大数据营销的实现与挑战

标签:大数据营销电商技术CMO

访客:22876  发表于:2013-12-11 16:13:01

大数据营销的现状就像这幅图,在隧道的尽头看到光明,看到大数据给营销带来的变革,但又在相对混沌当中探索,依然存在很多困惑,还有很多需要研究的地方,有很多未知的东西,道路曲折。

大数据营销的现状

大数据营销的现状可以概括为五类:

第一,谈的比投的多。如今,“大数据”这个概念的使用率已经非常高,上海纽约大学的一个大数据中心,已改名为科学中心,因为“大数据”使用过多,定义变得模糊不清。

第二,投的比做的多。谈论大数据的很多,投入比例也不少,已经有45%的企业在大数据方面有所投入,然而投入大数据设备之后并不一定真正去做大数据。有些企业虽然成立了大数据部门,但仅限于设备的投入,并没有真正开始做数据分析。

第三,做的比懂的多。即使通过分析得出一些大数据信息,也不是所有信息都能被理解,不明白得出结果的原理,不了解分析的价值所在,不懂得衡量投入和回报。

第四,懂的比赚的多。运用大数据技术,最终目的还是在于回报,但要做出清晰的回报统计很困难。

第五,(将来)赚的比(现在)想到的多。尽管现在对于大数据的投入没有得到很高的回报,但实际上大数据在未来将会带来无法预测的利润回报。

例如前两天美国twitter上市,尽管twitter每个季度都在亏损,并没有盈利,但是它依然受追捧。很大程度上是因为它所拥有的用户数量,以及每天在twitter上传递着不计其数的信息。从未来大数据的角度来看,通过这些信息,可以更好的了解消费者的偏好,挖掘未来的商业价值、潜力等,这都是不可估量的。Twitter的价值不是服务,而是服务所带来的价值。同样,去哪儿网的上市也取得了成功。去哪儿网的价值不在于帮用户订机票、订旅馆,而是通过这个平台搜集海量信息,其未来的商业价值也是不可估量的。从此可以看出,使用大数据技术可能在现在并没有赚到很多钱,但将来能得到的利润回报一定比想象的要多。

大数据营销的实现

如何在营销当中实现大数据的价值呢?从低到高,从浅到深,有四个不同的境界。

第一,度量阶段。作为CMO首先应该了解测量的量是什么,清楚想要了解什么信息。例如电商,做大数据遇到第一个的挑战是怎么定义“订单”。从CMO角度来讲,消费者通过购物车进行购买的就是订单,但使用这个标准执行的效果并不是很好。因为订单出现之后,一个订单内的物品可能会因为仓库存放不同而拆分成两个或者三个,形成多个新订单。最后统计一个订单利润时,用购物车订单标准来考虑并不是最好的方法。如果将一个订单直接拆成几个订单,那将会大大提高运营配送的成本,将会导致无法定义订单的效率和回报。这些都是在做大数据时第一步要考虑的内容,哪些量是我们所关心的,哪些量是我们应该测量的。

        第二,统计阶段。统计的核心是对不确定性的理解。人们平时习惯看报表,看经济数据等等,都只是一个数字,实际上这些数字包含着不确定性。比如美国非农数字,尽管没有一个经济学家预测准确,但通过比较历史误差,结果依然存在于误差范围内,但我们往往会忽略这一点。

        对于统计的理解,往往还存在着另外一个误区,经常会认为数据越多,不确定性就会减少。实际上很多时候恰好相反。大数据时代,不确定性反而增加了。在大数据时代之前,人们关心的是一些汇总的量,或者一批人的平均值。例如500个用户,平均订单是多少,平均消费是多少。因为样本量大,数据往往是非常准确的。但是大数据时代,需要把营销做到个体上,数据量虽然庞大,但回归到个体上,样本量却是非常小的,预测的准确性将降低,不确定性也将扩大。因为对于一个个体,即使是在著名的电商平台上,一年的消费量并不会很多。尽管大数据的数据分析具有这种不确定性的缺陷,但相比传统统计分析,它所能带来的确定性更好,尽管这种对消费者的确定性不是一目了然,掌握起来也很困难。

        第三,预测阶段。统计通过观察历史的变化分布等,最终是要对未来进行预测的,做出对未来的判断。在大数据实践当中,容易遇到一个陷阱,就是对相关性的理解。当搜集越来越多的变量的时候,对历史数据的预测做的越来越好,但当对历史发生的事情预测越好的时候,往往会对未来的预测准确度降低,会变得越差,这就是在计量统计学里非常著名一个理论。因为当掌握过多的过去数据时,具有相关性的变量其稳定性就会降低。打比方说当年南非世界杯的时候,章鱼保罗预测足球非常准,但是用它预测未来,可能就不如足球的评论员,专家预测的好。对过去预测的越准确,往往对未来预测越不精确,这属于大数据预测方面的陷阱。

        相关性有两种,一种是随机预测的相关性,另外一种是由一些理论、常识等支撑的相关性。例如冰淇淋的销量跟一个地方的火灾具有相关性。冰淇淋卖的越好,火灾越容易发生。这种相关性有着长期的理论性支持,那就是天气的因素。这种相关性在大数据时代是极其需要的,而且它有潜在的好处。假如无法了解到一个地区的冰淇淋销量时,可以考虑了解当地的火灾数据,这是政府的公开数据,可以轻易获得。通过这个相关性就可以判断该地区的冰淇淋市场的潜力,从营销角度来说还是具有价值的。相关性有稳定的相关性,还有随机的相关性,都要深刻理解。

        第四,优化阶段。在大数据时代有两种优化类型,一种是优化应对,针对于事实不可改变的情况。当预测到事实发生时,例如台风侵袭,如何更好的应对台风,这就是在不能改变台风存在情况下所做的优化应对。这种情况不需要对因果律有太多的了解,相关性就已经足够了。再例如通过鸟类迁徙可以预测台风,也只需要相关性就可以加以应对。但更多时候人们的优化是改变未来,不是预测未来,人们更愿意了解,自己所做的决定如何能改变未来。

例如预测数据科学家30岁结婚,使用第一种优化应对时,30岁结婚将是不能改变的事实,那么所需要的应对措施则是存钱买房买车。而第二种优化则是决策改变未来,指的是作为数据科学家,是不是可以通过转行实现早结婚。很多时候营销遇到的都是第二类情况,这时就需要知道因果关系。如何知道因果关系呢?曾经很难做到的事,大数据时代给予了一些非常有用并有效的工具。在大数据时代,很容易通过A/B 测试就能很快了解到哪种营销手段效果更好,从而得出因果性,再通过因果性的判断,了解到哪个决定是最优化的,这就是大数据时代给我们带来的便利。

 

        我们来看一个案例。这张图片上展示了三个顾客的刷卡金额,其中刷卡金额就是企业想了解的量。通过了解数据的本身,来反映对市场的理解,对消费者行为的判断。根据刷卡金额制定营销方案,很显然会得出第一个是高端的客户,可以深入与其进行沟通与接触。但作为CMO,这个数据是否已经足够了?还想知道什么度量?这就需要进行了下一步的思考。

        如果想知道更多情况,就需要有更多的数据,这些数据能否帮助将决策做的更优化,这就需要通过进行更多的数据处理分析得出结果。通过上述数据了解到三位顾客在竞争卡的消费情况,以及该卡占顾客的荷包份额(第一个是55%,第二个6%,第三个是90%)。而对于这个到底收集哪些数据,主要是基于专业角度思考,认为荷包份额是非常重要的量,需要进行更进一步的了解,接下来通过对数据搜集等操作的执行,算法得出结果。尽管通过这个表格可以了解到更多信息,但对于数字的不确定性并没有表现出来,这就需要根据决策者最终的需求来做判断。

         最后就是如何优化的问题,这部分并不是完全依靠数据解决的,还需要CMO的综合决定。精准营销到底应该针对谁呢?对此案例的讨论结果分为两派,一派认为应该找第一个人,另一派认为应该找第二个人。当了解第二个人的情况时,就需要进一步分析为什么第二个人荷包份额只占6%,会不会在其他的卡那占比更高,这时候就需要继续补充所需的数据信息,如果没有信息就需要依靠经验来进行分析判断。通过经验分析得出第二个人很有可能是竞争对手的忠诚客户,如果对他进行挖掘,投入成本过高,而通过营销来提高第一个人的消费金额比较容易。通过这一系列的数据分析,尽管最终结果依然是对第一个人做精准营销,看似大数据的投资并没有任何的帮助,决策根本没有发生改变,但实际上却真正的了解决策正确的原因。

         之前提到从大数据赚到的钱比我们想象的要多一点,案例就说明了问题。表面上并没有多赚钱,策略没有发生改变,但在使用大数据以后,风险降低了,对信息的把握增加了,相当于投资回报的增加。

         曾有项目研究推荐的算法和有效性。在中国,网站一般10%的销售额是推荐得来,但是如果不做推荐的话,是不是还会有10%的销售?人们无法得知如果不推荐的情况下消费者是否会买同样的东西。通过做基于电商的实验,最后发现一个很有趣的现象:如果去掉一组消费者推荐,对销量并没有显著的影响。没有被推荐的消费者,买的绝大多数东西有很多重合。但并不能说明推荐没有用,通过长期追踪消费者,发现有推荐商品信息的消费者,回头率增加了,给商品营收带来了长期的上升,消费者感觉购物体验有所提高。尽管消费者没有购买该商品,但推荐商品与消费者喜好一致,消费者认同该网站,回头率便会有所增加。以此来看,一方面大数据没有直接产生销售影响,另一方面通过因果分析,企业真正了解到好处从哪来,更清楚推荐的方向和目标,例如增加用户体验。而对于推荐引擎的第三方提供者,从效益来看也有长期的利润提升空间。

以上例子都可以了解到大数据带来的潜在作用。尽管没有在表面看到直接的利润上升,但实际上通过大数据赚到的钱,可能会比我们想象的要多很多。

大数据营销的挑战

未来大数据营销的挑战有四点,第一是基于对业务的理解,需要明确什么信息要了解。

第二是经验与数据的结合,有了数据还要做判断,到底对那些目标用户做营销。

第三分析与优化的结合,分析的目的是优化,不光要看到数据,还要做决策上的改变和调整。这个过程会遇到一个瓶颈,就是人才的需求。分析人才和优化人才的知识结构不完全一样,分析主要是计算机科学,统计等等,优化则是运筹学,运营科学方面的知识,这两方面的知识并不完全重合。在企业内部,更多的是需要分析人才,会玩数据,会做统计,但也要注意优化方面的人才。

         第四点是能力与敬畏的结合。大数据往往被大家认为无所不能,忽略其极限。如今硬件越来越便宜,计算机的能力越来越好,但整个IT行业已经消耗掉全球10%的能源,而且速度还在不断提升中。大数据从本质上来说是把无序混沌的东西变得更加清晰有序化,需要不断的加入能量。大数据百倍千倍的增加,其背后必然有能量的输入,而最后大数据的投入产出成本可能就是能源的成本,能源的有限性就会成为最后限制。所以数据不可能无限大,对历史数据的保留年限,数据到底细到什么程度,这是需要思考的。

中国一些公司已经意识到这点,把数据中心迁到内蒙古,降低能源成本。大企业如果想投入大数据,这将是个非常重要的课题。人类对知识,对信息的渴望是无穷的,但终究要依照自然规律,对自然规律存在敬畏之心。

陈宇新:上海纽约大学杰出全球商学讲席教授。本文根据陈宇新教授在中国CMO俱乐部“2013中国数字营销峰会”上的演讲整理而成,未经审阅。)

评论(0)

您可以在评论框内@您的好友一起参与讨论!

<--script type="text/javascript">BAIDU_CLB_fillSlot("927898");