国外大数据营销案例

A. 大数据有哪些具体的应用案例_大数据应用的典型案例

大数据有具体的应用案例还是很多的，比如：

1、梅西百货的实时定价机制。根据需求和库存的情况，该公司基于SAS的系统对多达7300万种货品进行实时调价。

2.Tipp24AG针对欧洲博彩业构建的下注和预测平台。该公司用KXEN软件来分析数十亿计的交易以及客户的特性，然后通过预测模型对特定用户进行动态银颂的营销活动。这项举措减少了90%的预测模型构建时间。SAP公司正在试图收购KXEN。

3.沃尔玛的搜索。自行设计了最新的搜索引擎Polaris，利用语义数据进行文本分析、机器学习和同义词挖掘等。根据沃尔玛的说法，语义搜索技术的运用使得在线购物的完成率提升了10%到15%。“对沃尔玛来说，这就意味着数十亿美元的金额。”Laney说。

4.快餐业的培搏键视频分析。该公司通过视频分析等候队列的长度，然后自动变化电子菜单显示的内容。如果队列较长，则显示可以快速供给的食物;如果队列较短，则显示那些利润较高但准备时间相对长的食品。

5.Morton牛排店的品牌认知。当一位顾客开玩笑地通过推特向这家位于芝加哥的牛排连锁店订餐送到纽约Newark机场（他将在一天工作之后抵达该处）时，Morton就开始了自己的社交秀。首先，分析推特数据，发现该顾客是本店的常客，也是推特的常用者。根据客户以往的订单，推测出其所乘的航班，然后派出一位身着燕尾服的侍者为客户提供晚餐。

6.PredPolInc.。PredPol公司通过与洛杉矶和圣配巧克鲁斯的警方以及一群研究人员合作，基于地震预测算法的变体和犯罪数据来预测犯罪发生的几率，可以精确到500平方英尺的范围内。在洛杉矶运用该算法的地区，盗窃罪和暴力犯罪分布下降了33%和21%。

7.TescoPLC（特易购）和运营效率。这家超市连锁在其数据仓库中收集了700万部冰箱的数据。通过对这些数据的分析，进行更全面的监控并进行主动的维修以降低整体能耗。

8.AmericanExpress（美国运通，AmEx）和商业智能。以往，AmEx只能实现事后诸葛式的报告和滞后的预测。“传统的BI已经无法满足业务发展的需要。”Laney认为。于是，AmEx开始构建真正能够预测忠诚度的模型，基于历史交易数据，用115个变量来进行分析预测。该公司表示，对于澳大利亚将于之后四个月中流失的客户，已经能够识别出其中的24%。

B. 目前大数据在哪些行业有案例或者说应用

大数据应用的关键，也是其必要条件，就在于"IT"与"经营"的融合，当然，这里的经营的内涵可以非常广泛，小至一个零售门店的经营，大至一个城市的经营。以下是关于各行各业，不同的组织机构在大数据方面的应用的案例，在此申明，以下案例均来源于网络，本文仅作引用，并在此基础上作简单的梳理和分类。
大数据应用案例之：医疗行业
Seton Healthcare是采用IBM最新沃森技术医疗保健内容分析预测的首个客户。该技术允许企业找到大量病人相关的临床医疗信息，通过大数据处理，更好地分析病人的信息。
在加拿大多伦多的一家医院，针对早产婴儿，每秒钟有超过3000次的数据读取。通过这些数据分析，医院能够提前知道哪些早产儿出现问题并且有针对性地采取措施，避免早产婴儿夭折。
它让更多的创业者更方便地开发产品，比如通过社交网络来收集数据的健康类App。也许未来数年后，它们搜集的数据能让医生给你的诊断变得更为精确，比方说不是通用的成人每日三次一次一片，而是检测到你的血液中药剂已经代谢完成会自动提醒你再次服药。
大数据应用案例之：能源行业
智能电网现在欧洲已经做到了终端，也就是所谓的智能电表。在德国，为了鼓励利用太阳能，会在家庭安装太阳能，除了卖电给你，当你的太阳能有多余电的时候还可以买回来。通过电网收集每隔五分钟或十分钟收集一次数据，收集来的这些数据可以用来预测客户的用电习惯等，从而推断出在未来2~3个月时间里，整个电网大概需要多少电。有了这个预测后，就可以向发电或者供电企业购买一定数量的电。因为电有点像期货一样，如果提前买就会比较便宜，买现货就比较贵。通过这个预测后，可以降低采购成本。
维斯塔斯风力系统，依靠的是BigInsights软件和IBM超级计算机，然后对气象数据进行分析，找出安装风力涡轮机和整个风电场最佳的地点。利用大数据，以往需要数周的分析工作，现在仅需要不足1小时便可完成。
大数据应用案例之：通信行业
XO Communications通过使用IBM SPSS预测分析软件，减少了将近一半的客户流失率。XO现在可以预测客户的行为，发现行为趋势，并找出存在缺陷的环节，从而帮助公司及时采取措施，保留客户。此外，IBM新的Netezza网络分析加速器，将通过提供单个端到端网络、服务、客户分析视图的可扩展平台，帮助通信企业制定更科学、合理决策。
电信业者透过数以千万计的客户资料，能分析出多种使用者行为和趋势，卖给需要的企业，这是全新的资料经济。
中国移动通过大数据分析，对企业运营的全业务进行针对性的监控、预警、跟踪。系统在第一时间自动捕捉市场变化，再以最快捷的方式推送给指定负责人，使他在最短时间内获知市场行情。
NTT docomo把手机位置信息和互联网上的信息结合起来，为顾客提供附近的餐饮店信息，接近末班车时间时，提供末班车信息服务。
大数据应用案例之：零售业
"我们的某个客户，是一家领先的专业时装零售商，通过当地的百货商店、网络及其邮购目录业务为客户提供服务。公司希望向客户提供差异化服务，如何定位公司的差异化，他们通过从 Twitter 和 Facebook 上收集社交信息，更深入的理解化妆品的营销模式，随后他们认识到必须保留两类有价值的客户：高消费者和高影响者。希望通过接受免费化妆服务，让用户进行口碑宣传，这是交易数据与交互数据的完美结合，为业务挑战提供了解决方案。"Informatica的技术帮助这家零售商用社交平台上的数据充实了客户主数据，使他的业务服务更具有目标性。
零售企业也监控客户的店内走动情况以及与商品的互动。它们将这些数据与交易记录相结合来展开分析，从而在销售哪些商品、如何摆放货品以及何时调整售价上给出意见，此类方法已经帮助某领先零售企业减少了17%的存货，同时在保持市场份额的前提下，增加了高利润率自有品牌商品的比例。

C. 有哪些大数据分析案例

如下：

1. 大数据应用案例之：医疗行业

1）Seton Healthcare是采用IBM最新沃森技术医疗保健内容分析预测的首个客户。该技术允许企业找到大量病人相关的临床医疗信息，通过大数据处理，更好地分析病人的信息。

在加拿大多伦多的一家医院，针对早产婴儿，每秒钟有超过3000次的数据读取。通过这些数据分析，医院能够提前知道哪些早产儿出现问题并且有针对性地采取措施，避免早产婴儿夭折。

它让更多的创业者更方便地开发产品，比如通过社交网络来收集数据的健康类App。也许未来数年后，它们搜集的数据能让医生给你的诊断变得更为精确，比方说不是通用的成人每日三次一次一片，而是检测到你的血液中药剂已经代谢完成会自动提醒你再次服药。

2）大数据配合乔布斯癌症治疗

乔布斯是世界上第一个对自身所有DNA和肿瘤DNA进行排序的人。为此，他支付了高达几十万美元的费用。他得到的不是样本，而是包括整个基因的数据文档。医生按照所有基因按需下药，最终这种方式帮助乔布斯延长了好几年的生命。

2. 大数据应用案例之：能源行业

1）智能电网现在欧洲已经做到了终端，也就是所谓的智能电表。在德国，为了鼓励利用太阳能，会在家庭安装太阳能，除了卖电给你，当你的太阳能有多余电的时候还可以买回来。

通过电网收集每隔五分钟或十分钟收集一次数据，收集来的这些数据可以用来预测客户的用电习惯等，从而推断出在未来2~3个月时间里，整个电网大概需要多少电。有了这个预测后，就可以向发电或者供电企业购买一定数量的电。

因为电有点像期货一样，如果提前买就会比较便宜，买现货就比较贵。通过这个预测后，可以降低采购成本。

2）丹麦的维斯塔斯风能系统(Vestas Wind Systems)运用大数据，系统依靠的是BigInsights软件和IBM超级计算机，分析出应该在哪里设置涡轮发电机，事实上这是风能领域的重大挑战。在一个风电场20多年的运营过程中，准确的定位能帮助工厂实现能源产出的最大化。

为了锁定最理想的位置，Vestas分析了来自各方面的信息：风力和天气数据、湍流度、地形图、公司遍及全球的2.5万多个受控涡轮机组发回的传感器数据。这样一套信息处理体系赋予了公司独特的竞争优势，帮助其客户实现投资回报的最大化。

3. 大数据应用案例之：通信行业—通过大数据分析挽回核心客户

法国电信-Orange集团旗下的波兰电信公司Telekomunikacja Polska是波兰最大的语音和宽带固网供应商，希望有效的途径来准确预测并解决客户流失问题。

他们决定进行客户细分，方法是构建一张“社交图谱”- 分析客户数百万个电话的数据记录，特别关注 “谁给谁打了电话”以及“打电话的频率”两个方面。“社交图谱”把公司用户分成几大类，如：“联网型”、“桥梁型”、“领导型”以及“跟随型”。

这样的关系数据有助电信服务供应商深入洞悉一系列问题，如：哪些人会对可能“弃用”公司服务的客户产生较大的影响?挽留最有价值客户的难度有多大?运用这一方法，公司客户流失预测模型的准确率提升了47%。

4、大数据应用案例之：零售业—大数据帮零售企业制定促销策略

北美零售商百思买在北美的销售活动非常活跃，产品总数达到3万多种，产品的价格也随地区和市场条件而异。由于产品种类繁多，成本变化比较频繁，一年之中，变化可达四次之多。

结果，每年的调价次数高达12万次。最让高管头疼的是定价促销策略。公司组成了一个11人的团队，希望透过分析消费者的购买记录和相关信息，提高定价的准确度和响应速度。

定价团队的分析围绕着三个关键维度：

1）数量：团队需要分析海量信息。他们收集了上千万的消费者的购买记录，从客户不同维度分析，了解客户对每种产品种类的最高接受能力，从而为产品定出最佳价位。

2）多样性：团队除了分析了购买记录这种结构化的数据外，他们也利用社交媒体发帖这种新型的非结构化数据。由于消费者需要在零售商专页上点赞或留言以获得优惠券，团队利用情感分析公式来分析专页上消费者的情绪，从而判断他们对于公司的促销活动是否满意，并微调促销策略。

3）速度：为了实现价值最大化，团队对数据进行实时或近似实时的处理。他们成功地根据一个消费者既往的麦片购买记录，为身处超市麦片专柜的他/她即时发送优惠券，为客户带来便利性和惊喜。

透过这一系列的活动，团队提高了定价的准确度和响应速度，为零售商新增销售额和利润数千万美元。

5、大数据应用案例之：网络营销行业（SEM）

很多企业在做SEM的过程中，都有这样的感触：每年都会花费大量的预算在SEM推广中，但是因为关键词投入产出无法可视化，常常花了很多钱却不见具体的回报。

在竞争如此激烈的SEM市场中，企业需要一个高效的数据分析工具来尽可能地帮企业优化SEM推广，例如BDP，来帮企业节省不必要的支出，提升整体的经营绩效。

企业可借助数据平台提供的网络营销整合解决方案，打通各个搜索引擎营销（SEM）、在线客服系统和CRM系统，营销竞价人员无需掌握复杂的编程技术，简单拖拽即可生成报表，观察每一个关键词的投入和产出，分析每一个页面的转化，有效降低投放成本。

通过BDP实况分析数据，可以快速洞悉对手关键词的投放时段、地域及排名，并对其进行可视化的分析，实时监控自己和竞争对手的投放情况，了解对手的投放策略，支持自定义设置数据更新的时间点、监控频次和时段，及时调整策略。知已知彼，才能百战不殆。

6、大数据应用案例之：电商行业

意料之外：胸部最大的是新疆妹子。曾经淘宝平台显示，中国女性购买最多的文胸尺码为B罩杯。B罩杯占比达41.45%，其中又以75B的销量最好，其次是A罩杯，购买占比达25.26%，C罩杯只有8.96%。

虽然淘宝数据平台不能代表一切，但是结合现实来看，这个也具有普遍的代表性，只能感慨中国女性普遍size。在文胸颜色中，黑色最为畅销，黑色绝对是百搭，每个女性必备。

从省市排名，胸部最大的是新疆妹子。这些数据都对于文胸店铺而言是很好的参考，为店铺的库存、定价、款式选择等策略都有奠定数据基础。

7、大数据应用案例之：娱乐行业

微软大数据成功预测奥斯卡21项大奖。2013年，微软纽约研究院的经济学家大卫•罗斯柴尔德（David Rothschild）利用大数据成功预测24个奥斯卡奖项中的19个，成为人们津津乐道的话题。

今年罗斯柴尔德再接再厉，成功预测第86届奥斯卡金像奖颁奖典礼24个奖项中的21个，继续向人们展示现代科技的神奇魔力。

总的来说，大数据的终极目标并不仅仅是改变竞争环境，而是彻底扭转整个竞争环境，带来新机遇，企业需要应势而变。企业只有认识到这一点，使用合适的数据分析产品、聪明地使用和管理数据，才能在长期竞争中成为终极赢家。

D. TOP100summit分享实录｜服务快消品牌的数字营销解决方案

本文内容节选自由msup主办的第七届TOP100summit，个推大数据产品咨询总监沈都分享的《服务快消品牌的数字营销解决方案》实录。

分享者沈都具备丰富的互联网研发和营销策划经验，善于通过数据分析发现企业服务环节中的更多营销价值点，曾负责长城 汽车 、高露洁、欧莱雅等多个项目的数字营销工作，在数据，分析挖掘和应用上有丰富的实战经验。

编者按： 2018年11月30日-12月3日，第七届全球软件案例研究峰会在北京国家会议中心盛大开幕，现场解读2018年「壹佰案例榜单」。本文为个推大数据产品咨询总监沈都老师分享的《服务快消品牌的数字营销解决方案》案例实录。

众所周知， 广告分为两大分支，即效果广告和品牌广告。效果广告在移动端领域非常普遍 ，例如，你看到一条消息刺激你去安装下载一个APP，或是留下信息注册，这就是效果类广告。

品牌广告 是指大家在传统媒体上看到各种各样的广告信息，不管是请人代言还是户外海报这都属于品牌广告。与效果广告最大的不同是，它并不是追求在一次广告投放中产生立竿见影的效果， 而是在一个长期与消费者沟通过程中，让品牌形象深入心里。 品牌广告中根据品类不同，还可以分成更细致的观点，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传它的功能性、可靠性、耐用性。 奢侈品 则完全不同，奢侈品有自己的一种品牌理念、质感，这体现了奢侈品消费者的身份特征。 快消品 是覆盖更大的品类，消费者对于快消品的理念也会随着各种各样的因素而变化。

快消品市场竞争激烈，消费者见异思迁

对于快消品来说，它受影响的因素非常多，我们先从品牌因素来讲：

品牌本身是一个消费和决策的因素，比如，耐克、宝马这种品牌因素非常深入人心。但是快消品的活动非常多，我们常说：“广告打得再有情怀还不如双11半价。”这是 活动因素 。另外就是 环境因素 ，现在一些快消品在电视剧/综艺上做赞助，有些人会冲动购买，这时，它的目的就已经达到了。最后是 购买心理 ，比如咖啡，你看到身边人在喝，你作为消费者也会想要尝试一下。

快消品的消费者特点：

1、购买习惯因人而异。

2、消费者购买快消品是相对感性的产品。现在一些网红、博主带货，如果你对他有好感，很容易会被其影响。

3、快消品价值不高，所以，导致消费者的忠诚度并不高。

品牌营销面临的问题

快消品的这些影响因素会影响品牌在很长时间内的表现，所以，我们该如何帮助品牌者更好的了解消费者？这个才是品牌主关心的事情。要做品牌广告，就一定要走心，让品牌形象深入人心。因此，想要了解消费者，传统的方式是 问卷或者访谈 ，挑出一小部分用户代表整个群体，通过他们的沟通交流挖掘出内心动机。但是，这相对有三个弊端。

第一个，调研成本相对比较高 。有效问卷需要很大的量，可能需要几千份甚至上万份问卷，这时问卷筛选率非常高，一个产品就要做一轮调查，时间线会非常长。

第二个， 我们现在做一些访谈的时候，需要从消费者口中获得一些声称的消息，但其实这些消息 并非他们的真实想法。

第三个， 我们在选一些媒体去做触达时，因为前期是抽样调研，所以，在投放的时候，量本的用户不能覆盖整个群体的特征。

面对这些弊端，我们能否用一些数字化的方式去解决呢？

虽然，大数据强调的是 全量， 但广告一定是品牌和效果分开的，传统广告是通过一轮一轮的品牌印象，在一些关键时点做大型促销，在数字化领域，我们同样要遵循这样的规则，而并非在有了一些数据化的工具之后，把品牌广告做成效果广告，这是很多品牌主在一开始接触时产生的误区。

上图是我们经常跟品牌主做的营销节奏。对于一个品牌来说，营销时点是分开的，在平日的一些时间段，它要做的是找到相应人群做一些相应内容的传递，以此达到品牌印象的建立。在一个大促的时间点做临门一脚的事，关系就像蓄水池，平时品牌印象就是蓄水池，而大促相当于一个开关。

我们如何帮助品牌广告主做数据化的营销工作？

每一个人都是数字时代的网民，不管我们去消费、 娱乐 、通行、订单等所有行为都要通过手机。平均每个人手机上主动下载安装的APP有33个。所以，有了这样一个移动端的基础后，我们才可以说 打造以人为单位的移动营销工具。

上图可以这样理解，通过大数据可以解读消费者在移动端的行为偏好，由此便充分了解消费者，最终通过“人”推导营销策略。

这个时代不缺数据。 一个品牌在各个领域都有它的数据，比如，电商平台中会有大量CRM的信息、订单信息、消费者信息、消费者购买时间、购买金额等数据。另外，线上各媒体投放的时候，也会留下大量消费者数据，比如，哪些消费者在什么地方看过广告，有没有点击，以及对某些广告的敏感度等。但这里有个很大的问题， 在不同的场景里，数据的沉淀方式是不同的， 因此数据无法被打通。

那么，我们如何知道消费者既购物又去了线下门店，并且还看到了广告呢？

现在，BAT有非常强大的账号体系，所有的APP、网站都用微信/淘宝账号登录，我就可以知道同一个人分别在哪些地方出现。而我们的方式是 ID打通， 我们把这些数据做匹配，打通以设备为单位/近似于以人为单位的ID，标上我们自己的标签体系。

数据的匹配打通，其实是一个相对底层的工作，这个工作广告主看不到。既然我们是为广告主提供洞察研究的产品，那我们更多是要做可视化方面的内容，让洞察结果变得更加显而易见。

上图是某一款产品在旗舰店销售的状况，大家可以看到，57%的订单都是在“6.18”期间完成的，这是一个非常典型的大众快消品的消费方式。它的所有消费不是均匀分布，而是在某一个爆点突然完成，这个爆点落在“618”、“双11”期间。所以导致基本上一年购物两次，两次解决一年的销量。

大家会有个刻板印象，我的产品到底吸引什么样的消费者？是那些对价格异常敏感的人吗？如果你是以这个切入为主的思维，那么这是对后续用户研究的一个误区。我们再进一步来看， 用统计学聚类的算法 ，提取大促期间消费的人群的特征，大家可以看到，通过这种标签去聚类之后，有5个特征显著的人群。

第二种是品质生活追求者。 这群人年龄相对较大，他们会有休闲放松的活动，并且会去一些护理的场所。

第三种是精明购物者。 我们现在所说的消费升级，大家都想用更优质的产品，但却不想花费太多的钱。这个群体会变得越来越普遍。

第四种是宅男宅女。 这群人大部分都是单身、二次元，但是比较容易满足。

第五种是学生党。 学生群体相对来说比较清闲，他们经常有一些丰富的社交行为，不管是线下大学之间的相互串门还是线上各种社交行为，我们称这是荷尔蒙爆棚的地方。针对这群人，我们要传达一种青春活力的品牌理念。

在品牌广告领域可以分为两大类， 第一大类，相对窄众的消费品 ，在国内市场，有很小一部分群体贡献很大的销量，一般以高端商品为主。做这种品牌营销，是没有必要做大面积/大媒体的推广，因为大部分人即使看到了广告也不会购买。所以，我们要 找到高能度、高净值的人群做推广，并且保持长期有效的影响。第二大类，大众消费品， 也就是我们今天探讨的快消品，这类产品其实任何人都能买得起，但是为什么要选择你家的产品呢？因此， 我们要针对不同的群体，灌输不同的品牌理念， 让消费者认为你的产品是符合当下需求的。

开发可视化用户分析界面

用户除了在线上表现的有特征之外，很多时候是在线下。比如，我们去机场时，因为机场相对高净值且人群聚集，所以我们会经常会看见一些比较高端的广告。但是，城市人群复杂，我们无法找到相对应的消费者做用户研究分析，所以，在这个条件下，我们又做出一款做 线下人群分析的工具， 下面我们来看两个案例。

案例一：

上图叫做 红蓝海 。两年前，个推给国内某款知名共享单车做线下位置分析，当时有一个很大的挑战，即单车距离的远近决定用户是否骑行。我们将可能使用单车的人群挑出来，再做一个大盘，然后统计有多少比例的人安装了该品牌的共享单车APP，最后我们把它画成图，中间设置了一个 阈值 ，数值超过就会变为红色。 红色即表示，在这个区域内竞争非常激烈；而蓝色表示，这个区域的投放车辆浓度较低，但这个区域的潜在用户分布很多 ，所以，该品牌应该在此区域增加投车数量。

案例二：

上面这四个小图，是我们做给微软Surface的。左边第一张图是在北京地区做了一个样本分析。第二张图，将相对高消费的人群挑出来即可看到，高消费人群主要分布在北京的西北角和东边，也就是中关村和国贸一带。第三张图，是Surface北京典型用户的分布，这里包括了学生和IT互联网产业的从业者。第四张图，是苹果的分布。第三张图和第四张图有很大的差别，Surface和Mac不是直接的对包，所以，做一些活动和宣传的时候，我们更倾向于Surface人群，因为Surface更多的被IT互联网从业者使用。

如上图所示，从上到下每一条线代表一台手机随着时间充电的状况，最右边的时间是从晚到早。每一条垂直的线都由千万条线相组成。红色表示手机正在耗电，正常使用耗电叫Active，绿色表示充电，蓝色表示电量相对平衡，已经达到或接近了100%。我们可以看到，红色和绿色或绿色和蓝色交界处画一条线。上图在个推内部叫做睡眠图，它代表不同的人群睡眠状况是不同的。

从传统投放到精细化投放

传统的触达方式，是以媒体和内容为向导。但这种方式有3个弊端：价格贵、曝光率低、竞争激烈。

触达“TA”而不是媒体—贯穿全天的数字生活

现在，程序化中的主流方式是 DSP ，它是一个平台，负责对接各种各样的媒体。当一个用户打开某个APP的一瞬间，如果是开屏广告，几毫秒便会将请求显示到设备ID，随后发送到我们的系统，系统会判断设备ID是否适合投放。如果适合，系统回答yes并发送给用户，如果不适合，系统回答no并被另外广告填充。

这种方式是以 第三方 数据服务角色介入广告曝光流程。对于品牌主来说，数据不会全部上传到媒体，因为我们给客户建立 私有云 ，数据储存在客户私有云，用的时候才会查询，被查询时才会上传，这对用户数据也是一种保护。

自助式媒体表现分析

投放后做 媒体分析 非常重要，因为在一次投后过程中的媒体表现、媒体相关流量/质量涉及到品牌的展示效果。

我们来看一个例子，在一次投放当中，我们挑了一群人，一半男性一半女性。投放之后，我们发现点击人群中有60%是男性，那能否得出结论说男性更愿意点击？不能，这里忽略了一个因素， 曝光人群 。

上图是我们给品牌广告主做的一套系统，前面所说的内容都是基于这套系统所做的案例。从最基础的数据仓库来看，我们不仅对接了品牌主自己的数据，还对接了品牌主合作方的数据，大部分的数据串联起来存在数据仓库中，用我们的方式打上标签，在这基础之上，还要做分析和洞察。

最直接的方式是做媒体投放对接，像阿里和腾讯，他们都有直接API接口，我们的人群可以直接传到广点通，和内部对接后再投放。

媒体监测和反欺诈，这是数据的循环。这对于品牌主来说不单单是搭了一个壳，品牌主的使用次数不断流转，流转越多，数据就越丰富。

案例启示

•数据是品牌主最重要的资产之一。 现在越来越多的品牌主在往数据化的方向前行。国内外的快消品牌，他们对于数据的概念愈加清晰。

•工具只是辅助，营销追求本质。 营销方法永远不会过时。数据、工具让营销环节更有效率，能覆盖传统方式的盲点，这是数据工具带给营销的意义。

•数据类产品要结合实际业务开发，不能闭门造车。 在面对不同客户时，要结合实际情况，开发不同的工具。

E. 扒扒跟大数据有关的那些事儿

扒扒跟大数据有关的那些事儿

如今，业界和学术界一直在讨论一个词，那就是大数据。不管是学术圈还是IT圈，只要能谈论点儿大数据就显得很高大上。然而，大数据挖掘、大数据分析、大数据营销等等事情仅仅只是个开始，对大多数公司来说，大数据仍有很强的神秘色彩。于是，在我们还没有完全搞明白如何运用大数据进行挖掘时，各种过于神化大数据的舆论就已经不绝于耳了。当然，也有很多人直接批判大数据或大数据营销给我们造成的隐私威胁。也有很多人根本没有搞清楚什么是大数据，到底有什么价值。
于是，站在客观的角度，围绕下面几个问题与大家分享有关大数据的几个观点，也扒扒大数据的那些事儿：1、大数据营销和个人隐私泄露究竟有无因果和逻辑关系?
2、大数据营销到底能带给企业什么样的价值?到底能带给用户什么价值?用户是否全盘否定或反感大数据营销?
3、如何正确看待大数据?如何看待大数据和传统调查方法或统计学的关系?
4、大数据营销究竟面临什么样的挑战?
一、大数据的迅猛发展与数据隐私的忧虑相伴而生
社交媒体的出现，让用户数据的分享数量达到了难以估量的程度。而如今，社交媒体的种类有增无减，智能手机的更大普及，又让更多用户转移到移动互联网，从而又进一步贡献更多数据和内容。这样的数据增量让全球社交媒体的收入大涨，仅根据咨询公司Gartner2012年的研究结果显示，2012年全球社交媒体收入估计达到169亿美元。
一边是社交媒体因为大数据的盆钵满载，另一方面则是用户不断毫无保留的将个人信息交给互联网，这些信息包括年龄、性别、地域、生活状态、态度、行踪、兴趣爱好、消费行为、健康状况甚至是性取向等。一时间，针对海量用户信息的大数据挖掘、大数据分析、大数据精准营销、广告精准投放等等迅速被各大公司提上日程。
比如，一个发生在美国的真实故事就会告诉我们，利用数据挖掘如何掌握我们的行踪。一个美国家庭收到了一家商场投送的关于孕妇用品的促销劵，促销劵很明显是给给家中那位16岁女孩的。女孩的父亲很生气，并找商场讨说法。但几天后，这位父亲发现，16岁的女儿真怀孕了。而商场之所以未卜先知，正是通过若干商品的大量消费数据来预估顾客的怀孕情况。
类似的大数据挖掘和营销事件在今天更多的发生，尤其是社交媒体产生大量数据后。于是，许多人对个人隐私数据开始担忧，开始批判大数据精准营销侵犯了个人隐私，忧虑我们进入了大数据失控的时代，并将原因更多归结于社交媒体。
二、大数据营销和个人隐私泄露之间不能完全划等号!逻辑关系不成立!
如果客观的分析一下上述问题就会发现，这是一个难以分说的鸡生蛋还是蛋生鸡的问题。一味地批判大数据分析对个人用户数据的泄露或滥用是不客观的。
因为，社交媒体的本质在于分享和传播，社交媒体的出现的确满足了人们分享个人信息、晒各种数据的欲望，让人们在过去无声无息的生活中突然转移到了可以让全世界看到自己的平台上来。人们从而达到了内心的满足感和存在感。因此，单从个体的背后心理来考虑，社交媒体对他们来说是有益的，他们不认为自己贡献的是不可告人的秘密，既然分享出来，那一定是希望或允许别人看到的。因此，这是一种无形的默许的交易，用户乐意把自己的各种琐碎细节暴露于社交媒体，而对社交媒体上杂乱无章的海量用户数据进行有序的分类和分析也没有什么不妥。
当然，如果社交媒体平台随意滥用或泄露用户的后台数据，比如个人联系方式、家庭住址、银行等极为隐秘的信息，这的确是赤裸的侵犯隐私的行为，极其没有道德，必须要受到谴责和法律制裁。
但目前，许多大数据精准营销的前提是对用户在互联网上留下的公开显在的信息进行算法归类和内容分析，从而对海量用户进行人群划分，或者对小众群体进一步细分化，甚至达到某种程度上针对单个人的个性化定制，最终达到精准推送广告或有针对性推出营销活动的目的。
所以，从这个角度来看，大数据精准营销与个人主动分享和传播到网络上的信息数据之间并没有矛盾。人们起初或许会惊讶：为什么他们知道我想买什么?为什么他们知道我的需求?但随着“猜透心思”的推送行为让人们的生活越来越便利时，比如省去大量搜索、查找和对比产品或服务的时间，他们可能会十分习惯并依赖这种精准性，并不会在意他们本来就随意分享到网络上的杂乱信息被如何挖掘和利用。
因此，用户发布和分享的信息是否为隐私，在用户分享信息之前就做过慎重考量和筛选。这一点非常重要，这是侵犯隐私与否的界限。那些被用户选择为不适合发布或不希望别人知道的信息就是用户认为的隐私，而那些已经公开发布到社交媒体或网络上的信息则被用户认为是可以传播的。
所以，普通的对海量公开信息的分析、挖掘、归类，从而进行精准营销的大数据行为不能一味被骂成是对用户利益的损害。而那些对用户存储在某些位置、不希望被他人了解的信息(私人存储的信息)如果被别有用心的人泄露或利用，那这就是隐私侵犯行为。但这就不能归罪于大数据，而应质问存贮平台的安全性问题。
因此，我们不能过分解读大数据精准营销。其实，问题的本质在于，人们是否真的在意杂乱信息的去向(涉及到分享信息的背后心理和动机)?以及大数据营销是否真的触碰了人们不可告人的秘密或底线(需要对秘密和底线重新定义)?因为，如果人们默认分享的都是公开的，那么侵犯隐私的概念就是不成立的。如果人们有不希望别人知道的信息，也不会贸然在网络上分享和传播。
三、大数据营销究竟会给企业和用户带来什么价值?
讨论完上面的问题之后，我们是否应该诚恳对待大数据精准营销这件事?那么大数据营销究竟对于企业和用户两方面来说，都有什么样的价值?
1、对于企业的价值
让我们先看一个国外案例：
我们都知道美剧《纸牌屋》，提到《纸牌屋》的成功，最大的功劳便是大数据分析。因此，《纸牌屋》几乎成了大数据营销的经典案例，也是美国Netflix公司基于用户信息挖掘来决定内容生产的成功尝试。
Netflix的订阅用户达到了3000万左右，而大多数用户的观影都与精准推荐系统有关。Netflix会定时收集并分析用户观看电影或电视剧的行为，比如根据用户对电影的评分、用户的分享行为、用户的观影记录等信息去分析用户的收看习惯，从而推断用户喜欢什么样的影视剧，喜欢什么样的风格，喜欢什么样的导演和演员。在此基础上利用算法对用户感兴趣的视频进行推荐排序，直到用户找到最喜欢的影视剧。《纸牌屋》的导演和主演就是Netflix挖掘用户信息后的预测出来的。
那我们再看一个国内案例：
我们都知道阿里巴巴和新浪微博合作的事情，阿里巴巴斥资5.86亿入股新浪微博。除了网络上各大媒体分析的，认为阿里巴巴希望打造生态圈、强化流量入口、挑战腾讯等等原因之外，还有一个重要原因或许就是大数据营销的战略。
如今各大互联网大佬都在跑马圈地，圈住用户，谁能圈住用户，让用户在其平台上活跃，谁就掌握了用户的大量信息(包括显在的前台信息和隐藏的后台信息)。新浪微博在中国有几亿用户，这个量十分庞大，但如果新浪不能把这些用户产生的信息合理的利用，那么这些资源就是巨大的浪费。我们再看阿里巴巴，中国最大电商平台，它有产品，但是却没有完整的用户日常生活行为信息，只有购买信息，但这些购买信息不足以了解人群特点和喜好。所以，只有跟新浪微博合作，掌握大量用户的行为信息，从而对其分类，找到不同人群甚至不同个体的喜好、偏好、兴趣、爱好、习惯、传播习惯、分享路径等等，那么就能实现精准营销，甚至还可以通过不同用户的信息传播规律，而制定产品的最佳品牌传播途径。这是一座巨大的金矿。
新浪微博和阿里巴巴合作后，微博上出现了一些产品推荐信息，同时新浪微博已经推出支付功能。可以想象：未来你在微博上看到相关推荐的产品，恰好是你喜欢的产品，那么你就可以直接在微博上实现支付和购买。从而新浪微博和阿里巴巴各取所需，共享收益。当然，这是我个人的观察和分析，不过阿里巴巴的大数据战略也很明显了。
2、对于用户的价值
上述两个例子说的都是大数据带给企业的价值，那么，大数据营销对于用户来说，到底有没有价值?用户是否十分反感精准营销?让我们再来看看一个新的调查数据：
中国传媒大学国家广告研究院刚刚发布一份《2014中美移动互联网发展报告》，这份调查报告对比了中美两国用户移动互联网的使用习惯，以及移动用户对于移动广告的态度。
调查显示，最可能得到智能终端用户回应的广告内容为：(1)与用户要购买物品相关的广告(2)与要购买物品相关的优惠券(3)搞笑的广告(4)与用户最喜爱品牌相关的广告(5)与用户在线上访问过网站或使用过的应用相关的广告(6)与最近线上购物相关的广告(7)与用户所在场所相关的广告(8)与最近收听、收看的广播/电视相关的广告。(占比>=20%)
从这些数据我们可以看出，在8个结果中，有6个都是跟大数据精准营销扯上关系的。比如，与用户要购买物品相关的广告，更能引起用户的回应或互动。如何理解?大数据营销的前提就是计算并推测用户的真实需求，看用户需要购买什么相关产品，然后给用户直接推送用户想要的、喜欢的，做到了精准到达。那么用户呢?用户乐意对这样的推动广告或产品做出回应，因为这些广告少了对用户的打扰，并且让用户费劲心思对对比或货比三家后才购买的决策过程降低，节省了时间，让用户直接找到内心真正所需的产品或服务。
所以，这样的结果就表明，大数据精准营销并不是完全都会让用户反感，而是看你猜透用户心思的程度。因此，如果你推送的内容和用户想要购买的物品相关，与用户最喜爱的品牌相关等等。那么这种精准挖掘并不会受到用户的反感，反而会给用户带来便利。

以上是小编为大家分享的关于扒扒跟大数据有关的那些事儿的相关内容，更多信息可以关注环球青藤分享更多干货

F. 8个典型案例看懂零售巨头的“大数据”战略

8个典型案例看懂零售巨头的“大数据”战略_数据分析师考试

未来的零售分析要求零售商借助集成式业务流程和信息系统，为客户洞察提供支持，将客户洞察发展成一种企业级的战略能力，并根植于企业结构和企业文化中。在这种形势下，零售商的所有业务职能部门在制定决策时，将把基于情景的客户洞察作为一个重要依据。

分析公司 EKN 认为，为了真正实现以客户为中心，零售商需要具备多项关键能力，而这些能力均由业务分析驱动。

全渠道集成。如果缺乏相关客户洞察支持与客户的互动，零售商将无法实现跨渠道无缝客户体验。零售商与客户互动的联络点能为零售商提供丰富的客户数据，因此，所有联络点也成为了零售商的最佳竞争利器。

个性化互动。与网上零售商相比，实体零售商具有两大优势：能与客户进行个人接触，以及拥有更丰富的历史记录和更多样的客户数据。如今，“个性化”购物体验已成为人们津津乐道的话题，而如何巧妙地结合上述两大优势，即在行动中及时交付客户洞察，将成为零售商打造“个性化”购物体验的基础。

持续的卓越运营。客户洞察的应用并非仅局限于面向客户的使用案例。事实上，如果零售商已经能够在各个运营职能部门中更成熟地运用分析功能，那么集成客户洞察便是他们不容错过的增量机会。

零售商用例

销售

瑞士零售商 Globus 使用大数据内存计算和高级分析来获取宝贵的销售绩效洞察。目前，他们能够实时处理海量的产品数据，并在几分钟内分析不同时间范围、店铺和区域内数千种产品的销售模式与促销活动。该零售商还向其管理人员提供了这些洞察的访问权限，以便他们能够更迅速地响应市场状况。

美国零售商 Guess 使用高级分析向其高管提供畅销产品和可用库存的实时视图。该零售商的分析解决方案基于大型客户数据集，分析销售额、细分目标客户，并策划促销活动。

市场营销

沃尔玛的 Global.com 部门充分利用“快速的大数据”和社交分析，快速识别不断变化的客户喜好。该零售商的社交意识（Social Sense）项目能通过社交媒体确定商品的畅销程度，并帮助顾客发掘潜在需求和感兴趣的新产品。同时，借助 ShoppyCat 工具，他们可根据 Facebook 用户的爱好和兴趣，为这些用户推荐适合的产品。此外，Global.com 还使用社交基因组（Social Genome）技术，来帮助客户为朋友挑选礼物。

塔吉特（Target）百货公司利用预测分析程序，来推断个体消费者是否具备成为该公司特定营销活动优质客户的特质。他们给每位顾客分配了一个独一无二的客户识别号码。该号码将客户个人信息、购物行为和喜好整合到一个可跟踪的实体内。塔吉特还专门成立了一个客户营销分析部门，致力于全面了解客户，超越其他竞争对手，从而获得竞争优势。借助动态数据仓库（Active Data Warehouse），塔吉特可在整个企业的混合工作负载环境下，基于海量数据管理复杂的用户查询。

全渠道

英国零售商巴宝莉（Burberry）集成了旗下所有渠道，包括实体店、网上商店、移动终端以及各大社交网站。他们采用了创新技术和数据分析，用于分析来自所有数据源的数据，旨在实时识别个人客户并建立客户档案。相比过去，巴宝莉的分析速度提高了 14,000 倍，以前需要 5 个小时的请求，现在 1 秒就能完成。不论店员处于什么位置，他们都能在客户踏入店内时立即识别客户信息，了解他们过去的购买记录，并提供个性化建议。

韩国零售商 NS Shopping 将移动渠道和社交渠道集成到零售环境中，并利用大数据分析，实时、集中地获取所有渠道的客户和产品数据。而公司的电子商务团队和市场营销团队将利用这些数据，向顾客提供个性化的产品建议。

供应链

美国网上零售商亚马逊基于非平稳随机模型，构建了全新的供应链流程和系统。该方法能为订单履行、寻源、产能和库存决策提供鼎力支持。亚马逊不仅开发了联合和协调补货的新算法，还基于历史需求、活动记录和计划、各履行中心的预测结果、库存计划、采购周期以及采购订单，在 SKU 级别实施了全新的国家预测方案。

英国零售商乐购（Tesco）采用先进的建模工具，基于历史销售数据模拟配送仓库的运作，从而达到优化库存的目的。该零售商还组建了一个内部分析团队，该团队主要负责通过回归测试掌握各要素之间的关联，如天气数据、特价优惠，及销售模式等等。

以上是小编为大家分享的关于8个典型案例看懂零售巨头的“大数据”战略的相关内容，更多信息可以关注环球青藤分享更多干货

G. 大数据信息促进营销模式转型

大数据信息促进营销模式转型
大数据之父”维克托·迈尔舍恩伯格认为，世界的本质就是大数据。
仔细想来，确实如此。随着大数据时代悄然来临，数据不再是一个抽象的专业名词，它已经无孔不入地渗透到我们生活的方方面面。
每当飓风来临之前，美国沃尔玛都会将手电筒和蛋挞摆在一起出售，这是因为通过对沃尔玛的多维数据分析发现，季节性飓风到来之前，手电筒和蛋挞的销量都会大幅增加，飓风、手电筒、蛋挞之间有着一种神奇的联系；利用价格调整软件，零售商可以在一小时内自动修改200万件商品的价格，这是基于竞争对手价格和销售额等因素的一种动态定价机制；澳大利亚数字户外广告公司通过安装在数字户外媒体上的受众测量设备来实时采集受众的信息，当测出此时的观看人为女性，后台中针对女性用户且给出最高广告费的广告将自动播放。
本书中提到的上述案例都是基于大数据的渠道、定价和广告创新。作为一本关于大数据营销的教科书，不同于以往教材中只有枯燥晦涩的理论，本书每一章节都配有生动的经典案例，范围涉及众多不同领域的领先公司，展示了诸如腾讯、IBM、沃尔玛等巨头公司在大数据营销中最具价值的应用案例。通过对这些案例的详尽分析，帮助读者更好地理解大数据营销的运作理念和方法。
那么，我们为什么要了解大数据？大数据究竟能给营销带来哪些变革？
信息技术的创新推动着思维模式的变革，大数据带来的信息风暴开启了营销模式的转型。麦肯锡全球研究院在五年前发布的一份研究报告《大数据：创新、竞争和生产力的下一个新领域》指出，数据已经渗透到当今每一个行业和业务职能领域，成为日益重要的生产因素；而人们对于海量数据的运用预示着新一波生产率增长和消费者盈余浪潮的到来。
对于市场营销来说，大数据可以帮助品牌发现机遇（新客户、新市场、新规律和新策略），回避风险和潜在威胁，同时也有助于品牌营销决策的调整与优化。因此，如何利用大数据技术实现更大的营销价值和效果，是值得不断思考和探索的领域。
本书作者阳翼十余年来潜心于营销领域，做了大量前瞻性的研究工作，有着丰富的理论功底和实践经验。不仅在传统营销领域颇有建树，对于大数据时代的新营销也有着独到的见解，在广告、市场、数字营销等方面提出了诸多有价值的观点。相信本书能为高校广告、营销专业的学生及相关研究人员、从业人士打开一扇洞察大数据营销的窗口，同时在变革思维方式、培养大数据思维等方面带来启迪。

H. 大数据案例

亚马来逊在大数据这块领域当属三大巨自头之一，举个例子吧

亚马逊在客人购物的时候，购物页面总是充满了推荐物品，TA为客户推荐的产品绝不是一个巧合。亚马逊的推荐引擎完全是基于客户在过去一段时间的购买行为所做的：客户的购物车中所收藏的商品、客户喜欢的商品、其它用户浏览或购买的商品。利用大数据技术对以上数据进行分析，为每位客户定制了专属的个人主页。
因为利用该策略，公司在其第三财政季度期间销售增长27%，达到了131.8亿美元，而去年同期的销售额则为96亿美元。

如果你还需要进一步了解，可以去前瞻产业研究院看看，里面有挺多资料的