跨屏、精準(zhǔn)、RTB、程序化購買、定向……這些詞眼熟嗎?

不斷增加的新名詞，讓廣告營銷成為了最會講概念的一個行業(yè)，從奧美、唐舒爾茨時代經(jīng)典的4P、4C理論，到后來的各種廣告營銷模型，再到當(dāng)下最熱的大數(shù)據(jù)營銷，每一個階段的產(chǎn)物都讓人容易產(chǎn)生膜拜之感，但是高大上之外，仍然會讓行外人摸不著頭腦。

而在當(dāng)下，言必稱大數(shù)據(jù)和精準(zhǔn)，成了數(shù)據(jù)營銷最繞不過去的一個尷尬——幾乎所有的廣告營銷公司都自稱自己的特色是基于大數(shù)據(jù)，能夠做到定向投放或者精準(zhǔn)營銷。作為一個廣告主或者開發(fā)者，你真能區(qū)分不同平臺之間的差異嗎?能保證自己沒被這些看上去高深的名詞忽悠嗎?

通過對這些巨頭的梳理，以及結(jié)合行業(yè)的發(fā)展情況，《天下網(wǎng)商》總結(jié)了四種典型模式，可以說，這四種模式也涵蓋了目前大數(shù)據(jù)營銷的關(guān)鍵點，它們也可以成為判斷一個公司是不是數(shù)據(jù)營銷公司的標(biāo)準(zhǔn)。

一、關(guān)聯(lián)模式

模式邏輯：由A找到B，從數(shù)據(jù)中找到關(guān)聯(lián)

先從一個古老的零售故事講起， 沃爾瑪喜歡將啤酒和尿布放在一起銷售，如此神奇的組合卻讓兩種商品的銷量都有所提升。 沃爾瑪通過對超市一段時間的原始交易數(shù)據(jù)進(jìn)行了詳細(xì)分析，同時發(fā)現(xiàn)很多美國爸爸經(jīng)常會在下班回家的路上為孩子買尿布，同時順手拿上自己愛喝的啤酒—— 這對組合由此誕生，也成為了傳統(tǒng)零售中關(guān)聯(lián)模式的一個最經(jīng)典案例。

到了互聯(lián)網(wǎng)時代，亞馬遜成為了關(guān)聯(lián)銷售模式的佼佼者，據(jù)稱其20%~30%的銷售是通過關(guān)聯(lián)推薦獲取的，在2013年，亞馬遜的Prime Instant Video 也因個性化推薦引擎而獲得了艾美獎。亞馬遜做關(guān)聯(lián)推薦的嘗試比較早，甚至很多人不知道的是， 當(dāng)你今天習(xí)以為常的打開一個電商網(wǎng)站，就能看到各種關(guān)聯(lián)推薦的商品，這個做法最初就來自于亞馬遜。

《大數(shù)據(jù)時代》一書很好的記錄了亞馬遜這個創(chuàng)舉的發(fā)展過程。1994年，杰夫·貝索斯(Jeff Bezos)創(chuàng)辦了亞馬遜之后，組建了一個20人規(guī)模的內(nèi)容團(tuán)隊，專門寫書評和推薦新書，這對亞馬遜的書籍銷售起了非常大的作用。但隨著書籍?dāng)?shù)量和網(wǎng)站規(guī)模規(guī)模的不斷增大，這種手工生產(chǎn)的推薦方式遠(yuǎn)遠(yuǎn)不能滿足所有的需求，個性化的推薦系統(tǒng)由此而生。但最初的系統(tǒng)推薦是試圖找到用戶之間的關(guān)聯(lián)，但是關(guān)聯(lián)效果卻并不好，這個推薦系統(tǒng)也在當(dāng)時被書評家詹姆斯·馬庫斯(James Marcus)評價為“和一群腦殘一起逛書店”。

設(shè)計和開發(fā)了亞馬遜推薦算法的格雷格·林登(Greg Linden)，后來轉(zhuǎn)變了思路，把關(guān)聯(lián)的對象由用戶變為商品，這夜就奠定了亞馬遜“從商品到商品”(Item-to-Item)的個性化推薦基調(diào)，一直沿用至今。格雷格曾寫過一篇文章詳細(xì)介紹了亞馬遜的推薦算法和系統(tǒng)，他認(rèn)為這種從商品到商品的協(xié)同過濾不涉及顧客數(shù)量和特性，同時可以提前分析產(chǎn)品之間的關(guān)系，避免推薦的“冷啟動”問題，及時并實時產(chǎn)生高質(zhì)量的推薦。

這種推薦算法在電子商務(wù)領(lǐng)域的應(yīng)用尤其廣泛，也成為了比較經(jīng)典的算法，在最近幾年也被研究得很多，因此就算法本身而言，它并不難，而亞馬遜之所以能夠以相同的算法在大批電商網(wǎng)站中脫穎而出，是因為它經(jīng)過了十幾年的積累，不僅投入了大筆資金不斷搭建，也不斷在收集商品數(shù)據(jù)和用戶的行為數(shù)據(jù)，這種積淀很難在短時間內(nèi)被超越。

此時，你是不是馬上打開亞馬遜網(wǎng)站或者自己的郵箱，看看那些它為你推薦了哪些關(guān)聯(lián)的商品呢?

二、精準(zhǔn)定向模式

模式邏輯：從A、B、C、……等一群人中找到你最想要的A，這也是幾乎市面上所有DSP(數(shù)字廣告公司)所慣用的模式

借助廣告，F(xiàn)acebook成功把粉絲和流量變現(xiàn)， 根據(jù)公開數(shù)據(jù)，它在今年三季度的營收同比增長了41%，其中社交廣告貢獻(xiàn)巨大，廣告營收占到了其總營收的90%以上。

之所以能夠在廣告領(lǐng)域大獲成功，F(xiàn)acebook 靠的是精準(zhǔn)的定向：一方面把最合適的人群推送給品牌方，另一方面也讓用戶接收到他和朋友可能感興趣的內(nèi)容，這些內(nèi)容有著很明顯的社交屬性，甚至能讓用戶愛上廣告。 以它和Ben&Jerry’s的合作為例，根據(jù)Facebook發(fā)布的數(shù)據(jù)顯示，廣告的粉絲覆蓋率達(dá)到了98%，評論和受喜愛程度都十分可觀。而根據(jù)Ben&Jerrry’s市場部給出的評估，它在Facebook上所投放的這些廣告給自己帶來了3比1的投資回報率。

這種精準(zhǔn)的背后，不僅僅是因為Facebook擁有大量的用戶，還在于其對多維社交數(shù)據(jù)的收集和深度挖掘。其創(chuàng)始人扎克伯格曾在F8 Keynote上提起過一個 Open Graph Protocol 標(biāo)準(zhǔn)， 可以將網(wǎng)上的所有原始數(shù)據(jù)打上獨特標(biāo)簽的系統(tǒng)。當(dāng)你在Facebook上分享了亞馬遜上的一本書，這個系統(tǒng)會把相應(yīng)的目錄、作者等信息回傳給它，產(chǎn)生一系列復(fù)雜的數(shù)據(jù)關(guān)聯(lián)，今后為你推送真正感興趣的內(nèi)容和廣告的幾率由此變大。

三、動態(tài)調(diào)整模式

模式邏輯：計劃要推A，但是在實際的場景交互中，數(shù)據(jù)反饋的結(jié)果發(fā)現(xiàn)B更受歡迎，因此調(diào)整計劃改推B。

很多人喜歡用Google的原因在于，它的推薦往往更符合自己的心意，提高了搜索的效率。 不僅如此，你可以留心一個細(xì)節(jié)，當(dāng)你在Google輸入一個關(guān)鍵詞，點擊第一個搜索結(jié)果后發(fā)現(xiàn)不滿意，又迅速返回了搜索頁，點擊第二個搜索結(jié)果，然后花了很長時間瀏覽，此時它就會默認(rèn)你對第二個結(jié)果更滿意，因此當(dāng)你下一次搜索同一個關(guān)鍵詞時，之前兩個結(jié)果的排位會發(fā)生互換。

這個普通的案例代表了Google在大數(shù)據(jù)領(lǐng)域最突出的特色：動態(tài)性。 Google在進(jìn)行質(zhì)量優(yōu)化的同時，也把用戶的交互反應(yīng)實時加入了進(jìn)來。 一位谷歌發(fā)言人曾表示：“我們始終在對搜索頁面進(jìn)行調(diào)整，從而讓用戶可以更輕松地發(fā)現(xiàn)最有用的信息。”

把用戶在網(wǎng)上的行為模式加入到排名算法中，為此，Google也進(jìn)行了許多的努力。 例如推廣Google工具欄，用戶在瀏覽網(wǎng)頁時的行為數(shù)據(jù)會被Google收集，它甚至曾付了不小的一筆錢給戴爾，在后者銷售的電腦上預(yù)裝好Google工具欄。而那些沒有裝Google 工具欄的用戶，當(dāng)他在Google網(wǎng)站進(jìn)行搜索的時候，電腦也會被設(shè)置cookie，在這個cookie一年的有效期內(nèi)，用戶的搜索也被一一記錄。此外，買下原本需要付費(fèi)的日記分析軟件，再以Google Analytics的形式免費(fèi)提供給站長們等做法也讓大家紛紛猜測是出于同樣的考慮。

這種特性也從搜索排名的業(yè)務(wù)場景遷移到了大數(shù)據(jù)營銷的語境中，用戶對一個廣告的反應(yīng)會實時的反饋回來，進(jìn)而供廣告主參考，適時進(jìn)行營銷計劃的調(diào)整。而現(xiàn)在很多數(shù)據(jù)營銷公司依然是一種固定模式的營銷方式，天天對著一群用戶狂轟亂炸，效果可想而知。

這種動態(tài)調(diào)整的模式也適用于這樣一種情況，當(dāng)不知道哪種營銷策略最合適時，可以先準(zhǔn)備幾個不同的方案，同時放到市場去檢驗，Google 會很快告訴你哪個廣告片更受歡迎，然后就可以主推最受歡迎的版本了。 當(dāng)然，動態(tài)調(diào)整的做法并不為Google所獨有，只不過都沒有它反應(yīng)迅速罷了。

四、粉絲爆炸器模式

模式邏輯：利用積累的大量人群數(shù)據(jù)，根據(jù)已經(jīng)擁有的A，找到一群更大的A。

找到1000個忠實的目標(biāo)消費(fèi)者也許不難。如何把這個數(shù)量由1000變?yōu)?0000、1000000甚至更大呢?這100、1000又如何從好幾億的人中挑選呢? 在規(guī)模不斷擴(kuò)大的同時，也能夠盡量做到精準(zhǔn); 阿里巴巴集團(tuán)旗下的阿里媽媽為此構(gòu)建了一個Lookalike 模型，它被形象地稱為“粉絲爆炸器”，可以做到“給定一小群人，自動找到10倍、20倍規(guī)模相似人群”。

商家做生意最難的部分是如何在客戶首次購買之前建立聯(lián)系。因為一旦客戶購買了商家的商品或服務(wù)，便已經(jīng)知道客戶的情況，可以進(jìn)行溝通。精明的商家深知找對潛在用戶的重要性。 而這件事情的難度不亞于大海撈針。相對于已經(jīng)成為客戶的人群規(guī)模(一家中型電商每月可能有上萬客戶)，還沒有成為客戶的人群規(guī)模(線上有幾億規(guī)模的客戶)是非常巨大的。 從上億潛在客戶中找到最有忠實的消費(fèi)者人群這個過程的效率和成本就成為商家致勝的關(guān)鍵。這也是阿里媽媽提供粉絲爆炸器所解決的痛點。

通常，成為某商家客戶的人群具有一定的共性;例如都是哈韓女大學(xué)生、或者都是近期購房人群、亦或都是在意體重的人群等等。這些共性往往在商家的已有客戶中已經(jīng)有所顯現(xiàn);這些消費(fèi)者的各種屬性和行為與全部消費(fèi)者的差異就能突出這些共性特點。利用這些共性，通過比較全網(wǎng)消費(fèi)者與已有消費(fèi)者客戶之間在這些行為上的相似程度，就可以在真正的消費(fèi)行為發(fā)生之前來找到目標(biāo)潛客。

與“啤酒尿布”不同的是，粉絲爆炸器更注重人的綜合行為特性，而不是把重點集中在商品/服務(wù)之間的關(guān)聯(lián)性上 。因此，粉絲爆炸器會找出新任父親為家里的嬰兒這樣的特性，而這樣的人通常會買啤酒、尿布、奶粉、嬰兒護(hù)膚品、產(chǎn)后保養(yǎng)品等等。但如果我們只考慮關(guān)聯(lián)性，則會是由于消費(fèi)者購買了啤酒，所以推薦關(guān)聯(lián)性最高的紅酒、尿布、飲料等等。這種抓住人的相似性往往會有更精準(zhǔn)的效果。

通過大數(shù)據(jù)算法在全網(wǎng)用戶上進(jìn)行粉絲爆炸器，實際上更像是把全網(wǎng)消費(fèi)者和商家之間的已購消費(fèi)者之間的關(guān)聯(lián)可能性進(jìn)行精準(zhǔn)排序。商家給定一小部分忠實用戶人群以后，系統(tǒng)可以給出最像這群人的前1萬人、前10萬人、前100萬人、……;此時，便可根據(jù)商業(yè)目標(biāo)來選擇合適規(guī)模的人群進(jìn)行營銷活動。

轉(zhuǎn)載自

關(guān)于更多大數(shù)據(jù)相關(guān)資訊>>>

2016革新之年，雙節(jié)同慶驚喜不斷！優(yōu)惠詳情點擊查看>>