大数据与精准营销研究综述汇总.docx

大数据与精准营销研究综述汇总.docx

《大数据与精准营销研究综述汇总.docx》由会员分享，可在线阅读，更多相关《大数据与精准营销研究综述汇总.docx（19页珍藏版）》请在冰点文库上搜索。

大数据与精准营销研究综述汇总

大数据与精准营销研究综述

摘要：

随着互联网的日益普及，人们对互联网技术的利用率越来越高，由此而来的大数据对社会的各行各业都带来很大变化，人们正步入大数据时代。

在企业营销中，大数据的应用可以大大促进精准营销的发展，为其带来前所未有的发展机遇。

本文首先分别对大数据与精准营销的研究进行综述，然后提出大数据时代下精准营销模式的问题，最后针对该问题提出一些思考与建议。

关键词：

大数据；精准营销；精准营销模式

一、大数据研究现状

1.大数据起源与兴起

1980年，著名未来学家托夫勒在其《第三次浪潮》提出了“大数据”的概念，并热情地将其称颂为“第三次浪潮的华彩乐章”，但是之后很长一段时期内，由于技术发展制约，“大数据”的概念并没有得到人们的重视。

2008年开始，移动计算、物联网、云计算等一系列新兴技术相继兴起，这些技术的发展及其在社交媒体、协同创造、虚拟服务等新型模式中的广泛应用，使得全球数据量呈现出前所未有的爆发式增长态势，数据复杂性也急剧增长，客观上要求新的分析方法和技术来挖掘数据价值，大数据技术应运而生，并得到迅速发展和应用，如此，“大数据”时代真正到来。

2008年末，三位信息领域资深科学家卡内基梅隆大学的R.E.Bryant、加利福尼亚大学伯克利分校的R.H.Katz、华盛顿大学的E.D.Lazowska联合业界组织计算社区联盟（ComputingCommunityConsortium）发表了非常有影响力的白皮书《大数据计算：

商务、科学和社会领域的革命性突破》，使得研究者和业界高管意识到大数据真正重要的是其新用途和带来的新见解，而非数据本身。

随后，包括EMC、IBM、惠普、微软在内的全球知名企业纷纷通过收购大数据相关厂商来实现技术整合，实施其大数据战略；国内外咨询机构也相继发布与大数据相关的研究报告，积极跟进大数据领域的研发与应用。

2011年5月，EMC公司在主题为“云计算相遇大数据”的World2011大会中阐述了云计算与大数据的理念和技术趋势。

同年10月，Gartner将大数据列入2012年十大战略新兴技术；11月，由CSDN举办的中国大数据技术大会在北京成功举行。

大数据在产业界逐渐形成燎原之势。

目前，大数据研究和应用已经成为信息科技领域中的热点。

世界各国均高度重视大数据领域的研究探索，并从国家战略层面推出研究规划以应对其带来的挑战。

2012年3月，美国奥巴马政府投资两亿美元启动“大数据研究和发展计划”，致力于提高从大型复杂数据集中提取知识和观点的能力，并服务于能源、健康、金融和信息技术等领域的高科技企业；2012年4月，英国、美国、德国、芬兰和澳大利亚研究者联合推出“世界大数据周”活动，旨在促使政府制定战略性的大数据措施；7月，日本推出“新ICT战略研究计划”，其中重点关注“大数据应用”同时，大数据也已引起学术界的广泛研究兴趣。

2008年和2011年，《Nature》与《Science》杂志分别出版专刊《BigData：

ScienceinthePetabyteEra》和《DealingwithData》，从互联网技术、互联网经济学、超级计算、环境科学、生物医药等多个方面讨论大数据处理和应用专题。

2．大数据的定义与特征

对于大数据的概念，企业和学术界目前尚未形成公认的准确定义。

维基百科将大数据定义为“无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合”；权威IT研究与顾问咨询公司Gartner将大数据定义为“在一个或多个维度上超出传统信息技术的处理能力的极端信息管理和处理问题”；美国国家科学基金会（NSF）则将大数据定义为“由科学仪器、传感设备、互联网交易、电子邮件、音视频软件、网络点击流等多种数据源生成的大规模、多元化、复杂、长期的分布式数据集”。

尽管存在不同的表述，但一个普遍的观点是，大数据与“海量数据”和“大规模数据”的概念一脉相承，但其在数据体量、数据复杂性和产生速度三个方面均大大超出了传统的数据形态，也超出了现有技术手段的处理能力，并带来了巨大的产业创新的机遇。

IBM公司把大数据的特征概括成三个“V”：

规模（Volume）、快速（Velocity）和多样（Variety），但是更多的人则将其概括为四个“V”，即规模（volume）、快速（Velocity）、多样（Variety）和价值（value）。

（1）规模（Volume）。

大数据首先是必须具有海量数据，但是究竟多大体量才叫海量，人们并没有一个确定的数字。

有人认为应该达到TB数量级，一般在10TB规模左右。

但在实际应用中，很多用户把多个数据集放在一起，已经形成了PB级的数据量。

（2）多样性（Variety）。

这是大数据概念区别于从前有关数据管理的一个重要特征，传统的数据管理主要是针对结构化数据分析利用，其应用技术而大数据则更加强调对于半结构化和非结构化数据的分析和应用。

（3）快速（Velocity）。

在当前常规的信息安全产品中，特别是具有代表性的检测响应类产品技术中，大量采用实时监测，而“实时”就意味着快速。

在当前带宽越来越大、系统越来越复杂采集的数据越来越多的同时，安全检测对于事件响应的及时性要求并没有减弱。

另外，“实时”还包含着一种内在的含义：

主要根据当前的数据做出分析判断。

（4）价值（Value）。

数据是物理世界的数字反映，价值上数据不同于数字，数据背后是有对象的，而这些对象是有属主的、有立场的、有价值归属的、主观的。

大数据的体量很大，所蕴含的价值总量也会是客观的，但是平均到单条信息的价值却很低，即价值密度很低。

3．大数据的关键技术

传统的数据采集来源单一，且存储、管理和分析数据量也相对较小，大多采用关系型数据库和并行数据仓库即可处理。

而大数据环境下，数据来源非常丰富且数据类型多样，存储和分析挖掘的数据量庞大，对数据展现的要求较高，并且很看重数据处理的高效性和可用性，需要依靠并行计算提升数据处理速度。

而传统的并行数据库技术追求高度一致性和容错性，难以保证其可用性和扩展性。

另一方面，传统的数据处理方法是以处理器为中心，而大数据环境下，需要采取以数据为中心的模式，减少数据移动带来的开销。

因此，传统的数据处理方法，已经不能适应大数据的需求，需要一种新的技术理论和方法。

3.1数据挖掘

数据挖掘是指从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的，但又是潜在有用信息和知识的过程。

目前广为接受的一种处理模型是Fayyad等人设计的多处理阶段模型。

3.2数据分析

在相关技术中，比较具有代表性的是Apache软件基金会开发的Hadoop，以MapReduce和Hadoop为代表的非关系数据分析技术，凭借其适合非结构处理、大规模并行处理和简单易用等优势，在互联网搜索和其他大数据分析技术领域取得重大进展，成为主流技术。

4．大数据相关产业发展

按照信息处理环节，大数据可以分为数据采集、数据清理、数据存储及管理、数据分析、数据显化及产业应用等六个环节，由于尚属发展初期，其中的每个产业环节都包含着不少的企业，其市场发展情况如下。

（l）数据采集。

Google、CISCO这些传统的IT公司早已经开始部署数据收集的工作。

在中国，淘宝、腾讯、XX等公司已经收集并存储大量的用户习惯及用户消费行为数据。

德勤预计，在未来，会有更为专业的数据收集公司针对各行业的特定需求，专门设计行业数据收集系统。

（2）数据清理。

当大量庞杂无序的数据收集之后，如何将有用的数据筛选出来，完成数据的清理工作并传递到下一环节，这是随着大数据产业分工的不断细化而需求越来越高的环节。

除了Intel等老牌IT企业，Teradata、Informatica等专业的数据处理公司呈现了更大的活力。

在中国，华傲数据等类似厂商也开始不断涌现。

德勤预计，在未来，将会有大量的公司专注于数据清理。

（3）数据存储及管理。

数据的存储、管理是数据处理的两个细分环节。

这两个细分环节之间的关系极为紧密。

数据管理的方式决定了数据的存储格式，而数据如何存储又限制了数据分析的深度和广度。

由于相关性极高，通常由一个厂商统筹设计这两个细分环节将更为有效。

从厂商占位角度来分析，IBM、Oracle等老牌的数据存储提供商有明显的既有优势，他们在原有的存储业务之上进行相应的深度拓展，轻松占据了较大的市场份额。

而ApacheSoftwareFoundation等新生公司，以开源的战略汇集了行业专精的智慧，成为大数据发展的领军企业。

（4）数据分析。

传统的数据处理公司SAS及SPSS在数据分析方面有明显的优势。

然而，基于开源软件基础构架Hadoop的数据分析公司最近几年呈现爆发性增长。

例如，成立于2008年的Cloudera公司，帮助企业管理和分析基于开源Hadoop产品的数据。

由于能够帮助客户完成定制化的数据分析需求，Cloudera拥有了如ExPedia、摩根大通等大批的知名企业用户，仅仅五年时间，其市值估值已达到7亿美元。

（5）解读。

将大数据的分析结果还原为具体的行业问题。

SAP、SAS等数据分析公司在其已有的业务之上加人行业知识，成为此环节竞争的佼佼者。

同时，因大数据的发展而应运而生的wibidata等专业的数据还原公司也开始蓬勃发展。

（6）展示。

这一环节中，大数据真正开始帮助管理实践。

通过对数据的分析和具象化，将大数据能够推导出的结论量化计算，同时应用到行业中去。

这一环节需要行业专精人员，通过大数据给出的推论，结合行业的具体实践制定出真正能够改变行业现状的计划。

不仅仅是大数据技术行业的发展，大数据的应用也已经在医疗服务、零售业、金融业、制造业、物流、电信等行业广泛展开，并产生了巨大的社会价值和产业空间。

麦肯锡评估西方产业数据为例，大数据的有效利用将能使欧洲发达国家政府节省至少1000亿欧元（约1490亿美元）的运作成本；使美国医疗保健行业降低8%的成本（约每年3000多亿美元）；并使得大多数零售商的营业利润率提高60%以上。

据市场调研机构IDC预测，大数据技术与服务市场将从2010年的32亿美元攀升到2015年的169亿美元，实现40%的年增长率（IT与通信产业增长率的7倍）近两年来，国内外知名企业（如Ebay、AmazonWal-Mart、淘宝、中国移动和凡客等）相继推出相应的大数据产品和平台，开展了多种深度商务分析和应用。

例如：

通过分析结构化和非结构化数据促进其业务创新和利润增长；基于机器学习和数据挖掘方法来管理和优化其库存与供应链，并量化评估其定价策略与营销效果；通过市场分析、竞争分析、客户分析和产品分析以优化经营决策等。

5．大数据的发展与挑战

在大数据时代，我们仍然要面对大数据的各种技术挑战，包括大数据的去冗降噪技术、大数据的新型表示方法、高效率低成本的大数据存储、大数据的有效融合、非结构化和半结构化数据的高效处理、适合不同行业的大数据挖掘分析工具和开发环境、大幅度降低数据处理、存储和通信能耗的新技术等等。

但我们相信技术能够解决的问题终将不会成为问题，真正制约或者成为大数据发展和应用瓶颈的有三个环节。

5.1数据收集和提取的合法性，数据隐私的保护和数据隐私应用之间的权衡

任何企业或机构从人群中提取私人数据，用户都有知情权，将用户的隐私数据用于商业行为时，都需要得到用户的认可。

然而，目前，中国乃至全世界对于用户隐私应当如何保护、商业规则应当如何制定、触犯用户的隐私权应当如何惩治、法律规范应当如何制定等一系列管理问题都大大滞后于大数据的发展速度。

未来很多大数据业务在最初发展阶段将会游走在灰色地带，当商业运作初具规模并开始对大批消费者和公司都产生影响之后，相关的法律法规以及市场规范才会被迫加速制定出来。

可以预计的是，尽管大数据技术层面的应用可以无限广阔，但是由于受到数据采集的限制，能够用于商业应用、服务于人们的数据要远远小于理论上大数据能够采集和处理的数据。

数据源头的采集受限将大大限制大数据的商业应用。

5.2.大数据发挥协同效应需要产业链各个环节的企业达成竞争与合作的平衡

大数据对基于其生态圈中的企业提出了更多的合作要求。

如果没有对整体产业链的宏观把握，单个企业仅仅基于自己掌握的独立数据，无法了解产业链各个环节数据之间的关系，对消费者做出的判断和影响也十分有限。

在一些信息不对称比较明显的行业，例如银行业以及保险业，企业之间数据共享的需求更为迫切。

例如，银行业和保险业通常都需要建立一个行业共享的数据库，让其成员能够了解到单个用户的信用记录，消除担保方和消费者之间的信息不对称，让交易进行得更为顺利。

然而，在很多情况下，这些需要共享信息的企业之间竞争和合作的关系同时存在，企业在共享数据之前，需要权衡利弊，避免在共享数据的同时丧失了其竞争优势。

此外，当很多商家合作起来，很容易形成卖家同盟而导致消费者利益受到损失，影响到竞争的公平性。

大数据最具有想象力的发展方向是将不同行业的数据整合起来，提供全方位立体的数据绘图，力图从系统的角度了解并重塑用户需求。

然而，交叉行业数据共享需要平衡太多企业的利益关系，如果没有中立的第三方机构出面，协调所有参与企业之间的关系、制定数据共性及应用的规则，将大大限制大数据的用武之地。

权威第三方中立机构的缺乏，将制约大数据发挥出其最大的潜力。

5.3大数据结论的解读和应用

大数据可以从数据分析的层面上揭示各个变量之间可能的关联，但是数据层面上的关联如何具象到行业实践中如何制定可执行方案应用大数据的结论这些问题要求执行者不但能够解读大数据，同时还需深谙行业发展各个要素之间的关联。

这一环节基于大数据技术的发展，但又涉及管理和执行等各方面因素。

在这一环节中，人的因素成为制胜关键。

从技术角度看，执行人需要理解大数据技术，能够解读大数据分析的结论；从行业角度看，执行人要非常了解行业各个生产环节的流程及关系、各要素之间的可能关联，并且将大数据得到的结论和行业的具体执行环节一一对应起来；从管理的角度看，执行人需要制定出可执行的解决问题的方案，并且确保这一方案和管理流程没有冲突，在解决问题的同时，没有制造出新的问题。

这些需求，不但要求执行人深谙技术，同时应当是一个卓越的管理者，有系统论的思维，能够从复杂系统的角度关联地看待大数据与行业的关系。

此类人才的稀缺性将制约大数据的发展。

6．大数据的研究不足

综观国内外大数据领域的研究和应用发展现状可见：

1）大数据相关的研究与应用目前仍然处于起步阶段，学术研究大多局限于宏观层面；2）基于互联网和社会媒体的企业大数据研究与应用亟需进一步的深入开展；3）现有的大数据研究大多立足于信息科学，侧重于大数据的获取、存储、处理、挖掘和信息安全等方面，鲜有从管理学的角度探讨大数据对于现代企业生产管理和商务运营决策等方面带来的变革与冲击的研究。

二、精准营销研究现状

1.精准营销的定义

1999年，美国的莱斯特·伟门提出了精准营销的概念。

Zabin和Brebach（2004）提出了精准营销的4R法则，亦即正确的顾客（rightcustomer），正确的信息（rightmessage），正确的管道（rightchannel）以及正确的时刻（Righttime），通过将正确的信息在正确的时刻通过正确的管道传递到正确的顾客手中，以此真正对目标客户的购买决策构成影响，促进营销目标的有效达成。

菲利普.科特勒PhilipKotler（2005）在其全球巡回演讲论坛上宣布了一个营销传播的新趋势——精准营销（PrecisionMarketing），并对其进行阐述：

“具体来说，就是公司需要更精准、可衡量和高投资回报的营销沟通，需要更注重结果和行动的营销传播计划，还有越来越注重对直接销售沟通的投资。

科特勒（2006）在畅销书《PrinciplesofMarketing》中，首次将基于互联网的精准营销理论融入其中，他认为日新月异的科技，使一些公司勇于从传统的大众传媒沟通方式转移到更加有针对性目标市场的互动模式，以此来不断提高沟通的效果和效率。

并提出“对于营销来说，将沟通个性化，并在正确的时间，对正确的人，表达而且做出正确的事情，是至关重要的。

”

Paul.W.Farris与Neil.T.Bendle等人（2006）在《MarketingMetries：

50+MetriesEveryExecutiveShouldMaster》一书中专门研究了解决营销活动科学量化的问题，帮助精准营销活动取得良好效果。

营销量化指标的归纳和运用，为经理人在实践中有效利用信息进行科学决策，提供了指导原则、方法以及注意事项。

营销量化指标衡量方法，综合了营销和财务两个方面的视角，是关于公司营销业绩的科学而全面的评价。

LisaDSpiller与MartinBaier（2006）合著的《当代直复营销》中提到了直复营销是对传统营销的发展，是精准营销的理论基础之一，强调以市场细分为基础进行数据库驱动的直复营销。

在互联网的基础上实现精准营销，完成与顾客之间的直复营销关系。

国内的齐渊博（2005）将精准营销理解为“精确营销”，即包含了“标准”和“确定”两个意思，“标准”就是可以复制、可以推广、可以提升，没有“标准”的理念只是偶然现象，而“确定”就是对市场极致的了解和把握。

学者许瑾（2006）在科特勒精准营销理论的基础上，从实践的角度对精准营销进行了补充：

“精准营销是以客户为中心，运用各种可利用的方式，在恰当的时间，以恰当的价格，通过恰当的渠道，向恰当的顾客提供恰当的产品。

”并指出精准营销的几种传播新模式，提倡从传播受众切入，研究受众的行为、生活形态，从而理解用户需求，最终传递给受众最精准的广告内容。

伍青生、余颖、郑兴山（2006）在《精准营销的思想和方法》一文中提出了精准营销是通过定量和定性相结合的方法对目标市场的不同消费者进行细致分析，根据他们不同的消费心理和行为特征，企业采用有针对性的现代技术、方法和指向明确的策略，实现对目标市场不同消费者群体强有效性、高投资回报的营销沟通。

邮政营销专家徐海亮教授（2006）创立了精准营销理论体系，提出了较为完整的精准营销的概念——精准营销就是在精准定位的基础上，依托现代信息技术手段建立个性化的顾客沟通服务体系，实现企业可度量的低成本扩张之路。

并指出了精准营销的三个层面的含义：

第一、精准的营销思想。

营销的终极追求就是无营销的营销，到达终极思想的过度就是逐步精准。

第二是实施精准的体系保证和手段，而这种手段是可衡量的。

第三就是达到低成本可持续发展的企业目标。

并对传统广告体系与精准传播体系进行了对比，提出来精准传播的三种方式：

网络媒体的传播，传统广告的改良与创新及口碑传播。

刘征宇（2007）在《精准营销方法研究》一文中也把精准营销的方法归为基于数据库营销的方法、基于互联网的方法、借助他人渠道的方法等三大类。

姜何（2008）用精细化营销来形容精准营销，他认为所谓精细化的管理是相对于粗放式管理而言的，面对于营销的精细化管理，意味着基于客户细分战略的一对一营销，即要与企业选定的最有价值的客户群一对一，了解个性化需求，提供个性化渠道，实现个性化营销手段。

而曹彩杰（2010）也分析到：

以网络和信息技术为核心的精准营销体系，在一定程度上将取代传统的营销方式，逐步成为现代企业营销发展的新趋势。

综合上述各种观点可以看出，目前学者对精准营销研究热情也颇为高涨，相关文献数量较多，但对于什么是精准营销业界还没有给出一个公认的定义，但精准营销的特性是显而易见的：

一是对市场准确定位，二是依赖科技手段，三是个性化服务，四是提高营销的正确性。

尽管精准营销的定义尚无定论，但这并不妨碍精准营销思想及方法的发展传播，由于互联网的普及化，网络营销方兴未艾，基于互联网的精准营销是目前网络营销的一个热点领域并且还会不断涌现新的研究成果。

精准营销将在互联网上的新兴行业里得到广泛推广，并逐步应用到传统产业中去。

2．精准营销的理论基础及意义

精准营销并不是一个全新的营销思想，随着信息技术的飞速发展，市场的形态有人们的消费行为、消费观念都产生了巨大的变化，随之产生的新营销环境促使营销方式和营销途径在传统营销理论的基础上不断演变发展。

2.1从4P理论到4C理论

美国营销学学者麦卡锡教授于1960年在《基础营销》（BasicMarketing）中提出产品（product）、价格（price）、渠道（place）、促销（promotion）大营销组合策略，他认为一次成功和完整的市场营销活动，意味着以适当的产品、适当的价格、适当的渠道和适当的传播促销推广手段，将适当的产品和服务投放到特定市场的行为。

4P理论是营销策略的基础，科特勒（1967）在其畅销书《营销管理：

分析、规划与控制》第一版中进一步确认了以4P为核心的营销组合方法。

4P营销理论遵循的是由上而下的运行原则，它使市场营销理论有开始有了体系，又使复杂的现象和理论简单化"这种理念的出发点是追求企业利润，重视产品导向而非消费者导向，没有将客户的需求放到同等重要的地位上来，这也正好体现了了在无细分市场（massmarket）里推（push）的概念。

在4P理论的基础上劳特朋（Robert.F.Lauterbon）教授（1990）在其《4P退休4C登场》专文中，提出了以顾客为中心的一个新的营销模式，这个4C理论它包含4个要素：

四个基本要素：

即消费者（Consumer）、成本（Cost）、便利（convenience）和沟通（communication）。

4C理论的核心：

强调购买一方在市场营销活动中的主动性与积极参与，强调顾客购买的便利性"精准营销为买卖双方创造了得以即时交流的小环境，符合消费者导向、成本低廉、购买的便利以及充分沟通的4C要求，是4C理论的实际应用。

精准营销是迎合市场内外环境的变化，在4P的理论基础上，融合了4C营销组合理论来适应新环境的发展：

（1）精准营销真正贯彻了消费者导向的基本原则。

4C理论的核心思想，便是企业的全部行为都要以消费者需求和欲望为基本导向，精准营销作为这一大背景下的产物，强调的仍然是比竞争对手更及时、更有效地了解并传递目标市场所期待的满足。

这样，企业要迅速而准确地掌握市场需求，就必须离消费者越近越好。

这是由于，一方面，信息经过多个环节的传播、过滤，必然带来自然失真，这是由知觉的选择性注意、选择性理解、选择性记忆、选择性反馈和选择性接受所决定的；另一方面，由于各环节主体利益的不同，他们往往出于自身利益的需要而过分夸大或缩小信息，从而带来信息的人为失真。

精准营销绕过复杂的中间环节，直接面对消费者，通过各种现代化信息传播工具与消费者进行直接沟通，从而避免了信息的失真，可以比较准确地了解和掌握他们的需求和欲望。

（2）精准营销降低了消费者的满足成本。

精准营销是渠道最短的一种营销方式，由于减少了流转环节，节省了昂贵的店铺租金，使营销成本大为降低，又由于其完善的订货!

配送服务系统，使购买的其它成本也相应减少，因而降低了满足成本。

（3）精准营销方便了顾客购买。

精准营销商经常向顾客提供大量的商品和服务信息，顾客不出家门就能购得所需物品，减少了顾客购物的麻烦，增进了购物的便利性。

精准营销实现了与顾客的双向互动沟通，这是精准营销与传统营销最明显的区别之一。

2.2让渡价值理论

“让渡价值”这个新概念是科特勒（1994）提出的，是对市场营销理论的又一进步。

顾客总价值与顾客总成本之间的差额是“让客价值”的中心。

其中顾客总价值是指顾客购买某个产品或者得到服务所期望获得的某些利益，其中包括产品的价值、服务的价值和形象的价值等；顾客总成本的意思是指顾客为购买某一产品或服务而支付的货币及所耗费的精力、时间，包括货币的成本、时间的成本及精力的成本。

由于顾客选择购买商品或者服务时，总是希望把相关的成本降至最低，同时又希望从中获得到更多的实际利益，因此，顾客总是倾向于选择“让渡价值”最大