谁来拯救你,我残缺的大数据?

简介:

0?wx_fmt=jpeg

过去几年我们见证了营销行业将全渠道营销、营销归因和个性化营销作为全新的工具,从网络广告中尽最大可能挖掘更多商机。


然而, Ensighten和Econsultancy最近的一项客户优化体验报告显示,营销人员已经被大数据搞得晕头转向。


0?wx_fmt=png

将近三分之二(62%)的受访者表示大数据蜂拥而至,更有85%的受访者表示,数据虽多,但很难对其进行充分利用,无法挖掘其全部价值。


Use and perception of data (company respondents)

数据应用及感知(受访公司)


那么,我们该如何改变这种情况,谁来教营销人员解析他们的既有数据?


Why is big data such a big problem?

为什么大数据是大问题?


开始运用营销技术后,我们所处理的数据规模也正在急剧膨胀。


运用营销技术可以收集单个用户单次的品牌接触点数据。也就是说,可以通过Facebook和YouTube收集每一次广告包括片头广告的播放数据;还可以通过台式电脑、笔记本电脑、平板电脑以及其他移动终端来收集用户的每一次搜索数据。


消费者在线时间越长,可用的数据量越多。


此外,我们不难发现,数据各自分散在众多企业以及许多第三方供应商的手中,来自于广告、电子邮件、移动社交应用的数据,以及来自于CRM系统和网络分析的数据,都是相互独立的。


对营销人员来说,通过整合线上和线下平台和设备的数据来绘制出完整的客户浏览足迹,实际上是一项巨大的挑战。


这在很大程度上浪费了广告支出,而营销人员也无法在营销漏斗的不同阶段中区分哪种渠道可以走向成功。


然而,它也已发了一种目前在消费者中间很常见的抱怨——“互联网上充斥着我已购买过的同类商品广告”。


How do we fix this?

如何解决问题?


大多数品牌都缺少一个综合的标准化的数据集,通过设备用数据集链接到消费者档案。


这种数据集可以记录单个消费者所有的数字接触点,为营销人员绘制完整消费者个人足迹提供足够数据,这样可以更加有效的分配广告支出。


这也有利于营销人员避免使用归因模式的营销方法,近而开始思考不同的网络广告策略如何能提高品牌知名度,而不仅仅是关注营销漏斗底部成交量的增加。


解析单个消费者的完整消费足迹也能让品牌受益,向品牌传递消费者的个性化需求并帮助品牌改善消费者体验。


Whose job is it to make this happen?

愿望如此美好,但谁能让它照进现实?


从隐私角度来看,我们需要确保数据掌握在品牌营销人员的手中。


这意味着品牌需要开始思考如何从传统上依赖第三方数据的领域中收集第一方数据。


目前,我们应该做的是确保品牌有专业的工具和充足的知识独立完成数据收集的过程。这意味着代理商要建议客户尝试不同的工具,并协助客户做出合理、客观的选择出解决方案,去满足他们的业务需求。


除此以外,作为供应商,描述产品时需要明确使用专业语言。


我们还需要确保产品的用户体验友好性,并提供易管理和易理解的报告。

这样做将促进品牌营销人员不断地调整营销战略以促进业务拓展。当营销人员不可避免地被问到平衡支出的时候,这些数据也可以让他们对商业利益进行量化。


知识小百科


品牌接触点(Brand touch point)


品牌接触点是指顾客有机会面对一个品牌讯息的情境。


人为的品牌接触点是指大部分经过设计的讯息,诸如广告、促销和对外发布的信息。


自发性的品牌接触点则是指那些因购买产品及服务等过程自动生成的情境,举凡大部分的产品、服务和包装讯息(此属经过设计的讯息)都包括在内。


例如,当一个人决定要乘飞机到某地,他一定得先和航空公司或其服务代理人订票,然后到机场办理登机手续,在飞机上和空勤人员接触,抵达后领取行李。所有这些细节都属于自发性的品牌接触点,如果没有这些接触点的话,顾客是不可能享用这个服务的。


营销漏斗(Marketing Funnel)


营销漏斗模型指的是营销过程中,将非用户(也叫潜在客户)逐步变为用户(也叫客户)的转化量化模型。营销漏斗的关键要素包括:营销的环节,相邻环节的转化率。


营销漏斗模型的价值在于其量化了营销过程各个环节的效率,帮助我们找到薄弱环节。


原文发布时间为:2015-07-06

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

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 
相关文章
|
8月前
|
传感器 人工智能 大数据
大数据
第二节 大数据 1.大数据的概念 麦肯锡公司对大数据的定义: 大数据是指大小超出常规的数据库工具获取、存储、管理和分析能力的数据集。 维基百科对大数据的定义: 大数据是指利用常用软件工具来获取、管理和处理数据所耗时间超过可容忍时间限制的数据集。这并不是一个精确的定义,因为无法确定常用软件工具的范围,可容忍时间也是个概略的描述。 2.大数据的特点 大数据具有5V特点(IBM提出),即: Volume(规模大)、Variety (种类多) 、Velocity (处理速度快)、Value (价值密度低)、Veracity (真实性) 2.大数据的特点 规模大: 数据规模大是大数据的基本属性。
|
存储 数据采集 消息中间件
漫谈对大数据的思考(上)
“大数据”已跃升为我们行业中最受炒作的术语之一,但炒作不应使人们忽视这样一个事实,即这是数据在世界上的作用真正重要的转变。
漫谈对大数据的思考(上)
|
SQL 分布式计算 大数据
大数据初了解
了解大数据行业
101 0
|
分布式计算 Hadoop Java
大数据Hadoop环境搭建
大数据Hadoop环境搭建
184 0
大数据Hadoop环境搭建
|
人工智能 分布式计算 Oracle
大数据浅谈1
小弟不才,针对于大数据入门的一些小总结,希望能共同成长进步,大咖请绕路!!!
158 0
|
存储 人工智能 大数据
|
安全 大数据
|
机器学习/深度学习 存储 人工智能
|
人工智能 算法 大数据
|
分布式计算 数据可视化 大数据