(4)网络搜集。除了以上方式外,网络上也有很多公开的用户数据,比如很多论坛、QQ群、网络团体等,都会提供会员通讯录下载、交换。这是许多商业公司的惯用手法,是一个非常省时、省力和省钱的方法。
(5)购买。这是最直接的方法。实际上,我们的数据可能已经被倒卖了很多次,相信很多初为人父母的都有这样的经历:刚生完孩子,家里的亲戚都还不知道是男是女,推销奶粉的电话就打来了。
3.营销数据管理与营销数据挖掘
数据管理主要是指运用先进的统计技术,利用计算机的强大计算能力,把不同的数据综合成为有条理的数据库。特别是大型公司,需要用专门的软件统一管理用户的数据库,要做到所有部门的数据都是统一和同步的。数据管理最重要的一条是数据挖掘,特别是对于网店与电子商务公司,尤其重要。数据挖掘主要是挖以下三方面的内容:
(1)挖掘用户。简单地说,就不同的属性不停地对用户进行深入细分。根据使用最多类消费者的共同特点,用电脑勾画出某产品的消费者模型。以推一把网站为例,推一把的用户粗略分为3种:个人站长、中小型企业人员及行业从业人员。而对于中小型企业人员,如果按行业又可以细分出医疗行业、美容行业、教育行业、农产品行业等;如果按公司规模分,又可以分为10人以下、50人以下等;如果按资金规模来分,又可以分成10万元、50万元、100万元等;如果再按地区分,又可以分为北京、上海、广州等。
将用户细分的好处是:当需要推广某个产品时,可以马上从数据库中提取出最精准的用户。比如,我们要卖一款白色、售价为500元的耐克运动鞋,通过数据库就可以马上找到那些喜欢白色运动鞋、消费能力在500元左右,且对耐克比较偏爱的用户群。
(2)挖掘需求。这个是指根据用户的年龄、职业、收入、文化层次、喜好、消费习惯等数据,运用先进的数据分析技术,找出他们的潜在需求。这其中最经典的一个案例就是关于尿布与啤酒的故事:沃尔玛通过建立的数据仓库,按周期统计产品的销售信息,经过科学建模后提炼决策层数据。结果发现,每逢周末,位于某地区的沃尔玛连锁超市啤酒和尿布的销量很大。进一步调查表明,在美国有孩子的家庭中,太太经常嘱咐他们的丈夫下班后要为孩子买尿布,而丈夫们在买完尿布以后又顺手带回了自己爱喝的啤酒,因此啤酒和尿布一起购买的机会是最多的。之后该店打破常规,将啤酒和尿布的货架放在了一起,使得啤酒和尿布的销量进一步增长。
(3)挖掘产品。开发什么样的产品会有市场?用户喜欢什么样的产品?会为哪些产品买单?这是让很多企业困惑的问题。
而这些问题的答案,都可以通过分析数据库中的数据而得到。假如我们是一家制药企业,主打产品是胃药,通过几年的销售,我们拥有了30万用户的数据库,而且其中大部分是我们的忠实用户。这时候我们开始对数据库进行分析与挖掘,最后发现这些用户中有60%患有肠道疾病,那公司下一步就会考虑开发这方面的产品。
4.完善用户数据库
仅仅建立了数据库,得到了初步的数据还不够,如果想从数据中得到更多信息,想更多利用数据库进行营销,还需要不停地扩充及丰富数据库,不断地搜集和完善用户详细信息,如喜好、行为和习惯等。这其中主要用到的方法有以下几种:
(1)引导。这是最直接,也是最重要的一个方法。在这方面,一些交友网站及SNS网站做得比较到位。这些网站都会有一个完善的积分系统,如果会员想获取更多的网站积分,就需要不停地完善自己的资料,每完善一项,就可以得到相应的积分奖励。这是一种非常典型和有效的引导方式。
(2)反馈。用户的反馈是最直接和真实的数据,特别是对于销售型的企业,一定要注意搜集用户的反馈意见。以网店为例:
在我们向用户推荐产品时,不同用户会有不同的反应。比如有的用户会说,我不喜欢这件衣服,因为它是红色的。这个时候,数据库中就增加了一条非常重要的信息:这个用户不喜欢红色的衣服。
(3)调查。调查最重要的技巧之一就是尽量为有奖调查,因为有物质奖励,用户的积极性才会提高。另外,调查的选项尽量不要设置得太多和太复杂,这样容易降低用户的积极性。
(4)行为。通过观察和记录用户的行为,也是一种非常好的获取方式。还是以网店为例,假如某个用户在我们这里买了三次衣服,每次的牌子都一样,价位区间与颜色也都非常一致,那我们就可以得到这样的信息;这个用户对某品牌很偏爱,消费能力在X元左右,喜欢某种颜色的衣服。
(5)活动。在有条件的情况下,多组织互动性比较强的活动,通过活动去搜集用户数据,引导用户留下他们的信息。
(6)沟通。如果你的用户群比较少,或是时间及精力比较多,那也可以通过与用户直接交流的方式获取用户数据。实际上,通过这种方式获取的信息也是最详细的,特别是许多比较隐私的信息,只有通过交流才能获得。
营销量化数据的四种类型
在所有营销活动中需要涉及的数据类型,我们依据来源,将其分为四大类:基础数据、统计数据、深度数据和经验数据。
基础数据:通常是根据特定目的,将分散的数据汇总形成的结果。例如,老业务员指出经销商去年净出货454万元的数据,就是典型的基础数据。
统计数据:就是我们说的机会成本的计算和本息合计损失的计算。这样的数据有一些通用的常规公式,通过公式的应用,能直接得出我们需要的结果。
深度数据:没有完全现成的公式,都需要一定的概念转化和再认识。在计算的复杂程度和应用的层面上,比统计数据对应用者的要求更高,主要涉及统计学、概率论的知识和计算方法。在日常的业务沟通中应用较少,主要应用在专业的市场分析和市场调研中。
经验数据:就是我们看到的业务预估的30%的行业销售毛利,甚至业务员用经验确认该批产品如果半价销售,一个月内可以销售完毕,这也是业务员的经验积累。当然这些数据可能需要大量的基础数据、统计数据,甚至深度数据做参考,但经验数据一般都是估计值、大约数,不能算做精确数据。
为了让大家对数据种类有更清楚的认识,这里举四个例子:
(1)2009年公司内外销各品类销售总额为25亿元(基础数据);
(2)这个经销商的月度安全库存不应低于135万元(统计数据);
(3)1万名经销商中,非重置抽样400个客户,发现有320个客户处于存活状态,存活率80%;今年客户存活率抽样平均误差为1.96%(深度数据);
(4)如果这次促销价格下调10个点,估计本月环比销量将上涨35%左右(经验数据)。
在实际应用中,我们经常会用到这四类数据。比如,评估一个优质客户:首先,需要用经验数据锁定优质客户需要符合哪些条件,因为“优质”是一个定性的词,优质也会因人、因公司而异。其次,经验数据往往只能为我们提供方向,而其他三类数据的具体量化能让我们看清目标。
所以,企业为什么喜欢招聘有工作经验的人,从数据的形成方式来看也就不难理解了。能够有正确经验数据的人,都是在积累了大量的基础数据、统计数据、深度数据基础之上形成的经验,换句话说,这是用大量的时间成本和学习成本形成的优势资源。当然,那些原有的经验用了十几年,又不善于积累经验数据的人,不在讨论之列。