在于,用户画像粗糙,许多并不真实,谷歌擅长提供决策,但转化为交易很难。谷歌10年来不断并购技术,强化了数据挖掘、分析、分发能力,但交易缺失,导致移动互联网时代场景构建吃力。

谷歌的难处,你从中国百度身上也看出。

FB精准定向模式当然得益于社交属性、强大的触达力、个性化推荐能力。Facebook用户高达13亿,用户注册资料相对真实,它比谷歌具有精准、定向服务的条件。而社交网络的属性,在场景构建上具有天然优势。所谓场景,就是人与人、人与服务之间的个性关系链。这一优势,有利于FB平台生成个性化、人性化的故事,将广告转化为内容,更适合产品营销。有时能将广告推送至从来不打开电视看广告的客户群面前。

但FB平台的社交属性,决定了精准定向的短板。它会持续削弱平台体验。频繁的广告会让社交平台沦为垃圾站,从而影响品牌厂家的投放。虽然FB拥有近200万广告主,但绝大多数仍是小型公司。

FB的模式精准,也有它的边界。过去一年,FB也在小心翼翼地涉足交易环节,但不可能有太大成效。与之类似的是中国多家社交平台的变现。包括微信、QQ、陌陌在内,它们遭遇着同样的考验。

亚马逊20%~30%的销售额,都通过关联模式获取,相当了不起。它体现了场景定义、方案营销能力。这得益于平台数据的历史纵深度、用户画像的多维与准确度、丰富的商品品类等。其中,用户交易信息是整个数据资源里最核心的部分,它比其他所谓大数据更真实,具有更大的挖掘价值。而平台强烈的交易属性,能让它很轻松地化解谷歌、FB两种模式缺乏的转化难题。

亚马逊模式另一支撑是强烈的媒体属性。除了附属网站、移动端入口(移动广告联盟网络、软硬件一体的入口Kindle等)、Amazon Media Group之外,亚马逊在出版、流媒体、电影等领域布局较早,而且创始人贝索斯还主持收购了《华盛顿邮报》等媒体资源,这为它的大数据营销提供了多重媒介方案。

但亚马逊的模式,技术门槛不高。之所以有效,主要在于它的持续资本投入、平台历史久、数据积累更丰富。

相比它们,阿里妈妈因属于阿里集团旗下子品牌,感觉有些单薄。但实际上,它却是阿里集团的现金牛,占据着整体营收的半壁江山。若以2015财年总营收122.93亿美元计,阿里妈妈已是61.5亿美元体量。

如果只分析“粉丝爆炸器”的逻辑,难以看出阿里妈妈真正的竞争力。我们要把它置入整个阿里集团的土壤中区。事实上,阿里妈妈兼容了上述三大平台的优点。如果从长期竞争来说,它可能对标亚马逊更多。

真实数据方面,阿里集团作为全球第一大电商平台,虽比亚马逊年轻几岁,但开放平台模式下的数据累积要远胜对手。而且,交易属性也让它的数据比绝大多数平台更真实。阿里一个账号可以打通多个平台,蚂蚁金服下的支付宝不仅是阿里平台支付工具,更是大数据的中枢。

这是阿里妈妈在大数据营销领域的最大优势。很多人过去当然也质疑阿里数据缺乏全网特征,但平台开放性、市占率决定了,它是互联网电商业真实用户群最大的平台。当阿里持续投资了许多外部平台后,它已经具有更多潜在用户数据。

阿里拥有不逊于亚马逊的媒体资源。除了阿里本身媒体属性外,过去两年,它接连收购、投资几十家媒体,覆盖了社交媒体、科技新媒体、流媒体、电视、报纸、杂志等多种形式。其中,去年投资第一财经、收购《南华早报》引发行业震动。可以这么说,截至目前,阿里是全球互联网业已构建其超级媒体矩阵的少数巨头。它为阿里妈妈的大数据营销提供了强大的通路优势。而它在体育、影业等领域的布局,同样也能给广告提供更丰富的O2O化服务。

在12月15日举办的金麦奖2015年颁奖盛典上,阿里妈妈副总裁朱顺炎表示,碎片化时代,单一媒体无法完全覆盖商家和品牌想触达的用户群体,只有拥有强大的媒体矩阵,才能覆盖更多用户,而阿里妈妈覆盖的媒体可以触达98%的互联网用户,几乎所有的媒体和用户都会在阿里妈妈媒体上做互动。

与FB比,阿里平台用户不及社交用户更广,但触达范围不逊对手。而且,阿里胜于交易,转化率上,比FB具有天然的优势。

谷歌当然具有强大的技术实力。它是全球互联网广告领域的“技术派”。但因缺乏交易支撑,它的大数据无法像阿里妈妈那样准确,而且也缺乏更高的转化率。它高效、便捷,适合最大多数、广泛的企业,但缺乏细微场景的定义能力,个性化方面比如阿里妈妈。当阿里在整合了搜索、地图、操作系统、跨屏服务之后,它已经具备与谷歌在全球市场同场竞争的能力。

当然,归属于上述四种模式的企业远不止这四家,仅仅中国,百度与腾讯分别更像谷歌与FB,但它们也分别有自己强大的大数据营销实力。而更多的中小互联网企业,也有不错的个性化服务。只是,就目前平台影响力与大数据营销能力而言,上述四家的模式更典型。

本文转自d1net(转载)

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
5月前
|
机器学习/深度学习 算法 数据挖掘
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-2
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
5月前
|
机器学习/深度学习 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-4
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
3月前
|
人工智能 算法 数据可视化
|
2月前
|
自然语言处理 供应链 数据可视化
大数据在市场营销中的应用案例:精准洞察,驱动增长
【8月更文挑战第25天】大数据在市场营销中的应用案例不胜枚举,它们共同展示了大数据技术在精准营销、市场预测、用户行为分析等方面的巨大潜力。通过深度挖掘和分析数据,企业能够更加精准地洞察市场需求,优化营销策略,提升市场竞争力。未来,随着大数据技术的不断发展和普及,其在市场营销领域的应用将更加广泛和深入。
|
2月前
|
编解码 搜索推荐 数据挖掘
巧用商品详情数据,制定精准营销策略
在当前激烈的市场竞争中,利用京东APP商品详情数据通过API接口为企业提供宝贵支持,助力打造精准营销策略。首先,深入分析商品特点明确产品定位,并突出差异化优势以吸引目标消费群体。其次,细致分析价格信息制定合理定价及促销策略。再者,借助用户数据细分市场并提供个性化推荐增强顾客忠诚度。此外,选择合适营销渠道并不断优化提升效果。最后,通过高质量内容创作和品牌建设强化品牌形象,全面提升市场竞争力。综上所述,充分利用商品详情数据能够帮助企业制定更为精准有效的营销策略,促进可持续发展。
|
2月前
|
人工智能 分布式计算 架构师
大数据及AI典型场景实践问题之基于MaxCompute构建Noxmobi全球化精准营销系统如何解决
大数据及AI典型场景实践问题之基于MaxCompute构建Noxmobi全球化精准营销系统如何解决
|
2月前
|
存储 分布式计算 大数据
惊了!大数据时代来袭,传统数据处理OUT了?创新应用让你眼界大开,看完这篇秒变专家!
【8月更文挑战第6天】在数据爆炸的时代,高效利用大数据成为关键挑战与机遇。传统数据处理手段难以胜任现今海量数据的需求。新兴的大数据技术,如HDFS、NoSQL及MapReduce、Spark等框架,为大规模数据存储与处理提供了高效解决方案。例如,Spark能通过分布式计算极大提升处理速度。这些技术不仅革新了数据处理方式,还在金融、电商等领域催生了风险识别、市场预测及个性化推荐等创新应用。
75 1
|
3月前
|
人工智能
什么是企业全历史行为数据?为什么它是ToB大客户营销的最佳助手?
企业全历史行为数据涵盖了企业从注册运营到当下的所有可挖掘的行为数据。
|
4月前
|
机器学习/深度学习 分布式计算 搜索推荐
运用大数据分析提升返利App的市场营销效果
运用大数据分析提升返利App的市场营销效果
|
5月前
|
机器学习/深度学习 算法 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-1
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-1

热门文章

最新文章