大数据锁定消费者没用,核心是锁住用户的“脑袋”!

简介:

现在很多企业只是简单的用大数据来找到目标用户,以此来做营销。然而真相却是,大数据必须深挖,要解决用户背后的战略性问题,具体是什么?一起来看看。

大数据解决的营销问题:消费与客户的关联方式

大数据给营销带来了非常大的希冀。特别是,它能解决营销人员一直觉得棘手的两个问题:

  1. 谁在什么时候以什么价格买了啥?
  2. 客户所听、所读和所看到的东西究竟与他们消费购买有无关联?

解决它们就能更容易地锁定目标客户,发现并消除所谓被“浪费了的50%”的广告预算,从而使营销变得更高效。因此,为了解决这两个问题,营销官们把自己的大数据望远镜对准这样一个目标:预测消费者的下一笔交易。他们努力地画出每位消费者更为详细的用户画像、记住他的媒体偏好、仔细观察他的购物习惯、并将他的喜好愿望和想要的都进行归类。其结果就是给出了一个精致、高分辨率的用户特写,揭示他的下一步举动。

然而,急着探索和瞄准下次交易令许多行业很快面临一种令人担忧的现实:赢得了下一笔交易最终也只是短期的策略优势。它忽视了一个巨大且必然的结果,那就是如果每个竞争者都能掌握了预测客户下一笔交易的能力,营销官们也会不可避免地牺牲掉边际交易的利润。这种没有赢家的短期军备竞赛最终会导致在中长期让所有竞争对手地位均等。追求下一笔交易将不会带来持续性的竞争优势。

这并不意味着企业不应尝试去预测和捕抓消费者下一次的购买意图。而是他们要知道,只有在竞争对手普遍落后,成为领先者还依旧有点儿优势的行业里,这种做法才能取得高于平均水平的回报。在旅游、保险、电信、音乐和汽车这些行业里,各竞争对手之间的预测水平已迅速趋于平衡, 能从预测下一次购买中获得的可持续竞争优势已非常少。

营销方案若想依靠大数据获得持续性优势,就必须问一些有关长期客户粘度、忠诚度以及客户关系的战略性问题。基于大数据提出的问题,不仅要关注什么能诱发下一次购买,也要问问哪些因素能让客户保持忠诚;不仅看客户下次愿意付多少价钱,也要问问他们能提供的终身价值是多少;不仅看怎么从对手那里挖来客户,也要问问在对手有更优惠的价格时,怎么才能让他们留下来。

要想知道这些更具战略性问题的答案,就得以不同的方式运用大数据。与其只看如何用数据锁定客户,我们更应该关注如何用大数据给客户创造价值。也就是说,我们需要做个转化,不问大数据能为我们做些什么,而是关注大数据能为客户做什么。

大数据能帮助提供设计资料,增强产品与服务,或完全打造一个全新的出来。简单例子有像亚马逊和Netfilx,通过推荐引擎减少搜索和评估成本,给客户创造价值;或者是像Opower利用定制化的使用信息增强商品的实用性。更有趣的例子是一些来自众包的数据,可以回答消费者诸如“我能从其它消费者学到什么”或“我跟其它消费者相比起来如何”等重要问题。

多参考一些利用大数据创造新价值的初创公司能给我们带来不少启发。Opower允许客户给他们的Facebook好友分享自己的水电账单,了解自己与其它用户相比起来排名情况如何。 INRIX则是集合客户手机和其它来源的交通数据,提供实时的路况报告。房地产网站Zillow结合各方信息给买家、卖家和中介提供关于地产特性与价值,性价比高的房地产以及市场特征的综合洞察。这些公司都是天生大数据企业。他们的成功也为所有行业敲响了警钟:今天,所有的生意都是信息生意。

每家公司可以通过以下三个问题,来判断自己能如何利用大数据给客户创造价值:

1.哪种数据能帮助我的客户减少成本与风险?

市值数十亿的公司如Yelp、Zagat、猫途鹰、优步、eBay、Netflix和亚马逊都会处理大量数据,例如给出服务提供商和卖家的点评排名,以降低客户的风险。目前,这些关于好坏的排名已成为评判卖家的标准。但是越来越多客户希望得到关于某些问题更为详细的答案,比如与我相似的消费者对此产品或服务有什么看法。要回答这些细致的问题,就需要更深入了解客户究竟在找什么,以及他们是如何看待自己的。这将是下一代大数据价值创造的契机。

2.有哪些数据目前还很分散,但聚集起来会产生新的洞察?

有没有一些数据(如击键或地点信息)一旦集合起来会有价值?非洲一家了不起的初创公司InVenture将智能手机里的附带数据转换成为信用评价等级,让金字塔底层的客户也可以贷款或购买金融商品。在一个多数人都没有信用历史的地方,并没有信用评级存在,因此初级的手机使用数据也能用作信用评价标准。那些将自己的联络人姓和名都储存整理的人更有可能还款。

3.客户多元化与差异性要达到什么样的程度,聚合不同客户的数据才真正有用?

比如销售农用产品(种子、肥料和杀虫剂)的企业能从分散于不同地区的农民那里收集数据,从而判断适合于不同环境的最优农产品组合。无论农夫在自己那块地上耕种了多久,要想知道最佳农用产品组合,整合不同土壤、气候和环境条件的农场信息会比只看自己一家经验更有效。

大数据协助营销官们解决了一些长久以来没有答案的基本问题。但大数据真正的贡献在于给客户创造新价值。只有这样,营销人员才可以把数据转化成持续竞争优势。

本文转自d1net(转载)

相关实践学习
简单用户画像分析
本场景主要介绍基于海量日志数据进行简单用户画像分析为背景,如何通过使用DataWorks完成数据采集 、加工数据、配置数据质量监控和数据可视化展现等任务。
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 
目录
相关文章
|
9月前
|
Java
【软考学习9】进程的同步与互斥、生产消费者模型
【软考学习9】进程的同步与互斥、生产消费者模型
141 0
|
SQL 监控 关系型数据库
死锁分析延续
可知上一篇【死锁分析】,又重新表达了一些图片,图画更了
126 0
死锁分析延续
任务悬赏平台源码开发,浅析线程的五个状态
任务悬赏平台源码开发,浅析线程的五个状态
|
Java 程序员
深挖锁(补充篇)
本文阅读大概需要8分钟。
111 0
|
弹性计算 Java 测试技术
热点和秒杀来临前要做的5件事
热点和秒杀来临前要做的5件事
热点和秒杀来临前要做的5件事
|
运维 安全 搜索推荐
|
缓存 Java 编译器
【高并发】解密导致并发问题的第三个幕后黑手——有序性问题
大冰:小菜童鞋,昨天的内容复习了吗? 小菜:复习了大冰哥,昨天的内容干货满满啊,感觉自己收获很大。 大冰:那你说说昨天都讲了哪些内容呢? 小菜:昨天主要讲了原子性、线程切换和原子性问题,在编程语言中的一条语句可能会对应CPU中的多条指令,而CPU只能保证指令级别的原子性,不能保证编程语言级别的原子性,我们在编写并发程序时,需要自行确保编程语言级别语句的原子性。 大冰:很好,小菜童鞋,理解的不错,今天我们就来学习下引起并发编程各种诡异Bug的最后一个“幕后黑手”,也是最后一个引起并发编程Bug的源头。
【高并发】解密导致并发问题的第三个幕后黑手——有序性问题
|
缓存 Java
【高并发】一文解密诡异并发问题的第一个幕后黑手——可见性问题
可见性问题,可以这样理解:一个线程修改了共享变量,另一个线程不能立刻看到,这是由CPU添加了缓存导致的问题。理解了什么是可见性,再来看可见性问题就比较好理解了。既然可见性是一个线程修改了共享变量后,另一个线程能够立刻看到对共享变量的修改,如果不能立刻看到,这就会产生可见性的问题。
312 0
【高并发】一文解密诡异并发问题的第一个幕后黑手——可见性问题
|
算法 Java
新来的"大神"用策略模式把if else给"优化"了,技术总监说:能不能想好了再改?
策略模式是如何优化业务逻辑代码结构的?杀鸡焉用宰牛刀?就是几个if else场景我需要用到策略模式? 有没有什么更好的代码结构来实现策略模式的吗?
2132 0