科普：来看看互联网四大巨头到底是如何利用“大数据”卖货的
跨屏、精准、RTB、程序化购买、定向……这些词眼熟吗?
不断增加的新名词，让广告营销成为了最会讲概念的一个行业，从奥美、唐舒尔茨时代经典的4P、4C理论，到后来的各种广告营销模型，再到当下最热的大数据营销，每一个阶段的产物都让人容易产生膜拜之感，但是高大上之外，仍然会让行外人摸不着头脑。
而在当下，言必称大数据和精准，成了数据营销最绕不过去的一个尴尬——几乎所有的广告营销公司都自称自己的特色是基于大数据，能够做到定向投放或者精准营销。作为一个广告主或者开发者，你真能区分不同平台之间的差异吗?能保证自己没被这些看上去高深的名词忽悠吗?
通过对这些巨头的梳理，以及结合行业的发展情况，《天下网商》总结了四种典型模式，可以说，这四种模式也涵盖了目前大数据营销的关键点，它们也可以成为判断一个公司是不是数据营销公司的标准。
一、关联模式
模式逻辑：由A找到B，从数据中找到关联
先从一个古老的零售故事讲起， 沃尔玛喜欢将啤酒和尿布放在一起销售，如此神奇的组合却让两种商品的销量都有所提升。 沃尔玛通过对超市一段时间的原始交易数据进行了详细分析，同时发现很多美国爸爸经常会在下班回家的路上为孩子买尿布，同时顺手拿上自己爱喝的啤酒—— 这对组合由此诞生，也成为了传统零售中关联模式的一个最经典案例。
到了互联网时代，亚马逊成为了关联销售模式的佼佼者，据称其20%~30%的销售是通过关联推荐获取的，在2013年，亚马逊的Prime Instant Video 也因个性化推荐引擎而获得了艾美奖。亚马逊做关联推荐的尝试比较早，甚至很多人不知道的是， 当你今天习以为常的打开一个电商网站，就能看到各种关联推荐的商品，这个做法最初就来自于亚马逊。
《大数据时代》一书很好的记录了亚马逊这个创举的发展过程。1994年，杰夫·贝索斯(Jeff Bezos)创办了亚马逊之后，组建了一个20人规模的内容团队，专门写书评和推荐新书，这对亚马逊的书籍销售起了非常大的作用。但随着书籍数量和网站规模规模的不断增大，这种手工生产的推荐方式远远不能满足所有的需求，个性化的推荐系统由此而生。但最初的系统推荐是试图找到用户之间的关联，但是关联效果却并不好，这个推荐系统也在当时被书评家詹姆斯·马库斯(James Marcus)评价为“和一群脑残一起逛书店”。
设计和开发了亚马逊推荐算法的格雷格·林登(Greg Linden)，后来转变了思路，把关联的对象由用户变为商品，这夜就奠定了亚马逊“从商品到商品”(Item-to-Item)的个性化推荐基调，一直沿用至今。格雷格曾写过一篇文章详细介绍了亚马逊的推荐算法和系统，他认为这种从商品到商品的协同过滤不涉及顾客数量和特性，同时可以提前分析产品之间的关系，避免推荐的“冷启动”问题，及时并实时产生高质量的推荐。
这种推荐算法在电子商务领域的应用尤其广泛，也成为了比较经典的算法，在最近几年也被研究得很多，因此就算法本身而言，它并不难，而亚马逊之所以能够以相同的算法在大批电商网站中脱颖而出，是因为它经过了十几年的积累，不仅投入了大笔资金不断搭建，也不断在收集商品数据和用户的行为数据，这种积淀很难在短时间内被超越。
此时，你是不是马上打开亚马逊网站或者自己的邮箱，看看那些它为你推荐了哪些关联的商品呢?
二、精准定向模式
模式逻辑：从A、B、C、……等一群人中找到你最想要的A，这也是几乎市面上所有DSP(数字广告公司)所惯用的模式
借助广告，非死book成功把粉丝和流量变现， 根据公开数据，它在今年三季度的营收同比增长了41%，其中社交广告贡献巨大，广告营收占到了其总营收的90%以上。
之所以能够在广告领域大获成功，非死book 靠的是精准的定向：一方面把最合适的人群推送给品牌方，另一方面也让用户接收到他和朋友可能感兴趣的内容，这些内容有着很明显的社交属性，甚至能让用户爱上广告。 以它和Ben&Jerry’s的合作为例，根据非死book发布的数据显示，广告的粉丝覆盖率达到了98%，评论和受喜爱程度都十分可观。而根据Ben&Jerrry’s市场部给出的评估，它在非死book上所投放的这些广告给自己带来了3比1的投资回报率。
这种精准的背后，不仅仅是因为非死book拥有大量的用户，还在于其对多维社交数据的收集和深度挖掘。其创始人扎克伯格曾在F8 Keynote上提起过一个 Open Graph Protocol 标准， 可以将网上的所有原始数据打上独特标签的系统。当你在非死book上分享了亚马逊上的一本书，这个系统会把相应的目录、作者等信息回传给它，产生一系列复杂的数据关联，今后为你推送真正感兴趣的内容和广告的几率由此变大。
三、动态调整模式
模式逻辑：计划要推A，但是在实际的场景交互中，数据反馈的结果发现B更受欢迎，因此调整计划改推B。
很多人喜欢用Google的原因在于，它的推荐往往更符合自己的心意，提高了搜索的效率。 不仅如此，你可以留心一个细节，当你在Google输入一个关键词，点击第一个搜索结果后发现不满意，又迅速返回了搜索页，点击第二个搜索结果，然后花了很长时间浏览，此时它就会默认你对第二个结果更满意，因此当你下一次搜索同一个关键词时，之前两个结果的排位会发生互换。
这个普通的案例代表了Google在大数据领域最突出的特色：动态性。 Google在进行质量优化的同时，也把用户的交互反应实时加入了进来。 一位谷歌发言人曾表示：“我们始终在对搜索页面进行调整，从而让用户可以更轻松地发现最有用的信息。”
把用户在网上的行为模式加入到排名算法中，为此，Google也进行了许多的努力。 例如推广Google工具栏，用户在浏览网页时的行为数据会被Google收集，它甚至曾付了不小的一笔钱给戴尔，在后者销售的电脑上预装好Google工具栏。而那些没有装Google 工具栏的用户，当他在Google网站进行搜索的时候，电脑也会被设置cookie，在这个cookie一年的有效期内，用户的搜索也被一一记录。此外，买下原本需要付费的日记分析软件，再以Google Analytics的形式免费提供给站长们等做法也让大家纷纷猜测是出于同样的考虑。
这种特性也从搜索排名的业务场景迁移到了大数据营销的语境中，用户对一个广告的反应会实时的反馈回来，进而供广告主参考，适时进行营销计划的调整。而现在很多数据营销公司依然是一种固定模式的营销方式，天天对着一群用户狂轰乱炸，效果可想而知。
这种动态调整的模式也适用于这样一种情况，当不知道哪种营销策略最合适时，可以先准备几个不同的方案，同时放到市场去检验，Google 会很快告诉你哪个广告片更受欢迎，然后就可以主推最受欢迎的版本了。 当然，动态调整的做法并不为Google所独有，只不过都没有它反应迅速罢了。
四、粉丝爆炸器模式
模式逻辑：利用积累的大量人群数据，根据已经拥有的A，找到一群更大的A。
找到1000个忠实的目标消费者也许不难。如何把这个数量由1000变为10000、1000000甚至更大呢?这100、1000又如何从好几亿的人中挑选呢? 在规模不断扩大的同时，也能够尽量做到精准; 阿里巴巴集团旗下的阿里妈妈为此构建了一个Lookalike 模型，它被形象地称为“粉丝爆炸器”，可以做到“给定一小群人，自动找到10倍、20倍规模相似人群”。
商家做生意最难的部分是如何在客户首次购买之前建立联系。因为一旦客户购买了商家的商品或服务，便已经知道客户的情况，可以进行沟通。精明的商家深知找对潜在用户的重要性。 而这件事情的难度不亚于大海捞针。相对于已经成为客户的人群规模(一家中型电商每月可能有上万客户)，还没有成为客户的人群规模(线上有几亿规模的客户)是非常巨大的。 从上亿潜在客户中找到最有忠实的消费者人群这个过程的效率和成本就成为商家致胜的关键。这也是阿里妈妈提供粉丝爆炸器所解决的痛点。
通常，成为某商家客户的人群具有一定的共性;例如都是哈韩女大学生、或者都是近期购房人群、亦或都是在意体重的人群等等。这些共性往往在商家的已有客户中已经有所显现;这些消费者的各种属性和行为与全部消费者的差异就能突出这些共性特点。利用这些共性，通过比较全网消费者与已有消费者客户之间在这些行为上的相似程度，就可以在真正的消费行为发生之前来找到目标潜客。
与“啤酒尿布”不同的是，粉丝爆炸器更注重人的综合行为特性，而不是把重点集中在商品/服务之间的关联性上 。因此，粉丝爆炸器会找出新任父亲为家里的婴儿这样的特性，而这样的人通常会买啤酒、尿布、奶粉、婴儿护肤品、产后保养品等等。但如果我们只考虑关联性，则会是由于消费者购买了啤酒，所以推荐关联性最高的红酒、尿布、饮料等等。这种抓住人的相似性往往会有更精准的效果。
通过大数据算法在全网用户上进行粉丝爆炸器，实际上更像是把全网消费者和商家之间的已购消费者之间的关联可能性进行精准排序。商家给定一小部分忠实用户人群以后，系统可以给出最像这群人的前1万人、前10万人、前100万人、……;此时，便可根据商业目标来选择合适规模的人群进行营销活动。
转载自36大数据