不做无效的营销

• Sophia爱

  2017-04-21
  营销人需要准确掌握其服务的品牌/产品诉求、企业的目标消费人群特性、目标营销平台的平台特性和人群特性、目标营销平台可获取的数据类型等。在每一个营销个案中，由上述的几个重要方向都存在变量，因此上文提过的量体裁衣特别重要。对同一个企业来说，就处是前后相邻的两年， 也不能采用同一套数据标准。而现在很多的企业，不论自己所处的品类、品牌的现状、推广平台是怎样，去往往地使用同样的标准来一切。比始只要求新增的粉丝数量抑或品牌光达到某某值，这是很不可取的。
• Sophia爱

  2017-04-21
  “人群画像”对于营销人的意义是：为品牌找到正确的目标人群，并了解正确影响人群的方式方法。因此，发果不能帮到营销决策，画像就算使用的数据再多再复杂，也是不合格的。我们要怀抱着“要为了帮助决策而努力”的目标整理和分析数据，而不能陷入类似“看，我们可以分析这么多、这么复杂的数据”的炫技误区。炫技并不是做画像的目的，有用才是。
• Sofia

  2017-04-16
  正确地设立数据评估的标准和体系，并不单为了在项目结束后拿着一个漂亮的数据交差，更重要的是，它能帮助我们在项目执行的整个过程里，不断地校准至正确的方向，避免南辕北辙。
• Sofia

  2017-04-16
  如果分析一下代言&赞助是如何实现这些诉求的，会发现，其意义可以主要总结为两个方面：第一个是作为优秀的传播渠道以及高质量的传播内容；第二个是为核心竞争力背书，甚至成为品牌核心竞争力的一部分。
• Sofia

  2017-04-16
  企业什么时候需要代言&赞助1. 企业或初创企业希望快速提升知名度2. 企业转型——面向新的人群、开拓新的品类或品牌属性升级3. 企业需要拓展地域版图4. 为了扩大销量由于快消品的价格低廉，消费者在购买时并不会如耐用品一样慎重对比和选择，故而往往对哪个品牌有印象就会选择购买相应的产品。因此在这个类型的商品上，知名度往往同销量有着绝对的因果关系。同时，很多快消品覆盖的人群也非常广泛。因此，选择最当红的、影响力人群数量最大的明星为其代言，必然可以带动其销量。
• Sofia

  2017-04-16
  Doing the right things is much more important than doing things right.做“正确的事儿”比“把事儿做得正确”重要得多。
• Sofia

  2017-04-16
  竞品可以从以下三个层面进行系统的分类：企业层：品牌战略层；产品层：产品的外形、功能、盈利方式等角度；用户层：用户关注、谈论、购买行为等。
• Sofia

  2017-04-16
  人群画像3C九宫格“用户之旅”（CUSTOMER JOURNEY）版：就是把3C中的每一个C，都用“用户之旅”的思路来细化元数据、行为数据和态度数据。用这样的方法，我们可以把九宫格模型细化为三个具有15个维度的分类：知晓（人群）、兴趣（人群）、研究（人群）、购买（人群）、分享（人群）
• Sofia

  2017-04-16
  人群画像的3C视角：品牌（Company）：品牌/产品的现有用户是哪群人？这群人有哪些共性是对营销决策有价值的？品类（Category）：品牌/产品所属的品类是什么？这个品类下的现有人群是什么样的？这群人有哪些共性是对自身品牌的营销决策有价值的？竞品（Competition）：品牌/产品目前的竞争对手是谁？竞品目前的用户是谁？这些人中有哪些是自身品牌想争取的，如何争取这群人？
• Sofia

  2017-04-16
  元数据和行为数据只是在识别人群，只有态度数据能够解释背后的动机，了解大家的需求和不满。
• Sofia

  2017-04-16
  “人群画像”不应该是流水线产品，而应该是量体裁衣的。怎样判断一个”人群画像“是否合格？答案既简单也困难：画像结果能否帮助企业导出有因果关系的营销策略。“人群画像”对于营销人的意义是：为品牌找到正确的目标人群，并了解正确影响人群的方式方法。因此，如果不能帮到营销决策，画像就算使用的数据再多再复杂，也是不合格的。我们要怀抱着“要为了帮助决策而努力”的目标整理和分析数据，而不能陷入类似“看，我们可以分析这么多、这么复杂的数据”的炫技误区。炫技并不是做画像的目的，有用才是。
• Sofia

  2017-04-16
  奥美有一个著名的工具叫作“Fusion”，其中的“商业企图红星”，也称之为5C理论，是专门用来帮助企业探寻商业企图/目标的。红星分为五个分析角度，分别是：企业/产品（Company）：分析企业目前需要解决的核心问题；品类（Category）：分析市场行业环境背后的机会和挑战；竞争（Competition）：分析企业面临的竞争态势；渠道（Channels）：分析品牌或产品在通向消费者的过程中，通路的情况及变化；消费者（Consumer）：分析目标消费人群的需要和购买决策。这个模型展现的，就是营销视角下如何正确找到目标的方法：一是，理清企业的商业问题（而非领导的愿望）：二是，将企业放在大的市场环境下寻找机会；三是，找到可以与竞品争夺的差异化优势；四是，准确定位最科学的影响力渠道，连接品牌/产品及终端消费者；五是，找到自身需求和消费者需求的交集。
• Sofia

  2017-04-16
  《纸牌屋》的编剧约翰·曼凯维奇对于中国用户热议的“纸牌屋通过大数据大获成功”的观点也是很有一些莫名其妙，并坚决否认。2016年6月，他在接受《北京青年报》采访时，明确表示：“一部电视剧的走红，关乎导演、演员，更关乎有创意有深度的故事与讲述故事的手法，但市场本身充满了偶然性，并非数据能够算出。”
• 秋白

  2019-11-14
  大家变得更愿意相信知识问答型的社区，但其实，很多人并没有看懂相关的文章，只是因为看到了一堆专业的词汇，以及有人帮助你做了看似合理的对比，并且推导出了一款必买产品后，“理智”地认可了对方的观点。
• 秋白

  2019-11-13
  营销方向并没有经过验证和调整，有可能存在战略上面的偏差从战略到战术的推导存在标准和因果不清晰的情况，因此造成了一次又一次的重复修改；执行过程中缺乏实时优化，活动效果基本全部依托于方案本身的质量；没有清晰客观的数据评估的标准（KP），营销的效果是否现了营销目标缺乏科学的判断；重要的营销数据并没有被要善的积累。
• 秋白

  2019-11-13
  品牌（ company）：品牌/产品的现有用户是哪群人？这群人有哪些共性是对营销决策有价值的？品类（ Category）：品牌/产品所属的品类是什么？这个品类下的现有人群是什么样的？这群人有哪些共性是对自身品牌的营销决策有价值的？竞品（ competition）：品牌/产品目前的竞争对手是谁？竞品目前的用户是谁？这些人中有哪些是自身品牌想争取的，如何争取这群人？
• 秋白

  2019-11-13
  “人群画像”不应该是流水线产品，而应该是量体裁衣的。回到本节最开始的那个问题：怎样判断一个“人群画像”是否合格？答案即简单也困难：画像结果能否帮助企业导出有因果关系的营销策略。人群画像”对于营销人的意义是：为品牌找到正确的目标人群，并了解正确影响人群的方式方法。因此，如果不能帮到营销决策，画像就算使用的数据再多再复杂，也是不合格的。我们要怀抱着“要为了帮助决策而努力”的目标整理和分析数据，而不能陷入类似“看，我们可以分析这么多、这么复杂的数据”的炫技误区。炫技并不是做画像的目的，有用才是。
• 秋白

  2019-11-13
  调研结果表明：“产品设计出色”并不应该是营销重点。也就是说，如果该企业大力推广的是外形美观这个点，无法令目标人群更愿意购买“完美一号”。之所以设定这一群人做调研，因为他们能反映的正是当下市场上消费者的心声，而且由于这件事对他们来说刚刚发生/即将发生，对很多具体的选项，答案会更加精准。有一道题是这么问的“当你做购买决策时，最在意以下哪三项？”结果显示：外形美观这件事的重要度排名倒数第三名（见下图，部分选项略）。
• 秋白

  2019-11-14
  分析师最难的工作，是作为舵手，如何准确地定位问题；然后是作为桥梁，如何做好问题的“翻译”；最后才是科学高效地解决问题。在做分析的过程中，需要很多跨界的知识。比如说在做问卷调研的过程中，分析数据的能力固然重要，逻辑也很重要。但还需要有话题所属行业的知识，社会学和心理学的知识。比如，在设计问卷的过程中，我们会把所有敏感性的问题在顺序上面往后放，让大家填写到最后几个问题时才看到，并且并不设为必答题。例如问到大家薪水、体重这样的问题。这背后的原因是从心理因素考虑的：如果打开一个问卷，看到的第一个问题就是问薪水，很多人会立刻产生反感，不愿意再填写问卷。但是放到最后，很多人会因为“已经填写到最后了”这样的理由而答完。或者依然不愿意答，也没关系，因为不是必答题跳过就好了。但如果是必答题呢，就会有人因为实在不愿意回答随便选一个选项。这样子设计，在分析的时候，虽然这个题的样本数比其他问题要少，但只要数量不低于统计所需的下限，结论并不会受到影响，相反，收回的答案准确度还要更高。这就属于从心理学角度出发的考量了。
• 秋白

  2019-11-14
  对于刚入门的分析师来说，大部分的公司虽然一腔热血，却并没有形成体系化的数据管理与人才培养的模式。分析师虽然顶着一个比较时髦的身份，但往往是通过做了一些项目，然后靠累积的个人经验来做事。如果公司本身的业务类型相对单一，人才的成长过程就要漫长一些。但是，市场上的分析师身价却在节节高升。于是，很多仅仅有了部分经验的人，会为了高薪，着急地跳槽去别的公司。就这么周而复始。这样的轮回并不利于分析师能力的成长，一个看起来有多年经验的分析师，有可能只是一类经验用了很多年。还有一种低估的情况。用人方，有时因为付不起高薪，会选择先找一个初级的人，低薪招进来，以图慢慢培养。但是矛盾的是，一个合格分析师的养成，需要大量的时间精力投人，以及丰富的项目经验，刚入行的人往往很难快速为企业带来效益。而用人方常常因为看过太多大数据神迹一般的案例，误以为所有的分析结果，都应该是倞天地泣鬼神的。如果自己的分析师做不到这一点，那么，就只能恨铁不成钢的给低薪了。对于分析师来说也是有苦难言。自身能力和企业要求不能匹配，现实环境又不是一个良好的成长环境，于是进入了一个死循环。