跨屏、精準、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，從奧美、唐舒爾茨時代經典的4P、4C理論，到后來的各種廣告營銷模型，再到當下最熱的大數據營銷，每一個階段的產物都讓人容易產生膜拜之感，但是高大上之外，仍然會讓行外人摸不著頭腦。

而在當下，言必稱大數據和精準，成了數據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據，能夠做到定向投放或者精準營銷。作為一個廣告主或者開發者，你真能區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，以及結合行業的發展情況，《天下網商》總結了四種典型模式，可以說，這四種模式也涵蓋了目前大數據營銷的關鍵點，它們也可以成為判斷一個公司是不是數據營銷公司的標準。

一、關聯模式

模式邏輯：由A找到B，從數據中找到關聯

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據進行了詳細分析，同時發現很多美國爸爸經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，也成為了傳統零售中關聯模式的一個最經典案例。

到了互聯網時代，亞馬遜成為了關聯銷售模式的佼佼者，據稱其20%~30%的銷售是通過關聯推薦獲取的，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。亞馬遜做關聯推薦的嘗試比較早，甚至很多人不知道的是， 當你今天習以為常的打開一個電商網站，就能看到各種關聯推薦的商品，這個做法最初就來自于亞馬遜。

《大數據時代》一書很好的記錄了亞馬遜這個創舉的發展過程。1994年，杰夫·貝索斯(Jeff Bezos)創辦了亞馬遜之后，組建了一個20人規模的內容團隊，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。但隨著書籍數量和網站規模規模的不斷增大，這種手工生產的推薦方式遠遠不能滿足所有的需求，個性化的推薦系統由此而生。但最初的系統推薦是試圖找到用戶之間的關聯，但是關聯效果卻并不好，這個推薦系統也在當時被書評家詹姆斯·馬庫斯(James Marcus)評價為“和一群腦殘一起逛書店”。

設計和開發了亞馬遜推薦算法的格雷格·林登(Greg Linden)，后來轉變了思路，把關聯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，一直沿用至今。格雷格曾寫過一篇文章詳細介紹了亞馬遜的推薦算法和系統，他認為這種從商品到商品的協同過濾不涉及顧客數量和特性，同時可以提前分析產品之間的關系，避免推薦的“冷啟動”問題，及時并實時產生高質量的推薦。

這種推薦算法在電子商務領域的應用尤其廣泛，也成為了比較經典的算法，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站中脫穎而出，是因為它經過了十幾年的積累，不僅投入了大筆資金不斷搭建，也不斷在收集商品數據和用戶的行為數據，這種積淀很難在短時間內被超越。

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

二、精準定向模式

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(數字廣告公司)所慣用的模式

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

之所以能夠在廣告領域大獲成功，Facebook 靠的是精準的定向：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容，這些內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Facebook發布的數據顯示，廣告的粉絲覆蓋率達到了98%，評論和受喜愛程度都十分可觀。而根據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據的收集和深度挖掘。其創始人扎克伯格曾在F8 Keynote上提起過一個 Open Graph Protocol 標準， 可以將網上的所有原始數據打上獨特標簽的系統。當你在Facebook上分享了亞馬遜上的一本書，這個系統會把相應的目錄、作者等信息回傳給它，產生一系列復雜的數據關聯，今后為你推送真正感興趣的內容和廣告的幾率由此變大。

三、動態調整模式

模式邏輯：計劃要推A，但是在實際的場景交互中，數據反饋的結果發現B更受歡迎，因此調整計劃改推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，你可以留心一個細節，當你在Google輸入一個關鍵詞，點擊第一個搜索結果后發現不滿意，又迅速返回了搜索頁，點擊第二個搜索結果，然后花了很長時間瀏覽，此時它就會默認你對第二個結果更滿意，因此當你下一次搜索同一個關鍵詞時，之前兩個結果的排位會發生互換。

這個普通的案例代表了Google在大數據領域最突出的特色：動態性。 Google在進行質量優化的同時，也把用戶的交互反應實時加入了進來。 一位谷歌發言人曾表示：“我們始終在對搜索頁面進行調整，從而讓用戶可以更輕松地發現最有用的信息。”

把用戶在網上的行為模式加入到排名算法中，為此，Google也進行了許多的努力。 例如推廣Google工具欄，用戶在瀏覽網頁時的行為數據會被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裝好Google工具欄。而那些沒有裝Google 工具欄的用戶，當他在Google網站進行搜索的時候，電腦也會被設置cookie，在這個cookie一年的有效期內，用戶的搜索也被一一記錄。此外，買下原本需要付費的日記分析軟件，再以Google Analytics的形式免費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務場景遷移到了大數據營銷的語境中，用戶對一個廣告的反應會實時的反饋回來，進而供廣告主參考，適時進行營銷計劃的調整。而現在很多數據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。

這種動態調整的模式也適用于這樣一種情況，當不知道哪種營銷策略最合適時，可以先準備幾個不同的方案，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。 當然，動態調整的做法并不為Google所獨有，只不過都沒有它反應迅速罷了。

四、粉絲爆炸器模式

模式邏輯：利用積累的大量人群數據，根據已經擁有的A，找到一群更大的A。

找到1000個忠實的目標消費者也許不難。如何把這個數量由1000變為10000、1000000甚至更大呢?這100、1000又如何從好幾億的人中挑選呢? 在規模不斷擴大的同時，也能夠盡量做到精準; 阿里巴巴集團旗下的阿里媽媽為此構建了一個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系。因為一旦客戶購買了商家的商品或服務，便已經知道客戶的情況，可以進行溝通。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。相對于已經成為客戶的人群規模(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模(線上有幾億規模的客戶)是非常巨大的。 從上億潛在客戶中找到最有忠實的消費者人群這個過程的效率和成本就成為商家致勝的關鍵。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有所顯現;這些消費者的各種屬性和行為與全部消費者的差異就能突出這些共性特點。利用這些共性，通過比較全網消費者與已有消費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行為發生之前來找到目標潛客。

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/服務之間的關聯性上 。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、嬰兒護膚品、產后保養品等等。但如果我們只考慮關聯性，則會是由于消費者購買了啤酒，所以推薦關聯性最高的紅酒、尿布、飲料等等。這種抓住人的相似性往往會有更精準的效果。

通過大數據算法在全網用戶上進行粉絲爆炸器，實際上更像是把全網消費者和商家之間的已購消費者之間的關聯可能性進行精準排序。商家給定一小部分忠實用戶人群以后，系統可以給出最像這群人的前1萬人、前10萬人、前100萬人、……;此時，便可根據商業目標來選擇合適規模的人群進行營銷活動。

轉載自

關于更多大數據相關資訊>>>

2016革新之年，雙節同慶驚喜不斷！優惠詳情點擊查看>>