大数据营销：向纵深与全域拓展

周再宇

如果说奥巴马当年连任证明了大数据的威力，那么特朗普当选则戳破了当前大数据的短板。

2012年11月，奥巴马击败罗姆尼再次当选美国总统。其背后的功臣是奥巴马的数据挖掘团队，他们搜集、分析和储存庞大的数据，从而帮助奥巴马做出精准的广告购买决策，比罗姆尼少花1亿美元竞选资金。显然，大数据通过过程可视化达到了更为精准的营销。

但是，2016年12月，特朗普当选却给了大数据一记重击。微软Bing以及有“数据巫师”之称的美国统计学家纳特·西尔弗（Nate Silver）通通预测失败，尽管拥有大数据意义的高胜率，希拉里仍然在现实中败北。

是大数据根本不足以被采信，还是它到达了一个亟待升级的转折点？

大数据的作用在于寻找规律

在互联网和大数据出现之前，人们通过经验判断事务并采取行动。而经验在本质上，就是过去人们所积累的全部数据在人脑中的反映。

受益于计算机技术的出现，人们对数据的处理能力越来越强，处理速度越来越快。随后出现的互联网通过打破空间藩篱提高了时间利用率，人们对数据的搜索和搜集变得无远弗届，数据广度与深度呈现裂变式增长。

这两大技术的发展将带来哪些变化？

基于过去大数据搜集与处理的下一步，就是帮助判断和预测未来，从而促进人们当下的行动。其中最典型的例子是人工智能。2016年，谷歌智能机器人AlphaGo战胜人类棋手李世石就是基于大数据原理。

那么，对于营销来说，大数据的价值又如何体现？

商业环境受制于诸多不可控的外部因素，宏观方面比如政策、经济大环境、社会文化等，微观层面则涉及行业走向、竞争对手、潜在替代者、消费者需求甚至企业内部管理等各个方面。因此，商业对于大数据的依赖性更强。商业互联网化之后，提出的第一个口号就是 Data Drive Business（数据驱动商业）。

就营销这一细分领域来说，大数据的价值更为明显。比如，如何发现消费者需求？如何圈定准确的目标受众？如何在正确的时间、正确的地点、以正确的方式传达给正确的消费者正确的内容？如何促使消费者行动？如何以销定产并实现柔性生产？如何设计制造最具市场潜力的产品？如何提高营销的效率和投入产出比？……

要回答这些问题，就必须对涉及营销的整个过程甚至外部环境，都要有全面和透彻的了解。而大数据的作用就在于：通过结构化和非结构化的数据搜集，将以往不可见、不可描述的部分，变得可视化，从而通过分析处理寻找规律、预测未来，帮助人们判断和采取行动。

毫无疑问，大数据的价值显而易见。但是，要想充分发挥大数据的威力，要做到两方面的极致化：“对更加垂直化、细分化的小数据的纵深挖掘”，以及“对更加广泛，甚至转瞬即逝的整体样本的全面覆盖”。

对更加垂直化、细分化的小数据的纵深挖掘

罗辑思维创始人罗振宇曾经说过一句话：“ 共享经济这件事其实遮盖了人类经济发展的总趋势。这个总趋势是不可逆的，叫分工再合作。”

技术发展带动分工细化，而分工细化保证了每个环节的专业化。精细化分工如同一个个齿轮，带动整个机器不断自我进化。

在互联网领域也同样如此。跑马圈地的草莽时代在2016年渐渐谢幕，地推、并购等粗放的增长方式呈现乏力迹象，互联网公司开始专心打磨产品，向纵深的垂直化和精细化运营进化。

各个细分领域开始出现新的独角兽，比如一些小而美的APP：美食生活类APP Enjoy、精品短视频APP Eyepetizer等，都拥有一批忠实的粉丝。

此外，诸如BAT这样的大平台也开始了精细化、垂直化探索。而它们的追赶者也在垂直化的路上走得更远一些。例如搜狗，除了常规的图片、视频、音乐等垂直搜索之外，搜狗结合自身技术特点，先后与腾讯、知乎、微软、丁香园等合作，推出微信搜索、知乎搜索、英文搜索、学术搜索、明医搜索等更加精细化、差异化的独家特色搜索产品，通过满足用户的不同需求，增强用户黏性。

如此一来，搜狗一方面可以聚拢各个细分领域的同类型人群，为精准营销提供更为明确的样本库；另一方面则可以搜集更为精细和庞大的“小数据”甚至“微数据”，提高大数据营销的精准度。

对更加广泛、甚至转瞬即逝的整体样本的

全面覆盖

目前，几乎所有大数据营销产品和服务都是基于数据集市（data mart）概念。简单点说，它基于某一需求，定向搜集相关数据构成大数据样本库。其好处是目的和方向明确，如同一个人先产生问题再寻求答案一样；但缺点在于，这种搜集方式会在前期遗漏一部分有价值的数据，或者忽视掉一些转瞬即逝的数据——正因为目标明确，反而只见树木不见森林。

举个例子，如果利用大数据进行用户画像，这就出现了一个问题：先入为主的定向切入，使得用于用户画像的数据并不完善，从而影响分析的精度，误导营销决策。

在特朗普大数据民意调查失误案例中，分析师就是在希拉里必胜新闻的刺激下，错估了形势，预设立场，通过先入为主的定向切入，忽视了特朗普在佛罗里达和其他摇摆州的巨大领先优势，从而在数据搜集时有意无意地遗漏了一些重要数据。大数据的蝴蝶在搜集端挥了挥翅膀，而在结论端则是差之毫厘谬以千里。

正是因为注意到了这一问题，现在业内开始有人重新提起数据湖泊（data lake）概念。

数据湖泊最先出现在2011年Forbes杂志James Dixon所写的《大数据需要一个大的新型架構》一文中。与目标明确的数据集市不同，数据湖泊带来了更大的弹性。

简单讲，数据湖泊倡导存储每一个可能有用的细节数据，把被忽视的、被遗漏的数据重新挖掘和存储起来，当需要时再进行一站式统一的交叉分析。这样做的好处是不遗漏任何有价值的数据，即使它非常微小，转瞬即逝，或当时看起来没有价值。

比如，在之前的大数据采集中，可能会漏掉潜在消费人群的信息，忽略掉可能的销售机会。而尽可能采集更多、更全面（哪怕是看起来不相关的数据，也可能其内部存在一定的关联）的大数据，则有利于企业制定更精准的营销策略。

因此，数据湖泊的成立有赖于两个维度的拓展：一是上文提到的垂直纵深数据的搜集，二是更为广泛的全域数据搜集。

举个比较微观的例子，欧洲某大银行每年有650个直邮营销推广项目，发放近6000万封电子直邮，但是营销效率却逐年下降。这家银行发现问题的症结在于：虽然这家银行有不同的渠道接触客户，但是每个渠道都有自己的客户接触策略，这就造成客户资料和历史数据信息分散，没有形成客户关系的全貌。全域数据的缺失，使得这家银行无法根据客户特性制定更为精准的个性化营销方案。

如今，媒介碎片化和人群移动化大趋势，导致搜集全域数据面临新的挑战：如何搜集移动数据？如何实现跨屏数据打通？如何搜集更多形式各异的非结构化数据？

对于第一个问题，目前的解决方案一般是尽最大可能覆盖更多的移动流量入口。再以搜狗搜索为例，它不仅拥有移动端的QQ浏览器、搜狗浏览器、腾讯网、搜狐网等强势入口，2016年搜狗还与华为、三星、OPPO等大部分主流手机厂商达成合作。据悉，每天有超过2亿台手机默认使用搜狗搜索。

在移动时代，人们不光在行为上呈现碎片化的特征，使用的设备也日趋丰富多元，这就带来了第二个问题：跨屏数据的搜集。搜狗的无线端和PC端可以依托腾讯和其自有的账号体系实现准确识别，跨屏无缝数据跟踪，在场景上将用户搜索、浏览和输入的跨屏数据融合，提供更有价值的营销投放依据。

目前，即使在非结构化数据的搜集上，也仅仅局限在文字、图片等简单表现形式上，但搜狗对于数据的搜集还跨越到了语音领域。2016年7月，搜狗推出知音引擎，不仅可以搜集语音数据，还可以进行理解和思考，进而提高语音识别准确率，再次丰富了数据搜集的类型。

更加细分的垂直化数据+跨屏多元化的全域数据，在源头上确保了数据的准确与全面；同时，借助人工智能日益增强的计算和分析能力，大数据将为企业决策提供更为精准的指引，使营销步入真正的智能时代。