大数据网络营销的数据分析(大数据网络营销的数据分析论文)

以数据为驱动的营销界向来都是走在数据研究+行业应用的前沿。很多营销界的“数据工作者”想必都听说过“同源数据库”，大家都希望自己手里的媒体投放数据、电商数据、CRM数据等能够联动分析，找到解决“浪费了一半预算”的终极解决方案。从小样本数据时代到如今大数据时代，这个梦想实现多少？对今天的营销工作有什么帮助？下面我们就一同来看看！

营销各环节数据来源不同，数据整合研究有“三高”

从营销的角度说，在做决策、投放和效果评估的过程中涉及到很多数据，但是数据的来源均不相同，比如电视投放数据来自收视率调查、digital媒体数据来自于加码监测、销售数据来自于零售Panel、满意度数据来自于市场调研……，这些数据的联动整合就可以进行关联分析，可以形成数据闭环指导未来的营销计划和媒介投放。

尤其数据时代，一个消费者从不知道品牌，经过广告触达、产品教育、试用、促销等手段，最终进行购买转化，经历复杂过程和触点，而且每个人的路径也许都是独一无二的，这也是为什么数字化时代的同源更为重要。因为需要追踪每个消费者的路径进行研究，否则会张冠李戴，不同源有可能造成这样的偏差，引起错误的归因，使得辛苦研究的结果并不能真正提升业务的增长。

由于数据源不同，无法直接进行多源数据整合，常见的解决方案只能退而求其次，用算法+数据替代的方式来解决这个问题。比如用调研询问媒体间重合系数，通过算法计算融合电视媒体和数字媒体投放数据；用调研数据代替部分销售数据，结合调研结果进行相关计算；又比如要进行数据要求比较高的MMM（Mix Marketing Model）等计算时就要求企业拥有完整且长时间的销售数据，媒介数据，调研消费者态度数据，很难有企业真正达成计算要求。

当然也有尝试建立真正的线下同源样本库，比如主流Agency 使用的消费者调研数据属于其中一种，然而大多数情况下通过调研或测量仪甚至专属app完成的数据采集满足不了数据时效性，高昂的样本维护费用限制了样本量，又使数据难以下钻多维度进行交叉分析。

因此，单独看每部分数据均很全面，但是没有同源，由此造成“三高”：

误差高：算法融合准确性损失降低了各部分数据价值；

门槛高：数据完整性和长时段性的要求提升了计算门槛；

成本高：往往一个全链路完整计算涉及多家三方数据公司和强大的自有数据部门，公司资金成本和跨部门、跨公司协调成本都极高，且明显回报呈现时间较长；

大数据时代，数据同源终能实现

互联网的高度发达是产生大数据的必要条件。媒体全面数字化、销售电商化、线上/私域运营更容易获得消费者态度数据使各类数据能够上网，是数据同源的前提。大数据本身的特点可以用3V来概括，Volume（容量巨大）、Variety（数据多样性）、 Velocity（速度快）。

容量巨大和速度快比较好理解，那Variety数据多样性这里就是实现同源的重点。多样性有两层概念，一层是数据形式上，传统数据采集基本上是结构性的，通常是网络行为的自然产物所以会存在大量非结构性数据（这部分在后文会展开说明）；另一层是数据来源上，通常数据采集都是单一来源的，然而大数据本身借助互联网数据传输的属性，数据来源可以多种多样，同一个设备的媒体行为、广告行为、电商行为等都可以进行数据流转和汇集，是同源的基础。

那如何在数据计算上解决同源的问题呢？这里智能设备就很关键，手机、智能电视等几乎包揽了消费者全链路的行为，由此产生的数据可以通过设备关联到消费者。甚至通过家庭智能设备这一固定锚点，更进一步，实现一人多机的去重，真正实现数据到“人”，而非单纯到设备层面就结束了。

同源大数据分析，大样本统计分析性价比最高

在营销行业，各种大数据概念风生水起的同时伴随着鱼龙混杂，宣传里总会听到全量大数据、无需推及等等关键词。人们本能的会认为全量数据一定是最准确的，然而从大数据实操性来看，不用做投放，只用来做效果评估或归因分析等，实现真正的全量分析可能性很低，制约因素有二：一是成本高，二是时效性差。

前面提到大数据的特点Volume（容量巨大）、Velocity（速度快），这里的速度快不是指传输快而是指产生速度快，设想每个公司的数据处理能力是一定的，就仿佛高速公路上突然涌来大量汽车，必然会引起堵塞。连微博这种互联网头部公司都经常听到热搜宕机的新闻，更别说一般的三方公司或广告主了。很难有公司能够投入那么大的算力来仅进行数据的分析和研究。除此之外大数据的多样性（variety）也决定了数据处理的复杂性，需要把各种非结构性数据处理清洗成结构化可使用的数据，其中耗费大量人力、服务器成本和时间成本，耗钱也费时。再加上量大，时效性上也未必有大家想象的快，这也是为什么曾经有一家公司数据库迁移的最终方案是用卡车运硬盘而不是上传，卡车运需要45天，而上传需要31年。

然而，样本统计的科学性不会因为到了大数据时代就降低了，反而与大数据相辅相成更强大了。传统营销相关样本研究或分析中，上万的样本量已经是大项目，其代表性已经很高。而大数据因其数据获取的便捷性，大大延展了样本量大小，一个大数据panel的样本量也比较可观，这样可以满足各种维度交叉分析的需求，就不必消耗大量成本做所谓“全量研究”了。如果涉及到投放再将样本级研究后的结果，无论是TA筛选的标准，还是模型应用到全库数据库上即可，可以达到一样的结果。

同样从数据安全性角度，样本级数据也最大程度减少了数据传输量，达到最小范围的数据应用。

END

未来，新的数据整合营销模型和测量标准或成重点

目前大数据已经解决了数据同源的问题，那么基于营销效果评估指标和体系以及相关更丰富成熟的模型算法也会应运而生，可以期待基于此的创新和革新，希望营销届能在削减“浪费的一半花费”上，有更明显的突破。

全鱼社，一个涵盖网络创业、副业赚钱、自媒体、短视频和直播电商等高质量学习平台，点击加入

本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至 918607053@qq.com 举报，一经查实，本站将立刻删除。
如若转载，请注明出处：https://www.yitongsx.com/236.html

大数据网络营销的数据分析(大数据网络营销的数据分析论文)

相关推荐