数字化时代的营销策略

互联网、物联网的发展，可以把人、物品的所有信息都可以捕捉到。人的所有行为轨迹，所在位置、环境等等，整个的经过、过程等等所有信息、情况全部捕捉，一目了然。这就为数字化营销和数字化管理创造了条件。

先说数字化营销

在营销方面有什么用？我认为可以做至少三方面的事情。 一是 实时监控，互联网大数据对人的行为的获取使得人时时在网络的监控之下，人在大数据面前是透明人。人每时每刻的情况、行为都被检测到。这样就可以用来营销。例如：你刚买了乒乓球拍，那你应该大概率会看看乒乓球。买了火锅器具就应该买火锅底料。买了纸巾，那么一个月后因该用完了会再买等等。就是对人此刻的情况是什么清清楚楚，需要什么，未来会需要什么清清楚楚，这样就可以对应地去做营销。 二是 人物画像，通过对人的行为和个人信息的获取，使得大数据对人的各个方面、各个维度都清清楚楚，大数据比他自己还要了解自己。这样就获得了十分准确、丰富的人物画像。这样在做营销时就可以把物品针对性地投给对应的人。人物画像是一个个的标签，这些标签都有权值，就是一个人有什么特点，什么属性，这个属性多强。这样在营销时就可以把这个物品投放给针对的人群，对应属性且属性很强的人。 三、机器学习 机器学习是从百万数据里训练得到结果，这样的结果是千万用户实际行为、实际情况得到的结果，这个结果非常硬、非常真实，它就是实打实的从实际的用户身上、千万用户行为上来的。它比营销经验得到的结论要硬的多，要实际的多，它就是从现实中来的。甚至于说它比验证还要现实，它就是现实，就是实际情况。

这是数字化营销中的价值，下面说一说数字化管理

对于企业数字化管理而言。数字化很大的价值在于实时监控企业情况。数字化，可以用技术手段，将生产、业务的各个方面，各个环节的信息都记录下来，都捕捉到。然后可以使用技术手段对企业做到实时的透视，企业方方面面的情况，都可以时时透视到。这样对企业的把握、检测、透视的程度是以往所不能达的。而且可以延伸出多种维度和方面的检测，各种新的检测指标等等，检测方式等等都可以自己开发。如果企业进行了改革，执行了什么策略后，企业的经营情况，是好是坏，当前什么情况，发展趋势如何都可以做到实时清晰、准确的把握。

其次就是异常检测，一旦哪里出现了什么状况，异常情况，可以迅速发现，捕捉到。甚至可以捕捉到来源。

还有就是数据挖掘，企业的得到的数据都是有价值的，数据挖掘可以从中得到有价值的东西。例如聚类，可以知道哪些事物属性上离的近等等。

如何做，企业怎么做数字化营销和数字化管理。

企业在做数字化营销和数字化管理时， 一、首先要进行基建，就是所有的人的行为活动，生产流程等等都要用技术手段来时时捕捉信息。也就是人的行为改成网上，传感器对生产线，流程进行时时检测，所有的信息进行时时网上记录等等。对各个方面的人、生产、流程进行检测可以获取数据之后。 二、还要搭建数据中心，将获取到的数据存储到数据中心，来管理、使用。需要找大数据方面的人才和机器学习、数据挖掘、数据分析方面的人才。数字化的关键是获取到足够多，足够高质量的数据。数据为王，数据才是真正有价值，产价值的东西。机器学习、深度学习只是提取价值的手段。数据是大豆，机器学习是榨油机，出油是价值。豆子质量不好、数量又少出不了很有价值的东西。豆子有好，数量又多，出的价值才大。因此数字化需要大量的、高质量的数据，技术仅仅是提取手段，目前技术都是公开的，各大企业基本都能拿到工业界最前沿的技术。数据是关键。数据来源一方面是企业自身，自己的平台。另一个重要方面是买服务，就是百度、腾讯、阿里这些大平台，有大量数据的企业，买他们的服务，因为他们有大量数据，这些数据就是企业的财富，他们不会卖、也不会转让。这时最好就是购买他们的服务，他们用他们的数据直接来帮你做数字化营销。

真正在做的时候对于大集团、大企业，实力雄厚的公司就无所谓了，想做的话，可以自己砸钱搞出来。怎么都可以做。对于中小企业，最好是引进技术。一方面 华为、百度、阿里都在慢慢提供相应的技术支持，SaaS（软件即服务）、PaaS（平台即服务）、IaaS（基础架构即服务）等，他们在提供的时候往往也会提供数据支撑，他们的数据会直接来加持你的营销和管理。数字化营销方面已经有越来越多的SaaS平台出来，企业管理的数字化解决方案未来也会慢慢起来。二、技术、经验和成本 专业的人做专业的事情，做SaaS平台服务、技术解决方案的有专门的技术积累和经验积累。而且购买起来价格远远低于自己开发、维护的成本。这里有服务器、开发人员的成本。购买平台服务是最简单直接、节省成本、节省时间、节省精力，获得好的服务的选择。

数字化营销和数字化管理本质上是一个技术、技术解决方案问题和数据人才问题。从技术、成本的角度而言，最好是用专业的平台来做。数据上除了自己的，可能需要购买大公司的数据服务。除了这些还需要高端的数据人才，数据分析、数据挖掘等等，会玩数据的人，知道如何玩数据来解决企业中的种种问题，帮助加持企业的种种业务。

精准营销(Precision

marketing)就是在精准定位的基础上，依托数据库和现代信息技术手段建立个性化的顾客沟通服务体系，在短时间内实现企业可度量的低成本扩张之路!

精准营销有三个层面的含义：

第一、准确定位目标消费人群。

第二、传播手段先进，成本可衡量。

第三、营销效率高效，短时间即可看出效果。

原因：

精准营销是在营销的基础上发展而来的，因为进入新世纪，全球化竞争越来越激烈，各种营销手段层出不穷，企业投入大量的广告做营销，而效果却不明显，为了低成本快速扩张，这时互联网及信息技术运用到营销当中，这就演变成了精准营销

问题：

精准营销的的关键所在是数据库的来源，采集。可以与专业的数据公司合作也可以与大卖场，各种提供会员服务的场所合作或购买数据。也可以市场调查收集数据。有时为了采集数据可能涉及到个人隐私方面的问题(比如移动电话短信传播，首先要有数据基础，这个数据怎么搞到，还是有一些困难)，有一些机构也不愿把自己的数据库拿出来来供别人享用，因为这也涉及到个人隐私及商业秘密。

核心：

精准营销的核心思想

精准的含义是精确、精密 、可衡量的。精准营销比较恰当地体现了精准营销的深层次寓意及核心思想。

1、精准营销就是通过可量化的精确的市场定位技术突破传统营销定位只能定性的局限

2、精准营销借助先进的数据库技术、网络通讯技术及现代高度分散物流等手段保障和顾客的长期个性化沟通，使营销达到可度量、可调控等精准要求。摆脱了传统广告沟通的高成本束缚，使企业低成本快速增长成为可能

3、精准营销的系统手段保持了企业和客户的密切互动沟通，从而不断满足客户个性需求，建立稳定的企业忠实顾客群，实现客户链式反应增殖，从而达到企业的长期稳定高速发展的需求。

4、精准营销借助现代高效广分散物流使企业摆脱繁杂的中间渠道环节及对传统营销模块式营销组织机构的依赖，实现了个性关怀，极大降低了营销成本。

作用：

1、精准的市场定位体系

市场的区分和定位是现代营销活动中关键的一环。只有对市场进行准确区分，才能保证有效的市场、产品和品牌定位。

通过对消费者的消费行为的精准衡量和分析，并建立相应的数据体系，通过数据分析进行客户优选，并通过市场测试验证来区分所做定位是否准确有效。赢家同盟在精准营销的实践中借助自己开发的《市场定位技术》营销测试系统很好的实现了对产品的精准定位。《市场定位技术》系统采用复合的数字理论模型，在模拟的真实市场环境中得到真实实验数据。数据模型是以求证营销为蓝本设计的，在小的真实市场环境下模拟大规模销售。模拟的市场环境包括：货架实验网络实验

用户走访DM模拟等。(有时还可以采用模拟报纸投放来实现)

对一个大规模上市的产品投入很少的测试费用就可以知道上千万投入的效果。这就是精准定位的魅力。

2、传播方式

从精准营销的字面上大家就可以看到它采用的不是大众传播，它要求的是精准。这种传播大概有以下几种形式：DM、EDM、直返式广告、电话、短信、网络推广等。这些东西并不新鲜。DM就是邮件，EDM就是网络邮件

。

直返式广告是对传统大众广告的改良。一般的传统广告主要是讲自己的产品怎么好，鼓动大家去什么地方购买。有的也给些打折让利什么的优惠。这需要很大的篇幅去做，需要的广告费当然也不少。而直返式广告主要是宣传一个活动让感兴趣的人参与。

直返式广告的设计核心是活动诱因设计，原则是让我们精准定位的人群对广告感兴趣，设计这部分人群感兴趣的活动，感兴趣的东西达到让他们参与的目的，实现我们下一步一对一的沟通。活动诱因指让特定的客户感兴趣的东西。它更多涉及到消费心理研究

、购买行为研究。

3、适合一对一分销的集成销售组织

精准营销的销售组织包括两个核心组成部分：

精准营销颠覆了传统的框架式营销组织架构和渠道限制，它必需有一个全面可靠的物流配送及结算系统，另一个顾客个性沟通主渠道：呼叫中心。

便捷快速的物流配送体系和可靠的结算体系是制约精准营销的两个主要因素，赢家同盟在精准营销的实践中借助国家邮政网络来实现货物配送及货款结算。

传统营销关心的是市场份额，而精准营销关心的是客户价值和增殖。精准营销的运营核心是CRM。

CALL

CENTER是通过网络技术和电话建立起来的实现和顾客一对一沟通的平台：它的主要职能是处理客户定单、解答客户问题、通过客户关怀来维系客户关系。

精准营销摆脱了传统营销体系对渠道及营销层级框架组组织的过分依赖，实现一对一的分销。

4、提供个性化的产品

与精准的定位和沟通相适应，只有针对不同的消费者、不同的消费需求，设计、制造、提供个性化的产品和服务，才能精准地满足市场需求。

个性化的产品和服务在某种程度上就是定制。以戴尔为例：计算机本身标准化很高，要全方位地满足客户对计算机性能、外观、功能和价格等各方面的综合需求，相对比较容易。通过综合运用先进的供应链管理、流程控制、呼叫中心、电子商务等多种手段，戴尔能够实现按需生产，即大规模定制。

而对于其它标准化程度不高、客户需求更加复杂，既要实现大规模生产，实现成本最优，又要适应日益差异化的客户需求，就必须有选择地满足能够实现规模和差异化均衡的客户需求。通过精准定位、精准沟通找到并“唤醒”大量的、差异化的需求，通过个性化设计、制造或提供产品、服务，才能最大程度满足有效需求，获得理想的经济效益。

精准的、个性化的产品和服务体系依托的是现代化的生产和流程管理，包括供应链管理、ERP、BPR等。如BMW(宝马)已经实现了按照客户订单来完成整车配置并及时送达的精准生产模式。

5、顾客增殖服务体系

精准营销最后一环就是售后客户保留和增殖服务。对于任何一个企业来说

，完美的质量和服务只有在售后阶段才能实现。同时，营销界一般认为，忠诚顾客带来的利润远远高于新顾客。只有通过精准的顾客服务体系，才能留住老顾客，吸引新顾客，达到顾客的链式反应。以上内容整合于中国培训网。

数据精准营销的七个关键要素说到大数据精准营销，不得不先提个性化的用户画像，我们针对每一类数据实体，进一步分解可落地的数据维度，刻画TA的每一个特征，在聚集起来形成人群画像。 01用户画像用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。具体包含以下几个维度：用户固定特征：性别，年龄，地域，教育水平，生辰八字，职业，星座用户兴趣特征：兴趣爱好，使用APP，网站，浏览/收藏/评论内容，品牌偏好，产品偏好用户社会特征：生活习惯，婚恋，社交/信息渠道偏好，宗教信仰，家庭成分用户消费特征：收入状况，购买力水平，商品种类，购买渠道喜好，购买频次用户动态特征：当下时间，需求，正在前往的地方，周边的商户，周围人群，新闻事件如何生成用户精准画像大致分成三步。1.采集和清理数据：用已知预测未知首先得掌握繁杂的数据源。包括用户数据、各式活动数据、电子邮件订阅数、线上或线下数据库及客户服务信息等。这个是累积数据库；这里面最基础的就是如何收集网站／APP用户行为数据。比如当你登陆某网站，其Cookie就一直驻留在浏览器中，当用户触及的动作，点击的位置，按钮，点赞，评论，粉丝，还有访问的路径，可以识别并记录他／她的所有浏览行为，然后持续分析浏览过的关键词和页面，分析出他的短期需求和长期兴趣。还可以通过分析朋友圈，获得非常清晰获得对方的工作，爱好，教育等方面，这比个人填写的表单，还要更全面和真实。我们用已知的数据寻找线索，不断挖掘素材，不但可以巩固老会员，也可以分析出未知的顾客与需求，进一步开发市场。2.用户分群：分门别类贴标签描述分析是最基本的分析统计方法，描述统计分为两大部分：数据描述和指标统计。数据描述：用来对数据进行基本情况的刻画，包括数据总数，范围，数据来源。指标统计：把分布，对比，预测指标进行建模。这里常常是Data mining的一些数学模型，像响应率分析模型，客户倾向性模型，这类分群使用Lift图，用打分的方法告诉你哪一类客户有较高的接触和转化的价值。在分析阶段，数据会转换为影响指数，进而可以做"一对一"的精准营销。举个例子，一个80后客户喜欢在生鲜网站上早上10点下单买菜，晚上6点回家做饭，周末喜欢去附近吃日本料理，经过搜集与转换，就会产生一些标签，包括"80后""生鲜""做饭""日本料理"等等，贴在消费者身上。3.制定策略：优化再调整有了用户画像之后，便能清楚了解需求，在实际 *** 作上，能深度经营顾客关系，甚至找到扩散口碑的机会。例如上面例子中，若有生鲜的打折券，日本餐馆最新推荐，营销人员就会把适合产品的相关信息，精准推送这个消费者的手机中；针对不同产品发送推荐信息，同时也不断通过满意度调查，跟踪码确认等方式，掌握顾客各方面的行为与偏好。除了顾客分群之外，营销人员也在不同时间阶段观察成长率和成功率，前后期对照，确认整体经营策略与方向是否正确；若效果不佳，又该用什么策略应对。反复试错并调整模型，做到循环优化。这个阶段的目的是提炼价值，再根据客户需求精准营销，最后追踪客户反馈的信息，完成闭环优化。我们从数据整合导入开始，聚合数据，在进行数据的分析挖掘。数据分析和挖掘还是有一些区别。数据分析重点是观察数据，单纯的统计，看KPI的升降原因。而数据挖掘从细微和模型角度去研究数据，从学习集、训练集发现知识规则，除了一些比较商业化的软件SAS，WEKA功能强大的数据分析挖掘软件，这边还是更推荐使用R，Python，因为SAS，SPSS本身比较昂贵，也很难做页面和服务级别的API，而Python和R有丰富的库，可以类似WEKA的模块，无缝交互其他API和程序，这里还需要熟悉数据库，Hadoop等。02数据细分受众“颠覆营销”书中提到一个例子，可以引述一下，大家思考一个问题：如果你打算搜集200份有效问卷，依照以往的经验，你需要发多少份问卷，才能达到这个目标？预计用多少预算和时间来执行？以往的方法是这样的：评估网络问卷大约是5%的回收率，想要保证收到200份的问卷，就必须有20倍的发送量，也就是发出4000份问卷，一个月内如果可以回收，就是不错的表现。但现在不一样了，在执行大数据分析的3小时内，就可以轻松完成以下的目标：精准挑选出1%的VIP顾客发送390份问卷，全部回收问卷寄出3小时内回收35%的问卷5天内就回收了超过目标数86%的问卷数所需时间和预算都在以往的10%以下这是怎么做到在问卷发送后的3个小时就回收35%？那是因为数据做到了发送时间的"一对一定制化"，利用数据得出，A先生最可能在什么时间打开邮件就在那个时间点发送问卷。举例来说，有的人在上班路上会打开邮件，但如果是开车族，并没有时间填写答案，而搭乘公共交通工具的人，上班路上的时间会玩手机，填写答案的概率就高，这些都是数据细分受众的好处。03预 测“预测”能够让你专注于一小群客户，而这群客户却能代表特定产品的大多数潜在买家。当我们采集和分析用户画像时，可以实现精准营销。这是最直接和最有价值的应用，广告主可以通过用户标签来发布广告给所要触达的用户，这里面又可以通过上图提到的搜索广告，展示社交广告，移动广告等多渠道的营销策略，营销分析，营销优化以及后端CRM/供应链系统打通的一站式营销优化，全面提升ROI。我们再说一说营销时代的变迁，传统的企业大多还停留在“营销1.0”时代，以产品为中心，满足传统的消费者需求，而进入“营销2.0”，以社会价值与品牌为使命，也不能完全精准对接个性化需求。进入营销3.0的数据时代，我们要对每个消费者进行个性化匹配，一对一营销，甚至精确算清楚成交转化率，提高投资回报比。 大数据下的营销颠覆经典的营销4P理论，Product，Price，Place，Promotion，取而代之的是新的4P，People，Performance，Process，Prediction。在大数据时代，线下地理的竞争边界早就不存在，比的是早一步的先知能力，利用大数据，从顾客真实交易数据中，预测下一次的购买时间。 营销3.0时代关键词就是“预测”。预测营销能够让你专注于一小群客户，而这群客户却能代表特定产品的大多数潜在买家。以上图为例，你可以将营销活动的目标受众锁定为20万潜在客户或现有客户，其中包括特定产品的大多数买家（4万人）。你还可以拨出部分预算用于吸引更小的客户群（比如20% 的客户），而不是整个客户群，进而优化你的支出。过去我们看数据可能是被动的方式，但预测营销强调是决策价值，比如购买时间，你该看的不是她最后的购买日期，而是下次购买的时间，看未来的存活概率，最后生成客户终身价值（CLV）。预测营销催生了一种新的数据驱动营销方式，就是以客户为中心，核心在于帮助公司完成从以产品或渠道为中心到以客户为中心的转变。04精准推荐大数据最大的价值不是事后分析，而是预测和推荐，我就拿电商举例，"精准推荐"成为大数据改变零售业的核心功能。譬如服装网站Stitch fix例子，在个性化推荐机制方面，大多数服装订购网站采用的都是用户提交身形、风格数据+编辑人工推荐的模式，Stitch Fix不一样的地方在于它还结合了机器算法推荐。这些顾客提供的身材比例，主观数据，加上销售记录的交叉核对，挖掘每个人专属的服装推荐模型。 这种一对一营销是最好的服务。数据整合改变了企业的营销方式，现在经验已经不是累积在人的身上，而是完全依赖消费者的行为数据去做推荐。未来，销售人员不再只是销售人员，而能以专业的数据预测，搭配人性的亲切互动推荐商品，升级成为顾问型销售。05技术工具关于预测营销的技术能力，有几种选择方案：1、使用预测分析工作平台，然后以某种方法将模型输入活动管理工具；2、以分析为动力的预测性活动外包给市场服务提供商；3、评估并购买一个预测营销的解决方案，比如预测性营销云和多渠道的活动管理工具。但无论哪条路，都要确定三项基本能力：1）连接不同来源的客户数据，包括线上，线下，为预测分析准备好数据 ；2）分析客户数据，使用系统和定制预测模型，做高级分析 ；3）在正确时间，正确客户，正确的场景出发正确行为，可能做交叉销售，跨不同营销系统。06预测模型预测客户购买可能性的行业标准是RFM模型（最近一次消费R，消费频率F，消费金额M），但模型应用有限，本质是一个试探性方案，没有统计和预测依据。“过去的成绩不能保证未来的表现”，RFM只关注过去，不去将客户当前行为和其他客户当前行为做对比。这样就无法在购买产品之前识别高价值客户。我们聚焦的预测模型，就是为了在最短时间内对客户价值产生最大影响。这里列举一些其他模型参考：参与倾向模型，预测客户参与一个品牌的可能性，参与定义可以多元，比如参加一个活动，打开电子邮件，点击，访问某页面。可以通过模型来确定EDM的发送频率。并对趋势做预测，是增加还是减少活动。钱包模型，就是为每个客户预测最大可能的支出，定义为单个客户购买产品的最大年度支出。然后看增长模型，如果当前的总目标市场比较小，但未来可能很大，就需要去发现这些市场。价格优化模型，就是能够去最大限度提升销售，销量或利润的架构，通过价格优化模型为每个客户来定价，这里需要对你想要的产品开发不同的模型，或者开发通用，可预测的客户价格敏感度的模型，确定哪一块报价时对客户有最大的影响。关键字推荐模型，关键字推荐模型可以基于一个客户网络行为和购买记录来预测对某个内容的喜爱程度，预测客户对什么热点，爆款感兴趣，营销者使用这种预测结果为特定客户决定内容营销主题。预测聚集模型，预测聚集模型就是预测客户会归为哪一类。07AI在营销领域的应用去年人工智能特别火，特别是深度学习在机器视觉，语言识别，游戏AI上的突飞猛进，以至于人们开始恐慌人工智能是不是已经可以接管人类工作，我个人是对新技术有着强烈的兴趣，也非常看好新科技，数据与现实的关联。我以前在国外零售店买单的时候经常被询问“你有没有购物卡”，当我说没有收银员会赶紧劝我免费开通，有打折优惠，只需要填个手机号和邮箱，后面就可以针对我的购买记录做营销活动，而当我下次进来，他们就让我报出电话号码做消费者识别，当时我想如果做到人脸识别，岂不是更方便，刷脸就可以买单。而这个场景在去年也有了实验，蚂蚁金服研发出了一个生物识别机器人，叫蚂可Mark，据说其认脸能力已经超越了人类肉眼的能力。还有VR购物，Amazon推出的无收银员商店Amazon Go，通过手势识别，物联网和后续数据挖掘等技术实现购物体验。针对营销领域，主要有以下三种预测营销技术：1、无监督的学习技术无监督学习技术能识别数据中的隐藏模式，也无须明确预测一种结果。比如在一群客户中发现兴趣小组，也许是滑雪，也许是长跑，一般是放在聚类算法，揭示数据集合中 真实的潜在客户。所谓聚类，就是自动发现重要的客户属性，并据此做分类。2、 有监督的学习技术通过案例训练机器，学习并识别数据，得到目标结果，这个一般是给定输入数据情况下预测，比如预测客户生命周期价值，客户与品牌互动的可能性，未来购买的可能性。3、强化学习技术这种是利用数据中的潜质模式，精准预测最佳的选择结果，比如对某用户做促销应该提供哪些产品。这个跟监督学习不同，强化学习算法无须仅需输入和输出训练，学习过程通过试错完成。从技术角度看，推荐模型应用了协同过滤，贝叶斯网络等算法模型。强化学习是被Google Brain团队的负责人Jeff Dean认为是最有前途的AI研究方向之一。最近Google的一个AI团队DeepMind发表了一篇名为《学会强化学习》的论文。按团队的话来说，叫做“学会学习”的能力，或者叫做能解决类似相关问题的归纳能力。除了强化学习，还在迁移学习。迁移学习就是把一个通用模型迁移到一个小数据上，使它个性化，在新的领域也能产生效果，类似于人的举一反三、触类旁通。强化学习加上迁移学习，能够把小数据也用起来，我认为是很激动人心的，通过AI来创造AI，数据科学家的部分工作也可以让机器来实现了。

---