大数据营销例子 大数据背景下的精准营销案例

许多网友对大数据营销例子，大数据背景下的精准营销案例，不是很了解，下面让艾巴小编为大家介绍下

简介：一场数据的拉锯战

本月早些时候，华尔街日报报道称，美国美国联邦贸易委员会正在调查电子商务巨头亚马逊，因为它涉嫌在为自己的品牌定价、定位和确定目标消费者时不当使用数据。所谓不当，具体是指其借助平台优势，利用更多第三方卖家数据辅助决策。无论从数据量还是数据处理能力来看，亚马逊与第三方卖家都存在不正当竞争。

这已经不是平台和广告主第一次发生矛盾了。

2017年，超过200家广告商宣布抵制YouTube，表面上是因为广告内容出现在极端主义文章的预发布时间，使品牌形象面临风险。但本质上，这是广告主和平台之间的博弈，企业希望在广告上有更多的主导权。在YouTube承诺开发新工具让企业更好地控制广告投放后，争议暂时结束。

这些案例都指向同一个事实：经过十几年的数字广告生态，广告主有了自己的想法。他们发现了隐藏在数据中的巨大商业价值，所以他们不仅希望获得更多的数据，也迫切希望平台为他们创造充分利用数据的条件和环境。

如果在以前，平台的一般能力可以满足广告主的日常需求；现在，平台需要提供定制能力，让企业有更大的空间自主释放数据价值。

01

高级能力：

从数据到智慧

广告商对数据的使用越来越复杂。以前人们以整体点击率和转化率来判断广告效果；随后，从业者发现，同一条广告在不同人群中的数据表现可能差异很大，于是开始与细分的人群进行点击率、转化率等指标的交叉分析，从而获取更多信息。

比如“八大人群”就是细分人群的常用维度。基于年龄、地域、收入等人口统计指标，将消费者分为高级中产、新锐白领、精致妈妈、GenZ、城市蓝领、小城镇青年。通过在这个维度上拆分数据，企业在制定战略时可以更加科学。

然而，当数字营销平台推出“八大人群”的分析维度时，也面临着一些广告主的拷问：“企业什么时候才能有定制人群的能力？言下之意是希望在八大集团之外有独立定义新人的自由。

其实企业有这样的需求并不奇怪：一是八大人群无法做到100%全面覆盖人群，导致错过交易机会的可能；其次，八大群体考虑的是大部分广告主需求的公分母，因此他们依赖广义上的人口统计指标，而不考虑具体的消费者行为和兴趣，这使得他们有脱离实际商业场景的风险。

所以一般的人群细分能力可能适用于大部分企业，但对于数据存储和处理能力强的品牌来说，这样的粗粒度并不能满足其精细化运营的需求。

释放数据价值的工作往往是沿着“数据-信息-知识-智慧”的逻辑进行的：企业从复杂、孤立、分散的数据中提取可利用的信息，然后从信息中总结出客观规律转化为知识，在大量知识沉淀的基础上形成智慧，智慧最终让企业在不同的时空环境中感到舒适并充分受益。

过去平台提供的泛化能力更多的是满足广告主在数据、信息、浅识方面的需求，并没有为企业提供释放智慧价值的舞台。比如，一个品牌在长期的经营实践中，总是更容易转化出具有某种行为特征的消费者；但如果没有定制空间，品牌宝贵的商业智慧就无法在通用能力的框架下顺利落地。

当更多的企业开始成为广告营销行业的高级数据玩家时，广告主的个性化需求与平台通用化之间的结构性矛盾就显现出来了

大数据时代，广告主除了享受精准营销带来的效果和效率提升，也体会到了在数据海洋中失控的感觉。

上世纪中叶，莱斯特温德尔曼(lester wunderman)等广告人提出了“直接营销”的概念，通过直邮、免费电话和忠诚度计划等方式与消费者建立直接沟通渠道。在这个过程中，数据收集和处理的重要性开始显现。从20世纪70年代初开始，CRM系统、数据库营销等新技术逐渐普及，现阶段企业对数据的控制力仍然很强。

然而，随着大数据时代的到来，越来越多不同来源、不同类型的数据涌入，海量数据的规模开始超出广告主的控制能力，失控的现象开始出现。典型表现就是“数据黑箱”。广告主只能被动接受数据计算的结果，却无法发现数据是如何处理的。什么短文章更容易受到算法的青睐？有哪些商品有成为爆款的潜力？这类问题的答案只能依靠企业的频繁试错，缺乏科学的指导带来了不可忽视的试错成本。

在这种背景下，营销科学应运而生，其核心价值是“黑箱白箱”。借助营销科学，企业可以部分参与计算过程，原本的黑箱变得透明，失控带来的焦虑也得到缓解。

事实上，市场营销科学的发展可以分为两个阶段：

第一阶段是打造产品化、通用化、标准化的能力。比如庞大的云图“O-5A”模型就是一个典型的例子，所有的商家都可以基于这个模型来评估用户关系的紧密程度。在模型中，企业可以快速掌握高转化潜力人群和已转化人群的数量，甚至了解不同人群之间的流转效率，基于丰富的数据实现对细分人群的个性化运营。这种通用能力易于使用，适合大多数企业。

第二阶段是提供定制功能。这部分能力主要针对的是“数据高玩”人群，因为一般的能力无法满足他们高层次的运营需求，而定制化的能力让他们可以在数据处理中注入个性化的需求和商业智慧。

比如去年9月，庞大的引擎在数据工厂上线。该产品集成了许多具有定制功能的模块，其核心是“标签工厂”和“建模预测”:

标签工厂：以往企业人口细分的维度可能局限在“八大人”的框架内。现在他们可以从品牌本身、产品品类、用户行为偏好、用户特征等多个维度定制人群、内容、人才标签的打造，精准圈定目标人群，围绕目标人群进行多维度的深度洞察。建模与预测：过去企业习惯人工分析数据，现在可以基于海量数据和机器学习能力定制正负样本和优化目标，最终的建模结果可以直接反馈到企业的真实业务场景。

那么如何看待“数据工厂”这类定制产品的价值呢？一句话总结，就是从“计划数据”阶段进入“市场数据”时代。

以前数据价值的实现是基于一般的能力，平台赋予什么功能，企业就能发挥什么实力。数据流动和处理看似有序，但要素的价值和企业的智慧并没有得到充分释放；在“数据工厂”这样的产品中，品牌的主观能动性得到了充分的释放，数据的价值可以得到最大程度的激发。

其实仔细分析你会发现，这样先进的产品已经让平台和广告主实现了双赢：

首先，避免了平台被拖入“面向服务模式”的深渊。随着不同行业数据和业务场景的深入融合，无论从团队能力还是人力成本的角度，平台都不可能提供覆盖所有行业、所有场景的解决方案。所以，把更多的权限还给企业和服务商是必然的选择；

其次，也可以让广告主发挥自己的优势。因为在通用数据能力的基础上，广告主面临着数据和业务场景难以深度融合的问题，也难以拉开与竞品的差距。但在“数据工厂”等产品提供的广阔定制空间中，企业与服务商的能力差异会直接体现在效果上。当品牌不再吃“大锅饭”，而是靠自己的本事，围绕数据价值的主观能动性被激发出来。

面对不断膨胀的数据，品牌总是处于失控和控制的循环中。虽然提供泛化能力看似有序，但会导致数据元素价值释放不足的弊端。让品牌在可控范围内自由施展自己的能力，从“计划数据”突然转变为“市场数据”才是真正对抗数据失控的最佳选择。

03

用每个能力的数据玩high

虽然上线时间不到一年，但数据工厂在各种场景和目标下搭建了相当大的定制舞台，这也让“数据高玩”玩出了各种花样。

标签工厂是一个相对轻量级的工具，很多具备基本业务能力的公司都可以自由使用。简单来说，企业可以在人群、内容、人才、商品等不同场景数据中圈出标签，通过“交集”或“减法”等简单的计算规则重新定义人群。这样做的好处是，品牌可以根据自己对业务的理解，充分挖掘数据的价值。

例如，法国个人护理品牌欧舒丹(L 'Occitane)就面临着在Tik Tok寻找目标消费者的问题。与大众消费品牌不同，欧舒丹定位于高端市场，这就要求其在大量消费者中更精准地捕捉转型机会。在标签工厂，它通过四个步骤实现其目标：

第一步，在美体乳业类目下筛选“高比例、高增长率”的关键词。其中，“高比例”意味着其在用户消费决策中的权重较高，“高增长率”意味着关键词正在成为消费者关注的热点。第二步，将品牌定义的关键词合并到所选的平台关键词中。例如，欧舒丹推出了涵盖“樱花”、“乳木果油”、“甜杏仁”的产品，因此这些词作为自定义标签被纳入分析类别。第三步，欧舒丹通过独立定义标签的CTR和CVR公式，将不同的关键词分为四类：主词、潜在词、蓝海词和替代词。这种分类可以为投放策略提供依据。比如“樱花”作为潜力词可以增加投放预算，“甜杏仁”作为蓝海词需要投入少量资金进行初步效果测试。第四步，根据关键词筛选买家，建立标签体系。比如欧舒丹梳理了“樱花”背后的用户画像，根据其特点将其定义为“甜美女孩”。随后，公司根据圈子选出的“甜妹”建立了完整的标签体系，从而指导品牌关键词购买、内容创作、人才选拔等具体工作。

去年双11期间，欧舒丹利用数据工厂实现了7%的点击率提升。在与数据工厂核心团队成员的交流中，了解到已经有600多个品牌在使用标签工厂功能，其中三分之一的品牌已经深度使用。

不同于标签工厂，建模预测是对广告主技术要求更高的功能。由于建模和预测消耗大量计算能力，庞大的引擎采用空白审核机制，具备相应数据处理能力的品牌和服务商可以根据需要申请该功能。

虽然建模预测的门槛比标签厂高，但还是有一些标杆案例很有参考价值，比如护肤品牌露得清就从中受益。

露得清在使用建模预测之前，主要采用传统电商策略拉新人，但拉新人往往是黑箱输出，透明度和准确性存在问题，导致人的深度转化效果不佳。在与阳狮集团沟通后，露得清决定利用建模和预测功能建立自己的模型，以提高目标消费者的运营效率：

首先，结合业务痛点确定了三个建模方向：“增加人们的兴趣(以CTR为优化目标)”，“增加深度品牌互动的人群数量级(以A3、A5为优化目标)”和“增加购买转化率(以ROI为优化目标)”。其次，根据不同的建模目标匹配不同的数据源。由于三大目标由浅入深，覆盖面广，在数据来源的组合上使用了“27位顶尖人才粉丝”、“品牌优势概念搜索人群”、“全行业机会人群”等多种人群数据。最后，基于不同的建模方向和数据源，进行样本组合优化、特征组合筛选、模型类型优化和参数调整优化。借助建模和预测的定制功能，露得清实现了相比平均值200%的CTR增长和170%的深度转化关系资产增长。在核心ROI上，品牌也实现了400%到900%的提升。

在与数据工厂核心团队成员的交流中，我了解到他们在去年5月份就开始了客户调查，几乎所有的受访者都对数据工厂抱有很大的期望，尤其是服务提供商。不难理解，对于服务商来说，当他们获得大量的定制空间时，他们的工作就会呈现出智力密集型的特点，服务商的能力差异和优势也会更加直接的体现出来。

04

让生态繁荣起来。

过去几年，从业者一直强调“精耕细作”的重要性。但“精耕细作”不仅需要意识，还需要适合耕作的优质工具。只有这样，那些掌握熟练技能的农民才能在收获中体会到精细化的好处，并愿意花更多的精力继续参与。

从这个比喻中，你大概可以理解为什么自定义功能对于数字广告的发展如此重要。

服务商和品牌在各自能力的状态下，真正进入“优胜劣汰”的完全竞争状态。没有通用能力的婴儿，能力差异形成的壁垒会奖励那些有真才实学的“数据玩”，刺激他们开发更多新的玩法。——我了解到一些数据能力很强的跨国公司在充分利用自定义功能方面积累了丰富的经验。比如某美妆巨头不满足于定制少量人群标签，分别为旗下两大品牌定制了2000多个和400多个标签。

在这个过程中，平台本身回归了生态建设者的角色，提供了更完善的基础设施，给了广告主和服务商足够的独立空间。角色的划分让生态参与者的智慧摆脱了现有规则的束缚，形成了一个稳定、活跃、多样、商业友好、奖惩分明的数据使用生态。

就像亚马逊雨林给了所有生物充足的生长空间一样，这样的生态最终的归宿往往就是四个字：活力。

作者：WalterK广告营销行业深度表达