随着消费升级时代的到来，国内消费者在消费上更加感性，但在产品选择上更为理性。如何实现有效的定向数据营销呢？本期清华大数据“应用·创新”讲座邀请到美国马里兰大学史密斯商学院市场营销学副教授马力烨先生和国双科技应用科学部总监唐珺先生，分别从“从数据营销中获得竞争优势”和“决胜营销”两方面展开分享。
后台回复关键词“1031”，下载马力烨老师和唐珺先生完整版PPT
美国马里兰大学史密斯商学院市场营销学副教授 马力烨
以下为马力烨老师全程演讲视频：
本视频建议在WiFi环境下观看
https://v.qq.com/x/page/o050012mujp.html?start=undefined
数据派为没有流量的童鞋整理了图文版演讲实录：
马力烨：在现在数字经济的时代中竞争优势来自于大量的数据，高质量的信息和最优的分析能力。最优分析能力即“从数据中提取知识，用知识指导决策”。在最优的分析能力中，动态分析必不可少。
动态分析
数据分析有很多种，动态分析是其中的一种方式。具体用什么分析方式完全是由应用场景来决定的。动态分析是威力非常强大的分析。
看一个很简单的例子，假如你在一个卖笔记本电脑的公司，你现在要投放广告，有张三和李四可以投放，想投这两个人中间可能性比较高的一个，是投给张三还是投给李四呢？
没有数据的时候，它就是一个未知。现在告诉你，张三是语文教师，而李四是程序员。可能多数人要投给李四，因为他是程序员，可能更了解笔记本电脑，可能有更高的对笔记本电脑的需要。而后，你跟踪了他们的网上搜索，发现张三在两天前花了几个小时的时间去搜索各种笔记本电脑的产品信息，你觉得应该投给谁？很多人说我们转过来投给张三。再告诉你，张三昨天刚买了一个笔记本电脑，已经下单了。毫无疑问的现在应该投给李四。
这个例子说明什么？在你没有任何信息的情况下，你面临的就是营销中的经典难题：“我花在广告上的钱有一半是浪费掉的，只不过我不知道是哪一半”（约翰·沃纳梅克）。如果你通过消费者的特性，比如他的性别、年龄、职业这些信息来做分析，你就是做静态分析。而在上面的例子中，通过跟踪消费者得到的信息来分析，判断他接下来的购买需求，就是做动态分析。
动态分析就是通过系统分析消费者的历史行为数据，来理解和推断消费者当前和今后的购买行为。这种分析理念认识到了机会的个体性、暂时性，和及时把握的必要性；它以经济学和消费者行为学为理论基础，充分利用大量的信息，结合功能强大的分析技术和工具，实现系统的营销计划和精准营销。
提到动态分析我想强调一点，动态分析并不是说它的模型复杂，它的模型可繁可简，完全根据你当时的应用场景来决定，重要的是一种思考方式。我现在简单介绍几个案例。
一个研究项目是关于在社交网络中的促销。题目为如何增加社交网络中的促销效果。在我们制定促销策略之前，我们首先要知道为什么朋友会购买类似的产品，才能制定营销策略。有什么原因让朋友购买同样的产品？这个就要回到经济学或者消费者行为学去找原因。
至少有两个主要的原因：一个原因是兴趣趋同。中国有一句古话叫物以类聚，人以群分。很多人之所以成为朋友就是因为他们有相同的兴趣，所以如果你知道两个人是朋友，他们有类似的兴趣的可能性会相对较高。如果兴趣趋同是朋友们购买类似产品的原因，应该怎么去促销？你可以找到社交网络，找到数据，一旦知道某人买了这个产品之后，你马上把产品推销给这个人朋友圈中的人，他们是朋友，他们的兴趣很相似。
但是兴趣趋同并不一定是他们购买类似产品的原因，另外一个可能的原因叫社会影响。张三和李四是朋友，他们买相同的产品，但实际上并不是因为他们两个都天然的喜欢这个产品，而是因为张三是一个单反迷，他看到了这款单反觉得非常好，他就买了，买了之后他很高兴，他就给李四打了电话，我今天刚买了一款单反，这个单反非常好，你赶紧去看看，我知道你对单反懂得不多，兴趣也不大，但是你看看这款真的是非常好的产品。李四本来对单反懂得也不多，兴趣也不大，但是他跟张三是朋友，他很信服张三在单反上的判断，那么他听的张三的话之后他也去买。最后的结果是这两个人买了类似的产品，但并不是因为两个人的兴趣趋同，而是因为一个人影响了另外一个人的决定。
如果社会影响是大家购买类似产品的原因，应该怎么去做促销？刚才在兴趣相同的情况下做促销的方案是行不通的：你在网络里找到这个人，这个人买了，你直接推销给他的朋友没有用，因为他的朋友对这个产品并不感兴趣，你需要怎么做呢？你需要给这个人一些优惠：“请把你的朋友给我推荐过来，我给你一些奖励，或者下次你买东西有折扣”，你要给这个人一些优惠，让他去拉他的朋友进来。只有他才能够影响到朋友，所以不同的原因会影响你的营销策略。
如何判断到底是兴趣趋同还是社会影响使得大家购买类似的产品
1993年美国一个著名的经济学家发表了一篇论文，他从理论上证明了，如果只在一个静态分析中，兴趣趋同和社会影响是不可能被分开的。我们的研究项目就研究既然在静态分析下不可能分开，我们可不可以通过动态分析把这两个原因分开。
我们做动态分析的时候，需要他们朋友之间的交流数据，我们研究的应用场景是彩铃，比如李四刚买了一个彩铃，张三给李四打电话的时候听到了那个彩铃音乐，体验了一下他的购买东西。假如我们知道在时间1的时候张三买了这个彩铃，时间2的时候李四给张三打了一个电话，时间3的时候李四也买了这个彩铃，李四买是因为他受到了张三的影响。但假如时间1的时候张三买了彩铃，时间2的时候李四没有给张三打电话，时间3的时候李四也买了彩铃。说明他们两个有相同的兴趣，因为李四根本没有给张三打过电话，不知道张三已经买了，他不可能受到张三的影响。就通过这么一个很简单的原理，你就可以区分到底是兴趣趋同，还是社会影响。
我们根据这个原理去开发一个统计模型，把这两个因素都结合起来，用程序去分析几百万消费者的几个月的交流记录和购买记录。我们通过这种动态分析，最后发现如果你能把这两个因素给分开，你的促销效果可以提高很多。
第二个案例是通过动态分析来理解在社交媒体上面的服务干预。假如说你的公司很多客户在推特或者微博上面抱怨你的产品和服务，你应该先回应谁？如果你只是看正面反面的意见比例，服务干预可能并没有明显的效果，你帮助那些人之后的意见比例和没帮助的那些人的意见比例可能区别不大，所以怎么做深度分析呢？
深度分析
首先从理论上看，社交媒体上的言论和真正的客户关系并不是一样的东西。消费者在社交媒体上抱怨的时候有两种可能，一种是他已经对商家恨之入骨，抱怨一下再也不会来。
另外一种是他对你还抱有希望，给你一个机会让你帮他，他是在寻找帮助。他提意见并不等于他跟你的客户关系降到无法挽回的地方，相反他想让你帮助他，才会去抱怨。我们分析的时候要分开言论和关系，就要通过动态分析来实现。在统计模型中把客户关系和言论分开，把每个不同的群体都包含进来，在表面的言论指数之外，构造出一个关系指数，我们发现言论指数是低于关系指数的，即如果你只看社交平台上的言论，你会低估服务干预的效率。
第三个研究案例是在移动平台上的广告投放。关键的问题是怎么样提高广告的效率，怎么样提高点击率？我们从国内一个大型移动广告平台上拿到数据，有很多广告投放到几百个移动APP上，我们有这些用户用每个APP的时间、每个广告投放的时间和这个用户是不是点击了。很多时候点击率低时投放量高，所以投放方式不是最优。通过动态分析，我们就发现点击率受广告投放环境影响很大，但更重要的是用户当时的心态和兴趣。通过开发一个模型，去抓住用户的心态和兴趣随时间的变化，来推断他对广告的点击。分析之后，通过定点投放，可以把点击率提高很多，在某些情况下甚至可提高两三倍。
总结来说：第一数据并不等于信息，第二信息并不等于知识，今后竞争优势来自于高质量的信息和最优的分析，而动态分析是一种非常有潜力的分析方式。
国双科技应用科学部总监 唐珺
以下为唐珺先生全程演讲视频：
本视频建议在WiFi环境下观看
https://v.qq.com/x/page/l0500dc8ddg.html?start=undefined
数据派为没有流量的童鞋整理了图文版演讲实录：
唐珺：我们说用户流动即用户在品牌产品间不断切换的购买行为轨迹。通过数据还原这种流动行为，我们有机会去洞察到用户、品牌，以及品牌间的竞争，从而帮助品牌主决胜路径营销。
首先以婴幼儿奶粉为例做的分析：蓝色的点就是品牌，他们之间的线越粗，代表他们之间的用户流动概率越高。通过这种用户路径的监测，我们可以更好的剖析这种竞争关系。
现在经过我们的数据验证，近一年的时间里，有超过一半的妈妈会选择三个以上的奶粉品牌。这也预示了竞争更加激烈，妈妈们会在购买奶粉之后不断的给孩子切换奶粉。这里我们列举了几个模型，惰性模式、备选模式、回头模式和对比模式。
惰性模式：妈妈一直购买一种奶粉，她们关注的要素可能是潮、缺货。
备选模式：切换着来。通过数据发现，实际上妈妈们并没有这样一个主动的购买方式，不会特意去买两种奶粉给孩子切换着来喝。大多数是因为断货了，没有办法去买了第二种奶粉，或者为了给孩子换换营养，或者有异常反应，这个时候才会出现这种备选模式。
回头模式：他并没有对原来的品牌很排斥，他离开的理由很简单，他想尝试一下，尝试之后，如果并没有很满意，他很快就回到原来的奶粉。
对比模式：消费者会对比不同的品牌，来锁定一种品牌。这种用户是比较专业的比较高的用户，他们会经常列举一些对比的评论。
再看一下竞争，介绍一个核心的模型：GROW模型。GROW模型是通过用户流动模式，来分析品牌的竞争力。这是一个用户流动的模型，从潜在用户的获取，变成一个流入品牌的用户，然后他可能会有留存情况，留存到这个品牌变成一个持续的用户，也可能会流失，变成流出用户，这里还有可能赢回，变成一个重新流入的用户。这是一个核心的竞争力测评模型。
基于这样的模型我们能够干什么。首先，衡量品牌的竞争力。利用我们的GROW模型来监测这种竞争环境，给出一些评估。
另外一个很重要的数据功能是挖掘潜在的竞争对手。这是某一个品牌的竞争环境。圆点都是这个品牌的竞争对手。可以看到，用户相似性取决于这两个品牌之间的用户流动强度，如果用户流动非常频繁，说明你们的用户相似度就会高，纵轴的威胁性就代表它有没有在蚕食你的用户。坐标轴第二象限的原点表示这个品牌的受众是你之前的盲区，你没有办法吸引到这个品牌自身的用户。这个区域的竞品就相当值得关注了。很可能你通过研究他的受众去发现你之前在营销，或者产品规划方面漏掉的一群人。
另一个例子是品牌对竞品产品升级的担忧，一个奶粉品牌做了一次全线升级，我们服务的品牌就问我们，对方的这次升级对我有没有影响，他会不会抢走我的用户？我们通过研究净流量表现发现在5月6月的时候，这个品牌占优，但是经过对手升级之后，七八月份有一个负方向的净流量出现，说明对手的升级还是产生了一些效果。这个时候我们应该怎么应对这件事情？我们进一步分析这两个品牌之间的关系，利用反馈去分析比较原先的品牌和升级后的感受。
正半轴是该品牌的优势区域。可以发现如不上火、不便秘这些点都是竞品的一些口碑优势。根据图中点的位置来制定宣传策略。同时，还可以通过对品牌用户的流动持续监测来发现用户流失情况，寻找其背后的原因，追踪用户的流向，从而改进。这就是通过用户行为追踪来分析用户损失的原因，以及深度的剖析成因。
模型如何指导营销？
路径营销：在用户购买决策的旅程中，针对不同的关键结点，帮助用户获得每个阶段的决策所需，削弱竞品影响，可以赢得更多的用户。
要实现好这个路径营销，需要把控以下几个方面：一是营销什么产品，选择哪些人群，选择哪些内容，在哪些媒体上投放，最终效果怎么样？通过数据发现产品间的用户流动，通过分析人群的画像去锁定目标用户，利用用户的行为去看它的需求，进行流失用户反馈分析。可以通过GROW模型把用户分成新用户、老用户、流失用户，专注的去分析流失用户讨论的内容都有哪些。通过分析流失用户的购买驱动因素使其复购。通过这种用户流动分析，识别出来真正的用户反馈。同时，也可以去做更深入的分析，洞察这些反馈背后的原因。
清华-青岛数据科学研究院“技术·前沿”系列讲座，以知识传播为使命，分享大数据新技术与前沿挑战；旨在介绍大数据面临的新挑战及各种前沿技术，与校内科研队伍互动交流。更多精彩干货及线下活动，敬请关注THU数据派（ID：datapi）及姐妹号数据派THU(ID:DatapiTHU)。
