小编分享大数据营销该怎么做。

要做大数据营销，主要是三个步骤：

第一步，要明确需要解决什么问题？

第二步，怎么样用数据分析方法把需要解决的问题解决？

第三步，对于数据分析的方法得到的结果，怎么样把它转化成商业决策？

下面我分开来谈。

1你需要解决一个什么问题？

这是做好大数据营销最重要的一步。

为什么这么说？因为其实现在很多公司、政府部门都有很多数据，这些数据大家都认为很有价值。这个价值具体在什么地方？换句话说我们可以把数据当成一个金矿，但是怎么样挖掘这个金矿？用什么采矿方式才能采出来最纯正最有用的金子？这其实是一个非常困难的问题。

每一个公司运营当中有很多问题，但是到底什么样的问题可以用大数据分析的方法解决，什么样的问题不能用大数据分析的方法来解决？这里边是最难的一个话题。

找到最好的问题，你需要既懂得营销和管理的一些理论，同时更要懂得大数据分析到底有哪些局限性，另外还要懂得你的数据收集有哪些局限性。案例1：大数据分析首先要具备商业价值

在美国旧金山一个公司叫Electronic Arts，是一家做游戏软件的公司。有一个统计学的博士，在这家公司工作了很多年，有一天他做了一个模型，这个模型干什么用？大家知道做游戏经常是先出一个版本，隔一段时间再出一个新的版本，让更多人花更多钱去买。他做了一个模型，用统计学的方式来研究第一个版本出来之后，需要等多长时间再出第二个版本最好？

结果，模型做出来之后，这个公司的老总把他解雇了。我觉得很奇怪，这个模型还是挺复杂的，而且也是很具有挑战性的，不是很容易做的一个模型。这个人看来还是挺能干的，为什么要解雇他？

原来，这个人在公司工作了这么多年，却连公司是怎么运营的都不知道。公司出新的版本不是决策的问题，而是实际操作的问题。出新版本怎么出？就是第一个版本卖出去了，很多人在用在玩，他们有一些软件工程师就开始开发出第二个版本，软件工程师开发完以后，测试工程师就要把第二个版本的软件测试一下，测试好了就要放到市场上开始卖。

因此，这个模型告诉再过5天才是最优的时间，那么软件工程师、测试工程师怎么办？他们不能在那等着，必须马上开发下一个版本了。由此可见，花时间求解一个模型，搞统计学或者搞计算机工程的博士生看起来理所当然，但是对公司的运营，对公司商业决策却可能根本不符合实际，这样的模型就没有价值。案例2：塔吉特用大数据预测哪个用户怀孕

再举一个例子，这个例子大家都听说过，这是Target（塔吉特超市，美国著名零售商）的故事。这个故事起源于2012年《纽约时报》刊登的一篇文章，这篇文章讲塔吉特超市可以预测它的哪个用户怀孕了。这篇文章的反响非常大，因为这里面有很多涉及到隐私的问题。

塔吉特这家公司为什么要做这样一个分析？为什么要预测哪一个用户哪一个客户怀孕了？其实像塔吉特所用的这些数据，很多很多零售商都有，也就是每一个用户在什么时间买了什么东西。大家了解现在我们去超市，都已经系统化了，每一次去超市买东西它都会给一个小票，这个小票都记录了我们买了什么东西。从客户来讲是一个收据，从超市的角度来讲就是它们的数据。

我们去塔吉特购物也好，去某一个别的连锁店也好，往往都会让你用一个会员卡，我为什么要用会员卡？因为它说你用会员卡我给你减几毛钱或者几块钱便宜一点，你不用会员卡我就贵一点。一般情况下大家都会用会员卡，因为我干嘛不省那点钱？反正会员卡也是免费的。

这个会员卡对零售商有什么价值呢？它可以记录我的历史数据，比如说我上个星期买了一些什么东西？我这个星期买了什么东西？它可以把这些东西都连起来，它知道是同一个人买的。

这样的话，这些零售商有了每一个用户的历史数据，他几年前什么时间买了什么东西，现在又买了什么东西，它有这些信息，这些信息是至少在美国这些连锁零售商全都有的。但是，为什么塔吉特就能用这个数据去研究什么人怀孕了，别的公司却没有做这件事情？

超市很重要的一项业务就是想吸引新的用户，可是零售业一般很少拉得到新客户。比如我平常买牙膏在这个店买，那么我每次用完牙膏我就在这个店买。我平常买牛奶，买日常的食品，我在这个超市买，我一般总在这一个超市买。很少说我这个星期在这个超市买牛奶，下个星期跑到另外一个超市买牛奶了。

但是人行为有一个很奇怪的东西：虽然说一般情况下大家都很不愿意去换零售商去买这些日用品，唯有一个时间点是大家愿意换的。什么时间点？就是生小孩的时候。

所以塔吉特超市就想，我需要把刚生小孩的这些人想办法抓过来。因为有孩子还是没有孩子是人生很大的转折点，这个转折点在大家寻找新的习惯，或者改变新的习惯的时候，把它抓住，以后很长时间他是你忠实用户了。

但是这样事情并不是塔吉特一个公司知道，很多公司都知道，这就是为什么我在美国生小孩的时候，我刚到医院就收到一大批一书包的广告，还有优惠券，都是这些公司说到我们公司买东西吧，我们这里有好多小宝贝用的东西。

当时塔吉特就觉得，如果我们等你进产房才给你优惠券的话，竞争就太激烈了，我们要想办法在你进产房之前就把你找到。这就是为什么他们想到了来预测谁怀孕了，其实预测谁怀孕是非常简单的模型，这个统计学的方法非常简单，不用编程，用Excel就可以完全解决这个问题。

也就是说，解决这个问题，并不是很难，关键是要解决一个什么问题？这里边是最重要的，所以塔吉特超市能想到要解决谁怀孕的问题，这就是它最大的一个成就。

2怎样做真正的数据分析？

清楚了具体我要解决什么问题，第二步就是真正的数据分析。

大家可能都认为，既然分析数据我就要用统计学的方法，这个绝对没有错的，但是后来就有瓶颈出现了。为什么？其实大家想想，这个统计学是一个解决什么东西的？现代统计学创始人叫做R. A. Fisher（费舍尔），费舍尔是一个很著名的统计学家，是现代统计学的创始人，统计学常用的一些测试都是他来设计出来的。

当时他设计这些统计学的方法是基于什么？是分析庄稼。因为我们种庄稼，庄稼不可能一根一根种，一片一片的种，他当时分析庄稼我这一片庄稼给水多一些，那一片庄稼给阳光多一些，然后看看到底水多一些好，还是阳光多一些好，你分析的时候就有一些统计概率的概念在里面。

所以这些统计学的理论都是主要基于对这些庄稼的生长情况来设计的一些方法。现在把统计学的这些方法应用到我们现在的大数据分析里边，统计学有很大的贡献，像大家看到硅谷的这些Google、Facebook这些公司原来全部用的这些方法，也使得这些公司跑到了全世界领先的地位。

但是这个从没有大数据分析到有大数据分析，从无到有的过程中统计学的方法为公司发展做了巨大贡献，现在当大数据发展到足够成熟的阶段，像Google还有Facebook这样领先的公司意识到，完全用统计学的方法会导致不合理的问题。

这个不合理的结果为什么出现？我们想想我们现在大数据分析说的是什么样的数据？我们大数据分析大部分是人产生的数据，什么是人产生的数据？我们大数据分析主要分析用户的行为、人的行为，人用了什么卡？买了什么东西？做了什么事情？去了哪些网站？点了哪些链接？

这些行为都是人的行为，人的行为跟庄稼的行为还是不太一样的。比如说庄稼你给这一片地很多水，这些庄稼就吸收了很多水。但是你要是说我给这一批人优惠券，但是并不是说所有这些人收到优惠券的人去用优惠券。也就是说，人是主动的，是有智能的，他会根据自己所需要的事情来做一些决策。这个时候发现其实统计学有一些基本的概念用来分析人的行为，会出现一些问题。案例3：区分因果关系与相关性

我给大家举个例子，比如说一般我们用零售业，因为从个人角度来讲我们个人都有一些跟零售商有过一些接触的经历，比如说我喜欢在某一个品牌的店买东西，然后这个品牌的店我不知道大家对美国的牌子是不是熟悉，我比较喜欢的就是GAP还有Banana Republic（香蕉共和国）。我经常去Banana Republic买东西，我很少去Gap买东西，它们虽然同属于一家公司，但它们管理还是不一样。

比如说Banana Republic发给我优惠券，因为我买的东西比较多，我的邻居他没有发优惠券，因为他东西买的比较少。这样他做数据分析的时候，想分析一下优惠券的作用是怎么样的？结果他发现因为我用了优惠券，我买的东西也比较多，而另外一个人比如说我的邻居他没有用优惠券，他买的东西也比较少。

这个时候传统的统计学会告诉你，这个优惠券的作用非常大。大家想想这是因为优惠券导致的作用吗？其实不是，至少不全是。因为他给我优惠券的时候他就知道我会买很多东西，他不给另外一个人优惠券的时候也知道他不会买很多东西。如果只用统计学的方法就会夸大优惠券的作用。这里面其实就是相关性和因果关系的问题。

3大数据结果要能转化成商业决策

不管用什么样的方法，你求解出来这个结果，这个结果是2还是3，这个结果怎么样转化成商业决策，对公司的决策有什么影响。

这里边主要有两方面，第一个方面就是要怎么样描述这个结果？怎么样描述这个结果，怎么样把这个结果用图还是用表格，还是用文字，还是用什么样的方式来呈现给管理层的人员。

这个其实是现在很多人研究的一部分就叫做数据可视化。当然这个数据可视化不只用在最后结果的呈现，也用在最初的数据的理解和分析这方面。

另外一方面就是说你结果出来，结果具体解读应该怎么样解读？我这里跟大家讲几个故事，很多情况下做分析的时候，一定要记住你的目的是什么？你目的不是说求解出来一个结果，或者分析一个模型就完了，你的目的是要解决一个商业问题。

比如说我们做销量的预测，销量预测这个东西在很多情况下非常有用，包括比如说在市场营销里面，在供应链方面，我需要知道销量到下个月有多少人买东西，我才能现在计划我从买零件买多少，同时在财务里边，因为财务需要知道我下个月或者是明年的预测收入是多少？我现在需要投资等等这些方面。

所以销量预测这个东西是非常重要的，它的应用很广。这里面在销量的预测里边给大家介绍一个模型，可能很多朋友有所了解。销量预测里面用的有一个非常多的模型就是回归的模型。

这个回归模型大家都了解，回归模型它有一个很重要统计学的测量指标。也就是R-square。你这个模型的R-square值越高，说明你模型越好，越低说明你模型越差。

这完全是统计学的概念。关键是R-square这个工具你怎么用它？所以我讲课的时候我也会让学生做一个模型，来预测美国汽车的销量。

我们做这个作业的时候，很多学生发现他做一个模型，加上一个非线性的回归分析，R-square就会特别高。然后他要不加上这个R-square，结果就会特别差。而按照统计学上他所理解的概念，他就很可能把R-square特别高的模型用来做预测。

然后会遇到一个什么问题？如果他真正拿R-square很高的模型，统计学说这是最好的模型，他拿这个做预测的时候会发现十年以后全美国的汽车销售量是负数。所以大家就知道这种模型完全没有价值的，因为你知道十年以后美国汽车销售量不可能是负的。

我讲的这个例子就是说怎么样真正理解统计学作为一个工具所能做的事情和它的局限性，这个非常重要，它的局限性才能帮助你理解你这个模型所做出来的结果，什么样模型是最好的，什么样模型是不可取的？关键是要记住你做这个模型是为了什么，做这个模型不是为了达到最好统计结果，而是为了达到你的商业目的。

统计学它只是一个工具，它能帮我们做什么？不能帮我们做什么？我们需要非常好的理解，这个问题需要我们花一些精力花一些功夫来决策。

这就像我跟学生讲比如说就像你做一个板凳。我不知道大家有多少人了解木匠，我是完全不懂，但我听说如果是一个木匠活，最简单的是要学会做一个板凳。

要做一个板凳你就需要找到工具，就像我们做大数据分析，你需要有一些基本统计学的知识，这些都是你的工具。然后你还需要一些材料，做板凳你需要一些比如说油漆、木板、木条等等，作为我们大数据分析这就是我们的数据。

然后这个工具怎么样用？做什么样的板凳，这个取决于你做这个板凳干什么？做这个板凳有可能为了给小朋友玩，你做得板凳需要漂亮一点，贴一点很有趣的小动物小图案，小朋友才喜欢。但是如果你做这个板凳如果是功能性的，你说我为了垫脚够上面的东西，家里有一些家具比较高，书架比较高，我上面够不到，所以我需要做一个板凳来够那些东西。

这两个目的做的板凳肯定不一样的，我们在做一个板凳给小朋友玩，还是做一个功能性的需要更结实不需要很漂亮，在整个大数据分析过程当中要时时刻刻记在脑子里。

因为你做不同的用途的板凳，或者做不同用途的大数据分析，你所用的工具是不一样的，你所用的材料也可能是不一样的，你所用的分析方法也有可能是不一样的。所以经常有同学或者朋友问我，董老师我们有这些数据，应该用什么方法来解？应该注意什么？

我要说的是这个东西其实之所以大数据分析非常热，很多人感兴趣，但是现在做的人不是很多，或者说做得特别好的人也是相对还有很大的缺口需要更多的人来做。为什么会这样？就是说大数据分析不是说你做一个板凳我去给你找一些材料找一些工具你就做吧。

你必须需要理解整个的商业运营的环境，然后公司运营的挑战，公司运营的优先级。就是说比如说哪些东西更重要，哪些东西对公司运营没有那么重要，这些东西需要花很多时间去了解。

我做过很多不同行业不同公司的大数据分析，做每一次分析的时候其实花的最多的时间跟公司高管还有运营同事们，花很多的时间了解这个公司到底怎么回事？因为每一个公司它的商业模式，还有一些竞争的情况、市场条件、动态和静态的信息都是完全不一样的。

真正把这些情况理解以后，定义到要解决的问题应该是什么样的问题？比如说大家有的时候会说我想要解决的问题很简单，就是怎么样提高销量，怎么样增加用户量？

这种问题完全脱离对数据理解的问题，需要有一些比如像刚才我介绍给大家的塔吉特零售的案例，它其实为了既提高销量又增加客户量的解决方案，但是它的问题不是问我怎么样提高客户量，它的问题非常具体，就是我要怎么样预测谁怀孕了？问到这种层次的问题，你才可能真正拿去做数据分析。