大数据营销的下一步

如果说奥巴马当年的连任证明了大数据的威力，那么特朗普的当选则戳破了当前大数据的短板。

2012年11月，奥巴马击败罗姆尼再次当选美国总统。其背后的功臣是奥巴马的数据挖掘团队，他们一直在搜集、分析和储存庞大的数据，从而为他制定了精准的广告购买决策，比罗姆尼少花了1亿美金的竞选资金。显然，大数据通过过程可视化达到了更为精准的营销。

但是，2016年12月，特朗普的当选却给了大数据一记重击。微软Bing以及有“数据巫师”之称的美国统计学家纳特·西尔弗(Nate Silver)通通预测失败，尽管拥有大数据意义上的高胜率，希拉里仍然在现实中败北。

是大数据根本不足以被采信，还是它到达了一个亟待升级的转捩点?

大数据的作用在于寻找规律

在互联网和大数据出现之前，我们通过经验来判断事务并采取行动。而经验在本质上，就是过去所积累的全部大数据在人脑中的反映。

受益于计算机的发明，我们对于数据的处理能力越来越强，处理速度也越来越快;紧接着，互联网的出现通过打破空间藩篱而提高了时间的利用率，我们对数据的搜索和收集变得无远弗届，数据广度与深度呈现裂变式增长。

这两大技术的发展将带来哪些变化?

基于过去大数据收集与处理的下一步，就是帮助判断和预测未来，从而促进当下的行动。在这方面最典型的例子就是Google。作为全球最大搜索引擎，Google拥有以太级别的数据和遍布全球的36个数据中心。比如：Google趋势图应用可以通过用户对于搜索词的关注度，很快发现和理解社会上的热点趋势。而Google Instant则会在用户输入关键词的过程中，迅速预测可能的搜索结果。据称，大数据为谷歌每天带来近2300万美元的收入。

那么，对于营销来说，大数据的价值又如何体现?

商业环境受制于诸多不可控的外部因素，宏观方面比如政策、经济大环境、社会文化等，微观层面则涉及行业走向、竞争对手、潜在替代者、消费者需求甚至企业内部管理等各方面。因此，商业对于大数据的依赖性更强。商业互联网化之后，提出的第一个口号就是 Data Drive Business(数据驱动商业)。

就营销这一细分领域来说，大数据的价值更为明显。比如：如何发现消费者需求?如何圈定准确的目标受众?如何在正确的时间、正确的地点、以正确的方式传达给正确的消费者正确的内容?如何促使消费者行动?如何以销定产并实现柔性生产?如何设计制造最具市场潜力的产品?如何提高营销的效率和投入产出比?……

要回答这些问题，就必须对涉及营销的整个过程甚至外部环境，都要有全面和透彻的了解。而大数据的作用就在于：通过结构化和非结构化的数据收集，将以往不可见不可描述的部分，变得可视化，从而通过分析处理来寻找规律、预测未来、帮助判断和采取行动。

毫无疑问，大数据的价值显而易见。但是，要想充分发挥大数据的威力，要做到两方面的极致化：“对更加垂直化、细分化的小数据的纵深挖掘”以及“对更加广泛、甚至转瞬即逝的整体样本的全面覆盖”。

对更加垂直化、细分化的小数据的纵深挖掘

罗辑思维创始人罗振宇曾经说过这样一句话：“ 共享经济这件事其实遮盖了人类经济发展的总趋势。这个总趋势是不可逆的，叫分工再合作。”

技术的发展带动分工的细化，而分工的细化保证了每个环节的专业化。精细化分工如同一个个齿轮，带动整个机器不断自我进化。

在互联网领域也同样如此。跑马圈地的草莽时代在2016年渐渐谢幕，地推、并购等粗放增长方式呈现乏力迹象，互联网公司开始专心打磨产品，向纵深的垂直化和精细化运营进化。

各细分领域开始出现新的独角兽，比如一些小而美的app：美食生活类app Enjoy、精品短视频app Eyepetizer等，都拥有了一批忠实粉丝。

此外，诸如BAT这样的大平台也开始了精细化、垂直化的探索。而他们的追赶者们也在垂直化的路上走得更远一些。例如搜狗，除了常规的图片、视频、音乐等垂直搜索之外，搜狗结合自身技术特点，先后与腾讯、知乎、微软、丁香园等展开合作，推出微信搜索、知乎搜索、英文搜索、学术搜索、明医搜索等更加精细化、差异化的独家特色搜索产品，通过满足不同需求，增强用户黏性。

在垂直领域的深挖，使搜狗创造了一系列差异化、垂直化的产品，聚拢了拥有差异化需求的用户群体，根据这些用户在垂直产品上的多方网络行为，建立了行业标签、商业标签、人群属性标签、地理位置标签等完整的一套标签体系，进而提高大数据营销的精准度，帮助企业进行更加精准的投放。

对更加广泛、甚至转瞬即逝的整体样本的全面覆盖

目前，几乎所有大数据营销产品和服务都是基于数据集市(data mart)的概念。简单来说，它基于某一需求，定向搜集相关数据构成大数据样本库。好处是目的和方向比较明确，如同一个人先产生问题再去寻求答案一样;但缺点在于，这种收集方式会在前期遗漏部分有价值的数据，或者忽视掉一些转瞬即逝的数据——正因为目标明确，反而只见树木不见森林。

举个例子：如果利用大数据来进行用户画像，这就产生了一大问题：先入为主的定向切入，使用于用户画像的数据并不完善，从而会影响到分析的精度，进一步误导营销决策。

在特朗普大数据民调失误这一案例中，分析师就是在希拉里必胜新闻的刺激下，错估了形势，预设立场，通过先入为主的定向切入，忽视了特朗普在佛罗里达和其他摇摆州的巨大领先优势，从而在数据搜集上有意无意地遗漏了一些重要数据。大数据的蝴蝶在收集端挥了挥翅膀，结论端差之毫厘谬以千里。

正是因为注意到了这一问题，现在业内开始有人重新提起数据湖泊(data lake)的概念。

数据湖泊最先出现在2011年Forbes杂志James Dixon所写的《大数据需要一个大的新型架构》一文中。与目标明确的数据集市不同，数据湖泊带来了更大的弹性。

简单地讲，数据湖泊倡导存储每一个可能有用的细节数据，把忽视的、遗漏的数据重新挖掘和存储起来，当需要时再进行一站式统一的、交叉的分析。这样做的好处是不遗漏任何有价值的数据，即使它非常微小、转瞬即逝、或当时看起来没有价值。

比如：在之前的大数据采集中，可能会漏掉潜在消费群的信息，忽略掉可能的销售机会。而尽可能采集更多更全面(哪怕是看起来不相关的数据，也可能内部存在一定的关联)的大数据，则有利于企业制定更精准的营销策略。

因此，数据湖泊的成立有赖于两个维度的拓展：上一节提到的垂直纵深数据的收集，以及更为广泛的全域数据的收集。

（编辑：源码网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!