大数据精准营销的价值和方法[大全五篇]

第一篇：大数据精准营销的价值和方法

大数据营销价值

随着全球的信息总量呈现爆炸式增长，移动互联网、可选渠道和设备增加以及不断变化的消费者特征，同时大数据技术的更新日益。大数据营销依托多平台的数据采集及大数据技术的分析及预测能力，使企业的营销更加精准，为企业带来更高的投资回报率。无论是线上还是线下大数据营销的核心在于在合适的时间，基于你对用户的了解，把你希望推送的东西通过合适的载体，以合适的方式，推送给合适的人。

大数据营销关键问题：

问题1：怎么才能准确知道Who？Where？Do What? How Do?

大数据营销首先要解决的是数据汇聚的问题。通过打通用户在多个渠道上的行为数据，构建对用户行为和用户数据的深入洞察，一方面实时监控各渠道的用户行为特征，运营和营销的效果，进行优化；另一方面集中用户的数据，便于后续的深入挖掘工作，实现以用户为中心的数据汇聚，提升用户数据价值，实现用户交互的精准识别和多渠道数据打通，为用户提供更准确的服务和营销。

问题2：渠道及交叉渠道组合方式如何选择？

当营销预算不够的时候，如何在搜索和其他的渠道间进行营销预算的分配？是选择电子商务最优搜索渠道还是选择跨渠道组合营销呢？跨渠道营销预算如何进行排列组合？

问题3：如何通过个性化营销让企业离用户更近一点？

营销方式从海量广告过度到一对一以用户体验为中心的精准营销，一对一精准营销实际上是对于任何一个互联网用户在那一刻，在那一个渠道以一个独特的价格，推送一个独特的广告创意，效果是怎么样的。围绕用户、业务场景、触点、营销推送内容/活动推荐，并且基于跨渠道触发式的营销能力，在注重用户体验同时达到最佳的营销效果，并且可对营销进行跟踪，从而不断优化营销策略。

问题4：如何实现基于大数据营销的即时营销？

企业希望通过实时分析来获取竞争优势。精准营销也要求在活动的同时我们就能得到数据，立即优化营销效果。

大数据营销系统组成：

基于大数据的精准营销过程分为：采集和处理数据、建模分析数据、解读数据这么三个大层面。通过对客户特征、产品特征、消费行为特征数据的采集和处理，可以进行多维度的客户消费特征分析、产品策略分析和销售策略指导分析。通过准确把握客户需求、增加客户互动的方式推动营销策略的策划和执行。

网舟科技大数据营销项目的解决方案主体为：数据整合营销平台

营销管理平台中心有一个通用的工作流引擎，以及创新生动的用户界面。它具有高度自动化的特点，基于角色的协作，工作流工具使营销上很容易定义流程规划和管理预算、资源和内容，细分客户，定义规则和机制，创建和重建模板，执行活动，捕捉反应，定义领导流程和结果分析。营销商根据需求动态的格式化内容协调所有营销过程与跨越多渠道的用户交互，而视觉框架使这一切变得更直观。

大数据精准营销实现方式：

通过一个表达式构建器、原始SQL、或通过预定的过滤器进行构造。即可以基于一个无限数量的隐式或显式条件下，利用底层营销数据：包括历史客户交易、人口统计、模型评分、营销历史以及浏览行为等实时变量，进行细分和决策规则的配置。支持Offer（针对不同特点客户所要提供的营销内容、素材等的供给物）与渠道(网站、手机应用、邮件短信等)的关联配置。数据营销后台可对各触点的推送offer中的推送规则、推送内容进行定义，还可实现多渠道、多波次的营销定义，并负责精准营销的推荐实施。

第二篇：大数据精准营销的价值与方法

大数据精准营销的价值和方法

网舟科技数据分析课题组

大数据营销价值：

随着全球的信息总量呈 现爆炸式增长，移动互联网、可选渠道和设备增加以及不断变化的消费者特征，同时大数据技术的更新日益。大数据营销依托多平台的数据采集及大数据技术的分析及预测能力，使企业的营销更加精准，为企业带来更高的投资回报率。无论是线上还是线下大数据营销的核心在于在合适的时间，基于你对用户的了解，把你希望推送的东西通过合适的载体，以合适的方式，推送给合适的人。

大数据营销关键问题：

问题1：怎么才能准确知道Who？Where？Do What? How Do? 大数据营销首先要解决的是数据汇聚的问题。通过打通用户在多个渠道上的行为数据，构建对用户行为和用户数据的深入洞察，一方面实时监控各渠道的用户行为特征，运营和营销的效果，进行优化；另一方面集中用户的数据，便于后续的深入挖掘工作，实现以用户为中心的数据汇聚，提升用户数据价值，实现用户交互的精准识别和多渠道数据打通，为用户提供更准确的服务和营销。问题2：渠道及交叉渠道组合方式如何选择？

当营销预算不够的时候，如何在搜索和其他的渠道间进行营销预算的分配？是选择电子商务最优搜索渠道还是选择跨渠道组合营销呢？跨渠道营销预算如何进行排列组合？

问题3：如何通过个性化营销让企业离用户更近一点？

营销方式从海量广告过度到一对一以用户体验为中心的精准营销，一对一精准营销实际上是对于任何一个互联网用户在那一刻，在那一个渠道以一个独特的价格，推送一个独特的广告创意，效果是怎么样的。围绕用户、业务场景、触点、营销推送内容/活动推荐，并且基于跨渠道触发式的营销能力，在注重用户体验同时达到最佳的营销效果，并且可对营销进行跟踪，从而不断优化营销策略。

问题4：如何实现基于大数据营销的即时营销？

企业希望通过实时分析来获取竞争优势。精准营销也要求在活动的同时我们就能得到数据，立即优化营销效果。

大数据营销系统组成：

基于大数据的精准营销过程分为：采集和处理数据、建模分析数据、解读数据这么三个大层面。通过对客户特征、产品特征、消费行为特征数据的采集和处理，可以进行多维度的客户消费特征分析、产品策略分析和销售策略指导分析。通过准确把握客户需求、增加客户互动的方式推动营销策略的策划和执行。

网舟科技大数据营销项目的解决方案主体为：数据整合营销平台

营销管理平台中心有一个通用的工作流引擎，以及创新生动的用户界面。它具有高度自动化的特点，基于角色的协作，工作流工具使营销上很容易定义流程规划和管理预算、资源和内容，细分客户，定义规则和机制，创建和重建模板，执行活动，捕捉反应，定义领导流程和结果分析。营销商根据需求动态的格式化内容协调所有营销过程与跨越多渠道的用户交互，而视觉框架使这一切变得更直观。

大数据精准营销实现方式：

通过一个表达式构建器、原始SQL、或通过预定的过滤器进行构造。即可以基于一个无限数量的隐式或显式条件下，利用底层营销数据：包括历史客户交易、人口统计、模型评分、营销历史以及浏览行为等实时变量，进行细分和决策规则的配置。支持Offer（针对不同特点客户所要提供的营销内容、素材等的供给物）与渠道(网站、手机应用、邮件短信等)的关联配置。数据营销后台可对各触点的推送offer中的推送规则、推送内容进行定义，还可实现多渠道、多波次的营销定义，并负责精准营销的推荐实施。

数据来源：网舟科技

第三篇：金融业如何利用大数据进行精准营销

金融业如何利用大数据进行精准营销

导读近几年各行各业对大数据技术的应用越来越多，但凡有财力的企业都跃跃欲试，更何况是“手握重金”的金融行业。金融业如何利用大数据进行精准营销？如何构建新一代大数据运营中心？且听永洪科技高级咨询师胡星昱围绕金融行业的经验分享。

说到大数据，有两点我们要强调一下：一个是数据资产化，另一个是决策数据化。

 IT部门转变成利润中心

信息技术部门是做IT支撑的，每年都会进行软、硬件大批量采购，企业内部都认为信息技术部门是成本中心，信息技术部门的数据也都是伴随业务发生时产生的一个附属物。随着大数据技术发展，企业希望通过数据寻找业务规律，对客户需求进行挖掘，因为这样做会给业务带来直接的价值，帮助业务进行优化和提升，所以数据成了金融机构的一项宝贵资产，掌握数据量最大的信息技术部门也逐渐成为企业的利润中心。

从战略方向上讲，以前在企业内部，主要是决策人员根据经验主观判断进行决策，这样做的风险很大，因为人会受到自己所处环境和情绪的影响。所以企业必须借助数据的帮助来做决策，并进行客观的验证和预测，要从原来依据经验说话向依据数据说话进行转变。

在数据量和数据分析需求日益增加的挑战下，从战略层面上讲，金融机构需要建立一套“数据驱动型”的模式，即真正落实大数据运营中心。

从战术方面上讲，金融行业内企业可以尝试三种战术方向。首先可以通过用户画像、精准营销来做运营优化。其次是通过运营分析、产品定价来做精细化管理。最后是利用实时的反欺诈反洗钱应用，以及中小企业的贷款评估来提高风险控制能力，最终实现全面提升金融企业的核心价值和能力。

 新一代金融大数据运营中心 金融行业内的企业现在都需要一套整体化的业务架构。构建业务架构要从搭建一套企业级数据中心说起。企业级数据中心会包含企业的业务系统、外部数据和一些机器日志，这些结构化、半结构化和非结构化的数据，都要被汇集在一起。

在这些数据之上，金融行业内企业可以建立各种各样的分析模型。比如利用用户画像做精准营销，用EVA指标模型和反欺诈模型做多维盈利分析、反欺诈的交易分析等。

运营优化、管理提升、风险监控，这三个方向到底给金融行业带来什么价值？

首先是精准营销。精准营销真正要做的就是了解客户：客户到底是什么样的？客户是谁？客户需要什么产品？客户有什么产品偏好？客户喜欢哪些产品组合……还有就是如何进行有效营销、如何提升客户价值、保持客户忠诚度。

比如，现在很多金融机构都有APP，就可以分析用户在寻找什么产品，用户在找到一款产品并真正实现交易的过程中会浏览哪些页面，在哪个页面停留最长时间，交易中断是什么原因造成的等，而分析结果可以用于提升运营效果。

说到精准营销就不能不谈用户画像。以前经常听到“360度用户画像”这个词。但我觉得，“360度用户画像”更像一个广告宣传语，因为人是非常复杂的动物，很难用可数的纬度来100%地描述，所以需要从一定目的出发来建立用户画像。

尤其是在企业内部没有足够数据来构建用户画像，需要通过外界渠道来获取数据支撑的时候。数据的获取是有成本的，更不应该盲目搭建用户画像体系。也就是说，用户画像的本质其实应该是从业务角度出发，对客户需求、消费能力，以及客户信用额度等进行分析。

举个小例子，比如说做存贷款产品营销时，可对高价值信用卡用户的AUM进行分析。筛选他们每月的消费金额、信用额度、当前存款情况、贷款有没有拖欠，是不是商务卡持有者等，通过这些维度对用户进行分析。再针对不同用户分群给出不同的营销策略。比如说哪些用户该提升额度，哪些应该为其推荐金融产品。营销在落实时，可以先通过短信进行营销，再通过呼叫中心来了解客户意图。当客户有意向时，再交由理财经理进行进一步跟进。

除精准营销，还有多维盈利分析。多维盈利分析金融机构已经做很多年了，我最近也与国内几十家金融机构进行了交流，发现其实在业务上他们都希望多维盈利分析能够做到帐户级。可实际上，大部分金融机构现有的IT架构只能支撑做到产品级，或是科目级分析。为什么？就是因为金融机构普遍数据处理能力不够。如果要跑一个帐户级的结果出来，系统要跑好几个小时。而通过数据运营中心，就可以实现几十分钟出结果，企业就可以更好地进行精细化管理。

在风险监控方面，可以列出很多风险监控的指标，再通过这些指标用大数据平台进行实时监控，真正了解整个企业当前所处的风险等级。

 传统业务架构存在的6大缺点

上述应用在传统架构下能否实现？我认为传统业务架构存在6大缺点。

第一是不够敏捷，对业务新需求满足的时间太长。我通过交流了解到，有些金融机构内部业务新的需求提出后，需要几周，甚至几个月时间才能把报表提交上去，业务人员才能看到他需要的数据，这种效率显然跟不上市场变化。

第二是性能不佳，在海量数据面前，没有足够的计算能力去实时计算数据。

第三是洞察力弱，传统IT架构已无法深入挖掘海量数据的数据价值。金融企业的分析人员已不满足于只看到数据呈现，还希望对数据进行聚类、分类的算法来挖掘数据价值。第四是扩展性差，海量历史数据无法单机存储，传统的IT架构又不支持水平扩展。第五是无法挖掘非结构化数据价值，现在每年金融机构的数据增量中有百分之七十到八十的数据属于非结构化数据，如果不能把这部分数据的价值挖掘出来，是严重的浪费。

第六是成本高，从系统搭建到项目实施整个过程不可控。动辄上百万元资金成本或一到两年时间成本的项目在金融机构中很多。

所以，永洪提出了新一代的金融大数据应用中心的IT架构，可以根据业务需求不同，分为在线需求和离线需求。

在线or离线

为什么要分在线和离线？其实，很多需求都是按时效性区分的。

举个小例子，比如我们会分析现有的客户中，哪些属于即将流失的客户，哪些是高价值客户。在这个过程中，要经过复杂的模型，考量多个指标来判断，而结果也许并不需要马上就得到。但在分析某个地区时，高价值客户最近的消费倾向这种分析需求是非常灵活且时刻变化的，这就要求能够实时得到计算结果。

下面，我把在线和离线分开介绍。

在线分析需求，我们总结出了一个最佳实践。这里顺便回答下如何实现敏捷分析的问题。在以前的架构中，通常是把业务逻辑和数据模型结合在一起，也就是根据业务需求制作数据模型，制作CUBE，做二次表，进行汇总计算，最后反馈和展现的只是一个很小数据量的结果。在那这样的架构中，前端需求一旦变化就需要改模型，造成工作量大，交付时间也会拖长。

所以永洪提倡把数据模型和业务逻辑分开。数据模型只把跟分析主题相关的数据关联到一起，做一张大宽表。比如，现在要进行营销相关分析，就把数据交易数据、用户数据、渠道数据都打通，关联起来，但这些数据不要汇总，也就是要保持交易记录级的数据粒度，而要分析哪些纬度，需要什么粒度的数据，都可以通过实时的计算，这样就不会造成业务逻辑和数据模型混在一起。

不能每个分析需求都建一个CUBE，之前我见过有的企业数据仓库中有上千个cube，因为数量太大，根本没人来管理。而每当有新需求提出，也只能做新CUBE。这么做对企业来说有风险。

如果不愿意对数据来进行汇总计算，而是进行实时计算，就要提供大量细节数据实时计算的能力，这时可以采用了MPP数据集市来处理在线分析需求。

在这个过程中，永洪运用了列存储、分布式计算、列存计算的技术来提高运行效率，就算是百亿级的数据，也可以通过这种分布式的集群，实时进行分析计算，然后反馈给用户。此外，大数据平台离线分析是通过Hadoop的平台来做结构化和非结构化数据的存储，解析。然后在上面会用YARN量做资源管理——根据分析需求决定是用批处理模块还是搜索模块、是用流处理还是用机器学习等。

永洪科技现正在帮助国内各个企业进行数据挖掘应用。我们的客户范围涉及电信行业、能源、政府、金融、零售，还有IT互联网行业，永洪会帮助他们提升数据运营效果。

接下来，简单介绍几个做过的案例。

首先是一个股份银行，永洪通过大数据平台，帮助他们进行用户画像的精准营销，把金融机构持卡人的信息、信用卡信息、微信卡信息都拿过来。在大数据平台上，通过画像和算法给用户进行画像分群，根据分析需求来构建画像模型，基于Map Raduce聚类和算法对用户进行分类，然后再进行数据域处理，最终完成用户的画像。

另外,永洪也帮助华北一些金融机构在传统数仓上搭建在线分析平台，以及帮助他们建立全行的报表平台。例如行长驾驶舱和业务类型报表。永洪也为中信金融机构杭州分行、四川分行搭建了在线分析平台。杭州分行通过在线平台帮助用户实时分析零售数据。以前他们的分析人员大部分精力都用在整理数据和制作报表上，通过永洪的在线平台，业务人员可以自己接触到数据，并且可快速地生成分析报告，把真正精力都放在分析数据这块。

现在，整个行业正处在数据架构和数据分析系统的变革时期，永洪科技非常希望通过提供专业技术和服务来帮助金融机构把数据价值挖掘出来，提高业务能力，提高竞争力。

胡星昱：澳大利亚莫纳什大学商业信息系统硕士，拥有3年大型企业需求分析，项目实施和解决方案制作经验；曾为国外大型零售企业和政府机构设计和实现数据分析系统，成功推进国内多个大型金融项目的需求、设计、研发、实施工作。在企业级系统集成，大数据，BI领域有丰富的项目经验；目前主要负责产品和解决方案的咨询工作。

第四篇：大数据与精准营销研究综述

大数据与精准营销研究综述

摘要：随着互联网的日益普及，人们对互联网技术的利用率越来越高，由此而来的大数据对社会的各行各业都带来很大变化，人们正步入大数据时代。在企业营销中，大数据的应用可以大大促进精准营销的发展，为其带来前所未有的发展机遇。本文首先分别对大数据与精准营销的研究进行综述，然后提出大数据时代下精准营销模式的问题，最后针对该问题提出一些思考与建议。

关键词： 大数据； 精准营销； 精准营销模式

一、大数据研究现状

1.大数据起源与兴起

1980年，著名未来学家托夫勒在其《第三次浪潮》提出了“大数据”的概念，并热情地将其称颂为“第三次浪潮的华彩乐章”，但是之后很长一段时期内，由于技术发展制约，“大数据”的概念并没有得到人们的重视。

2008年开始，移动计算、物联网、云计算等一系列新兴技术相继兴起，这些技术的发展及其在社交媒体、协同创造、虚拟服务等新型模式中的广泛应用，使得全球数据量呈现出前所未有的爆发式增长态势，数据复杂性也急剧增长，客观上要求新的分析方法和技术来挖掘数据价值，大数据技术应运而生，并得到迅速发展和应用，如此，“大数据”时代真正到来。

2008 年末，三位信息领域资深科学家卡内基梅隆大学的R.E.Bryant、加利福尼亚大学伯克利分校的R.H.Katz、华盛顿大学的E.D.Lazowska联合业界组织计算社区联盟（Computing Community Consortium）发表了非常有影响力的白皮书《大数据计算： 商务、科学和社会领域的革命性突破》，使得研究者和业界高管意识到大数据真正重要的是其新用途和带来的新见解，而非数据本身。随后，包括EMC、IBM、惠普、微软在内的全球知名企业纷纷通过收购大数据相关厂商来实现技术整合，实施其大数据战略； 国内外咨询机构也相继发布与大数据相关的研究报告，积极跟进大数据领域的研发与应用。2011 年5 月，EMC 公司在主题为“云计算相遇大数据”的World 2011 大会中阐述了云计算与大数据的理念和技术趋势。同年10 月，Gartner 将大数据列入2012 年十大战略新兴技术； 11 月，由CSDN 举办的中国大数据技术大会在北京成功举行。大数据在产业界逐渐形成燎原之势。

目前，大数据研究和应用已经成为信息科技领域中的热点。世界各国均高度重视大数据领域的研究探索，并从国家战略层面推出研究规划以应对其带来的挑战。2012 年3 月，美国奥巴马政府投资两亿美元启动“大数据研究和发展计划”，致力于提高从大型复杂数据集中提取知识和观点的能力，并服务于能源、健康、金融和信息技术等领域的高科技企业； 2012年4 月，英国、美国、德国、芬兰和澳大利亚研究者联合推出“世界大数据周”活动，旨在促使政府制定战略性的大数据措施； 7 月，日本推出“新ICT 战略研究计划”，其中重点关注“大数据应用”同时，大数据也已引起学术界的广泛研究兴趣。2008 年和2011 年，《Nature》与《Science》杂志分别出版专刊《Big Data： Science in the Petabyte Era》和《Dealing with Data》，从互联网技术、互联网经济学、超级计算、环境科学、生物医药等多个方面讨论大数据处理和应用专题。

2．大数据的定义与特征

对于大数据的概念，企业和学术界目前尚未形成公认的准确定义。维基百科将大数据定义为“无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合”； 权威IT 研究与顾问咨询公司Gartner 将大数据定义为“在一个或多个维度上超出传统信息技术的处理能力的极端信息管理和处理问题”； 美国国家科学基金会（NSF）则将大数据定义为“由科学仪器、传感设备、互联网交易、电子邮件、音视频软件、网络点击流等多种数据源生成的大规模、多元化、复杂、长期的分布式数据集”。尽管存在不同的表述，但一个普遍的观点是，大数据与“海量数据”和“大规模数据”的概念一脉相承，但其在数据体量、数据复杂性和产生速度三个方面均大大超出了传统的数据形态，也超出了现有技术手段的处理能力，并带来了巨大的产业创新的机遇。

IBM公司把大数据的特征概括成三个“V”：规模（Volume）、快速（Velocity）和多样（Variety），但是更多的人则将其概括为四个“V”，即规模（volume）、快速（Velocity）、多样（Variety）和价值（value）。

（1）规模（Volume）。大数据首先是必须具有海量数据，但是究竟多大体量才叫海量，人们并没有一个确定的数字。有人认为应该达到TB数量级，一般在10TB规模左右。但在实际应用中，很多用户把多个数据集放在一起，已经形成了PB级的数据量。

（2）多样性（Variety）。这是大数据概念区别于从前有关数据管理的一个重要特征，传统的数据管理主要是针对结构化数据分析利用，其应用技术而大数据则更加强调对于半结构化和非结构化数据的分析和应用。

（3）快速（Velocity）。在当前常规的信息安全产品中，特别是具有代表性的检测响应类产品技术中，大量采用实时监测，而“实时”就意味着快速。在当前带宽越来越大、系统越来越复杂采集的数据越来越多的同时，安全检测对于事件响应的及时性要求并没有减

弱。另外，“实时”还包含着一种内在的含义：主要根据当前的数据做出分析判断。

（4）价值（Value）。数据是物理世界的数字反映，价值上数据不同于数字，数据背后是有对象的，而这些对象是有属主的、有立场的、有价值归属的、主观的。大数据的体量很大，所蕴含的价值总量也会是客观的，但是平均到单条信息的价值却很低，即价值密度很低。

3．大数据的关键技术

传统的数据采集来源单一，且存储、管理和分析数据量也相对较小，大多采用关系型数据库和并行数据仓库即可处理。而大数据环境下，数据来源非常丰富且数据类型多样，存储和分析挖掘的数据量庞大，对数据展现的要求较高，并且很看重数据处理的高效性和可用性，需要依靠并行计算提升数据处理速度。而传统的并行数据库技术追求高度一致性和容错性，难以保证其可用性和扩展性。

另一方面，传统的数据处理方法是以处理器为中心，而大数据环境下，需要采取以数据为中心的模式，减少数据移动带来的开销。因此，传统的数据处理方法，已经不能适应大数据的需求，需要一种新的技术理论和方法。

3.1数据挖掘

数据挖掘是指从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的，但又是潜在有用信息和知识的过程。目前广为接受的一种处理模型是Fayyad 等人设计的多处理阶段模型。

3.2数据分析

在相关技术中，比较具有代表性的是Apache 软件基金会开发的Hadoop，以MapReduce 和Hadoop 为代表的非关系数据分析技术，凭借其适合非结构处理、大规模并行处理和简单易用等优势，在互联网搜索和其他大数据分析技术领域取得重大进展，成为主流技术。

4．大数据相关产业发展

按照信息处理环节，大数据可以分为数据采集、数据清理、数据存储及管理、数据分析、数据显化及产业应用等六个环节，由于尚属发展初期，其中的每个产业环节都包含着不少的企业，其市场发展情况如下。

（l）数据采集。Google、CISCO这些传统的IT公司早已经开始部署数据收集的工作。在中国，淘宝、腾讯、百度等公司已经收集并存储大量的用户习惯及用户消费行为数据。德勤预计，在未来，会有更为专业的数据收集公司针对各行业的特定需求，专门设计行业数据收集系统。

（2）数据清理。当大量庞杂无序的数据收集之后，如何将有用的数据筛选出来，完成数据的清理工作并传递到下一环节，这是随着大数据产业分工的不断细化而需求越来越高的环节。除了Intel等老牌IT企业，Teradata、Informatica等专业的数据处理公司呈现了更大的活力。在中国，华傲数据等类似厂商也开始不断涌现。德勤预计，在未来，将会有大量的公司专注于数据清理。

（3）数据存储及管理。数据的存储、管理是数据处理的两个细分环节。这两个细分环节之间的关系极为紧密。数据管理的方式决定了数据的存储格式，而数据如何存储又限制了数据分析的深度和广度。由于相关性极高，通常由一个厂商统筹设计这两个细分环节将更为有效。从厂商占位角度来分析，IBM、Oracle等老牌的数据存储提供商有明显的既有优势，他们在原有的存储业务之上进行相应的深度拓展，轻松占据了较大的市场份额。而Apache Software Foundation等新生公司，以开源的战略汇集了行业专精的智慧，成为大数据发展的领军企业。

（4）数据分析。传统的数据处理公司SAS及SPSS在数据分析方面有明显的优势。然而，基于开源软件基础构架Hadoop的数据分析公司最近几年呈现爆发性增长。例如，成立于2008年的Cloudera公司，帮助企业管理和分析基于开源Hadoop产品的数据。由于能够帮助客户完成定制化的数据分析需求，Cloudera拥有了如ExPedia、摩根大通等大批的知名企业用户，仅仅五年时间，其市值估值已达到7亿美元。

（5）解读。将大数据的分析结果还原为具体的行业问题。SAP、SAS等数据分析公司在其已有的业务之上加人行业知识，成为此环节竞争的佼佼者。同时，因大数据的发展而应运而生的wibidata等专业的数据还原公司也开始蓬勃发展。

（6）展示。这一环节中，大数据真正开始帮助管理实践。通过对数据的分析和具象化，将大数据能够推导出的结论量化计算，同时应用到行业中去。这一环节需要行业专精人员，通过大数据给出的推论，结合行业的具体实践制定出真正能够改变行业现状的计划。

不仅仅是大数据技术行业的发展，大数据的应用也已经在医疗服务、零售业、金融业、制造业、物流、电信等行业广泛展开，并产生了巨大的社会价值和产业空间。麦肯锡评估西方产业数据为例，大数据的有效利用将能使欧洲发达国家政府节省至少1000 亿欧元（约1 490 亿美元）的运作成本； 使美国医疗保健行业降低8%的成本（约每年3000 多亿美元）； 并使得大多数零售商的营业利润率提高60%以上。据市场调研机构IDC 预测，大数据技术与服务市场将从2010 年的32 亿美元攀升到2015 年的169 亿美元，实现40%的年增长率（IT与通信产业增长率的7 倍）近两年来，国内外知名企业（如Ebay、AmazonWal-Mart、淘宝、中国移动和凡客等）相继推出相应的大数据产品和平台，开展了多种深度商务分析和应用。例如：通过分析结构化和非结构化数据促进其业务创新和利润增长； 基于机器学习和数据挖掘方法来管理和优化其库存与供应链，并量化评估其定价策略与营销效果； 通过市场分析、竞争分析、客户分析和产品分析以优化经营决策等。

5．大数据的发展与挑战

在大数据时代，我们仍然要面对大数据的各种技术挑战，包括大数据的去冗降噪技术、大数据的新型表示方法、高效率低成本的大数据存储、大数据的有效融合、非结构化和半结构化数据的高效处理、适合不同行业的大数据挖掘分析工具和开发环境、大幅度降低数据处理、存储和通信能耗的新技术等等。但我们相信技术能够解决的问题终将不会成为问题，真正制约或者成为大数据发展和应用瓶颈的有三个环节。

5.1数据收集和提取的合法性，数据隐私的保护和数据隐私应用之间的权衡

任何企业或机构从人群中提取私人数据，用户都有知情权，将用户的隐私数据用于商业行为时，都需要得到用户的认可。然而，目前，中国乃至全世界对于用户隐私应当如何保护、商业规则应当如何制定、触犯用户的隐私权应当如何惩治、法律规范应当如何制定等一系列管理问题都大大滞后于大数据的发展速度。未来很多大数据业务在最初发展阶段将会游走在灰色地带，当商业运作初具规模并开始对大批消费者和公司都产生影响之后，相关的法律法规以及市场规范才会被迫加速制定出来。可以预计的是，尽管大数据技术层面的应用可以无限广阔，但是由于受到数据采集的限制，能够用于商业应用、服务于人们的数据要远远小于理论上大数据能够采集和处理的数据。数据源头的采集受限将大大限制大数据的商业应用。

5.2.大数据发挥协同效应需要产业链各个环节的企业达成竞争与合作的平衡

大数据对基于其生态圈中的企业提出了更多的合作要求。如果没有对整体产业链的宏观把握，单个企业仅仅基于自己掌握的独立数据，无法了解产业链各个环节数据之间的关系，对消费者做出的判断和影响也十分有限。在一些信息不对称比较明显的行业，例如银行业以及保险业，企业之间数据共享的需求更为迫切。例如，银行业和保险业通常都需要建立一个行业共享的数据库，让其成员能够了解到单个用户的信用记录，消除担保方和消费者之间的信息不对称，让交易进行得更为顺利。然而，在很多情况下，这些需要共享信息的企业之间竞争和合作的关系同时存在，企业在共享数据之前，需要权衡利弊，避免在共享数据的同时丧失了其竞争优势。此外，当很多商家合作起来，很容易形成卖家同盟而导致消费者利益受到损失，影响到竞争的公平性。大数据最具有想象力的发展方向是将不

同行业的数据整合起来，提供全方位立体的数据绘图，力图从系统的角度了解并重塑用户需求。然而，交叉行业数据共享需要平衡太多企业的利益关系，如果没有中立的第三方机构出面，协调所有参与企业之间的关系、制定数据共性及应用的规则，将大大限制大数据的用武之地。权威第三方中立机构的缺乏，将制约大数据发挥出其最大的潜力。5.3大数据结论的解读和应用

大数据可以从数据分析的层面上揭示各个变量之间可能的关联，但是数据层面上的关联如何具象到行业实践中如何制定可执行方案应用大数据的结论这些问题要求执行者不但能够解读大数据，同时还需深谙行业发展各个要素之间的关联。这一环节基于大数据技术的发展，但又涉及管理和执行等各方面因素。在这一环节中，人的因素成为制胜关键。从技术角度看，执行人需要理解大数据技术，能够解读大数据分析的结论；从行业角度看，执行人要非常了解行业各个生产环节的流程及关系、各要素之间的可能关联，并且将大数据得到的结论和行业的具体执行环节一一对应起来；从管理的角度看，执行人需要制定出可执行的解决问题的方案，并且确保这一方案和管理流程没有冲突，在解决问题的同时，没有制造出新的问题。这些需求，不但要求执行人深谙技术，同时应当是一个卓越的管理者，有系统论的思维，能够从复杂系统的角度关联地看待大数据与行业的关系。此类人才的稀缺性将制约大数据的发展。

6．大数据的研究不足

综观国内外大数据领域的研究和应用发展现状可见： 1）大数据相关的研究与应用目前仍然处于起步阶段，学术研究大多局限于宏观层面；2）基于互联网和社会媒体的企业大数据研究与应用亟需进一步的深入开展； 3）现有的大数据研究大多立足于信息科学，侧重于大数据的获取、存储、处理、挖掘和信息安全等方面，鲜有从管理学的角度探讨大数据对于现代企业生产管理和商务运营决策等方面带来的变革与冲击的研究。

二、精准营销研究现状

1.精准营销的定义

1999 年，美国的莱斯特·伟门提出了精准营销的概念。Zabin和Brebach（2004）提出了精准营销的4R法则，亦即正确的顾客（right customer），正确的信息（right message），正确的管道（right channel）以及正确的时刻（Right time），通过将正确的信息在正确的时刻通过正确的管道传递到正确的顾客手中，以此真正对目标客户的购买决策构成影响，促进营销目标的有效达成。

菲利普.科特勒Philip Kotler（2005）在其全球巡回演讲论坛上宣布了一个营销传播的新趋势——精准营销（Precision Marketing），并对其进行阐述：“具体来说，就是公司需要更精准、可衡量和高投资回报的营销沟通，需要更注重结果和行动的营销传播计划，还有越来越注重对直接销售沟通的投资。科特勒（2006）在畅销书《Principles of Marketing》中，首次将基于互联网的精准营销理论融入其中，他认为日新月异的科技，使一些公司勇于从传统的大众传媒沟通方式转移到更加有针对性目标市场的互动模式，以此来不断提高沟通的效果和效率。并提出“对于营销来说，将沟通个性化，并在正确的时间，对正确的人，表达而且做出正确的事情，是至关重要的。”

Paul.W.Farris与Neil.T.Bendle等人（2006）在《Marketing Metries：50+MetriesEvery Executive Should Master》一书中专门研究了解决营销活动科学量化的问题，帮助精准营销活动取得良好效果。营销量化指标的归纳和运用，为经理人在实践中有效利用信息进行科学决策，提供了指导原则、方法以及注意事项。营销量化指标衡量方法，综合了营销和财务两个方面的视角，是关于公司营销业绩的科学而全面的评价。

Lisa D Spiller与Martin Baier（2006）合著的《当代直复营销》中提到了直复营销是对传统营销的发展，是精准营销的理论基础之一，强调以市场细分为基础进行数据库驱动的直复营销。在互联网的基础上实现精准营销，完成与顾客之间的直复营销关系。

国内的齐渊博（2005）将精准营销理解为“精确营销”，即包含了“标准”和“确定”两个意思，“标准”就是可以复制、可以推广、可以提升，没有“标准”的理念只是偶然现象，而“确定”就是对市场极致的了解和把握。

学者许瑾（2006）在科特勒精准营销理论的基础上，从实践的角度对精准营销进行了补充：“精准营销是以客户为中心，运用各种可利用的方式，在恰当的时间，以恰当的价格，通过恰当的渠道，向恰当的顾客提供恰当的产品。”并指出精准营销的几种传播新模式，提倡从传播受众切入，研究受众的行为、生活形态，从而理解用户需求，最终传递给受众最精准的广告内容。

伍青生、余颖、郑兴山（2006）在《精准营销的思想和方法》一文中提出了精准营销是通过定量和定性相结合的方法对目标市场的不同消费者进行细致分析，根据他们不同的消费心理和行为特征，企业采用有针对性的现代技术、方法和指向明确的策略，实现对目标市场不同消费者群体强有效性、高投资回报的营销沟通。

邮政营销专家徐海亮教授（2006）创立了精准营销理论体系，提出了较为完整的精准营销的概念——精准营销就是在精准定位的基础上，依托现代信息技术手段建立个性化的

顾客沟通服务体系，实现企业可度量的低成本扩张之路。并指出了精准营销的三个层面的含义：第一、精准的营销思想。营销的终极追求就是无营销的营销，到达终极思想的过度就是逐步精准。第二是实施精准的体系保证和手段，而这种手段是可衡量的。第三就是达到低成本可持续发展的企业目标。并对传统广告体系与精准传播体系进行了对比，提出来精准传播的三种方式：网络媒体的传播，传统广告的改良与创新及口碑传播。刘征宇（2007）在《精准营销方法研究》一文中也把精准营销的方法归为基于数据库营销的方法、基于互联网的方法、借助他人渠道的方法等三大类。

姜何（2008）用精细化营销来形容精准营销，他认为所谓精细化的管理是相对于粗放式管理而言的，面对于营销的精细化管理，意味着基于客户细分战略的一对一营销，即要与企业选定的最有价值的客户群一对一，了解个性化需求，提供个性化渠道，实现个性化营销手段。而曹彩杰（2010）也分析到：以网络和信息技术为核心的精准营销体系，在一定程度上将取代传统的营销方式，逐步成为现代企业营销发展的新趋势。

综合上述各种观点可以看出，目前学者对精准营销研究热情也颇为高涨，相关文献数量较多，但对于什么是精准营销业界还没有给出一个公认的定义，但精准营销的特性是显而易见的：一是对市场准确定位，二是依赖科技手段，三是个性化服务，四是提高营销的正确性。尽管精准营销的定义尚无定论，但这并不妨碍精准营销思想及方法的发展传播，由于互联网的普及化，网络营销方兴未艾，基于互联网的精准营销是目前网络营销的一个热点领域并且还会不断涌现新的研究成果。精准营销将在互联网上的新兴行业里得到广泛推广，并逐步应用到传统产业中去。

2．精准营销的理论基础及意义

精准营销并不是一个全新的营销思想，随着信息技术的飞速发展，市场的形态有人们的消费行为、消费观念都产生了巨大的变化，随之产生的新营销环境促使营销方式和营销途径在传统营销理论的基础上不断演变发展。

2.1从4P理论到4C理论

美国营销学学者麦卡锡教授于1960年在《基础营销》（Basic Marketing）中提出产品（product）、价格（price）、渠道（place）、促销（promotion）大营销组合策略，他认为一次成功和完整的市场营销活动，意味着以适当的产品、适当的价格、适当的渠道和适当的传播促销推广手段，将适当的产品和服务投放到特定市场的行为。4P理论是营销策略的基础，科特勒（1967）在其畅销书《营销管理：分析、规划与控制》第一版中进一步确认了以4P为核心的营销组合方法。4P营销理论遵循的是由上而下的运行原则，它使市场营销

理论有开始有了体系，又使复杂的现象和理论简单化“这种理念的出发点是追求企业利润，重视产品导向而非消费者导向，没有将客户的需求放到同等重要的地位上来，这也正好体现了了在无细分市场（mass market）里推（push）的概念。在4P理论的基础上劳特朋（Robert.F.Lauterbon）教授（1990）在其《4P退休4C登场》专文中，提出了以顾客为中心的一个新的营销模式，这个4C理论它包含4个要素：四个基本要素：即消费者（Consumer）、成本（Cost）、便利（convenience）和沟通（communication）。4C理论的核心：强调购买一方在市场营销活动中的主动性与积极参与，强调顾客购买的便利性”精准营销为买卖双方创造了得以即时交流的小环境，符合消费者导向、成本低廉、购买的便利以及充分沟通的4C要求，是4C理论的实际应用。精准营销是迎合市场内外环境的变化，在4P的理论基础上，融合了4C营销组合理论来适应新环境的发展：

（1）精准营销真正贯彻了消费者导向的基本原则。4C理论的核心思想，便是企业的全部行为都要以消费者需求和欲望为基本导向，精准营销作为这一大背景下的产物，强调的仍然是比竞争对手更及时、更有效地了解并传递目标市场所期待的满足。这样，企业要迅速而准确地掌握市场需求，就必须离消费者越近越好。这是由于，一方面，信息经过多个环节的传播、过滤，必然带来自然失真，这是由知觉的选择性注意、选择性理解、选择性记忆、选择性反馈和选择性接受所决定的；另一方面，由于各环节主体利益的不同，他们往往出于自身利益的需要而过分夸大或缩小信息，从而带来信息的人为失真。精准营销绕过复杂的中间环节，直接面对消费者，通过各种现代化信息传播工具与消费者进行直接沟通，从而避免了信息的失真，可以比较准确地了解和掌握他们的需求和欲望。

（2）精准营销降低了消费者的满足成本。精准营销是渠道最短的一种营销方式，由于减少了流转环节，节省了昂贵的店铺租金，使营销成本大为降低，又由于其完善的订货!配送服务系统，使购买的其它成本也相应减少，因而降低了满足成本。

（3）精准营销方便了顾客购买。精准营销商经常向顾客提供大量的商品和服务信息，顾客不出家门就能购得所需物品，减少了顾客购物的麻烦，增进了购物的便利性。精准营销实现了与顾客的双向互动沟通，这是精准营销与传统营销最明显的区别之一。

2.2让渡价值理论

“让渡价值”这个新概念是科特勒（1994）提出的，是对市场营销理论的又一进步。顾客总价值与顾客总成本之间的差额是“让客价值”的中心。其中顾客总价值是指顾客购买某个产品或者得到服务所期望获得的某些利益，其中包括产品的价值、服务的价值和形象的价值等；顾客总成本的意思是指顾客为购买某一产品或服务而支付的货币及所耗费的

精力、时间，包括货币的成本、时间的成本及精力的成本。

由于顾客选择购买商品或者服务时，总是希望把相关的成本降至最低，同时又希望从中获得到更多的实际利益，因此，顾客总是倾向于选择“让渡价值”最大化的方式。而企业为在竞争中想要努力的战胜对手，就需要吸引更多的潜在顾客，同时必须向顾客提供比竞争对手更多的“让渡价值”，才可以满足顾客的实际利益最大化的期望。

首先，精准营销能够大幅度的提高顾客总价值。因为精准营销实现了“一对一”的营销，在这种新型观念指导下，其产品设计、开发、销售充分考虑了消费者需求的个性特征，同时增强了产品价值的适应性，从而为顾客创造了更大的产品价值。在提供优良产品的同时，精准营销更加注重服务价值的开发和创造，努力的向消费者提供合理、周密、完善的销售服务，同时方便广大顾客的购买。另外，精准营销还通过一系列的优质的营销活动，努力提升自身的形象，逐步的培养消费者对企业的偏好与忠诚。

其次，精准营销大大的降低了顾客总成本。在顾客购买商品，不仅要考虑销售商品的价格，同时必须确切的知道有关商品的信息，并对销售商品各方面进行深层次的比较，还必须考虑顾客购物环境是否便利等多种因素。精准营销可能大幅的缩短了营销渠道，通过直接手段和直接媒体及时向顾客传递商品信息，降低了顾客搜寻信息的精力成本与时间成本，因而减少了交易费用，扩大了企业商品销售，成为众多企业广泛采用的营销方式。

2.3直接沟通理论

1973年，领导行为理论代表人物，美国行为科学家明茨伯格H.Mintzberg指出“管理工作有10种作用，而人际关系和沟通占3成”。明茨伯格首先创立了经理角色理论，指出“重视同外界和下属的信息联系”和“爱用口头交谈方式”为经理角色六个特点中非常重要的两个特点，直接强化了直接沟通。从泰勒科学管理初始探索下行沟通开始，管理沟通理论的发展历程主要经历了从研究“行政沟通”，向研究“人际沟通”发展、接着以“纵向沟通”研究为主，向以“横向沟通”研究为主，进而向以“网络化沟通”研究为主发展、从以研究“单一的任务沟通”为主，向“全方位的知识共享沟通”研究发展等一系列过程。

20世纪80年代以来随着世界经济政治的变化，管理思想发生了重大的转变，管理沟通理论的研究也遭遇到新的挑战，主要表现在沟通中的信息网络技术的应用，知识型企业及学习型组织的建立等。伴随着现代管理理论呈现出的管理理念更加知识化、管理组织虚拟化、人性化、管理手段和设施网络化、组织结构扁平化、管理文化全球化等总体趋势，管理沟通理论也出现了企业流程再造沟通趋势、知识管理沟通趋势、管理更加柔性化的文化管理沟通趋势、网络经济和全球经济一体化的管理沟通的国际化趋势。精准营销的直接

沟通，使沟通的距离达到了最短，强化了沟通的效果。

四、对大数据环境下精准营销模式的思考

“营销管理是艺术与科学的结合——选择目标市场，并通过创造、交付和传播优质的顾客价值来获得顾客、挽留顾客和提升顾客的科学与艺术。”其中，“科学”的部分有赖于数据搜集与分析和各种营销数据库的建立。可以说，数据的使用贯穿在整个营销过程的始末，对于营销的效果起着至关重要的影响性作用。而在大数据时代，大数据的日益兴起和全方位的发展，如GPS定位一般，使企业对市场的理解和洞察需求正在日益地走向实时化和精准化，为企业实现精准营销带来前所未有的发展机遇。

而通过以上对大数据、精准营销的分析与总结我们可以看出，国内外学者对大数据、精准营销等理论研究成果很多，但对于如何利用大数据及大数据技术，研究客户行为特征，建立大数据时代顾客洞察与精准营销体系策略，这方面的研究则很少。“许多人感觉到大数据时代正在到来，但往往只是一种朦胧的感觉，对于其真正对营销带来的威力可以用一个时髦的词来形容——不明觉厉”。下面提出自己的一些思考。

首先，科技在营销中的运用一直存在，然而大数据在营销中的运用是科技与营销的结合的一座新的里程碑，它使技术在营销中不再仅仅是锦上添花的工具，则是会带来企业营销的战略性转型，起到革命性的作用。

其次，我们可以从市场营销的一般过程来分析大数据技术在精准营销中的应用。（1）客户信息收集与处理。客户数据管理是一个数据准备的过程，是数据分析和挖掘的基础，是搞好精准营销的关键和基础，否则会造成盲目推介、过度营销等错误，比如因为某些产品的购买，在一定时段里是不会重复的，强行推荐，只会导致厌烦情绪和后悔情绪。传统的客户关系管理一般关注两方面的客户数据：客户的描述性数据和行为数据。描述性数据类似于一个人的简历，比如姓名、性别、年龄、学历等；行为数据则复杂一些，比如消费者购买数量、购买频次、退货行为、付款方式等。在大数据时代，结构性数据仅占15%，更多的是类似于购物过程、社交评论等这样的非结构性数据，并且数据十分复杂，符合4V特征。只有通过大数据技术收集和整理数据，才有可能形成关于客户的360度式数据库，不错过每一次营销机会，“啤酒与尿布”的推销理论就是一个很好的例子。

（2）客户细分与定位。只有区分出了不同的客户群，企业才有可能对不同客户群展开有效的管理并采取差异化的营销手段，提供满足这个客户群特征要求的产品或服务。在实际操作中，传统的市场细分变量，如人口因素、地理因素、心理因素等由于只能提供较为

模糊的客户轮廓，已经难以为精准营销的决策提供可靠的依据。大数据时代，利用大数据技术能在收集的海量非结构信息中快速筛选出对公司有价值的信息，对客户行为模式与客户价值进行准确判断与分析，深度细分，使我们有可能甚至深入了解“每一个人”，而不止“目标人群”来进行客户洞察和提供营销策略。

（3）营销战略制定。在得到基于现有数据的不同客户群特征后，市场人员需要结合企业战略、企业能力、市场环境等因素，在不同的客户群体中寻找可能的商业机会，最终为每个群制定个性化的营销战略，每个营销战略都有特定的目标。如获取相似的客户、交叉销售或提升销售，或采取措施防止客户流失等。

（4）营销方案设计。大数据时代，一个好的营销方案可以聚焦到某个目标客户群，甚至精准地根据每一位消费者不同的兴趣与偏好为他们提供专属性的市场营销组合方案 包括针对性的产品组合方案、产品价格方案、渠道设计方案、一对一的沟通促销方案。比如O2O渠道设计，网络广告的受众购买的方式（DSP）和实时竞价技术（RTB），基于位置（LBS）的促销方式。

（5）营销结果反馈。大数据时代，营销活动结束后，应对营销活动执行过程中收集到的各种数据进行综合分析，从海量数据中发掘出最有效的企业市场绩效度量，并与企业传统的市场绩效度量方法展开比较以确立基于新型数据的度量的优越性和价值．以对营销活动的执行、渠道、产品和广告的有效性进行评估，为下一阶段的营销活动打下良好的基础。

五、结语

大数据时代已经到来，而且将成为全世界下一个创新、竞争和生产率提高的前沿。“营销本质上就是效率提高的过程，而技术是在帮助这个过程转变”。大数据在提高效率、精准营销上大有作为，它正在帮助企业深入了解“每一个人”，而不止是“目标人群”，它真正努力让客户变成“首席执行客户”，试图打造针对每个客户的“全接触”体系。这在增进企业效益的同时，也能给消费者带来全新的私人定制似的体验从而增加消费者福利。因此，研究揭示大数据在精准营销中的价值产生机理，探索大数据时代下的精准营销模式就变得很有意义和价值，我们期待越来愈多的学者在这方面做出贡献。

参考文献 中国企业评价协会、中色金银贸易中心，大数据的基本概念及相关问题，中国电子商务企业发展报告2013。2 黄升民，刘珊，“大数据”背景下营销体系的解构与重构，现代传播，2012年第11期。3 4 5 6 7 8 9 王波，大数据时代精准营销模式研究，经济师，2013年第5期。

任广见，基于大数据的商业模式创新及启示，现代商贸工业，2013年20期。郭虹，大数据时代-实体店与网商营销，中国出版传媒商报，2013年第9期。贾利军，许鑫，谈“大数据”的本质及其营销意蕴，南京社会科学，2013年第7期。秦雯，大数据驱动营销革命，观察家，2013年第7期。

刘征宇，精准营销方法研究，上海交通大学学报，2007年第4期。吴海环，基于精准营销的顾客沟通研究，武汉理工大学硕士论文，2008年。冯芷艳，郭迅华，曾大军，陈煜波，陈国青，大数据背景下商务管理研究若干前沿课题，管理科学学报，2013年第1期 李芬，朱志祥，刘盛辉，大数据发展现状及面临的问题，西安邮电大学学报，2013年第5期。钱心缘，国内外大数据研究进展之从文献计量学角度分析，中国科技信息，2013年第19期。周再宇，价值链重塑:大数据洞察与精准营销，新营销，2012年第11期。14 赵国栋，大数据时代的历史机遇：产业变革与数据科学，清华大学出版社，2013年。张小平，一块牛肉干引发的大讨论——说说大数据时代的精准营销，企业观察家，2013年第07期。李文莲，夏健明，基于“大数据” 的商业模式创新，中国工业经济，2013第5期。郭涛，掌握大数据之“芯”实现精准营销，中国计算机报，2012年第15期。17 Lynch C.Big data: How do your data grow[J].Nature,2008,455(7209): 28-29． Hilbert M，Lopez P．The world’s technological capacity to store，communicate，and compute information[J].Science，2011，332(6025): 60-65． Bughin J,Chui M,Manyika J.Clouds,big data,and smart assets: Ten tech-enabled business

trends to watch[J].McKinsey Quarterly，2010(8): 1-14． Anderson C.The end of theory: The data deluge makes the scientific method obsolete［J］Wired Magazine,2008,16(7):1-3． Frankel F, Reid R.Big data: Distilling meaning from data [J].Nature,2008,455(7209): 30． 22 Lavalle S, Lesser E, Shockley R，et al.Big data，analytics and the path from insights to value[J].MIT Sloan Management Review，2011． Manyika J, Chui M, Brown B，et al.Big Data: The Next Frontier for Innovation, Competition, and Productivity [M].New York: McKinsey Company,2011． Hui SK, Fader PS, Path data in marketing: An integrative framework and prospectus for model building [J].Marketing Science,2009,28 : 320-335． Borgatti SP, Mehra A，Brass D J，et al． Network analysis in the social sciences[J].Science，2009，892-895． Ghose A,HanSP.An empirical analysis of user content generation and usage behavior on the mobile internet [J].Management Science,2011,57(9): 1671-1691． Aral S,Walker D, Identifying influential and susceptible members of social networks Science,2012,337(6092):337-341． Robert LP，Dennis AR.Social capital and knowledge integration in digitally enabled teams[J].Information Systems Research,2008,19(3): 314-334． Ghose A, IpeirotisPG.Designing ranking systems for hotels on travel search engines by mining user-generated and crowdsourced content[J].Marketing Science，2012, 493-520． 30 Dabenport TH.Competing on analytics [J].Harvard Business Review，2006(1): 1 － 9． 31 AralS, WalkeD.Creating social contagion through viral product design: A randomized trial of peer influence in networks[J].Management Science,2011,57(9): 1623-1639．

Dabenport TH, Barth P, Bean R． How“Big Data”is different［J］． MIT Sloan Management Review, 2012, 53.33 Archak N, Ghose A, Ipeirotis PG.Deriving the pricing power of product features by mining consumer reviews [J].Management Science,2011,57(8): 1485-1509.

第五篇：大数据下的精准营销方式

而浩如烟海的客户及市场、销售和服务信息，如果没有一个具有高度商业智能的数据分析和处理系统是不可想像的。大数据将是继云计算、物联网之后IT产业又一次颠覆性的技术变革。

大数据将是继云计算、物联网之后IT产业又一次颠覆性的技术变革。电影《天下无贼》里有这样一句经典对白：“21世纪什么最贵？人才！”如今，选项可能还要加上一个：数据。

而这数据，已不是传统意义的一般数据，而是超大数据、海量数据，就是现在所谓的“大数据（Big Data）”。

如今大数据可谓是风起云涌，红红火火，俨然成为信息技术领域最时髦的词汇。IBM、微软、Oracle、SAP等IT巨鳄，像是寻找到了新的金矿，开始全力挖掘大数据，多方位推广大数据理念，而众多中小IT厂商也跟着蜂拥而至，以分得大数据市场一杯羹。

数据爆炸的冲击波

“大”字不仅意味着数据的数量庞大，还代表着数据种类繁多、结构复杂，变化的速度也极快。研究表明，大数据呈现三种特性：Volume（极多的数据量）、Velocity（极快的处理速度）、Variety（极繁的数据种类）。如今有许多企业已面临单日数据量以数

十、数百TB（万亿字节）的速度增加，而近几年累加的总数据量也达到了PB(1000个TB)甚至EB(一百万个TB)等级，这样的数据量已让传统的数据库难以处理；而且企业数据增加的速度也越来越快，诸如移动化、社交网络的广泛应用，使得数据增加的速度比传统的企业应用程式来得快很多，一旦数据增生速度越快，数据处理、分析的速度也就得跟上；此外，数据更是呈现出多样性、复杂性的特征，一方面互联网不但产生文字资讯，同时也不断在产出与以往不同的数据：照片、视频、微博等，另一方面，IT遍及工作生活中的每个角落，各种各样的传感器、监控器也不断产生，各种机器资讯数据的形式日趋复杂、多样了，从结构化数据到非结构化数据不断转化。这就催生了大数据技术的强烈需求。今天，从搜索引擎、社交网络的普及到人手一机的智能移动设备，全球互联网上的信息总量正以每年30%-50% 的增速不断暴涨，包括每天Facebook上分享的几亿条内容，每日15 TB的Twitter信息，每天淘宝上数十亿条店铺、商品浏览记录及上亿的成交、收藏记录以及3000多万条传感器资讯，等等。市场研究机构IDC的研究结果显示，去年全球创造的信息数量达到1800EB，并且还以每年50%的速度高速增长，到2020年，全球每年产生的数字信息将达到35ZB（1ZB=1024EB）。据IDC统计，2011年全球所产生的数据总量是1.8ZB，如果把这些数据刻录到CD碟片中，这些碟片可环绕地球30圈。

可以说，目前大部分企业经营决策面临的最大挑战不是缺少数据，而是数据太多，面对这些只是静态、孤立、无多大参考意义的“初级品”的信息数据，企业信息部门如何通过系统功能来有效利用和整合，发掘有价值的数据，给公司营销管理提供决策支持，已成为摆在企业信息部门及其他管理部门面前的难题。

而浩如烟海的客户及市场、销售和服务信息，如果没有一个具有高度商业智能的数据分析和处理系统是不可想像的。而用户想要从庞大海量的数据库中提取对自己有用的信息，就离不开大数据分析技术和工具。事实证明，传统基于过往事实的商业管理系统如BI（智能分析系统）、CRM（客户管理系统）也能够为企业带来价值，但是今天一个优秀的大数据系统更能将数据挖掘技术与现有技术很好地结合起来，将特殊领域的商业逻辑与数据仓库技术集成起来，找出对未来企业战略具有影响的因素，使数据挖掘的分析效果和效益尽可能达到峰值，让企业营销管理能“运筹帷幄，决胜千里”。

像Facebook、Twitter这样面临数据量大爆炸的国际社交网络公司，已开始用分布式程序系统基础架构、非关系型的数据库等新兴大数据技术来解决海量市场信息问题，并取得了成效。国内最大电子商务公司阿里巴巴也在利用大数据技术提供具体服务，如阿里信用贷款与淘宝数据魔方。以淘宝数据魔方为例，利用淘宝平台上的大数据应用方案，商家可以了解淘宝平台上的行业宏观情况、自己品牌的销售情况、市场排名、消费者行为情况等，并可以据此作出经营决策。

重构精确营销模式

大数据时代之前，企业多从哪些平台提取数据、利用哪些营销数据？一般是CRM或BI系统中的顾客信息、市场促销、广告活动、展览等结构化数据以及企业官网一些数据。但这些信息只能达到企业正常营销管理需求的10%的量能，并不足够给出一个重要洞察和发现规律。

而其他85%的数据，诸如社交媒体数据、邮件数据、地理位置、音视频等这类不断增加的信息数据等等，更多以图片、视频等方式存在，几年前可能被置之度外，不会被运用，而今大数据能进一步提高算法和机器分析的作用，这类数据在竞争激烈的市场日显宝贵、作用突出。

包括沃尔玛、家乐福、麦当劳等知名企业的一些主要门店均安装了搜集运营数据的装置，用于跟踪客户互动、店内客流和预订情况，研究人员可以对菜单变化、餐厅设计以及顾客意见等是如何对物流和销售额的影响进行建模。这些企业可将这些数据与交易记录结合起来，并利用大数据工具展开分析，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，此类方法已经帮助这些领先零售企业减少了17%的存货，同时增加了高利润率自有品牌商品的比例。

如果说以前的一些CRM系统，只能促使分析报告回答“发生了什么事”，现在一个优秀的大数据系统已可以被用来回答“为什么会发生这种事”，而且一些关联数据库还可以预言“将要发生什么事”，最终发展为非常活跃的数据仓库，从而能判断“用户想要什么事发生”。

比如当一个顾客进入店铺后，一个零售商利用大数据技术搜索他们的数据库，发现这位顾客是其希望留住的有价值顾客，之后他们通过将其过去的购物历史和Facebook主页获得的这位顾客的信息综合起来，来了解需要花多少钱来留住他，从而确定所售卖物品的合适价格和零售商可以退让的利润空间，并最终针对这位顾客给出最佳的优惠策略和个性化的沟通方式。

如今在美国的沃尔玛大卖场，当收银员扫描完顾客所选购的商品后，POS机上会显示出一些附加信息，然后售货员会友好提醒顾客：“我们商场刚进两三种配酒佳料，并正在促销，位于D5货架上，您要购买吗？”这时，顾客也许会惊讶地说：“啊，谢谢你，我正想要，刚才一直没找到，那我现在再去买。”

这就是沃尔玛在大数据系统支持下实现的“顾问式营销”的一个实例。因为计算机系统早就算计好了，如果顾客的购物车中有不少啤酒、红酒和沙拉，则有80%的可能需要买配酒小菜、作料了。而提供这一决策分析支持的就是其位于美国一个庞大的、通过卫星与全球所有卖场实时连通的企业级数据仓库。企业要为营销准备什么

虽然大数据展示了非凡的前景和巨大作用，不过，大数据营销仍面临不少问题与挑战。首先面临的是技术难题，毕竟大数据技术尚处于活跃前期，各方面技术并不太扎实，各项工具需要进一步完善。但实际情况是，真正启动大数据营销，企业面临的不仅仅是技术和工具问题，更重要的是要转变经营思维和组织架构，来真正地挖掘那座数据金矿。

大数据的资源极大繁杂丰富，如果企业没有明确的目标，就算没有走入迷途至少也会觉得非常迷茫。因此，首先要确定企业运用大数据的短中期目标，定义企业的价值数据标准，之后再使用那些能够解决特定领域问题的工具。逐步推广，步步为营，不要把理想定得太高，否则失望会越大。当然，企业运用大数据为营销管理服务之前，技术团队要到位是基础。企业的营销团队要能够非常自如地玩转数据。

企业启动大数据营销一个最重要的挑战，是数据的碎片化，各自为政。许多企业中，数据都散落在互不连通的数据库中，而且相应的数据技术也都存在于不同部门中，如何将这些孤立错位的数据库打通、互联，并且实现技术共享，才是能够最大化大数据价值的关键。营销者当留意的是，数据策略要成功提升网络营销成效，要诀在于无缝对接网络营销的每一步骤, 从数据收集、到数据挖掘、应用、提取洞悉、报表等。

要做好大数据的营销运用，其一，要有较强的整合数据的能力，整合来自于企业各种不同的数据源、各种不同结构的数据；其二，要有研究探索数据背后价值的能力，未来营销成功的关键将取决于如何在大数据库中挖掘更丰富的营销价值；其三，探索出来之后给予精确行动的营销指导纲领，同时通过此纲领进行精确快速实时性行动。（