大数据关联营销

　　然而，大数据分析的基础是什么？当然是数据。随之而来的问题是：数据从哪里来？营销者自然而然会想到IT企业。诚然，进入Web2.0时代，网络就不仅仅是企业的舞台，每个人都可以通过一根网线在网络上留下自己的痕迹。因此，互联网企业拥有海量的数据，拥有大数据分析的天然基础。此外，使用芯片的各类设备制造企业也有大数据，它们通过植入机器中的小小芯片，记录用户的各种操作行为，为用户行为分析积累了大量的数据。以及大型连锁超市、金融服务中心等，它们掌握了具体的消费信息，同样积累了大量的数据。所以，在各类介绍大数据营销的书籍中，其援引的案例大多出于以上行业。那么，是不是这些行业之外的企业就与大数据营销隔绝开了呢？

　　社会化媒体数据

　　企业积累的数据通常可以分为以下几个类型：一是网络数据，通过互联网加载代码记录用户的浏览及点击行为，也就是海量的网络浏览点击痕迹数据；二是通过芯片记录的产品使用痕迹数据；三是消费行为痕迹数据，涉及少数几个特定的行业，并且其数据跨越了多类产品、多个行业，比如超市的每笔消费数据、淘宝的店主销售信息等。这三类数据主要集中于互联网行业、设备制造行业和零售行业。

　　此外，这三类数据的特点是“人们在无意识下自然产生的”，因为它难以与消费、使用的“人”建立联系而显得“生硬、不够鲜活”。因此，对这些海量数据进行分析，可以发现信息之间的关联，却难以解释为什么会形成这样的关联；可以发现消费特点，却难以在精准营销的执行层面进行转化，因为无法确切知道产生这些行为的是什么样的人。当然，还有一类数据可以在一定程度上弥补这样的缺陷，比如企业内部的销售、客服部门往往记录了更多的信息，对“人”进行补充描摹，但是这一类数据时效性比较弱，如果不对数据库及时更新致使信息错误率较高。

　　然而，社会化媒体时代出现了第五类数据，这就是自媒体爆发带来的海量数据。由于粉丝的出现，让企业得以区分社会化媒体中个人与企业的远近关系。粉丝的“自发”特性保证了信息的准确性，而“自媒体”的特性则为企业了解目标群体提供了一个近乎免费的通道，且不受特定的行业限制，这就为不同行业的企业进行大数据营销提供了数据基础。

　　数据彼此之间的关联

　　然而，当企业想要挖掘数据的商业价值时，面对庞杂的数据，企业却无从下手：数据量大，杂乱，不规则，一些数据缺失，一些数据模糊。比如，有的企业内部各个部门积累了几万条、十几万条甚至数百万条销售数据和客户信息，然而这些销售数据只涉及产品的销售时间、价格、销售店面信息，或者只是简单记录客户的姓名、性别、年龄、联系方式等，而客户购买产品方面的记录很少。换而言之，企业掌握的是一些彼此割裂的数据。由于中国大多数企业内部各自为战，不同的部门没有建立数据共享的通道，各个渠道的数据彼此之间难以关联。

　　《大数据时代》一书的作者维克托指出，大数据时代要放弃对因果关系的渴求，转而关注相关关系。美国沃尔玛将尿布与啤酒摆在一起，使尿布和啤酒的销量大幅增加。美国妇女通常在家照顾孩子，她们经常嘱咐丈夫下班回家时为孩子买尿布，而丈夫则顺手购买了啤酒。于是，尿片与啤酒形成了关联。因此，大数据挖掘的基础是数据之间的关联，单独的、片段化的数据再多，在大数据环境中也无法实现其价值。所以，中国企业要对原有的数据进行深度分析，首先要建立数据之间的联系，或以“人”的信息（姓名、手机号、身份证号、住址），或以产品信息（如产品的唯一编码），把各个渠道的数据打通，找到“数据的相关关系”。

　　数据关联可以是虚拟的

　　但由此带来一个技术性的问题，因为不是所有的数据都能建立真实的对应联系。某些行业，比如运动服饰，其消费是大众化的，企业没有建立完备的用户信息数据库。那么，在这种情况下，企业如何利用大数据获取增值信息呢？

　　事实上，企业可以利用社会化媒体进行模糊匹配的方式，更好地理解目标群体——即便现有的数据不能全面反映人群的特质，但可以通过社会化媒体实现“信息转化”，在社会化媒体中找到具有类似特质的“网络虚拟人”，并通过这一特质人群在各类社交媒体的全面信息，从而间接“实现”对目标人群的全面描摹。

　　事实上，社会化媒体为众多没有“先天数据条件”的企业提供了大数据营销的机会，大数据将跳出“痕迹数据关联分析”的处理模式，从“行为”的相关与预测发展到在Web3.0的360度分析与定位。而基于社会化媒体海量数据的“虚拟关联”模式，则为更多的数据关联提供了可能。