摘要：新型的消费者主要分为四类，分别是价格主导型、产品主导型、归属型和个性调性型。

口述 / 阿里妈妈电商事业部营销顾问 廖燕

整理 / 天下网商记者范婷婷

9月22日，由阿里巴巴集团旗下营销平台阿里妈妈主办的2016“智能营销中国行”系列活动第二站落地杭州。此次活动主题为“细分市场逆袭”，阿里妈妈电商事业部营销顾问廖燕分析了在消费升级过程中，商家如何抓住细分市场商家，运用精准营销方式打开消费者的钱包，她认为新型的消费者主要分为四类，分别是价格主导型、产品主导型、归属型和个性调性型。

以下为廖燕演讲实录，经《天下网商》整理：

 消费升级的时代

最早的时候上淘宝是因为淘宝便宜，但是现在发现每个月很多消费都发生在网上，我们进入了怎样的一个消费时代？

第一，所谓的中产阶级、富裕群体正在速度增长；第二，年纪越小的人越会花钱，大家的消费方式、消费观念正在发生变化。网购群体的消费量级在高速增长。

这种情况下，我们出现了四类特别典型的人群：新中产潮妈、孕妈，她们是经济独立的现代女性，他们承担职场工作的同时也在承担家庭责任，这部分人群拉动了很多细分市场的成长；商务精英；资深淘宝达人；创一代。这些消费人群递增后，我们做了内部划分，发现这部分细分市场获得了快速增长。比如说孕产母婴玩具市场、美妆市场，户外运动等类目。

四大类消费者导向

第一类，价格主导型。这里分两块：一是日常销售，在日常销售的过程中，不管多爆的款一定会有生命周期，所以今天开始出现一个叫做“爆款群”的概念，当店铺有足够丰富的SKU的时候，消费人群能够集中在想要的时间段把产品爆发出去；二是活动大促。从广告的角度来说你的人群有一个漏斗，不能明天做活动了，才说这个东西有多好，而是在整个大促活动的周期，研究每一个流量与店铺之间发生的关系。研究好了消费者的行为链路，你再用阿里妈妈的产品定向不同消费人群，你给他们的东西也是不一样的。对于价格主导型的消费者，你要做的就是简单、粗暴，告诉他你的产品优势在哪里就可以。

第二类，产品主导型。这是占比很大的类型，对这部分消费者人群来说，商家要做的第一件事情是要非常明确我的产品满足消费者什么需求。达摩盘有最细致的人群化标签，会帮助你的店铺进行消费人群划分。

第三类，归属型。我为什么喜欢你，因为你所说的内容能够和我产生共鸣，所以在某种程度上定义为“共鸣型消费者”。比如张大奕的店铺，它是这个圈子里营销做得非常成功的店铺。先做两件事情：一是分析你微博上的这些粉丝到底爱你什么？二是这些粉丝，他们出现在淘宝的哪些板块、区域，做哪些动作。用户粉丝标签明确化以后，上新可以更切合粉丝需求。和粉丝契合的过程中，可以让双方共鸣越来越强、关系越来越密切。

第四类，个性调性。这里个性调性是我们的商家要去和你指向的消费者能够达到切合点个性上的关系。

消费市场激增，智能如何寻人

“智”，智能寻人，一是帮助消费者快速定位到他们想要的产品、店铺；二是帮助商家快速定位到他们针对的买家和消费人群。阿里妈妈不仅拥有网购生态圈的人群数据，还有阿里云这样整个大体系的云处理的加工能力。我们可以通过阿里妈妈的产品定位你的消费者会在哪些链路、媒体渠道上可以触达？

在消费模型链路上，阿里巴巴有两块资源支撑：一是全网全渠道资源触达；二是帮助商家把店铺甚至整个行业的人群做划分，并且在划分的同时通过阿里妈妈的基础产品在消费者行为的每一个链路上做不同人群的触达。

我们可以看一下，不管是细分行业还是行业里的细分小品类里，通过阿里妈妈，可以还原商家、消费者的链路、消费的产品，然后阿里巴巴大数据体系可以生成一些行为标签、广告标签。

为什么我们对标签那么自信？

第一，目前用的店铺常规营销包是整个自转体系里人群定向标签下，综合了流量、转化、ROI的效果比较好的标签；第二，除了这些标签，阿里巴巴在达摩盘后台有那么多的标签可以供大家组合。大家要非常明确、清楚地让买家知道我推给你的产品到底要传达什么营销诉求。

 （编辑|周麟）

占尽天时地利人和的跨境电商在全国的竞争力将会越来越强。但也应该看到的是，跨境电商发展的猛烈态势并非是重庆独有的现象。林克艾普舆情认为，一年的缓冲期结束后，中国跨境电商有望迎来行业大洗牌，在取得了来之不易的成绩的同时，要更加稳妥谨慎地去进行下一步的发展，做到“质”、“量”双增。

跨境电商之酒类分析

酒是人类生活中的主要饮料之一。中国酒文化更是源远流长，随着我国与世界交流的不断深入，国人对西方酒文化也开始越来越多的涉猎。在跨境购物中，酒类商品也成为消费者热衷的一大类别。林克艾普舆情监测数据显示，消费者在选择境外酒类时，85%的消费者选择啤酒；14%选择红酒；而选择伏特加、威士忌等特色鲜明的洋酒的消费者仅占1%。

红酒销售数量国家分布情况

林克艾普舆情监测数据显示，法国红酒销售数据占据首位。有人说，品红酒其实品的是岁月的沉淀。柔和醇香的法国红酒伴随着法国文明成长与发展，不仅饱含了迷人色彩，更蕴藏了深浓的历史内涵，因此最得红酒消费者喜爱，占据跨境红酒销量的半壁江山；澳大利亚红酒以其价格优势，对中国出口量仅次于法国，居第二位；葡萄酒产量居世界第三位的西班牙，以其优质红酒也吸引了不少跨境网购用户的目光。

跨境电商母婴用品大作战

作为婴儿营养汲取的重要来源，奶粉一直是宝妈们最关注的母婴用品之一。在历经“三聚氰胺”、“奶荒”种种担忧之后，更多的宝妈把目光转向国际市场，而众多的品牌仍令人乱花迷眼。林克艾普舆情监测数据显示，“爱他美”奶粉以绝对的销量优势占据排行榜第一。该品牌也是德国市场份额第一的奶粉，同时也是欧洲销量最好的奶粉之一。其次，荷兰品牌牛栏、德国品牌喜宝也以其高品奶源和天然营养深受消费者喜爱，分列排行榜第二、三。

不同国家奶粉销售数据分布

林克艾普舆情监测数据显示，德国奶粉销量得以领先，首先得益于其奶粉品牌众多，拥有爱他美、喜宝等大型奶粉品牌；其次，品质高、口碑好是保证，且德国拥有近乎于严苛的食品安全制度，在德国，奶粉只要拿下过货架，无论是不是启封过，都要销毁。荷兰奶粉销量排名第二，荷兰奶粉行业同样拥有诸多大品牌，如牛栏，美素等，牛栏等荷兰奶粉凭借其接近母乳的配方深受宝妈喜爱，因此也为荷兰奶粉挣得较高销量。澳洲，新西兰因为拥有优质奶源，也得到很多消费者青睐。

浅谈大数据对统计学的挑战和机遇

引言　　国际数据公司的相关研究指出，2011年全球数据生产量达1.8ZB，且全球信息总量每隔两年增长一倍[1]。在大数据时代下，对于统计学发展而言，挑战与机遇并存，挑战指的是现阶段传统统计学相关方法难以适用大数据，机遇指的是基于统计学，大数据展开数据处理、分析，促使大数据具备可视化特性。由此可见，研究大数据对统计学的挑战和机遇有着十分重要的现实意义。　　1.大数据及其目的　　现阶段，关于大数据仍旧没有一个十分明确的界定，大数据起初是源自于技术领域。在信息量不断扩大的情况下，使得常规电脑原有存储空间已不能对新处理数据进行承载，新兴数据处理技术得以产生，好比雅虎的Hadoop平台、谷歌的MapReduce等。此类技术能够对僵化层次结构、一致性予以消除，促进数据无需通过常规数据库表格进行排列，极大程度地提升了人们可处理的数据量[1]。　

　2.大数据与统计学的对比　　2.1样本统计与全样本统计的区别　　样本统计属于统计学不可或缺的依赖，样本指的是结合相应的概率自总体中随机筛选并视作总体代表的集合内容，值得一提的是随机抽样是需要成本的，包括社会关系、资金成本或者时间成本等。基于样本数量提升有限前提下，样本估计误差会随着总体数量增多而增大，这亦是样本统计无法避免的不足。大数据时代下，收集整理庞大的数据信息应运而生，数据信息发展表现出总体即是样本的态势，该属性很好的消除了样本统计这一不足。大数据时代下的全样本统计，通常情况下可对完全总体进行覆盖，然而受大部分数据属于半结构、半结构数据影响，使得概率论应用遭受一定的制约[2]。鉴于此，将全样本统计应用到统计学中，应当就总体数据展开相应的归纳、筛选，即好比在样本统计中展开数据预处理。　　2.2预测分析与非预测分析的区别　　统计学的创立，是为了对变量相互相关关系展开分析，因此获取数据是发生于变量确定之后的，数据分析价值是能够被预测的。相较于统计学的预测分析，庞大数据将互联网、传感器作为载体，存在于分析需求之前，因此构建于大数据上的分析多为非预测性分析。在统计学中，出现大数据无法有效应用局面，这是由于不具备非预测分析所需的庞大数据，庞大数据产生与数据中心、存储系统存在紧密的联系，并非短期产生。也就是说，统计学中大数据的应用发展，说明了非预测分析正逐步取代传统统计学预测分析，数据多次利用正逐步取代传统数据一次性利用的。　　3.大数据对统计学的挑战与机遇　　3.1数据生产、处理与应用的转变　

　相关统计部门经开展严格的统计设计工作，获得相关的统计数据，数据的预处理分别有数据清洗、非全面数据填补以及数据矫正等。大数据时代下的统计手段尚不十分明确，自大数据流环境而言，要不断探索新型抽样方法，并确保抽样方法的实时、连贯及可行性。除去传统的统计分析方法，还应当开发大数据动态分析、数据流算法等[3]。　　3.2大数据时代对市场营销的机遇　　3.2.1大数据营销的特点与价值　　大数据营销的特点：I.数据采集多平台化特点，即大数据时代下，大数据的数据大多来源于不同的领域、不同的渠道。II.时效性特点，随着信息技术的急速发展，互联网用户消费、购物行为方式往往会瞬间出现转变。国际先进大数据营销企业AdTime基于此大数据营销特点，采取了时间营销措施，即采取相应的技术方式全面获悉用户所需，于第一时间对用户当下的需求进行回应，以使用户在下决心购买的最佳时间及时看到对应的产品广告。III.个性化特点，在大数据时代下，广告商传统媒体导向的营销理念逐步由受众导向取代，现如今，广告商可应用大数据了解用户的地理方位，需求内容等信息，达到对用户个性化营销的目的。　　大数据营销的价值：I.升级营销与用户的匹配度，大数据营销不仅可提供给企业了解用户有效的途径，还能够与网络环境下，选取相关技术方法达到对用户精确定位的目的，从而开展好营销工作，升级营销与用户的匹配度。II.改善用户体验，大数据营销促使企业真正意义上认识到用户及其所使用企业产品情况，以给予用户最人性化的提醒。　　3.2.2大数据营销的应用　　（1）与消费者建立紧密关系　　现如今，我国一些企业营销行为仍旧处于个性化定位信息、创意设计阶段，而无法对不同消费者展开个性化的营销活动。大数据时代下，经采用相关数据分析技术方法，基于对消费群体喜好、传媒接触习惯等展开有效的分析，达到特定营销活动明确开展的目的，实现企业精心开展的营销活动精准的辐射至目标消费群体处，与消费者建立紧密关系，极大的改善营销效率、质量[4]。　　（2）掌握竞争对手数据　　企业通过对竞争对手数据的有效掌握，获悉竞争对手发展状况，基于此帮助企业制定科学合理的产品价格，提升企业产品市场竞争优势。与此同时，企业务必要全面实施以事实为前提的决策手段，广泛地应用数据分析方式对企业每一个发展运营步骤进行优化，经对企业一系列数据的充分优化、对接，促使业务环节中潜在的价值得以被有效挖掘，降低生产成本，知己知彼，促使企业在日趋白热化的市场竞争中占据有利位置。　　（3）挖掘企业内部数据　　“市场未动，数据先行”俨然转变为国际上企业有效运营发展的一致认识，为了提升企业管理效率，要求企业要充分挖掘企业内部数据，并展开有效的整合、分析，以为企业相关人员做决策提供有利的参考依据，提升决策准确性，促进企业可持续发展。

3.2.4 企业的应用案例——以亚马逊为例　　在应用大数据开展市场营销方面，美国亚马逊公司一直处于领先地位。亚马逊研发出“用户未下单，先发货”功能，即结合用户的购物需求数据信息，分析用户想要购买的产品，达到用户未下单，提前发货的目的。此外，亚马逊通过对用户检索信息的分析，评估流感的传播，但这仅仅为海量检索数据中的一项用途，相同的数据能够应用于预测大选结果、预测某类产品市场行情等等，极大地降低了统计成本[5]。　　3.3大数据时代对市场营销的挑战　　3.3.1信息收集　　大数据并非就是对数据信息展开盲目的收集，即便收集了再多的数据，倘若这些数据并非是市场营销所需要的，如此便会导致前期收集来的数据信息，变成一堆“数据垃圾”。鉴于此，为了避免这一情况发生，务必要充分分析业务需求，再对自身存在价值的数据展开收集、归纳，如此方可实现大数据的有效收集应用。　　3.3.2经验与数据　　数据采集完毕后，面对参差不齐的数据，还应当做好数据评估工作，评估对何种目标受众开展市场营销工作。鉴于此，要求采取科学合理的手段，将这些参差不齐的数据整合成可被市场营销实践应用的，经结合过去的经验，与采集数据进行有机融合，实现对目标受众的有效分析确定。　　3.3.3分析与优化　　数据分析，一方面是实现数据优化，一方面是进行决策层面上的调整、转变。此环节对于专业人才的需求提出了严苛的挑战。数据分析、数据优化对于专业人才的知识框架要求大不相同，这要求相关企业不仅要培养专业的数据分析人才，还要打造数据优化人才队伍。　

　3.4大数据营销的未来发展趋势　　信息技术不断发展，单一媒体导向的“消费者碎片化”俨然无法达到企业对于数据多样性的需求。大数据时代下，媒体的跨界融合实现对“碎片化”受众的充分聚合。在科学技术技术不断进步的背景下，跨媒介、跨平台、跨终端的多途径将不断被开拓，将使庞大的数据信息获取多维度的整合，并且在多样化网络环境下，消费者主观信息与客观数据有机融合，构筑全面用户数据库环节，将成为未来大数据营销发展的必然趋势[6]。　　4.结束语　　总而言之，大数据为传统统计学带来了严峻的考验，也为传统统计学有效发展创造了良好的契机。在大数据时代发展潮流中，我们应当充分的认识到大数据对于传统统计学而言，是补充而不是更替，构建于样本统计、预测分析内容上的传统统计学，仍旧于社会统计、经济分析中占据着主导位置。大数据时代下，为了实现企业市场营销的有效开展，相关人员务必要不断专研研究、总结经验，全面分析大数据与统计学的对比，充分认识大数据对统计学的挑战和机遇，“与消费者建立紧密关系”、“掌握竞争对手数据”、“挖掘企业内部数据”等，积极促进企业市场营销的科学合理化。

核心提示：中国饮食文化博大精深，除了跑遍全国品尝各地特色美食之外，能在本地城市就能吃遍全国美食精华才是吃货的终极梦想。

从古至今，中国人对吃的追求便远远高于对”穿住行”的要求，以诗人苏东坡为例，他之所以被称为美食家(换种说法则是吃货、吃虫)，正是因为每到一地就充分发挥就地取材的牛逼精神，从临界长江的黄州”东坡肉”到海南苏东坡之子苏过创作的”玉糁羹”，真正做到了从北吃到南，扫荡天下美食的气势。

而中国饮食文化博大精深，除了跑遍全国品尝各地特色美食之外，能在本地城市就能吃遍全国美食精华才是吃货的终极梦想。

然而对于资深吃货最苦恼之事莫过于听闻一家评价颇高的餐厅，欣然赴会却发现食之乏味，高评价是刷榜、水军所得;亦或是熟悉的美食吃了千百遍，遍寻不到填补新鲜感、值得尝试的新餐厅，导致吃货再也不吃了。

“O2O时代的吃货力量”大数据新鲜出炉，报告显示了在生活服务O2O快速发展并逐渐回归理性的当下，餐饮O2O消费的新趋势。

女性吃货“碾压”男性

数据显示，男女餐饮消费比例为69.39%：30.61%，近70%的餐饮消费由女性贡献。

餐饮消费额前5%的用户中，也有近7成是女性，女性成为餐饮O2O领域的消费主力。

年轻人是餐饮消费主力军

58%的餐饮消费由25-34岁的青年消费者贡献，85%的餐饮消费由18-34岁的年轻消费者贡献。

餐饮消费额前5%的用户，65%为25-34岁的消费者。

从饭点看出不同城市的生活节奏

哈尔滨、青岛最悠闲：38.33%的哈尔冰消费者晚饭时间在18:00之前，31.53%的青岛消费者晚饭时间在18：00之前。

广深最疯狂：39.28%的深圳消费者晚饭时间在20:00之后，37.67%的广州消费者晚饭时间在20：00之后。

其中，帝都有31.79%的消费者晚饭时间在20:00之后。

北京不同地区饭点差异明显

北京：密云延庆最悠闲 建外大街五道口

在20:00之后吃晚餐 朝阳东城平均30.81%

在18:00之前吃晚餐 密云延庆平均38.9%

跟老板说声“辛苦了”

20:00之后用晚餐的职业人群中，企业主和高层管理者吃得最晚，个体经营者时间最自由

贵阳盛产“土豪吃货”

餐饮平均客单价TOP5城市中，贵阳位列第一，一线城市仅上海、北京入围TOP5。

同一城市不同地区的客单价格差异明显：客单价最高的贵阳小河区是北京最高客单价西城区的2倍！

什么才是你的菜？

不同城市消费者钟爱的餐饮品类差异明显，折射出不同的城市文化。

上海整体更偏西化；北京则是更加倾向于传统国人口味；广州没有明显的倾向，更加多元化。

城市特色更吸引游客

全聚德名声在外：89.2%的消费者为外地游客；

北京本地人更青睐东来顺：41.74%的消费者为本地消费者；

做餐饮生意最怕心里没底，顾客的喜好、消费力、就餐原因、口味、接受能力等就是造成餐饮老板心里没底的因素，如果想了解顾客的需求，必然要做好市场调查。不过这些我们已经为你做了，各位餐饮老板可从以下数据看出餐饮消费者的需求。

Tips 1：工作以外的时间，朋友聚餐是最主要的消费行为。讲求实惠，轻松而有趣的氛围是朋友聚餐的首选佳地。每日12点和18点左右分别是午晚餐就餐高峰期，餐厅常常出现排队情况，而在餐点前后时段则经常坐不满。为使上座率最大化，餐厅可以根据不同时间段给予到店客人不同优惠。譬如如果在13-14点到店就餐，客人可享9折优惠；14–15点到店就餐可享8折优惠，以此类推。此外，在线订座高峰期比较集中在就餐前1–2小时。

Tips 2：餐饮业主力消费为上班族，营业者需提高上菜速度。飞速发展的社会使人的生活节奏越来越快，如何在食客的耐心时间内奉上美味佳肴，依旧是最大的话题。标准化的实现使食材前期处理的时间得以控制，若无法达到上菜的黄金时间（20分钟内），设计等待时间的小环节，降低食客的耐心也是个不错的方法。

Tips 3：口味与氛围是最食客最为关心的就餐因素，无疑味道是最为核心的竞争力。口碑、服务以及安全卫生是检验餐厅长久性的软性旗帜。

数据并不是市场的唯一指标，但我们可以通过数据得知市场的方向。无论是作为餐饮从业者还是餐饮爱好者，都可从中得到不少启发。

首席信息官正在利用数据分析来提高效率和促进增长，但并不是每一次努力都会产生结果。以下讲述了优秀的首席信息官是如何成功地利用数据分析和机器学习技术来增加收益或降低成本的。

如果把数据比作新的石油，那么掌握如何将其提炼为可使用的情报就是发挥其潜力的关键。为此，首席信息官正在使用预测分析工具，设计机器学习算法和对其他解决方案进行测试，以追求企业的效率和以新的方式为客户服务。

胡椒博士集团(Dr.PepperSnappleGroup)将机器学习技术用于语境相关性工作中

多年来，胡椒博士集团的销售路线员工一直是抓着一本厚厚的活页夹，里面装满了客户数据、销售和促销说明，然后去吸引一些零售客户，如沃尔玛和塔吉特百货公司(Target)等。今天，销售人员不再使用这种活页夹，而是配备了能告诉他们需要拜访哪家商店的iPad，而且还会告诉销售人员该为这些零售商提供何种优惠，以及其他关键指标。胡椒博士集团的首席信息官汤姆·法拉(TomFarrah)表示：“他们都是接订单的销售人员，为此他们感到很骄傲。现在他们配备了信息资料来帮助其实现目标，使他们成为智能的销售人员。”

该MyDPS平台配有机器学习和其他分析工具，可在工作人员加载应用程序时向其提供建议和日常操作记分卡。这些算法向员工显示他们是如何按照预期计划进行工作的，包括他们是否按照自己的计划工作，或是落后于计划，以及给他们提供见解，让他们清楚如何纠正他们的工作。法拉说：“如果我要让某人获得成功，我必须确保他们拥有哪些信息是与工作内容相关的。”

经验教训：为了测试验证MyDPS平台的概念，法拉将该软件分给了一个分公司的四个人，并让业务总裁去拜访他们。他们透露，自从上个月使用MyDPS之后，执行销售额已经提高了50%，这一表现让他批准了该项目。法拉说：“他获得了结果，这就是销售所需要的，这不仅仅是为了项目的商业赞助，而且这也是他们希望得到的结果，这一点非常重要。”

凭借机器学习技术，RRD公司走上新业务之路

营销传播公司R.H.Donnelley公司为RRD公司的前身，几年前，RRD公司设立了物流部门，向消费者和企业配送它的印刷材料。为了支持这项业务，公司自己管理运营，并代表其合作伙伴配送各种物品，包括洗衣机、狗粮等等，最终成长为价值10亿美元的一个企业。这是一个挑战吗?在联邦快递和UPS成为无可争议的霸主的天下，找到一个最优的运费。

诸如天气、地域、司机和政治局面等因素都是业务上的成本。RRD公司的首席信息官肯奥布莱恩(KenO'Brien)表示，随着迫切需要对费率变量进行预测，RRD公司转向了机器学习和数据分析。公司聘请员工和与大学合作来帮助编写算法，在700条路线上测试数千个场景，直到能够以99%的准确率提前7天实时预计运费。奥布莱恩说：“该项目在不到一年的时间就完成了，我们现在仍然看到业务的增长与运费有关。”该公司预计，在2017年，其卡车货运代理业务将从400万美元增长到1600万美元，营收将增长1200万美元，业务规模达6亿美元。

经验教训：新企业需要高水平的全心投入，尽管奥布莱恩承认，他的一些业务同行已准备好在业务的不同环节上认输。该业务并不相信那些通常以感觉和猜测来完成一个流程的技术。RRD公司建立了一个协作环境，业务和IT共同合作来推进结果。“你会遇到困难，你会遇到挑战，但要耐心，”奥布莱恩说。

孟山都公司(Monsanto)利用机器学习技术，实现最佳种植计划

农民永远为要种植何种作物，种植面积，在哪里种植及何时种植而苦恼。种子行业巨人孟山都公司正在研究这项工作，利用数据科学为农业种植提供规范性建议。数学和统计学模型会绘制出雄性作物和雌性作物的最佳种植时间，以及在何处种植，在理想状态下，这就最大限度地提高产量并减少土地使用。孟山都公司全球IT分析主管艾德里安·卡地亚(AdrianCartier)表示，其机器学习算法在数天内完成了超过900亿的数据点，而不是几周或几个月。这是商业利益吗?在2016年，孟山都公司节省了600万美元，其供应链足迹减少了4%。卡地亚说：“北美地区的土地利用率下降了4%，相当于不去使用大面积的土地，这节省了大量资金。”

经验教训：孟山都公司成功的关键是在信息技术与供应链业务之间建立了一个“自始至终”的合作。卡地亚说：“他们具有农业和供应链角度的专业知识，而我们具有数学和统计领域的专业知识，两者结合起来，就创造了我们能够提供的价值。”卡地亚说道，他还寻求在供应链业务中“改变领导者和倡导者”，以形成对反对者一种健康的平衡。

柏克德公司(Bechtel)以卓越的大数据中心来颠覆自己

一个鲜为人知的事实：柏克德公司首席信息官CarolZierhoffer说，与建筑有关的支出占GDP的13%，但整个行业在过去二十年中只有1%的生产率增长。专家表示，通过重新制定合同、提高工人技能以及改进现场执行工作等方式，该行业可以提高50%至60%的生产率。柏克德公司建造了胡佛水坝、英吉利海峡隧道和其他大型设施，已经开始在业务各个环节的数据中挖掘洞察力。

Zierhoffer在沃尔玛、波音和洛克希德马丁公司会见了业内同行，以获得有关如何向前发展的见解。柏克德公司建立了一个先进的大型数据中心，其中包含5千万亿字节数据的数据湖，并开始了概念验证。该数据中心使用照片识别技术，并代表客户来检查和标记各个地点的照片，这节省了200万美元。自然语言处理(NLP)工具可解析索赔、提案请求(RFP)和合同。过去需要几天和几周的评估和计划工作现在只需要数小时。柏克德公司还扩大了分析工作范围，以了解员工的流失率情况，包括试图预测员工将何时离职。Zierhoffer说：“我们相信我们正在敲开解决生产率难题的大门。”

经验教训：数据仓库和质量是支柱。尽管柏克德公司可以分析大量的数据，但在整个业务各环节的数据质量必须提高。“我们不得不颠覆自己，了解我们是如何工作的，并且将数据仓库进行连接。”

数据分析帮助辛辛那提动物园提高客户满意度

辛辛那提动植物园成立于1873年，是世界上著名的动植物园之一，以其物种保护和保存以及高成活率繁殖饲养计划享有极高声誉。它占地面积71英亩，园内有500种动物和3000多种植物，是国内游客人数最多的动植物园之一，曾荣获Zagat十佳动物园，并被《父母》（Parent）杂志评为最受儿童喜欢的动物园，每年接待游客130多万人。

辛辛那提动植物园是一个非营利性组织，是俄亥州同时也是美国国内享受公共补贴最低的动植物园，除去政府补贴，2600万美元年度预算中，自筹资金部分达到三分之二以上。为此，需要不断地寻求增加收入。而要做到这一点，最好办法是为工作人员和游客提供更好的服务，提高游览率。从而实现动植物园与客户和纳税人的双赢。

借助于该方案强大的收集和处理能力、互联能力、分析能力以及随之带来的洞察力，在部署后，企业实现了以下各方面的受益：

-帮助动植物园了解每个客户浏览、使用和消费模式，根据时间和地理分布情况采取相应的措施改善游客体验，同时实现营业收入最大化。

在大数据时代，各个领域都出现了数据爆炸式的增长。我们在网上做的所有社交活动及其行为都将塑造社会，正如现在正在发生的事情、曾经的岁月、5000年的文化历史等等产生的大量数据，其中可利用的数据，公司应该更多地了解它们以及转化它们，用数据帮助企业会得更多的发展空间。

现在如今可以通过大数据来改善产品、创新又换产品更能用来监控供应商、客户和货件，企业必须了解大数据来营造更好的环境影响和好处。

由于公司手中涌入了大量数据，员工的人数有所增加，他们可以帮助处理大数据并对其进行分析，以便为企业发展提供必要的洞察力。当然小数据业务领域方面，经过这一新变化也意味着公司现在会寻找并要求专家知道如何处理当今大量信息流入的最重要问题。

大数据为企业运营带来的洞察力也带来了以前小型数据业务的巨大转变。在人们不得不手动监控公司的库存，发货地点以及如何完成工作之前，现在大数据的变化将使所有这些变得更加高效。自动软件可以进行艰苦的计算工作，并在销售方面提供更好的回报。

“大数据”一词描述了人们改变对世界运作方式的理解方式。如果不解决消费者的需求，所有这些变化和创新都将是不完整的。现在，它可以在不同的消费产品中建立传感器，从洗衣机到电表。来自此类产品的这些数据将使制造商，政府和民间社会更加了解。他们了解消费者如何享受他们的产品以及如何改进他们以创造更好的版本。

消费者和计算机使大数据现在变得更容易理解。毫无疑问，大数据为商业和个人生活带来了许多增长机会。随着这些变化带来风险。大数据的风险不应超过其利益。今天，我们的专家和政府雇员的工作是管理利益并抵消风险。这样做将确保我们可以从大数据的进展中受益。仍然没有妥协我们的社会陷入毁灭和隐藏的威胁。

在互联网行业，百度指数、淘宝指数、QQ/微信数据，早已被看做企业经营的关键性指标。这也是BAT作为中国互联网基础设施的战略价值之所在。

现在，苏宁也来了。

最近，艾瑞等第三方权威机构联合苏宁发布2017年大数据消费趋势报告《中国消费者购物趋势洞察》。

这份报告通过具象数字展示了消费升级的本质趋势，不仅消费者对好产品的定义发生变化，而且在购买家电、手机等常规产品时的诉求也有新潮流。

马云讲DT时代，李彦宏讲大数据，周鸿祎讲IOT，本质上都是一个意思：数据是新的石油！

如何通过数据背后的秘密来把握后电商时代？

不管你是电商、传统零售业主，只要你关注互联网、关注零售升级、关注消费趋势，都不应该错过这篇文章。

【《中国消费者购物趋势洞察》中的大趋势与小细节】

在报告中，从多维度呈现出了消费力苏醒的一群人，消费升级的中坚力量开始崛起，并呈现向外辐射的态势。

数据显示，消费者愿意花更多钱购买质量更好一点的产品。2014-2017年消费者的购物诉求也发生了渐进式的变化：从满足基本生活所需，到产品品牌、品质、口碑和个性化属性。

同时我注意到，消费者行为的变化对行业整合也有着较大影响。最明显的变化是，用户在PC端的消费趋势雷同，月波动主要受节假日的影响。

而在移动端，流量增长波峰主要来自各平台自行组建的节日或者大规模的市场投放（如618、818、双11等购物节）带来的拉动。

从消费者行为和行业层面，用大数据的方式来观察中国零售业态宏观层面的更新和演变，是一件非常有意思的事情。

当然，细节之中才隐藏着产业升级的破局之道，这份报告就给我们观察零售业升级微观层面提供了极有价值的数据，来看几个细节：

1.手机和小家庭依然是电商零售的首要需求池。2017年中国消费者最近半年购买过的品类TOP5：服饰、手机电脑、食品生鲜、酒水饮料、生活小家电。家庭场景中的购物规划在未来有重要意义，需要加速占坑。

2.口碑传播在购买决策比重上升。用户对产品的决策标准，从最初的性价比和促销力度转向产品的品质和口碑。尤其是健康类与升级类产品更容易让用户产生口碑传播，强势拉动业绩增长，所以集赞很重要。

3.品牌信息输出渠道更加多元，电商网站、线下卖场占比分居第一、第二、产品观望、搜索引擎、网络论坛等。纯线上走向线下，线下寻求和线上联合，全渠道趋势明显。包括已经实现线上线下的苏宁也在不断拓展双线，深化融合。

简而言之，从这份报告中一些基本论断被佐证，比如消费升级、全渠道趋势等；

一些传统印象被颠覆，比如手机市场饱和，但实际数据显示智能手机依然是重点品类，只是消费者决策点改变；

一些新的渠道和营销价值开始凸显，比如以家庭为入口的场景覆盖、线上线下双向发力的零售渠道；

一些新的赢利点被挖掘，比如家庭健康类产品在增长率和口碑上的双赢。

这份2017年消费大数据的趋势报告中，可以咀嚼的东西实有很多，有心人可找来自行感受。

【源于数据、高于数据：2017消费趋势大数据报告惠及了谁】

每到年末，就是各种行业总结性报告纷纷出炉的时候。为什么说这份电商大数据报告能真实反映零售业态的动向呢？

作为家电3C第一渠道的超级平台，苏宁易购已经逐步成为家庭场景中品类覆盖、服务链路完整的渠道之一，有近30年的消费数据积累，作为引领者还应该承担什么样的角色？

零售是个双向互动的过程，渠道和品牌商之间也需要正向关联。因此大数据报告中所体现出的品牌变化及趋势，也成为行业竞争力的重要标的，是品牌必须了解的数据。

在“品牌效应”日趋重要的升级时代，苏宁对终端厂商的赋能作用极其明显。

为了对行业更具指导作用，《报告》还根据苏宁年末的消费者品牌评选“金狮盛典”，出具了品牌排行榜单。

作为各大品牌的年中大考，从今年的“金狮榜”三大榜单：金赞榜、热力榜、新锐榜中，能看到苹果、华为、荣耀等品牌以品质、渠道、便捷等优势赢得了消费者的心。

其实数据机构联合企业推出某一行业报告非常常见，《中国消费者购物趋势洞察》大数据报告的不同之处就在于，除了根据大量电商数据得来的趋势洞察之外，还是一份真正对智慧零售有所洞见的研究成果。

人们对产品的需求更加多样化，对于电商平台的服务需求也更加多样化。大数据报告，不但是服务于自身，也服务于品牌，同时还服务于全行业和消费者，有着积极的指导意义。

【绝知此事要躬行，苏宁的未来实验能成功吗？】

那么问题来了，苏宁易购作为电商平台，为什么要对大数据趋势和品牌商赋能投入如此之多的精力？

最显而易见的原因，是近些年来消费者购物趋势的改变，给各大零售品牌带来了巨大的升级压力。

急于转型，却不知道该往哪里转，如何转？尤其是在大众消费品中，消费者的审美需求千人千面，更加碎片化。

95后消费者的崛起让个性化、快速迭代的零售模式风生水起。

作为智慧零售的领军人，苏宁张近东很早就说过：数据分析将越来越重要，数据资源一定是线上、线下相融合的。

如今，“线上+线下”成为零售商业模式升级的共识性方向，而早就洞悉行业趋势的苏宁自然需要在大方向上持续带领家电品牌探索实体与虚拟相结合的未来之路。

张近东重视大数据，这是全行业都知道的事。但相比于纯分析，实实在在的探索也是苏宁的重要发力点。

在这届“金狮盛典”中，我们就能看到苏宁是如何通过社交打开场景化零售大门的。

“金狮盛典”的品牌PK中，邀请消费者和品牌进行互动，打造了一组浑身是戏的海报。每天主推的品牌设定了一个人群和生活场景，还设想了对应人群会搜索的问题。

吐槽了程序员、“黑”了塑料女神、逗了女汉子，还调戏了集体脱发的90后……这种趣味式场景化设计，吸引大量用户贡献UGC内容，并且刷屏了社交网络。

我一直强调，打开消费新需求的关键钥匙就在于场景，只有抓住用户购物时的真实需求、真实期待和真实痛点。只有抓住了这些，才能创造使用感强烈、具有入口价值的互联网场景。

苏宁“金狮盛典”的社会化营销，无疑就是场景零售的绝佳案例，赋能各大品牌的同时，想必也给了行业不少启发。

【结束语】

零售业是一个重积累、重深度、重服务的领域。在转型升级的趋势中，苏宁有着很大的优势。

张近东多次表示这是一条前无古人的零售之路，在世界商业史上没有先例，需要融合一切零售链上课融合的力量。

作为行业的创新者，苏宁正引领各个伙伴一起奔赴零售产业的下一个战场。未来如何，值得期待！

王冠雄，著名观察家，中国十大自媒体（见各大权威榜单）。主持和参与4次IPO，传统企业“互联网+”转型教练。每日一篇深度文章，发布于微信、微博、搜索引擎，各大门户、科技博客等近30个主流平台，覆盖400万中国核心商业、科技人群。为金融时报、福布斯等世界级媒体撰稿人，观点被媒体广泛转载引用，影响力极大，详情可百度。

蒙牛集团项目经理万雁俊

社会的所有行为都可以通过网络数据来表现，在8月9日CIO发展中心联合蒙牛集团举办的走进“智慧”蒙牛会议上，蒙牛项目经理万雁俊就消费者大数据从蒙牛消费者数字化平台架构、面临的问题解决方案总体思路、蒙牛消费者数据结构、营销标签、蒙牛消费者洞察体系、数据采集整体技术方案、消费者洞察可视化七个方面进行了详尽的分享。

本文由CIO发展中心根据蒙牛集团项目经理万雁俊在“走进“智慧”蒙牛”会议上的演讲整理。

一、蒙牛消费者数字化平台架构

应用层：以消费者为中心，服务于消费者，如线上的销售，营销互动，品牌传播，社交媒体、客户服务等；服务层：卓越运营，IT打造的服务中台；数据层：今天重点讲的一层。对外营销，媒体投放，营销互动，第三方数据等，包含业务领域、电商领域、数字营销等，各数据都汇总至此。

二、面临的问题解决方案总体思路

面临的问题：

系统多种多样，数据特别繁多；数据散落在各个应用系统，造成数据孤岛；整体数字化运营体系缺失，各业务单元对数据分析理解参差不齐。

解决方案思路：

数据需集成与处理；对数据进行整合与分析；构建全集团洞察分析体系。

解决方案：

采集“人”：以“人”的视角进行数据采集，构建消费者全域数据中心；识别“人”：跨屏跨域唯一辨识，多ID归因识别；分析“人”：基于用户的标签分析，行为分析与关系分析，洞察框架驱动运营。

三、蒙牛消费者数据结构

蒙牛消费者整体数据结构，包含基本信息、会员信息、特征信息、营销互动、交易数据和消费者行为数据等。前三者为消费者最基本的信息，行为数据非常重要。消费者的购买方式、消费喜好、营销偏好、交易数据、消费者分享、消费轨迹等等，都是基于线上、线下的活动，和消费者在互动过程中积累的数据，从不同的维度形成一个消费者360度整体的一个思路，全面对消费者进行洞察。通过多重数据和标签，就可全面分析其消费特征，结合其消费偏好，打上标签。

四、蒙牛消费者洞察体系

通过采集、分析消费者线上行为轨迹，可以知道“这个人是谁？”，为后期业务进行消费者行为深入研究及进行人群精准化投放，提供重要数据来源。通过业务标签，不断积累更新，标签越来越丰富，这样对于消费者才理解的更清楚。

这些标签总共分为四大类：

自然属性：人的肉体存在及其特征。如：性别、年龄等；社会属性：在实践活动中产生的社会关系的总和。职位、学历、所在城市等；兴趣偏好：对非物化对象的内在心里向往。如兴趣偏好；行为消费偏好：对物化对象的需求与偏好。如对什么品牌感兴趣，对牛奶口味有哪些偏好等。

五、蒙牛消费者洞察总体技术架构

通过数据采集，品牌营销活动、电商平台、三方交易平台、媒体平台及内外部系统，形成统一的消费者全域数据，通过OneID，形成自然人的统一ID识别与连接，并聚合不同业务领域的用户行为，通过关系中心，形成统一ID之间的关系网络，并结合标签中心为业务赋能，如：营销评估、个性化推荐、人群管理、消费者画像等。

六、数据采集整体技术方案

数据采集整体技术方案中，包括一些APP，网页、H5及小程序等都是通过采集工具实时传输到系统中处理。采集整合是洞察的基础。

七、消费者洞察可视化

1、营销可视化监控：从用户触达到效果评估的全生命周期监控，对营销互动的资源配置就可以快速调整。

2、活动主题分析：从用户、渠道、产品的维度深度分析业务发展情况，支撑业务发展跟踪。此次扫码活动相比较历届扫码活动有所提升吗？对于这类活动未来的风险点在哪里？是否还存在其他机会？

3、标签沉淀：基于标签分类、单个标签等维度分析各标签的用户规模，并构建面向个人的全息画像。

八、CNY活动概述—访客旅程

用户通过扫描二维码，进入网页，互动，抽奖。消费者线上扫码访问到活动平台，在整个活动流程，首先使用营销工具为其打上标签与身份特征，活动数据实时呈现。通过定义参与不同业务过程的价值分值，这样便可以清楚看到不同的媒体渠道带来的渠道价值。另外结合时间维度、每一周、每一天、每小时结合用户行为与渠道分布等交叉组合呈现输出，都可以触发业务人员的场景设计的想象。

通过分析数据。这次活动中，超六成为女性，25-34岁，学历较高，同时大部分有子女，孩子为学龄前儿童；在有子女的人群中，有车人群占到七成，与全网做匹配，发现这部分人群爱网购，京东、淘宝利用率位居榜首；其次喜爱观看偏女性生活视频，大部分人优先选择腾讯、优酷和爱奇艺。它与之投放策略相辅相成 。通过分析，将这部分人群做相应的快速速写，引发业务人员一定的思考，对于后期媒体投放等都将有明确的参考作用。

（本文转载自“CIO发展中心”）

做过面向消费者产品解决方案的同学都知道，每个项目开始前，客户都会提一些要求或者对现在营销状况的顾虑，比如我们想了解一下我们潜在消费者是谁；怎么发优惠券效果最好；或者，我们应该推出什么样子的新产品，能够赢得消费者口碑和青睐。在量化决策分析法中，这一系列的前期需求，我们把他称作为：客户需求或未来期望。

接下来，你需要了解该问题的现状，比如现有产品或服务的消费者是怎么样的，以前发的优惠券效果怎么样，现在市场的销量趋势如何等等。

当了解了客户需求和现在的现状后，我们需要慢慢抽丝剥茧，找出解决方案，填补这个空档。

一般来说，没有任何方法论或者经验的咨询员或者分析师听到客户的这些期望后，他们会开始不知所措，无从下手。他们完全不知道该从哪个角度切入，收集哪些数据，做哪些假设，用什么方法分析。

其实像这类问题是有方法论的，我们可以用四步循序渐进的方法来搭建现状与未来的桥梁。

第一步：描述性分析－What

发现问题。我们可以用看病的场景来类比下，病人去看病，说最近不舒服。于是医生让病人进一步描述一下怎么不舒服。这里也是一样，拿优惠促销的案例来说，我们会先了解客户以往有没有做过类似的促销案例，什么时候做的，效果怎么样。经由这些的问题产生一系列的KPI。

KPI产生的方法有以下几种：

1）我们提问，客户解答

2）从客户公司数据库获得信息（SQL）

3）从外部数据获得信息（第三方数据加强）

4）竞争伙伴信息

5）政策信息

6）语义分析

7）其他

获得KPI的工具：

1）问答（座谈，电话，Email，短信，问卷）

2）数据库（SQL）

3）Excel

4）R，Python等软件

5）网站搜索资料

6）自然语言学习

7）其他

分析这些KPI变量：

这些KPI可以是绝对数，百分数，也可以是指数。可以是过去不同时期的对比数据，也可以是不同分组（如：人群分组，模式分组）的对比数据，或者和竞争对手的对比数据等。 通常 KPI分析的方法有：

1）单变量分析（univariate）

2）双变量分析（bivariate）

3）多变量分析（multivariate）

4）假设验证（hypothesis）

5）简单建模（clustering分组）

经过对这些KPI的分析，可以帮助我们形成：

1）已有消费者人物画像

2）潜在消费者人物画像

3）忠诚客户画像

4）消费者价值分组

5）其他

第二步：诊断性分析（why）

回答问题。我们同样用医生看病的例子来类比一下，当医生问完病人问题，通过问诊，X光等等，医生开始利用自己掌握的知识来对病人的病情做出诊断。

放到分析法中，这一步通常我们需要：

1）了解因果关系

2）了解各因素间敏感性如何

我们需要了解是由哪个原因，或者哪些原因造成了现在的市场现状。比如在前一个阶段，我们得到了50个非常有用的KPI，通过因果关系分析，我们确定了，其中有10个KPI起着重要的作用。结下来，我们会问，这10个因素中，每个因素单独的贡献是多少，有些可能非常高，有些可能相对较低。那这个问题，我们可以通过建模来得到每个因素的贡献大小，同时模型还能起到剔除高相关变量的作用。还有一种用到模型的原因是，当因素达到上百，上千个的时候，很难用传统方法在如此多的因素中，甄别出最有用的事那些，这种情况下，也需要用到模型来帮助选变量，最后一个原因是我们可以甄别这个因素是正向促进因素，还是反向促进因素。

通过建模的结果，我们可以得到以下以下关于消费者的模型：

1）忠诚度模型

2）满意度模型

3）价格敏感度模型

4）归因模型

5）客户流失模型

产生这些模型背后的算法有：

1）线性回归

2）逻辑回归

3）决策树

4）时间序列

5）Random forest，boosting，SVM，PCA等等

第三步：预测分析

预测正确的时机，得到先发制人的营销效果。有了第一步和第二步的准备，我们需要预测一下，如果我做一些调整，将会有什么变化和影响。

用到的模型有：

1）意向打分模型

2）品牌忠诚度打分

3）购买渠道偏好模型

4）触媒使用习惯

6）销量预测

5）生存分析模型

比如： 意向打分模型 。我们发现，如果用现有的因素，消费者会转换的倾向可能是60%，但是如果我对一些因素做了一些调整，如：我给现有客户多发2个广告，客户会购买的可能性上升到65%；如果，给客户多发5个广告，客户会购买的可能性上升到85%。通过这样的调整，我能够预估，将来的广告成本，或者转化带来的收入等。

又比如： 通过时间序列模型 ，我们可以预测到明年购买某品牌车型的消费者有10万人，这样对明年的生产计划和营销计划就能有一个前期的应对准备。

第四步：决策分析应用

1）提供战略推荐

2）优化

3）市场模拟

4）A／B测试

第三步的例子提到多发2个广告，转化率为65%；多发5个广告转化率为85%。那么如果多发3个？多发4个广告，结果又会如何呢？学术界一直在寻找最优化完美的答案来解决这个问题：我到底发几个广告，才能让我的利润达到最大化呢？

我们都知道在做回归模型的时候，有以下几个假设条件：

1、随机误差项是一个期望值或平均值为0的随机变量；

2、对于解释变量的所有观测值，随机误差项有相同的方差；

3、随机误差项彼此不相关；

4、解释变量是确定性变量，不是随机变量，与随机误差项彼此之间互相独立

5、解释变量之间不存在精确的线性关系，即解释变量的样本观测值矩阵是满秩矩阵

6、随机误差项服从正态分布

实际上，现实生活中很难达到这种理想的状态，而且最大化这个概念，从数学角度讲，会涉及到优化求极值的问题，很多情况下，我们实际上求到是局部优化（localoptimization）的解，而不是全局优化（globaloptimization）的解。

所以在这种情况下，管理学中衍生出了市场模拟方法来决定最后方案，最有名的一个方法是沙盘模拟，但是这些模拟往往到了真正落地的时候，又会和之前的结果有差距。

所以近些年来，越来越多的公司选择做A/B测试。当你对几个方案没有很大的把握，或者对预测结果不是特别自信的时候，A／B测试的出现，解决了这些顾虑。最近的一个成功的案例是Amazon通过A/B测试的方法，把“order”从账户栏，放入了主页的菜单栏，为公司带来的非常可观的营收增长。

A/B测试需要注意的是：

1）样本的数量

2）人群的选择

3）时间的跨度

4）显著性统计

整个决策分析法即是阶梯又是一个闭环，根据实际的市场反应，再进行进一步的分析与迭代优化。

读完整个量化决策分析法后，你应该对以消费者为核心的大数据解决方案有了一定的思路框架，接下来我会定义更新每个步骤需要的方法论，技能，注意点，案例。

感谢你的阅读，希望你有收获。

End.

作者：阎文怡（中国统计网特邀认证作者）

周四线上分享《全面解析“用户画像”》，送书福利见下图！