國外大數據營銷案例

A. 大數據有哪些具體的應用案例_大數據應用的典型案例

大數據有具體的應用案例還是很多的，比如：

1、梅西百貨的實時定價機制。根據需求和庫存的情況，該公司基於SAS的系統對多達7300萬種貨品進行實時調價。

2.Tipp24AG針對歐洲博彩業構建的下注和預測平台。該公司用KXEN軟體來分析數十億計的交易以及客戶的特性，然後通過預測模型對特定用戶進行動態銀頌的營銷活動。這項舉措減少了90%的預測模型構建時間。SAP公司正在試圖收購KXEN。

3.沃爾瑪的搜索。自行設計了最新的搜索引擎Polaris，利用語義數據進行文本分析、機器學習和同義詞挖掘等。根據沃爾瑪的說法，語義搜索技術的運用使得在線購物的完成率提升了10%到15%。「對沃爾瑪來說，這就意味著數十億美元的金額。」Laney說。

4.快餐業的培搏鍵視頻分析。該公司通過視頻分析等候隊列的長度，然後自動變化電子菜單顯示的內容。如果隊列較長，則顯示可以快速供給的食物;如果隊列較短，則顯示那些利潤較高但准備時間相對長的食品。

5.Morton牛排店的品牌認知。當一位顧客開玩笑地通過推特向這家位於芝加哥的牛排連鎖店訂餐送到紐約Newark機場（他將在一天工作之後抵達該處）時，Morton就開始了自己的社交秀。首先，分析推特數據，發現該顧客是本店的常客，也是推特的常用者。根據客戶以往的訂單，推測出其所乘的航班，然後派出一位身著燕尾服的侍者為客戶提供晚餐。

6.PredPolInc.。PredPol公司通過與洛杉磯和聖配巧克魯斯的警方以及一群研究人員合作，基於地震預測演算法的變體和犯罪數據來預測犯罪發生的幾率，可以精確到500平方英尺的范圍內。在洛杉磯運用該演算法的地區，盜竊罪和暴力犯罪分布下降了33%和21%。

7.TescoPLC（特易購）和運營效率。這家超市連鎖在其數據倉庫中收集了700萬部冰箱的數據。通過對這些數據的分析，進行更全面的監控並進行主動的維修以降低整體能耗。

8.AmericanExpress（美國運通，AmEx）和商業智能。以往，AmEx只能實現事後諸葛式的報告和滯後的預測。「傳統的BI已經無法滿足業務發展的需要。」Laney認為。於是，AmEx開始構建真正能夠預測忠誠度的模型，基於歷史交易數據，用115個變數來進行分析預測。該公司表示，對於澳大利亞將於之後四個月中流失的客戶，已經能夠識別出其中的24%。

B. 目前大數據在哪些行業有案例或者說應用

大數據應用的關鍵，也是其必要條件，就在於"IT"與"經營"的融合，當然，這里的經營的內涵可以非常廣泛，小至一個零售門店的經營，大至一個城市的經營。以下是關於各行各業，不同的組織機構在大數據方面的應用的案例，在此申明，以下案例均來源於網路，本文僅作引用，並在此基礎上作簡單的梳理和分類。
大數據應用案例之：醫療行業
Seton Healthcare是採用IBM最新沃森技術醫療保健內容分析預測的首個客戶。該技術允許企業找到大量病人相關的臨床醫療信息，通過大數據處理，更好地分析病人的信息。
在加拿大多倫多的一家醫院，針對早產嬰兒，每秒鍾有超過3000次的數據讀取。通過這些數據分析，醫院能夠提前知道哪些早產兒出現問題並且有針對性地採取措施，避免早產嬰兒夭折。
它讓更多的創業者更方便地開發產品，比如通過社交網路來收集數據的健康類App。也許未來數年後，它們搜集的數據能讓醫生給你的診斷變得更為精確，比方說不是通用的成人每日三次一次一片，而是檢測到你的血液中葯劑已經代謝完成會自動提醒你再次服葯。
大數據應用案例之：能源行業
智能電網現在歐洲已經做到了終端，也就是所謂的智能電表。在德國，為了鼓勵利用太陽能，會在家庭安裝太陽能，除了賣電給你，當你的太陽能有多餘電的時候還可以買回來。通過電網收集每隔五分鍾或十分鍾收集一次數據，收集來的這些數據可以用來預測客戶的用電習慣等，從而推斷出在未來2~3個月時間里，整個電網大概需要多少電。有了這個預測後，就可以向發電或者供電企業購買一定數量的電。因為電有點像期貨一樣，如果提前買就會比較便宜，買現貨就比較貴。通過這個預測後，可以降低采購成本。
維斯塔斯風力系統，依靠的是BigInsights軟體和IBM超級計算機，然後對氣象數據進行分析，找出安裝風力渦輪機和整個風電場最佳的地點。利用大數據，以往需要數周的分析工作，現在僅需要不足1小時便可完成。
大數據應用案例之：通信行業
XO Communications通過使用IBM SPSS預測分析軟體，減少了將近一半的客戶流失率。XO現在可以預測客戶的行為，發現行為趨勢，並找出存在缺陷的環節，從而幫助公司及時採取措施，保留客戶。此外，IBM新的Netezza網路分析加速器，將通過提供單個端到端網路、服務、客戶分析視圖的可擴展平台，幫助通信企業制定更科學、合理決策。
電信業者透過數以千萬計的客戶資料，能分析出多種使用者行為和趨勢，賣給需要的企業，這是全新的資料經濟。
中國移動通過大數據分析，對企業運營的全業務進行針對性的監控、預警、跟蹤。系統在第一時間自動捕捉市場變化，再以最快捷的方式推送給指定負責人，使他在最短時間內獲知市場行情。
NTT docomo把手機位置信息和互聯網上的信息結合起來，為顧客提供附近的餐飲店信息，接近末班車時間時，提供末班車信息服務。
大數據應用案例之：零售業
"我們的某個客戶，是一家領先的專業時裝零售商，通過當地的百貨商店、網路及其郵購目錄業務為客戶提供服務。公司希望向客戶提供差異化服務，如何定位公司的差異化，他們通過從 Twitter 和 Facebook 上收集社交信息，更深入的理解化妝品的營銷模式，隨後他們認識到必須保留兩類有價值的客戶：高消費者和高影響者。希望通過接受免費化妝服務，讓用戶進行口碑宣傳，這是交易數據與交互數據的完美結合，為業務挑戰提供了解決方案。"Informatica的技術幫助這家零售商用社交平台上的數據充實了客戶主數據，使他的業務服務更具有目標性。
零售企業也監控客戶的店內走動情況以及與商品的互動。它們將這些數據與交易記錄相結合來展開分析，從而在銷售哪些商品、如何擺放貨品以及何時調整售價上給出意見，此類方法已經幫助某領先零售企業減少了17%的存貨，同時在保持市場份額的前提下，增加了高利潤率自有品牌商品的比例。

C. 有哪些大數據分析案例

如下：

1. 大數據應用案例之：醫療行業

1）Seton Healthcare是採用IBM最新沃森技術醫療保健內容分析預測的首個客戶。該技術允許企業找到大量病人相關的臨床醫療信息，通過大數據處理，更好地分析病人的信息。

在加拿大多倫多的一家醫院，針對早產嬰兒，每秒鍾有超過3000次的數據讀取。通過這些數據分析，醫院能夠提前知道哪些早產兒出現問題並且有針對性地採取措施，避免早產嬰兒夭折。

它讓更多的創業者更方便地開發產品，比如通過社交網路來收集數據的健康類App。也許未來數年後，它們搜集的數據能讓醫生給你的診斷變得更為精確，比方說不是通用的成人每日三次一次一片，而是檢測到你的血液中葯劑已經代謝完成會自動提醒你再次服葯。

2）大數據配合喬布斯癌症治療

喬布斯是世界上第一個對自身所有DNA和腫瘤DNA進行排序的人。為此，他支付了高達幾十萬美元的費用。他得到的不是樣本，而是包括整個基因的數據文檔。醫生按照所有基因按需下葯，最終這種方式幫助喬布斯延長了好幾年的生命。

2. 大數據應用案例之：能源行業

1）智能電網現在歐洲已經做到了終端，也就是所謂的智能電表。在德國，為了鼓勵利用太陽能，會在家庭安裝太陽能，除了賣電給你，當你的太陽能有多餘電的時候還可以買回來。

通過電網收集每隔五分鍾或十分鍾收集一次數據，收集來的這些數據可以用來預測客戶的用電習慣等，從而推斷出在未來2~3個月時間里，整個電網大概需要多少電。有了這個預測後，就可以向發電或者供電企業購買一定數量的電。

因為電有點像期貨一樣，如果提前買就會比較便宜，買現貨就比較貴。通過這個預測後，可以降低采購成本。

2）丹麥的維斯塔斯風能系統(Vestas Wind Systems)運用大數據，系統依靠的是BigInsights軟體和IBM超級計算機，分析出應該在哪裡設置渦輪發電機，事實上這是風能領域的重大挑戰。在一個風電場20多年的運營過程中，准確的定位能幫助工廠實現能源產出的最大化。

為了鎖定最理想的位置，Vestas分析了來自各方面的信息：風力和天氣數據、湍流度、地形圖、公司遍及全球的2.5萬多個受控渦輪機組發回的感測器數據。這樣一套信息處理體系賦予了公司獨特的競爭優勢，幫助其客戶實現投資回報的最大化。

3. 大數據應用案例之：通信行業—通過大數據分析挽回核心客戶

法國電信-Orange集團旗下的波蘭電信公司Telekomunikacja Polska是波蘭最大的語音和寬頻固網供應商，希望有效的途徑來准確預測並解決客戶流失問題。

他們決定進行客戶細分，方法是構建一張「社交圖譜」- 分析客戶數百萬個電話的數據記錄，特別關注 「誰給誰打了電話」以及「打電話的頻率」兩個方面。「社交圖譜」把公司用戶分成幾大類，如：「聯網型」、「橋梁型」、「領導型」以及「跟隨型」。

這樣的關系數據有助電信服務供應商深入洞悉一系列問題，如：哪些人會對可能「棄用」公司服務的客戶產生較大的影響?挽留最有價值客戶的難度有多大?運用這一方法，公司客戶流失預測模型的准確率提升了47%。

4、大數據應用案例之：零售業—大數據幫零售企業制定促銷策略

北美零售商百思買在北美的銷售活動非常活躍，產品總數達到3萬多種，產品的價格也隨地區和市場條件而異。由於產品種類繁多，成本變化比較頻繁，一年之中，變化可達四次之多。

結果，每年的調價次數高達12萬次。最讓高管頭疼的是定價促銷策略。公司組成了一個11人的團隊，希望透過分析消費者的購買記錄和相關信息，提高定價的准確度和響應速度。

定價團隊的分析圍繞著三個關鍵維度：

1）數量：團隊需要分析海量信息。他們收集了上千萬的消費者的購買記錄，從客戶不同維度分析，了解客戶對每種產品種類的最高接受能力，從而為產品定出最佳價位。

2）多樣性：團隊除了分析了購買記錄這種結構化的數據外，他們也利用社交媒體發帖這種新型的非結構化數據。由於消費者需要在零售商專頁上點贊或留言以獲得優惠券，團隊利用情感分析公式來分析專頁上消費者的情緒，從而判斷他們對於公司的促銷活動是否滿意，並微調促銷策略。

3）速度：為了實現價值最大化，團隊對數據進行實時或近似實時的處理。他們成功地根據一個消費者既往的麥片購買記錄，為身處超市麥片專櫃的他/她即時發送優惠券，為客戶帶來便利性和驚喜。

透過這一系列的活動，團隊提高了定價的准確度和響應速度，為零售商新增銷售額和利潤數千萬美元。

5、大數據應用案例之：網路營銷行業（SEM）

很多企業在做SEM的過程中，都有這樣的感觸：每年都會花費大量的預算在SEM推廣中，但是因為關鍵詞投入產出無法可視化，常常花了很多錢卻不見具體的回報。

在競爭如此激烈的SEM市場中，企業需要一個高效的數據分析工具來盡可能地幫企業優化SEM推廣，例如BDP，來幫企業節省不必要的支出，提升整體的經營績效。

企業可藉助數據平台提供的網路營銷整合解決方案，打通各個搜索引擎營銷（SEM）、在線客服系統和CRM系統，營銷競價人員無需掌握復雜的編程技術，簡單拖拽即可生成報表，觀察每一個關鍵詞的投入和產出，分析每一個頁面的轉化，有效降低投放成本。

通過BDP實況分析數據，可以快速洞悉對手關鍵詞的投放時段、地域及排名，並對其進行可視化的分析，實時監控自己和競爭對手的投放情況，了解對手的投放策略，支持自定義設置數據更新的時間點、監控頻次和時段，及時調整策略。知已知彼，才能百戰不殆。

6、大數據應用案例之：電商行業

意料之外：胸部最大的是新疆妹子。曾經淘寶平台顯示，中國女性購買最多的文胸尺碼為B罩杯。B罩杯佔比達41.45%，其中又以75B的銷量最好，其次是A罩杯，購買佔比達25.26%，C罩杯只有8.96%。

雖然淘寶數據平台不能代表一切，但是結合現實來看，這個也具有普遍的代表性，只能感慨中國女性普遍size。在文胸顏色中，黑色最為暢銷，黑色絕對是百搭，每個女性必備。

從省市排名，胸部最大的是新疆妹子。這些數據都對於文胸店鋪而言是很好的參考，為店鋪的庫存、定價、款式選擇等策略都有奠定數據基礎。

7、大數據應用案例之：娛樂行業

微軟大數據成功預測奧斯卡21項大獎。2013年，微軟紐約研究院的經濟學家大衛•羅斯柴爾德（David Rothschild）利用大數據成功預測24個奧斯卡獎項中的19個，成為人們津津樂道的話題。

今年羅斯柴爾德再接再厲，成功預測第86屆奧斯卡金像獎頒獎典禮24個獎項中的21個，繼續向人們展示現代科技的神奇魔力。

總的來說，大數據的終極目標並不僅僅是改變競爭環境，而是徹底扭轉整個競爭環境，帶來新機遇，企業需要應勢而變。企業只有認識到這一點，使用合適的數據分析產品、聰明地使用和管理數據，才能在長期競爭中成為終極贏家。

D. TOP100summit分享實錄｜服務快消品牌的數字營銷解決方案

本文內容節選自由msup主辦的第七屆TOP100summit，個推大數據產品咨詢總監沈都分享的《服務快消品牌的數字營銷解決方案》實錄。

分享者沈都具備豐富的互聯網研發和營銷策劃經驗，善於通過數據分析發現企業服務環節中的更多營銷價值點，曾負責長城 汽車 、高露潔、歐萊雅等多個項目的數字營銷工作，在數據，分析挖掘和應用上有豐富的實戰經驗。

編者按： 2018年11月30日-12月3日，第七屆全球軟體案例研究峰會在北京國家會議中心盛大開幕，現場解讀2018年「壹佰案例榜單」。本文為個推大數據產品咨詢總監沈都老師分享的《服務快消品牌的數字營銷解決方案》案例實錄。

眾所周知， 廣告分為兩大分支，即效果廣告和品牌廣告。效果廣告在移動端領域非常普遍 ，例如，你看到一條消息刺激你去安裝下載一個APP，或是留下信息注冊，這就是效果類廣告。

品牌廣告 是指大家在傳統媒體上看到各種各樣的廣告信息，不管是請人代言還是戶外海報這都屬於品牌廣告。與效果廣告最大的不同是，它並不是追求在一次廣告投放中產生立竿見影的效果， 而是在一個長期與消費者溝通過程中，讓品牌形象深入心裡。 品牌廣告中根據品類不同，還可以分成更細致的觀點，例如， 耐用品、奢侈品、快消品 。

耐用品 ，一般品牌商常用的方式是宣傳它的功能性、可靠性、耐用性。 奢侈品 則完全不同，奢侈品有自己的一種品牌理念、質感，這體現了奢侈品消費者的身份特徵。 快消品 是覆蓋更大的品類，消費者對於快消品的理念也會隨著各種各樣的因素而變化。

快消品市場競爭激烈，消費者見異思遷

對於快消品來說，它受影響的因素非常多，我們先從品牌因素來講：

品牌本身是一個消費和決策的因素，比如，耐克、寶馬這種品牌因素非常深入人心。但是快消品的活動非常多，我們常說：「廣告打得再有情懷還不如雙11半價。」這是 活動因素 。另外就是 環境因素 ，現在一些快消品在電視劇/綜藝上做贊助，有些人會沖動購買，這時，它的目的就已經達到了。最後是 購買心理 ，比如咖啡，你看到身邊人在喝，你作為消費者也會想要嘗試一下。

快消品的消費者特點：

1、購買習慣因人而異。

2、消費者購買快消品是相對感性的產品。現在一些網紅、博主帶貨，如果你對他有好感，很容易會被其影響。

3、快消品價值不高，所以，導致消費者的忠誠度並不高。

品牌營銷面臨的問題

快消品的這些影響因素會影響品牌在很長時間內的表現，所以，我們該如何幫助品牌者更好的了解消費者？這個才是品牌主關心的事情。要做品牌廣告，就一定要走心，讓品牌形象深入人心。因此，想要了解消費者，傳統的方式是 問卷或者訪談 ，挑出一小部分用戶代表整個群體，通過他們的溝通交流挖掘出內心動機。但是，這相對有三個弊端。

第一個，調研成本相對比較高 。有效問卷需要很大的量，可能需要幾千份甚至上萬份問卷，這時問卷篩選率非常高，一個產品就要做一輪調查，時間線會非常長。

第二個， 我們現在做一些訪談的時候，需要從消費者口中獲得一些聲稱的消息，但其實這些消息 並非他們的真實想法。

第三個， 我們在選一些媒體去做觸達時，因為前期是抽樣調研，所以，在投放的時候，量本的用戶不能覆蓋整個群體的特徵。

面對這些弊端，我們能否用一些數字化的方式去解決呢？

雖然，大數據強調的是 全量， 但廣告一定是品牌和效果分開的，傳統廣告是通過一輪一輪的品牌印象，在一些關鍵時點做大型促銷，在數字化領域，我們同樣要遵循這樣的規則，而並非在有了一些數據化的工具之後，把品牌廣告做成效果廣告，這是很多品牌主在一開始接觸時產生的誤區。

上圖是我們經常跟品牌主做的營銷節奏。對於一個品牌來說，營銷時點是分開的，在平日的一些時間段，它要做的是找到相應人群做一些相應內容的傳遞，以此達到品牌印象的建立。在一個大促的時間點做臨門一腳的事，關系就像蓄水池，平時品牌印象就是蓄水池，而大促相當於一個開關。

我們如何幫助品牌廣告主做數據化的營銷工作？

每一個人都是數字時代的網民，不管我們去消費、 娛樂 、通行、訂單等所有行為都要通過手機。平均每個人手機上主動下載安裝的APP有33個。所以，有了這樣一個移動端的基礎後，我們才可以說 打造以人為單位的移動營銷工具。

上圖可以這樣理解，通過大數據可以解讀消費者在移動端的行為偏好，由此便充分了解消費者，最終通過「人」推導營銷策略。

這個時代不缺數據。 一個品牌在各個領域都有它的數據，比如，電商平台中會有大量CRM的信息、訂單信息、消費者信息、消費者購買時間、購買金額等數據。另外，線上各媒體投放的時候，也會留下大量消費者數據，比如，哪些消費者在什麼地方看過廣告，有沒有點擊，以及對某些廣告的敏感度等。但這里有個很大的問題， 在不同的場景里，數據的沉澱方式是不同的， 因此數據無法被打通。

那麼，我們如何知道消費者既購物又去了線下門店，並且還看到了廣告呢？

現在，BAT有非常強大的賬號體系，所有的APP、網站都用微信/淘寶賬號登錄，我就可以知道同一個人分別在哪些地方出現。而我們的方式是 ID打通， 我們把這些數據做匹配，打通以設備為單位/近似於以人為單位的ID，標上我們自己的標簽體系。

數據的匹配打通，其實是一個相對底層的工作，這個工作廣告主看不到。既然我們是為廣告主提供洞察研究的產品，那我們更多是要做可視化方面的內容，讓洞察結果變得更加顯而易見。

上圖是某一款產品在旗艦店銷售的狀況，大家可以看到，57%的訂單都是在「6.18」期間完成的，這是一個非常典型的大眾快消品的消費方式。它的所有消費不是均勻分布，而是在某一個爆點突然完成，這個爆點落在「618」、「雙11」期間。所以導致基本上一年購物兩次，兩次解決一年的銷量。

大家會有個刻板印象，我的產品到底吸引什麼樣的消費者？是那些對價格異常敏感的人嗎？如果你是以這個切入為主的思維，那麼這是對後續用戶研究的一個誤區。我們再進一步來看， 用統計學聚類的演算法 ，提取大促期間消費的人群的特徵，大家可以看到，通過這種標簽去聚類之後，有5個特徵顯著的人群。

第二種是品質生活追求者。 這群人年齡相對較大，他們會有休閑放鬆的活動，並且會去一些護理的場所。

第三種是精明購物者。 我們現在所說的消費升級，大家都想用更優質的產品，但卻不想花費太多的錢。這個群體會變得越來越普遍。

第四種是宅男宅女。 這群人大部分都是單身、二次元，但是比較容易滿足。

第五種是學生黨。 學生群體相對來說比較清閑，他們經常有一些豐富的社交行為，不管是線下大學之間的相互串門還是線上各種社交行為，我們稱這是荷爾蒙爆棚的地方。針對這群人，我們要傳達一種青春活力的品牌理念。

在品牌廣告領域可以分為兩大類， 第一大類，相對窄眾的消費品 ，在國內市場，有很小一部分群體貢獻很大的銷量，一般以高端商品為主。做這種品牌營銷，是沒有必要做大面積/大媒體的推廣，因為大部分人即使看到了廣告也不會購買。所以，我們要 找到高能度、高凈值的人群做推廣，並且保持長期有效的影響。第二大類，大眾消費品， 也就是我們今天探討的快消品，這類產品其實任何人都能買得起，但是為什麼要選擇你家的產品呢？因此， 我們要針對不同的群體，灌輸不同的品牌理念， 讓消費者認為你的產品是符合當下需求的。

開發可視化用戶分析界面

用戶除了在線上表現的有特徵之外，很多時候是在線下。比如，我們去機場時，因為機場相對高凈值且人群聚集，所以我們會經常會看見一些比較高端的廣告。但是，城市人群復雜，我們無法找到相對應的消費者做用戶研究分析，所以，在這個條件下，我們又做出一款做 線下人群分析的工具， 下面我們來看兩個案例。

案例一：

上圖叫做 紅藍海 。兩年前，個推給國內某款知名共享單車做線下位置分析，當時有一個很大的挑戰，即單車距離的遠近決定用戶是否騎行。我們將可能使用單車的人群挑出來，再做一個大盤，然後統計有多少比例的人安裝了該品牌的共享單車APP，最後我們把它畫成圖，中間設置了一個 閾值 ，數值超過就會變為紅色。 紅色即表示，在這個區域內競爭非常激烈；而藍色表示，這個區域的投放車輛濃度較低，但這個區域的潛在用戶分布很多 ，所以，該品牌應該在此區域增加投車數量。

案例二：

上面這四個小圖，是我們做給微軟Surface的。左邊第一張圖是在北京地區做了一個樣本分析。第二張圖，將相對高消費的人群挑出來即可看到，高消費人群主要分布在北京的西北角和東邊，也就是中關村和國貿一帶。第三張圖，是Surface北京典型用戶的分布，這里包括了學生和IT互聯網產業的從業者。第四張圖，是蘋果的分布。第三張圖和第四張圖有很大的差別，Surface和Mac不是直接的對包，所以，做一些活動和宣傳的時候，我們更傾向於Surface人群，因為Surface更多的被IT互聯網從業者使用。

如上圖所示，從上到下每一條線代表一台手機隨著時間充電的狀況，最右邊的時間是從晚到早。每一條垂直的線都由千萬條線相組成。紅色表示手機正在耗電，正常使用耗電叫Active，綠色表示充電，藍色表示電量相對平衡，已經達到或接近了100%。我們可以看到，紅色和綠色或綠色和藍色交界處畫一條線。上圖在個推內部叫做睡眠圖，它代表不同的人群睡眠狀況是不同的。

從傳統投放到精細化投放

傳統的觸達方式，是以媒體和內容為向導。但這種方式有3個弊端：價格貴、曝光率低、競爭激烈。

觸達「TA」而不是媒體—貫穿全天的數字生活

現在，程序化中的主流方式是 DSP ，它是一個平台，負責對接各種各樣的媒體。當一個用戶打開某個APP的一瞬間，如果是開屏廣告，幾毫秒便會將請求顯示到設備ID，隨後發送到我們的系統，系統會判斷設備ID是否適合投放。如果適合，系統回答yes並發送給用戶，如果不適合，系統回答no並被另外廣告填充。

這種方式是以 第三方 數據服務角色介入廣告曝光流程。對於品牌主來說，數據不會全部上傳到媒體，因為我們給客戶建立 私有雲 ，數據儲存在客戶私有雲，用的時候才會查詢，被查詢時才會上傳，這對用戶數據也是一種保護。

自助式媒體表現分析

投放後做 媒體分析 非常重要，因為在一次投後過程中的媒體表現、媒體相關流量/質量涉及到品牌的展示效果。

我們來看一個例子，在一次投放當中，我們挑了一群人，一半男性一半女性。投放之後，我們發現點擊人群中有60%是男性，那能否得出結論說男性更願意點擊？不能，這里忽略了一個因素， 曝光人群 。

上圖是我們給品牌廣告主做的一套系統，前面所說的內容都是基於這套系統所做的案例。從最基礎的數據倉庫來看，我們不僅對接了品牌主自己的數據，還對接了品牌主合作方的數據，大部分的數據串聯起來存在數據倉庫中，用我們的方式打上標簽，在這基礎之上，還要做分析和洞察。

最直接的方式是做媒體投放對接，像阿里和騰訊，他們都有直接API介面，我們的人群可以直接傳到廣點通，和內部對接後再投放。

媒體監測和反欺詐，這是數據的循環。這對於品牌主來說不單單是搭了一個殼，品牌主的使用次數不斷流轉，流轉越多，數據就越豐富。

案例啟示

•數據是品牌主最重要的資產之一。 現在越來越多的品牌主在往數據化的方向前行。國內外的快消品牌，他們對於數據的概念愈加清晰。

•工具只是輔助，營銷追求本質。 營銷方法永遠不會過時。數據、工具讓營銷環節更有效率，能覆蓋傳統方式的盲點，這是數據工具帶給營銷的意義。

•數據類產品要結合實際業務開發，不能閉門造車。 在面對不同客戶時，要結合實際情況，開發不同的工具。

E. 扒扒跟大數據有關的那些事兒

扒扒跟大數據有關的那些事兒

如今，業界和學術界一直在討論一個詞，那就是大數據。不管是學術圈還是IT圈，只要能談論點兒大數據就顯得很高大上。然而，大數據挖掘、大數據分析、大數據營銷等等事情僅僅只是個開始，對大多數公司來說，大數據仍有很強的神秘色彩。於是，在我們還沒有完全搞明白如何運用大數據進行挖掘時，各種過於神化大數據的輿論就已經不絕於耳了。當然，也有很多人直接批判大數據或大數據營銷給我們造成的隱私威脅。也有很多人根本沒有搞清楚什麼是大數據，到底有什麼價值。
於是，站在客觀的角度，圍繞下面幾個問題與大家分享有關大數據的幾個觀點，也扒扒大數據的那些事兒：1、大數據營銷和個人隱私泄露究竟有無因果和邏輯關系?
2、大數據營銷到底能帶給企業什麼樣的價值?到底能帶給用戶什麼價值?用戶是否全盤否定或反感大數據營銷?
3、如何正確看待大數據?如何看待大數據和傳統調查方法或統計學的關系?
4、大數據營銷究竟面臨什麼樣的挑戰?
一、大數據的迅猛發展與數據隱私的憂慮相伴而生
社交媒體的出現，讓用戶數據的分享數量達到了難以估量的程度。而如今，社交媒體的種類有增無減，智能手機的更大普及，又讓更多用戶轉移到移動互聯網，從而又進一步貢獻更多數據和內容。這樣的數據增量讓全球社交媒體的收入大漲，僅根據咨詢公司Gartner2012年的研究結果顯示，2012年全球社交媒體收入估計達到169億美元。
一邊是社交媒體因為大數據的盆缽滿載，另一方面則是用戶不斷毫無保留的將個人信息交給互聯網，這些信息包括年齡、性別、地域、生活狀態、態度、行蹤、興趣愛好、消費行為、健康狀況甚至是性取向等。一時間，針對海量用戶信息的大數據挖掘、大數據分析、大數據精準營銷、廣告精準投放等等迅速被各大公司提上日程。
比如，一個發生在美國的真實故事就會告訴我們，利用數據挖掘如何掌握我們的行蹤。一個美國家庭收到了一家商場投送的關於孕婦用品的促銷劵，促銷劵很明顯是給給家中那位16歲女孩的。女孩的父親很生氣，並找商場討說法。但幾天後，這位父親發現，16歲的女兒真懷孕了。而商場之所以未卜先知，正是通過若干商品的大量消費數據來預估顧客的懷孕情況。
類似的大數據挖掘和營銷事件在今天更多的發生，尤其是社交媒體產生大量數據後。於是，許多人對個人隱私數據開始擔憂，開始批判大數據精準營銷侵犯了個人隱私，憂慮我們進入了大數據失控的時代，並將原因更多歸結於社交媒體。
二、大數據營銷和個人隱私泄露之間不能完全劃等號!邏輯關系不成立!
如果客觀的分析一下上述問題就會發現，這是一個難以分說的雞生蛋還是蛋生雞的問題。一味地批判大數據分析對個人用戶數據的泄露或濫用是不客觀的。
因為，社交媒體的本質在於分享和傳播，社交媒體的出現的確滿足了人們分享個人信息、曬各種數據的慾望，讓人們在過去無聲無息的生活中突然轉移到了可以讓全世界看到自己的平台上來。人們從而達到了內心的滿足感和存在感。因此，單從個體的背後心理來考慮，社交媒體對他們來說是有益的，他們不認為自己貢獻的是不可告人的秘密，既然分享出來，那一定是希望或允許別人看到的。因此，這是一種無形的默許的交易，用戶樂意把自己的各種瑣碎細節暴露於社交媒體，而對社交媒體上雜亂無章的海量用戶數據進行有序的分類和分析也沒有什麼不妥。
當然，如果社交媒體平台隨意濫用或泄露用戶的後台數據，比如個人聯系方式、家庭住址、銀行等極為隱秘的信息，這的確是赤裸的侵犯隱私的行為，極其沒有道德，必須要受到譴責和法律制裁。
但目前，許多大數據精準營銷的前提是對用戶在互聯網上留下的公開顯在的信息進行演算法歸類和內容分析，從而對海量用戶進行人群劃分，或者對小眾群體進一步細分化，甚至達到某種程度上針對單個人的個性化定製，最終達到精準推送廣告或有針對性推出營銷活動的目的。
所以，從這個角度來看，大數據精準營銷與個人主動分享和傳播到網路上的信息數據之間並沒有矛盾。人們起初或許會驚訝：為什麼他們知道我想買什麼?為什麼他們知道我的需求?但隨著「猜透心思」的推送行為讓人們的生活越來越便利時，比如省去大量搜索、查找和對比產品或服務的時間，他們可能會十分習慣並依賴這種精準性，並不會在意他們本來就隨意分享到網路上的雜亂信息被如何挖掘和利用。
因此，用戶發布和分享的信息是否為隱私，在用戶分享信息之前就做過慎重考量和篩選。這一點非常重要，這是侵犯隱私與否的界限。那些被用戶選擇為不適合發布或不希望別人知道的信息就是用戶認為的隱私，而那些已經公開發布到社交媒體或網路上的信息則被用戶認為是可以傳播的。
所以，普通的對海量公開信息的分析、挖掘、歸類，從而進行精準營銷的大數據行為不能一味被罵成是對用戶利益的損害。而那些對用戶存儲在某些位置、不希望被他人了解的信息(私人存儲的信息)如果被別有用心的人泄露或利用，那這就是隱私侵犯行為。但這就不能歸罪於大數據，而應質問存貯平台的安全性問題。
因此，我們不能過分解讀大數據精準營銷。其實，問題的本質在於，人們是否真的在意雜亂信息的去向(涉及到分享信息的背後心理和動機)?以及大數據營銷是否真的觸碰了人們不可告人的秘密或底線(需要對秘密和底線重新定義)?因為，如果人們默認分享的都是公開的，那麼侵犯隱私的概念就是不成立的。如果人們有不希望別人知道的信息，也不會貿然在網路上分享和傳播。
三、大數據營銷究竟會給企業和用戶帶來什麼價值?
討論完上面的問題之後，我們是否應該誠懇對待大數據精準營銷這件事?那麼大數據營銷究竟對於企業和用戶兩方面來說，都有什麼樣的價值?
1、對於企業的價值
讓我們先看一個國外案例：
我們都知道美劇《紙牌屋》，提到《紙牌屋》的成功，最大的功勞便是大數據分析。因此，《紙牌屋》幾乎成了大數據營銷的經典案例，也是美國Netflix公司基於用戶信息挖掘來決定內容生產的成功嘗試。
Netflix的訂閱用戶達到了3000萬左右，而大多數用戶的觀影都與精準推薦系統有關。Netflix會定時收集並分析用戶觀看電影或電視劇的行為，比如根據用戶對電影的評分、用戶的分享行為、用戶的觀影記錄等信息去分析用戶的收看習慣，從而推斷用戶喜歡什麼樣的影視劇，喜歡什麼樣的風格，喜歡什麼樣的導演和演員。在此基礎上利用演算法對用戶感興趣的視頻進行推薦排序，直到用戶找到最喜歡的影視劇。《紙牌屋》的導演和主演就是Netflix挖掘用戶信息後的預測出來的。
那我們再看一個國內案例：
我們都知道阿里巴巴和新浪微博合作的事情，阿里巴巴斥資5.86億入股新浪微博。除了網路上各大媒體分析的，認為阿里巴巴希望打造生態圈、強化流量入口、挑戰騰訊等等原因之外，還有一個重要原因或許就是大數據營銷的戰略。
如今各大互聯網大佬都在跑馬圈地，圈住用戶，誰能圈住用戶，讓用戶在其平台上活躍，誰就掌握了用戶的大量信息(包括顯在的前台信息和隱藏的後台信息)。新浪微博在中國有幾億用戶，這個量十分龐大，但如果新浪不能把這些用戶產生的信息合理的利用，那麼這些資源就是巨大的浪費。我們再看阿里巴巴，中國最大電商平台，它有產品，但是卻沒有完整的用戶日常生活行為信息，只有購買信息，但這些購買信息不足以了解人群特點和喜好。所以，只有跟新浪微博合作，掌握大量用戶的行為信息，從而對其分類，找到不同人群甚至不同個體的喜好、偏好、興趣、愛好、習慣、傳播習慣、分享路徑等等，那麼就能實現精準營銷，甚至還可以通過不同用戶的信息傳播規律，而制定產品的最佳品牌傳播途徑。這是一座巨大的金礦。
新浪微博和阿里巴巴合作後，微博上出現了一些產品推薦信息，同時新浪微博已經推出支付功能。可以想像：未來你在微博上看到相關推薦的產品，恰好是你喜歡的產品，那麼你就可以直接在微博上實現支付和購買。從而新浪微博和阿里巴巴各取所需，共享收益。當然，這是我個人的觀察和分析，不過阿里巴巴的大數據戰略也很明顯了。
2、對於用戶的價值
上述兩個例子說的都是大數據帶給企業的價值，那麼，大數據營銷對於用戶來說，到底有沒有價值?用戶是否十分反感精準營銷?讓我們再來看看一個新的調查數據：
中國傳媒大學國家廣告研究院剛剛發布一份《2014中美移動互聯網發展報告》，這份調查報告對比了中美兩國用戶移動互聯網的使用習慣，以及移動用戶對於移動廣告的態度。
調查顯示，最可能得到智能終端用戶回應的廣告內容為：(1)與用戶要購買物品相關的廣告(2)與要購買物品相關的優惠券(3)搞笑的廣告(4)與用戶最喜愛品牌相關的廣告(5)與用戶在線上訪問過網站或使用過的應用相關的廣告(6)與最近線上購物相關的廣告(7)與用戶所在場所相關的廣告(8)與最近收聽、收看的廣播/電視相關的廣告。(佔比>=20%)
從這些數據我們可以看出，在8個結果中，有6個都是跟大數據精準營銷扯上關系的。比如，與用戶要購買物品相關的廣告，更能引起用戶的回應或互動。如何理解?大數據營銷的前提就是計算並推測用戶的真實需求，看用戶需要購買什麼相關產品，然後給用戶直接推送用戶想要的、喜歡的，做到了精準到達。那麼用戶呢?用戶樂意對這樣的推動廣告或產品做出回應，因為這些廣告少了對用戶的打擾，並且讓用戶費勁心思對對比或貨比三家後才購買的決策過程降低，節省了時間，讓用戶直接找到內心真正所需的產品或服務。
所以，這樣的結果就表明，大數據精準營銷並不是完全都會讓用戶反感，而是看你猜透用戶心思的程度。因此，如果你推送的內容和用戶想要購買的物品相關，與用戶最喜愛的品牌相關等等。那麼這種精準挖掘並不會受到用戶的反感，反而會給用戶帶來便利。

以上是小編為大家分享的關於扒扒跟大數據有關的那些事兒的相關內容，更多信息可以關注環球青藤分享更多干貨

F. 8個典型案例看懂零售巨頭的「大數據」戰略

8個典型案例看懂零售巨頭的「大數據」戰略_數據分析師考試

未來的零售分析要求零售商藉助集成式業務流程和信息系統，為客戶洞察提供支持，將客戶洞察發展成一種企業級的戰略能力，並根植於企業結構和企業文化中。在這種形勢下，零售商的所有業務職能部門在制定決策時，將把基於情景的客戶洞察作為一個重要依據。

分析公司 EKN 認為，為了真正實現以客戶為中心，零售商需要具備多項關鍵能力，而這些能力均由業務分析驅動。

全渠道集成。如果缺乏相關客戶洞察支持與客戶的互動，零售商將無法實現跨渠道無縫客戶體驗。零售商與客戶互動的聯絡點能為零售商提供豐富的客戶數據，因此，所有聯絡點也成為了零售商的最佳競爭利器。

個性化互動。與網上零售商相比，實體零售商具有兩大優勢：能與客戶進行個人接觸，以及擁有更豐富的歷史記錄和更多樣的客戶數據。如今，「個性化」購物體驗已成為人們津津樂道的話題，而如何巧妙地結合上述兩大優勢，即在行動中及時交付客戶洞察，將成為零售商打造「個性化」購物體驗的基礎。

持續的卓越運營。客戶洞察的應用並非僅局限於面向客戶的使用案例。事實上，如果零售商已經能夠在各個運營職能部門中更成熟地運用分析功能，那麼集成客戶洞察便是他們不容錯過的增量機會。

零售商用例

銷售

瑞士零售商 Globus 使用大數據內存計算和高級分析來獲取寶貴的銷售績效洞察。目前，他們能夠實時處理海量的產品數據，並在幾分鍾內分析不同時間范圍、店鋪和區域內數千種產品的銷售模式與促銷活動。該零售商還向其管理人員提供了這些洞察的訪問許可權，以便他們能夠更迅速地響應市場狀況。

美國零售商 Guess 使用高級分析向其高管提供暢銷產品和可用庫存的實時視圖。該零售商的分析解決方案基於大型客戶數據集，分析銷售額、細分目標客戶，並策劃促銷活動。

市場營銷

沃爾瑪的 Global.com 部門充分利用「快速的大數據」和社交分析，快速識別不斷變化的客戶喜好。該零售商的社交意識（Social Sense）項目能通過社交媒體確定商品的暢銷程度，並幫助顧客發掘潛在需求和感興趣的新產品。同時，藉助 ShoppyCat 工具，他們可根據 Facebook 用戶的愛好和興趣，為這些用戶推薦適合的產品。此外，Global.com 還使用社交基因組（Social Genome）技術，來幫助客戶為朋友挑選禮物。

塔吉特（Target）百貨公司利用預測分析程序，來推斷個體消費者是否具備成為該公司特定營銷活動優質客戶的特質。他們給每位顧客分配了一個獨一無二的客戶識別號碼。該號碼將客戶個人信息、購物行為和喜好整合到一個可跟蹤的實體內。塔吉特還專門成立了一個客戶營銷分析部門，致力於全面了解客戶，超越其他競爭對手，從而獲得競爭優勢。藉助動態數據倉庫（Active Data Warehouse），塔吉特可在整個企業的混合工作負載環境下，基於海量數據管理復雜的用戶查詢。

全渠道

英國零售商巴寶莉（Burberry）集成了旗下所有渠道，包括實體店、網上商店、移動終端以及各大社交網站。他們採用了創新技術和數據分析，用於分析來自所有數據源的數據，旨在實時識別個人客戶並建立客戶檔案。相比過去，巴寶莉的分析速度提高了 14,000 倍，以前需要 5 個小時的請求，現在 1 秒就能完成。不論店員處於什麼位置，他們都能在客戶踏入店內時立即識別客戶信息，了解他們過去的購買記錄，並提供個性化建議。

韓國零售商 NS Shopping 將移動渠道和社交渠道集成到零售環境中，並利用大數據分析，實時、集中地獲取所有渠道的客戶和產品數據。而公司的電子商務團隊和市場營銷團隊將利用這些數據，向顧客提供個性化的產品建議。

供應鏈

美國網上零售商亞馬遜基於非平穩隨機模型，構建了全新的供應鏈流程和系統。該方法能為訂單履行、尋源、產能和庫存決策提供鼎力支持。亞馬遜不僅開發了聯合和協調補貨的新演算法，還基於歷史需求、活動記錄和計劃、各履行中心的預測結果、庫存計劃、采購周期以及采購訂單，在 SKU 級別實施了全新的國家預測方案。

英國零售商樂購（Tesco）採用先進的建模工具，基於歷史銷售數據模擬配送倉庫的運作，從而達到優化庫存的目的。該零售商還組建了一個內部分析團隊，該團隊主要負責通過回歸測試掌握各要素之間的關聯，如天氣數據、特價優惠，及銷售模式等等。

以上是小編為大家分享的關於8個典型案例看懂零售巨頭的「大數據」戰略的相關內容，更多信息可以關注環球青藤分享更多干貨

G. 大數據信息促進營銷模式轉型

大數據信息促進營銷模式轉型
大數據之父」維克托·邁爾舍恩伯格認為，世界的本質就是大數據。
仔細想來，確實如此。隨著大數據時代悄然來臨，數據不再是一個抽象的專業名詞，它已經無孔不入地滲透到我們生活的方方面面。
每當颶風來臨之前，美國沃爾瑪都會將手電筒和蛋撻擺在一起出售，這是因為通過對沃爾瑪的多維數據分析發現，季節性颶風到來之前，手電筒和蛋撻的銷量都會大幅增加，颶風、手電筒、蛋撻之間有著一種神奇的聯系；利用價格調整軟體，零售商可以在一小時內自動修改200萬件商品的價格，這是基於競爭對手價格和銷售額等因素的一種動態定價機制；澳大利亞數字戶外廣告公司通過安裝在數字戶外媒體上的受眾測量設備來實時採集受眾的信息，當測出此時的觀看人為女性，後台中針對女性用戶且給出最高廣告費的廣告將自動播放。
本書中提到的上述案例都是基於大數據的渠道、定價和廣告創新。作為一本關於大數據營銷的教科書，不同於以往教材中只有枯燥晦澀的理論，本書每一章節都配有生動的經典案例，范圍涉及眾多不同領域的領先公司，展示了諸如騰訊、IBM、沃爾瑪等巨頭公司在大數據營銷中最具價值的應用案例。通過對這些案例的詳盡分析，幫助讀者更好地理解大數據營銷的運作理念和方法。
那麼，我們為什麼要了解大數據？大數據究竟能給營銷帶來哪些變革？
信息技術的創新推動著思維模式的變革，大數據帶來的信息風暴開啟了營銷模式的轉型。麥肯錫全球研究院在五年前發布的一份研究報告《大數據：創新、競爭和生產力的下一個新領域》指出，數據已經滲透到當今每一個行業和業務職能領域，成為日益重要的生產因素；而人們對於海量數據的運用預示著新一波生產率增長和消費者盈餘浪潮的到來。
對於市場營銷來說，大數據可以幫助品牌發現機遇（新客戶、新市場、新規律和新策略），迴避風險和潛在威脅，同時也有助於品牌營銷決策的調整與優化。因此，如何利用大數據技術實現更大的營銷價值和效果，是值得不斷思考和探索的領域。
本書作者陽翼十餘年來潛心於營銷領域，做了大量前瞻性的研究工作，有著豐富的理論功底和實踐經驗。不僅在傳統營銷領域頗有建樹，對於大數據時代的新營銷也有著獨到的見解，在廣告、市場、數字營銷等方面提出了諸多有價值的觀點。相信本書能為高校廣告、營銷專業的學生及相關研究人員、從業人士打開一扇洞察大數據營銷的窗口，同時在變革思維方式、培養大數據思維等方面帶來啟迪。

H. 大數據案例

亞馬來遜在大數據這塊領域當屬三大巨自頭之一，舉個例子吧

亞馬遜在客人購物的時候，購物頁面總是充滿了推薦物品，TA為客戶推薦的產品絕不是一個巧合。亞馬遜的推薦引擎完全是基於客戶在過去一段時間的購買行為所做的：客戶的購物車中所收藏的商品、客戶喜歡的商品、其它用戶瀏覽或購買的商品。利用大數據技術對以上數據進行分析，為每位客戶定製了專屬的個人主頁。
因為利用該策略，公司在其第三財政季度期間銷售增長27%，達到了131.8億美元，而去年同期的銷售額則為96億美元。

如果你還需要進一步了解，可以去前瞻產業研究院看看，裡面有挺多資料的