
營(yíng)銷人必看的四個(gè)數(shù)據(jù)營(yíng)銷方法論,你知道幾個(gè)
谷歌每天要處理大約24PB的數(shù)據(jù),F(xiàn)acebook每天要處理23TB的數(shù)據(jù),Twitter每天處理7TB ,百度每天大概新增10TB的數(shù)據(jù)。
騰訊每日新增加200-300TB的數(shù)據(jù),淘寶每日訂單超過(guò)1000萬(wàn),阿里巴巴已經(jīng)積累的數(shù)據(jù)量超過(guò)100個(gè)PB。考慮一下,為什么越是行業(yè)壟斷巨頭就越擁有海量數(shù)據(jù)呢?
對(duì)任何擁有特有數(shù)據(jù)的公司,都應(yīng)該考慮怎么讓數(shù)據(jù)盈利。
很多企業(yè)甚至是互聯(lián)網(wǎng)企業(yè),或者不知道該如何使用手中已有的數(shù)據(jù)資源,白白浪費(fèi)掉優(yōu)化改進(jìn)的好機(jī)會(huì);或者認(rèn)為大數(shù)據(jù)只有BAT這樣的互聯(lián)網(wǎng)巨頭才有,一個(gè)小網(wǎng)站或APP應(yīng)用是沒(méi)有大數(shù)據(jù)的,果真是如此嗎?
看一個(gè)簡(jiǎn)單的例子:微博段子手們最平常不過(guò)的數(shù)據(jù)收集↓
拋出一個(gè)限定話題得到各方粉絲回應(yīng),第二天可參照由微博點(diǎn)贊自動(dòng)生成具有代表性的意見(jiàn)進(jìn)行概括歸納,將1k+的評(píng)論總結(jié)起來(lái)制成9條Tips,二次加工后發(fā)出獲得6k+轉(zhuǎn)發(fā)、4k+評(píng)論和4k+贊,典型的UGC手到擒來(lái),絕對(duì)的ROI穩(wěn)賺不賠。
一個(gè)網(wǎng)站或一個(gè)APP所包含的數(shù)據(jù)信息都是數(shù)字營(yíng)銷的基礎(chǔ)。
通過(guò)分析來(lái)自網(wǎng)站及競(jìng)爭(zhēng)對(duì)手的定性與定量數(shù)據(jù),可以驅(qū)動(dòng)用戶及潛在用戶在線體驗(yàn)的持續(xù)提升,并提高我們的數(shù)字營(yíng)銷業(yè)績(jī)。
網(wǎng)站及競(jìng)爭(zhēng)對(duì)手的定性與定量數(shù)據(jù)
又如,法國(guó)的一些航空公司推出免費(fèi)的APP方便旅客在移動(dòng)設(shè)備上跟蹤自己的行李,之后在追蹤的數(shù)據(jù)平臺(tái)上發(fā)現(xiàn)一部分商務(wù)旅行客戶中途在某一城市進(jìn)行短暫的商業(yè)會(huì)晤不需入住酒店,行李成了累贅,于是航空公司推出專人看管全程可追蹤的增值服務(wù),此項(xiàng)服務(wù)每周的新創(chuàng)造大概可達(dá)100萬(wàn)美元。
正是基于對(duì)數(shù)據(jù)的洞察產(chǎn)出附加價(jià)值。對(duì)數(shù)據(jù)的掌控,就是對(duì)市場(chǎng)的支配,意味著豐厚的投資回報(bào)。
數(shù)據(jù)的形式多種多樣,呈數(shù)量級(jí)爆發(fā)的UGC內(nèi)容可以被我們拿來(lái)運(yùn)用?一個(gè)新穎點(diǎn)的例子,譬如最近從5100點(diǎn)+飛瀉而下的中國(guó)股市,股民巨量的埋怨和牢騷能以怎樣的數(shù)據(jù)化形式展示?
“除了耐心等待,最好再找個(gè)地方讓自己發(fā)泄一下,找些跟自己同病相憐的人,還能緩解一下壓力,避免跳樓。彈幕,就是最好的形式了?!薄腥私艘粋€(gè)網(wǎng)站,在K線圖上配上彈幕供吐槽…
結(jié)果被同樣郁悶的股民玩的特別魔性↓這匯集出的數(shù)據(jù)隨著K線走勢(shì)變化擁有了實(shí)時(shí)鮮明的情緒特征,可以在一定程度預(yù)估使用者下一步賣出或繼續(xù)持有的動(dòng)向。
股市數(shù)據(jù)
拿買股票來(lái)說(shuō),推薦者會(huì)繼續(xù)購(gòu)買并且推薦給其他人來(lái)加速某個(gè)公司股票(或?qū)嶋H產(chǎn)品)的成長(zhǎng),而貶損者則能破壞其名聲,不僅僅停止購(gòu)買,而且勸說(shuō)周圍朋友,在負(fù)面的口碑中阻止其成長(zhǎng),NPS凈推薦值則反映了類似多與空、褒與貶這兩股力量較量的結(jié)果。
回到廣告,這些來(lái)源于門戶或垂直類網(wǎng)站、電商平臺(tái)購(gòu)物用戶的打分與評(píng)論、社會(huì)化媒體如微博、論壇、微信、應(yīng)用等的用戶評(píng)論文本數(shù)據(jù)以及客服系統(tǒng)的語(yǔ)音數(shù)據(jù)和評(píng)價(jià)文本數(shù)據(jù),可以統(tǒng)稱為“用戶反饋數(shù)據(jù)”。
用戶調(diào)查表
我們可以結(jié)構(gòu)化處理后,進(jìn)行數(shù)據(jù)挖掘,識(shí)別“貶損者”和“推薦者”,全面和快速的計(jì)算NPS,并了解“貶損者”的貶損原因。
若進(jìn)一步關(guān)聯(lián)整合“用戶行為數(shù)據(jù)”,我們還可以了解“貶損者”的歷史“用戶行為數(shù)據(jù)”,有利于我們更好的洞察用戶,優(yōu)化用戶體驗(yàn)和改進(jìn)產(chǎn)品方向;同時(shí)還能定向“推薦者”展開(kāi)更多的優(yōu)惠促銷或附加增值服務(wù)。
當(dāng)廣告商掌握了數(shù)據(jù),能夠向客戶傳輸更加相關(guān)的和更加有趣的信息,潛在客戶們甚至可以根據(jù)自己的需求定制一些廣告信息,可能會(huì)做出更好的購(gòu)物決策,并有助于廣告商提升銷售業(yè)績(jī)。
Kotler(科特勒行為選擇)模型從市場(chǎng)的特點(diǎn)來(lái)探討消費(fèi)者行為,更容易進(jìn)行定量研究:
Kotler(科特勒行為選擇)模型
以推廣營(yíng)銷某款手機(jī)為例,我們將要研究的數(shù)據(jù)可綜合為5W1H:
1.Who & Whom:購(gòu)買這款手機(jī)的人群分類?還要弄清誰(shuí)是決策者,誰(shuí)是使用者,誰(shuí)對(duì)決定購(gòu)買有重大影響以及誰(shuí)是實(shí)際購(gòu)買者;
2.What:不同手機(jī)品牌的市場(chǎng)占有率、具體型號(hào)的銷售情況;
3.When:了解在具體的季節(jié)、時(shí)間甚至?xí)r點(diǎn)所發(fā)生的購(gòu)買行為,比如配合節(jié)假日促銷;
4.Where:研究適當(dāng)?shù)匿N售渠道和地點(diǎn),還可以進(jìn)一步了解消費(fèi)者是在什么樣的地理環(huán)境、氣侯條件、甚至于地點(diǎn)場(chǎng)合使用手機(jī);
5.How:了解消費(fèi)者怎樣購(gòu)買、喜歡什么樣的促銷方式,比如是去線下體驗(yàn)店還是看測(cè)評(píng)視頻等;
6.Why:探索消費(fèi)者行為動(dòng)機(jī)和偏好,比如為什么喜歡特定款手機(jī)并拒絕別的品牌或型號(hào);
不同特征的消費(fèi)者會(huì)產(chǎn)生不同的心理活動(dòng)的過(guò)程,通過(guò)其決策過(guò)程導(dǎo)致了一定的購(gòu)買決定,最終形成了消費(fèi)者對(duì)產(chǎn)品、品牌、經(jīng)銷商、購(gòu)買時(shí)機(jī)、購(gòu)買數(shù)量的選擇。
數(shù)字營(yíng)銷人員如果能比較清楚地了解各類購(gòu)買者對(duì)不同形式的產(chǎn)品、服務(wù)、價(jià)格、促銷方式的真實(shí)反應(yīng),就能夠適當(dāng)?shù)赜绊?、刺激或誘發(fā)購(gòu)買者的購(gòu)買行為。且數(shù)據(jù)的應(yīng)用可以貫穿營(yíng)銷價(jià)值鏈的廣告、公關(guān)、官網(wǎng)、電商、CRM各個(gè)環(huán)節(jié),覆蓋用戶能力會(huì)更加全面和強(qiáng)大。
各類購(gòu)買者反應(yīng)
買一只股票尚需數(shù)據(jù)分析,展開(kāi)一項(xiàng)持續(xù)的廣告營(yíng)銷活動(dòng)當(dāng)然更應(yīng)該建立在有數(shù)據(jù)衡量的基礎(chǔ)上。
比如Uber的數(shù)據(jù)科學(xué)家建立了“基于地理位置的打車需求模型”(Location-based demand model),每天實(shí)時(shí)更新的熱點(diǎn)地圖可以有效幫助車主縮短空載時(shí)間,同時(shí)幫乘客減少等待時(shí)長(zhǎng)。下一步,車主會(huì)知道提前去哪里等待可以載到更多的乘客啦。
PRADA在紐約的旗艦店中每件衣服上都有RFID碼,每一件衣服在哪個(gè)旗艦店什么時(shí)間被拿進(jìn)試衣間停留多長(zhǎng)時(shí)間,數(shù)據(jù)都被存儲(chǔ)起來(lái)加以分析。某一系列衣服銷量很低,以往是被直接干掉。但如果RFID傳回的數(shù)據(jù)顯示這系列的衣服雖然銷量低但進(jìn)試衣間的次數(shù)多,那就能另外說(shuō)明一些問(wèn)題。
也許在某個(gè)細(xì)節(jié)的微小改變就會(huì)重新創(chuàng)造出一件非常流行的產(chǎn)品,這類衣服的下場(chǎng)會(huì)截然不同。有點(diǎn)像電商分析購(gòu)物車數(shù)據(jù)來(lái)提高轉(zhuǎn)化率,若大量客戶都選中了某件商品放入購(gòu)物車卻沒(méi)有最終結(jié)算,說(shuō)明它是熱門產(chǎn)品,但可能有些小問(wèn)題,適當(dāng)變更價(jià)格或服務(wù)條款可能就會(huì)產(chǎn)生巨大的變化。
數(shù)據(jù)的使用能夠使對(duì)企業(yè)的經(jīng)營(yíng)對(duì)象從客戶的粗略歸納還原成一個(gè)個(gè)活生生的客戶,了解他們喜歡什么討厭什么,并更有針對(duì)性,越能滿足客戶的需要,ROI就更高。
廣告主通過(guò)數(shù)字營(yíng)銷,更可能運(yùn)用全新的視角來(lái)發(fā)現(xiàn)新的商業(yè)機(jī)會(huì)和重構(gòu)新的商業(yè)模式。過(guò)去看不到的東西都能看到了,即有了全新的視野。
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
訓(xùn)練與驗(yàn)證損失驟升:機(jī)器學(xué)習(xí)訓(xùn)練中的異常診斷與解決方案 在機(jī)器學(xué)習(xí)模型訓(xùn)練過(guò)程中,“損失曲線” 是反映模型學(xué)習(xí)狀態(tài)的核心指 ...
2025-09-19解析 DataHub 與 Kafka:數(shù)據(jù)生態(tài)中兩類核心工具的差異與協(xié)同 在數(shù)字化轉(zhuǎn)型加速的今天,企業(yè)對(duì)數(shù)據(jù)的需求已從 “存儲(chǔ)” 轉(zhuǎn)向 “ ...
2025-09-19CDA 數(shù)據(jù)分析師:讓統(tǒng)計(jì)基本概念成為業(yè)務(wù)決策的底層邏輯 統(tǒng)計(jì)基本概念是商業(yè)數(shù)據(jù)分析的 “基礎(chǔ)語(yǔ)言”—— 從描述數(shù)據(jù)分布的 “均 ...
2025-09-19CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫(kù)表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-19SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實(shí)戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無(wú)論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢效率:打破 “拆分必慢” 的認(rèn)知誤區(qū) 在 MySQL 數(shù)據(jù)庫(kù)管理中,“大表” 始終是性能優(yōu)化繞不開(kāi)的話題。 ...
2025-09-18DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動(dòng)態(tài)隨機(jī)一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開(kāi)始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價(jià)值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫(kù)表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實(shí)戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫(kù))處理 Excel 數(shù)據(jù)時(shí),“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗(yàn)與 t 檢驗(yàn):差異、適用場(chǎng)景與實(shí)踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計(jì)學(xué)領(lǐng)域,假設(shè)檢驗(yàn)是驗(yàn)證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計(jì)劃中 rows 數(shù)量的準(zhǔn)確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計(jì)劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對(duì)象的 text 與 content:區(qū)別、場(chǎng)景與實(shí)踐指南 在 Python 進(jìn)行 HTTP 網(wǎng)絡(luò)請(qǐng)求開(kāi)發(fā)時(shí)(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價(jià)值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫(kù)表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請(qǐng)求工具對(duì)比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請(qǐng)求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)的科學(xué)計(jì)數(shù)法問(wèn)題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)時(shí)的科學(xué)計(jì)數(shù)法問(wèn)題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價(jià)值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運(yùn)營(yíng)問(wèn)題、提升執(zhí)行效率的核心手段,其價(jià)值 ...
2025-09-12用 SQL 驗(yàn)證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實(shí)戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過(guò)程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計(jì)” 與 “用戶體驗(yàn) ...
2025-09-11塔吉特百貨孕婦營(yíng)銷案例:數(shù)據(jù)驅(qū)動(dòng)下的精準(zhǔn)零售革命與啟示 在零售行業(yè) “流量紅利見(jiàn)頂” 的當(dāng)下,精準(zhǔn)營(yíng)銷成為企業(yè)突圍的核心方 ...
2025-09-11