1、大資料能發現“不相干”的關係。
美國勞工部每月發佈的就業報告，對金融市場影響巨大。一家基金公司發現，就業竟然與排泄物有關。原來，美國許多公司要求新員工報到時參加尿檢，確認是否呈陽性反應。
許多因果關係已經被人們認知，但通過大資料能夠發現還沒有被認知的相關關係。只要有相關性，就能夠預測。比如，排骨與海帶，傳統概念裡可能是不相干的，但大資料可能告訴你他們有關聯性。
2、大資料之厲害，在於能夠預測未來。
行銷1.0是被動策略，顧客要什麼就提供什麼；行銷2.0是創造差異；行銷3.0是對接個性化需求；行銷4.0的關鍵字是預測（Predict），通過快速資料分析，根據個性化需求，找到精准目標客戶，進行一對一行銷，甚至精算出轉換率。
3、做對決策靠厚資料
厚資料是賦以資料意義，詮釋資料，以及核心資料的解讀能力。
讓資料說話，必須先建立假說、觀點。假說由人來建立。
樂高2004年曾經每天虧損100萬元美元。市場調查發現，現在的兒童喜歡“即拿即玩”的玩具，而樂高是組裝玩具。樂高深入遊戲情景的厚資料發現，並不是每個孩子都喜歡搭積木，但愛搭積木的孩子卻會對此十分著迷。不僅熱衷於把積木搭好，而且想知道自己達到什麼水準。
厚資料更重視資料的深度和情景，好的資料觀點，往往由厚資料產生，而非大資料。
4、找顧客不看人口屬性，要看行為標籤。
傳統行銷偏向處理異質性問題，根據人口統計學特徵，如性別、年齡、居住地、收入等，進行分類分群。
行為標籤，不看人口屬性，只看購買行為，比如將消費者分為三類：新顧客、主力顧客、沉睡顧客，然後分類追蹤。
5、問對問題，才能找到答案；問題溯源，要找問題背後的問題。
資料本身不會思考，思考的是人。資料不會提出問題，但資料能説明人更快地理解問題，梳理關係。
6、當資料超過心力的臨界值，就必須降維。
大資料有四大特徵：數量大、速度快、多樣性、不確定性。但很多人忽略了第五個特徵，即價值的重要性。
當資料複雜性超過心力時，要降維，即看得懂也能動手做。降維有兩種辦法：一是認知降維，做到視覺化，將複雜的資料包告，精簡到人的心力可以接受的範圍內；二是執行上的降維，自動化以及人機分工，降維到個人體力能承受的程度。
7、大資料行銷從傳統4P進入新4P：消費者（People）、成效（Performance）、步驟（Process）、預測（Predict）。
消費者（People）模型：新顧客（N）、既有顧客（主力顧客E0、瞌睡顧客S1、半睡顧客S2、沉睡顧客S3）。
成效（Performance）模型：顧客數增加、客單價提高、活躍度提升。
步驟（Process）：通過有層次的執行程式，改善營收方程式。
預測（Predict）:預測顧客再次購買時間，讓商家在對的時間與最有可能上門的顧客說話。通過控制，能夠做到即時觀測、零時差溝通和個性化資訊。
8、沒有大資料，就不會有C2B商業模式。
西裝品牌“青島紅領”，一天生產3000件西裝和襯衫，但在眾多生產線上絕對找不到兩件完全相的衣服。
B2C的規模化，與C2B的個性化，完全是不同量級的複雜度。
9、傳統行銷與大資料行銷的對比。
人口統計行銷VS大資料行銷；被動分析VS預測分析；活動找人VS人找活動；人力密集VS資料密集；有形調查VS無形調查；檢討報告VS實驗報告。
10、男女不重要，個性化標籤才關鍵。
男女是人口統計指標，個性化標籤是行為與動機。
人口指標符合統計學。個性化標籤可以預測行為，精准預測下次購買時間。
不要用經驗定義消費者，大資料比你想像的更精准。
大資料背後的行為資料和交易資料，對個體消費者的畫像，遠比經驗的人口統計說描述更精准。
11、大資料行銷進入了行銷的“預測時代”。
從滿足需求到預測顧客渴望，在顧客開口前就已經把生意做完。
12、阿裡巴巴，通過動態標籤掌握顧客DNA。
2015年，淘寶店家越來越多，流量越來越少，廣告投資回報率下降，大資料有了發力點。
流量不足不是問題，不精准才是大問題。廣告無效，在於資料庫名單失效。
廣告要精准，不在於接觸的人多，而在於接觸到的人都會買。
阿裡通過顧客交易行為分析，比如新會員與主力會員、流失會員的關係，發現有相似DNA的潛在顧客，然後投放廣告。按照投放精准度，可以選擇放大5倍、15倍、30倍人群放大投放。
13、資料可以大，但標籤化要簡化。
個性化，不能一人一個標籤。阿里把多達1000種的人口特徵標籤，簡化成6組動態及19種標籤。
顧客動態（NES）：（1）新顧客；（2）主力顧客；（3）近期回頭顧客；（4）瞌睡顧客；（5）半睡顧客；（6）沉睡顧客。
入店資歷（Length）:（7）早期；（8）中期；（9）後期。
近期購物情景（Recency）:（10）最近買家；（11）中期未購物買家；（12）長期未購物買家。
購物頻率（Frequency）: （13）高頻買家）；（14）中頻買家；（15）低頻買家。
購物金額（Monetary）: （16）高消費買家；（17）中消費買家；（19）低消費買家。
下次購物預測（NPT）：（19）7天內最有可能再次購買的時間點。
消費者是活的，標籤是動態的。據此模型形成的資料庫名單，可成為廣告投放的對象。
讀書體會
本書買了近兩年。第一遍，不甚懂，但記住了大資料商業的關鍵字：顧客標籤化。
只有標籤化，才能模式化應對，否則，只有人的隨機應變才能應對。
最近讀了第二遍，基本清晰了，做讀書筆記，是因為讀懂的標誌是用自己的語言表達。
大資料商業的基本認知：消費行為是可以預測的，預測的依據不是慣常的依人口統計資料分類，比如男女、收入等，而是消費行為資料。這與傳統的行銷邏輯不同，傳統行銷分類邏輯基本源於人口統計分類。
大資料商業的基本邏輯是：消費者標籤化。標籤就是消費者的DNA。DNA源於消費行為，有傾向性，但又是變化的。標籤化是一種簡單化，簡單是降維，降維是為了在人的心力臨界點之內。
因為本書作者為阿里提供大資料諮詢，可以視為阿裡兩年前的大資料行銷水準。大資料的商業認知和商業邏輯，基本認同，但標籤化模式，不同商業機構不同。同時，本文提到有大資料只是交易資料，更豐富的行為資料，本文沒有提及。行為資料可能與交易資料結合，才是更準確的大資料。
站在品牌商角度，如何用大資料預測消費者行為，本書提出的零售視角可以借鑒。
留言列表
