龙源期刊网
http://www.qikan.com.cn
大数据时代的品牌营销
作者：肖明超
来源：《销售与管理》
2015
年第
10
期
去年一年到现在参加的很多营销峰会或者论坛，
“
大数据
”
绝对是个热词。
大数据带来的机遇是显而易见的。例如，大数据对购物和零售业带来的变革，大数据分析
可以让零售商利用多渠道
/
全渠道零售活动，确保消费者能获得自己想要的产品，无论在什么
时候，也无论通过什么样的媒介；此外，很多零售商正在转向使用大数据分析的方法来将个性
化客户通信与实时定价结合在一起，努力实现个性化精准营销；通过大数据分析可以研究消费
者的购物行为，准确的预测下一步的消费。
但是，大数据的应用仍然无法回避以下问题：
1.
数据越大，噪音越大。数据越大越好吗？数据越大，其实噪音越大，尤其在现在社交网
络和移动互联网高度发达的今天，每个消费者通过不同的介质和终端平台都在实时产生大量的
数据，而数据的噪音也因此产生，如何去粗取精，如何挖掘出有价值的数据，却成为新的挑
战。
2.
数据的价值在于结构完整性，而不是数据规模的问题。大数据可以告诉我们消费者在什
么地方、什么时间在做什么，但是很多时候，你无法判断消费者为什么产生这样的消费行为。
很多时候我们得到的大数据都是节点的数据，节点数据的问题在于数据结构并不完整；同时，
越来越多的非结构化数据的涌现，也让数据结构的完整性遭到挑战。碎片汇聚的数据，如果技
术挖掘或者解读不好，很可能以偏盖全。
3.
要让大数据变成小数据才更有价值。任何企业科学决策，除掉要掌握足够完整的数据，
更重要的是要有足够的细分，从完整到细分，才有差异化的策略。因此，越是大数据时代，洞
察变得越重要，数据越大，社会学和人类学的洞察和策略建构愈加重要，而这个过程，是一个
将大数据变成小数据的过程，大数据分解成若干的小数据才能制定出对于企业更有用的策略。
在这个前提下，下面再来谈谈大数据时代，品牌如何进行营销？
大数据就一定精准营销吗？
精准和效果从来都是广告界谈论最多的话题，从大众演进到分众，直至精众和个众，数字
营销技术和商业模式的创新，都在向着同一个目标，即不断推动着网络广告将广告投放给更加
相关的消费者，让人们看到他们想看的广告。
门户时代的互联网营销是以网站为目标，网站锁定目标人群，然后再锁定企业要传播的人
群；搜索时代的营销，则是以内容、关键词匹配广告的模式进行；信息碎片化的时代，则有各

Intel® Scalable Dataframe Compiler
Numba* Extension For Pandas* Operations Compilation
Intel® Scalable Dataframe Compiler (Intel® SDC) is an extension of Numba*
that enables compilation of Pandas* operations. It automatically vectorizes and parallelizes
the code by leveraging modern hardware instructions and by utilizing all available cores.
Intel® SDC documentation can be found here.
Note
For maximum performance and stability, please use numba from intel/label/beta channel.
Installing Binary Packages (conda and wheel)
Intel® SDC is available on the Anaconda Cloud intel/label/beta channel.
Distribution includes Intel® SDC for Python 3.6 and Python 3.7 for Windows and Linux platforms.
Intel® SDC conda package can be installed using the steps below:
> conda create -n sdc-env python=<3.7 or 3.6> pyarrow=0.17.0 pandas=1.0.5 -c anaconda -c conda-forge
> conda activate sdc-env
> conda install sdc -c intel/label/beta -c intel -c defaults -c conda-forge --override-channels
Intel® SDC wheel package can be installed using the steps below:
> conda create -n sdc-env python=<3.7 or 3.6> pip pyarrow=0.17.0 pandas=1.0.5 -c anaconda -c conda-forge
> conda activate sdc-env
> pip install --index-url https://pypi.anaconda.org/intel/label/beta/simple --extra-index-url https://pypi.anaconda.org/intel/simple --extra-index-url https://pypi.org/simple sdc
Building Intel® SDC from Source on Linux
We use Anaconda distribution of
Python for setting up Intel® SDC build environment.
If you do not have conda, we recommend using Miniconda3:
wget https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh -O miniconda.sh
chmod +x miniconda.sh
./miniconda.sh -b
export PATH=$HOME/miniconda3/bin:$PATH
Note
For maximum performance and stability, please use numba from intel/label/beta channel.
It is possible to build Intel® SDC via conda-build or setuptools. Follow one of the
cases below to install Intel® SDC and its dependencies on Linux.
Building on Linux with conda-build
PYVER=<3.6 or 3.7>
NUMPYVER=<1.16 or 1.17>
conda create -n conda-build-env python=$PYVER conda-build
source activate conda-build-env
git clone https://github.com/IntelPython/sdc.git
cd sdc
conda build --python $PYVER --numpy $NUMPYVER --output-folder= -c intel/label/beta -c defaults -c intel -c conda-forge --override-channels conda-recipe
Building on Linux with setuptools
export PYVER=<3.6 or 3.7>
export NUMPYVER=<1.16 or 1.17>
conda create -n sdc-env -q -y -c intel/label/beta -c defaults -c intel -c conda-forge python=$PYVER numpy=$NUMPYVER tbb-devel tbb4py numba=0.49 pandas=1.0.5 pyarrow=0.17.0 gcc_linux-64 gxx_linux-64
source activate sdc-env
git clone https://github.com/IntelPython/sdc.git
cd sdc
python setup.py install
In case of issues, reinstalling in a new conda environment is recommended.
Building Intel® SDC from Source on Windows
Building Intel® SDC on Windows requires Build Tools for Visual Studio 2019 (with component MSVC v140 - VS 2015 C++ build tools (v14.00)):
It is possible to build Intel® SDC via conda-build or setuptools. Follow one of the
cases below to install Intel® SDC and its dependencies on Windows.
Building on Windows with conda-build
set PYVER=<3.6 or 3.7>
set NUMPYVER=<1.16 or 1.17>
conda create -n conda-build-env -q -y python=%PYVER% conda-build conda-verify vc vs2015_runtime vs2015_win-64
conda activate conda-build-env
git clone https://github.com/IntelPython/sdc.git
cd sdc
conda build --python %PYVER% --numpy %NUMPYVER% --output-folder= -c intel/label/beta -c defaults -c intel -c conda-forge --override-channels conda-recipe
Building on Windows with setuptools
set PYVER=<3.6 or 3.7>
set NUMPYVER=<1.16 or 1.17>
conda create -n sdc-env -c intel/label/beta -c defaults -c intel -c conda-forge python=%PYVER% numpy=%NUMPYVER% tbb-devel tbb4py numba=0.49 pandas=1.0.5 pyarrow=0.17.0
conda activate sdc-env
set INCLUDE=%INCLUDE%;%CONDA_PREFIX%\Library\include
set LIB=%LIB%;%CONDA_PREFIX%\Library\lib
git clone https://github.com/IntelPython/sdc.git
cd sdc
python setup.py install
Troubleshooting Windows Build
If the cl compiler throws the error fatal error LNK1158: cannot run 'rc.exe',
add Windows Kits to your PATH (e.g. C:\Program Files (x86)\Windows Kits\8.0\bin\x86).
Some errors can be mitigated by set DISTUTILS_USE_SDK=1.
For setting up Visual Studio, one might need go to registry at
HKEY_LOCAL_MACHINE\SOFTWARE\WOW6432Node\Microsoft\VisualStudio\SxS\VS7,
and add a string value named 14.0 whose data is C:\Program Files (x86)\Microsoft Visual Studio 14.0\.
Sometimes if the conda version or visual studio version being used are not latest then
building Intel® SDC can throw some vague error about a keyword used in a file.
So make sure you are using the latest versions.
Building documentation
Building Intel® SDC User's Guide documentation requires pre-installed Intel® SDC package
along with compatible Pandas* version as well as Sphinx* 2.2.1 or later.
Intel® SDC documentation includes Intel® SDC examples output which is pasted to functions description in the API Reference.
Use pip to install Sphinx* and extensions:
pip install sphinx sphinxcontrib-programoutput
Currently the build precedure is based on make located at ./sdc/docs/ folder.
While it is not generally required we recommended that you clean up the system from previous documentaiton build by running:
make clean
To build HTML documentation you will need to run:
make html
The built documentation will be located in the ./sdc/docs/build/html directory.
To preview the documentation open index.html file.
More information about building and adding documentation can be found here.
Running unit tests
python sdc/tests/gen_test_data.py
python -m unittest
References
Intel® SDC follows ideas and initial code base of High-Performance Analytics Toolkit (HPAT). These academic papers describe ideas and methods behind HPAT:

这是一个非常好的问题，也是很多大数据专业同学比较关心的问题之一，作为一名IT从业者，同时也在带大数据方向的研究生，所以我来回答一下。
随着当前大数据技术体系的逐渐成熟，大数据的行业生态也在不断发展和完善，从当前大数据行业的岗位划分来看，大数据岗位可以大致上分为三大类，分别是大数据开发岗、大数据分析岗和大数据运维岗。另外，由于目前大数据正处在落地应用的初期，所以也有很多人在从事大数据教育岗位。
大数据开发岗位是当前人才需求量比较大的岗位之一，而且大数据开发岗位的人才需求类型正在从早期的研发岗(大数据平台研发)，逐渐向大数据行业开发岗位覆盖，相信随着大数据平台逐渐开始在行业领域应用，大数据行业开发领域会释放出大量的人才需求，这个过程也会需要大量的高端应用型人才(专硕)。
与大数据研发岗位不同，大数据的行业应用级开发主要基于大数据平台(开源及非开源平台等)展开，来完成行业领域的大数据创新开发，整体的开发难度并不算高，所以大数据专业的本科生往往就能胜任。从这个角度来看，大数据专业的本科生要想提升自身的就业竞争力，应该重视开发能力的提升。
大数据分析岗位的人才需求量也非常大，与大数据开发岗位不同，大数据分析岗位的行业边界更大，不仅IT互联网行业需要大数据分析人才，很多传统行业也需要大量的大数据分析人才，这一点在工业互联网时代会有更加明显的体现。相比于大数据开发岗位来说，大数据分析岗位对于统计学知识的要求也比较高，而且还需要了解更多的行业知识，比如要想在金融领域发展，就需要掌握一定的金融领域知识。
最后，大数据运维岗位也是当前不少大数据毕业生的重要选择，大数据运维岗位对于数学和统计学知识的要求相对比较低，但是对于动手实践能力的要求比较高，要掌握大量大数据平台和工具的安装、配置和维护等知识。如果不愿意与大量复杂的算法和程序打交道，选择大数据运维岗位也是不错的选择。
我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以私信我！

随着智能手机的出现，用户的所有足迹和所有在线行为都可以被记录下来，在线和离线数据可以完美地连接起来。过去十年，大数据的发展可以说是由于智能手机和移动互联网的普及带来的。但现在，红利似乎已经消失，因为作为运营商的智能手机将不再增长。然而，这并不意味着大数据领域没有得到发展。尽管数据载体的增长速度放缓，但数据的规模不断扩大，数据的价值也日益突出。随着数据维度越来越多，如何处理多源异构的数据，使之创造出商业价值成为了行业最为关注的问题。
为此，各行各业都在探索大数据的应用场景，以期为自身带来增长，营销行业更是如此，这从数字营销的快速发展便可见一斑。如今，伴随着AI的发展，数据的“智能”一词更是被广泛提及，那么数据和算法在营销闭环中到底能产生什么样的价值？如何实现数据的共享与分享，并为品牌营销带来增长呢？
像石油一样去炼数据
要想让数据为企业和品牌营销所用，首先企业自身便要有丰富的数据，对于每家企业来说，他们都或多或少有一些自己的数据，但内部之间的数据却并不能被有效整合，更不用说产生聚合的价值了。那如何聚合多个数据源，产生更多的数据呢？其实，数据就像是新时代的石油，数据中台就是帮企业生产数据的，作为今年的热门概念，很多企业在打造自己的数据中台。
大数据的精神就是数据的共享与分享，在T11 2018数据智能峰会上前阿里巴巴集团副总裁车品觉就强调了数据中台的共享能力。在他看来，数据中台的核心是在于在多源异构的数据集下怎样处理数据共享。
不过，一般提到“共享”，大家又会存在一些误区，认为共享就是索取彼此的数据。数据中台说的是连接，而不是拥有。未来，谁也不会拥有谁的数据，而是将数据做连接，把所有的身份匹配、映射。而且，他还认为检验中台是否成功的唯一标准就是共享能力，因为数据中台理念的由来是“共享”。
当然，数据的共享必然也会导致数据安全问题的发生。但这个问题并非完全无法解决，可以通过“数据不动、算法流动”的方式解决，利用完全脱敏并进行隐私保护的TDID做数据打通，在数据做连接、关联之后，再提供类似于安全沙箱的环境，将数据在里面做整合，来保证应用、建模时的数据安全。
数据分析助力营销闭环形成
数据中台使得数据得以共享，对于品牌来说，掌握更多的消费者数据无疑可以帮助他们触达更多消费者，但要最终影响消费者并驱动业务增长，还需要找到品牌精准的目标人群。在合适的时间、合适的地点，对合适的人，做合适的事情，即数据使用的四个要点KYC、KYP、KYS、KYT。
而且，品牌的核心是增长，品牌关注的也是增长和发展。大数据平台不仅能帮品牌找到目标人群，还能对人群做分析，通过分析他们的设备属性、地域分布、媒介偏好等各种特征，帮品牌找到更优质的媒体或者投放方式。而这也是一个选择→分析→触达→评估→迭代的营销场景闭环的形成过程。
选择需要实时的数据全覆盖；分析则是要看选择的目标人群特征与实际业务上的特征，是否相互匹配，如媒体属性、LBS属性、业务属性、环境属性等；而触达过程中也需要有数据作为支撑，帮助判断投放方式和触达方式是合理的；TA评估能够通过数据全程链追踪，发现哪个环节是作弊、哪个环节是异常、哪个环节是可修正的等等；TA迭代能够针对TA人群进行迭代与优化，比如该人群如果是通过线下的特征定义获取的，便可以针对LBS地理位置属性进行优化。
如何利用大数据提升品牌营销ROI？
中琛魔方大数据
(www.zcmorefun.com)
表
示：整个营销场景闭环的形成都离不开数据和算法的支持，数据和算法的结合也使得营销越来越智能化和高效。随着未来技术的进一步发展，大数据在营销场景中的应用必将越来越广泛。