◎ 文｜刘春雄
1、大数据能发现“不相干”的关系。
美国劳工部每月发布的就业报告，对金融市场影响巨大。一家基金公司发现，就业竟然与排泄物有关。原来，美国许多公司要求新员工报到时参加尿检，确认是否呈阳性反应。
许多因果关系已经被人们认知，但通过大数据能够发现还没有被认知的相关关系。只要有相关性，就能够预测。比如，排骨与海带，传统概念里可能是不相干的，但大数据可能告诉你他们有关联性。
2、大数据之厉害，在于能够预测未来。
营销1.0是被动策略，顾客要什么就提供什么；营销2.0是创造差异；营销3.0是对接个性化需求；营销4.0的关键词是预测（Predict），通过快速数据分析，根据个性化需求，找到精准目标客户，进行一对一营销，甚至精算出转换率。
3、做对决策靠厚数据
厚数据是赋以数据意义，诠释数据，以及核心数据的解读能力。
让数据说话，必须先建立假说、观点。假说由人来建立。
乐高2004年曾经每天亏损100万元美元。市场调查发现，现在的儿童喜欢“即拿即玩”的玩具，而乐高是组装玩具。乐高深入游戏情景的厚数据发现，并不是每个孩子都喜欢搭积木，但爱搭积木的孩子却会对此十分着迷。不仅热衷于把积木搭好，而且想知道自己达到什么水平。
厚数据更重视数据的深度和情景，好的数据观点，往往由厚数据产生，而非大数据。
4、找顾客不看人口属性，要看行为标签。
传统营销偏向处理异质性问题，根据人口统计学特征，如性别、年龄、居住地、收入等，进行分类分群。
行为标签，不看人口属性，只看购买行为，比如将消费者分为三类：新顾客、主力顾客、沉睡顾客，然后分类追踪。
5、问对问题，才能找到答案；问题溯源，要找问题背后的问题。
数据本身不会思考，思考的是人。数据不会提出问题，但数据能帮助人更快地理解问题，梳理关系。
6、当数据超过心力的临界值，就必须降维。
大数据有四大特征：数量大、速度快、多样性、不确定性。但很多人忽略了第五个特征，即价值的重要性。
当数据复杂性超过心力时，要降维，即看得懂也能动手做。降维有两种办法：一是认知降维，做到可视化，将复杂的数据报告，精简到人的心力可以接受的范围内；二是执行上的降维，自动化以及人机分工，降维到个人体力能承受的程度。
7、大数据营销从传统4P进入新4P：消费者（People）、成效（Performance）、步骤（Process）、预测（Predict）。
消费者（People）模型：新顾客（N）、既有顾客（主力顾客E0、瞌睡顾客S1、半睡顾客S2、沉睡顾客S3）。
成效（Performance）模型：顾客数增加、客单价提高、活跃度提升。
步骤（Process）：通过有层次的执行程序，改善营收方程式。
预测（Predict）:预测顾客再次购买时间，让商家在对的时间与最有可能上门的顾客说话。通过控制，能够做到实时观测、零时差沟通和个性化信息。
8、没有大数据，就不会有C2B商业模式。
西装品牌“青岛红领”，一天生产3000件西装和衬衫，但在众多生产线上绝对找不到两件完全相的衣服。
B2C的规模化，与C2B的个性化，完全是不同量级的复杂度。
9、传统营销与大数据营销的对比。
人口统计营销VS大数据营销；被动分析VS预测分析；活动找人VS人找活动；人力密集VS数据密集；有形调查VS无形调查；检讨报告VS实验报告。
10、男女不重要，个性化标签才关键。
男女是人口统计指标，个性化标签是行为与动机。
人口指标符合统计学。个性化标签可以预测行为，精准预测下次购买时间。
不要用经验定义消费者，大数据比你想象的更精准。
大数据背后的行为数据和交易数据，对个体消费者的画像，远比经验的人口统计说描述更精准。
11、大数据营销进入了营销的“预测时代”。
从满足需求到预测顾客渴望，在顾客开口前就已经把生意做完。
12、阿里巴巴，通过动态标签掌握顾客DNA。
2015年，淘宝店家越来越多，流量越来越少，广告投资回报率下降，大数据有了发力点。
流量不足不是问题，不精准才是大问题。广告无效，在于数据库名单失效。
广告要精准，不在于接触的人多，而在于接触到的人都会买。
阿里通过顾客交易行为分析，比如新会员与主力会员、流失会员的关系，发现有相似DNA的潜在顾客，然后投放广告。按照投放精准度，可以选择放大5倍、15倍、30倍人群放大投放。
13、数据可以大，但标签化要简化。
个性化，不能一人一个标签。阿里把多达1000种的人口特征标签，简化成6组动态及19种标签。
顾客动态（NES）：（1）新顾客；（2）主力顾客；（3）近期回头顾客；（4）瞌睡顾客；（5）半睡顾客；（6）沉睡顾客。
入店资历（Length）:（7）早期；（8）中期；（9）后期。
近期购物情景（Recency）:（10）最近买家；（11）中期未购物买家；（12）长期未购物买家。
购物频率（Frequency）: （13）高频买家）；（14）中频买家；（15）低频买家。
购物金额（Monetary）: （16）高消费买家；（17）中消费买家；（19）低消费买家。
下次购物预测（NPT）：（19）7天内最有可能再次购买的时间点。
消费者是活的，标签是动态的。据此模型形成的数据库名单，可成为广告投放的对象。
读书体会
本书买了近两年。第一遍，不甚懂，但记住了大数据商业的关键词：顾客标签化。
只有标签化，才能模式化应对，否则，只有人的随机应变才能应对。
最近读了第二遍，基本清晰了，做读书笔记，是因为读懂的标志是用自己的语言表达。
大数据商业的基本认知：消费行为是可以预测的，预测的依据不是惯常的依人口统计数据分类，比如男女、收入等，而是消费行为数据。这与传统的营销逻辑不同，传统营销分类逻辑基本源于人口统计分类。
大数据商业的基本逻辑是：消费者标签化。标签就是消费者的DNA。DNA源于消费行为，有倾向性，但又是变化的。标签化是一种简单化，简单是降维，降维是为了在人的心力临界点之内。
因为本书作者为阿里提供大数据咨询，可以视为阿里两年前的大数据营销水准。大数据的商业认知和商业逻辑，基本认同，但标签化模式，不同商业机构不同。同时，本文提到有大数据只是交易数据，更丰富的行为数据，本文没有提及。行为数据可能与交易数据结合，才是更准确的大数据。
站在品牌商角度，如何用大数据预测消费者行为，本书提出的零售视角可以借鉴。
赛尚品牌创意机构（简称赛尚）成立于中国品牌快速崛起的2007年。公司成立以来一直致力于中国的品牌崛起，特别专注于食品领域的品牌创意、设计、策划。近年来成功服务消时乐，从品牌命名策划、创意设计传播等助力消时乐一年实现0-3亿快速增长，被中国食品成长之星授予“年度杰出营销案例”奖。赛尚也一跃成为全国知名品牌创意、策划机构。
赛尚品牌创意机构不同于传统智业公司和单纯的品牌设计公司。赛尚以用户需求为导向，从消费洞察、场景创建、品牌创意（基于逆向创意，转化公共认知为品牌认知） 、品牌命名（可注册、可传播） 、品牌设计（坚持原创：品牌形象识别系统、包装设计、瓶型设计、空间设计、互联网传播设计） 、互动传播（基于互联网的传播、互动、UGC等的设计、策划内容生产、传播造势为品牌赋能） 、场景化落地（产品如何连接消费者，实现无人化推广） 、精准招商、新营销导入（打造样板市场，终端快速爆量、实现规模化复制） 、战略产品孵化（助力有思想企业家、有潜力品牌、产品早日跃升一线） 。
赛尚服务客户均为一线和快速增长准一线品牌。赛尚品牌创意机构成立十年来，服务消时乐、统一企业、中沃实业、乐天、福森源、北大荒集团、完达山等，取得了客户的高度认可。
閱讀更多 產品IP化 的文章
