2017年数据营销案例

随着IT技术、internet技术与数据库技术的不断发展,数据营销在企业中越来越被广泛的应用,各商业银行陆续推出了自己的数据营销平台,一方面为客户提供优质的金融服务,另一方面收集客户数据,进行数据分析,期望能实现精准营销。以下是小编为大家整理的关于2017年数据营销案例，一起来看看吧!

2017年数据营销案例篇1

故事背景：

在一家超市中，通过大数据分析发现了一个特别有趣的现象：尿布与啤酒这两种风马牛不相及的商品的销售数据曲线竟然初期的相似，于是就将尿布与啤酒摆在一起。没想到这一举措居然使尿布和啤酒的销量大幅增加了。这可不是一个笑话，而是一直被商家所津津乐道的发生在美国沃尔玛连锁超市的真实大数据案例。原来，美国的妇女通常在家照顾孩子，所

以她们经常会嘱咐丈夫在下班回家的路上为孩子买尿布，而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒。

这个发现为商家带来了大量的利润，但是如何从浩如烟海却又杂乱无章的大数据中，发现啤酒和尿布销售之间的联系呢?这又给了我们什么样的启示呢?

这就是关联!

关联，其实很简单，就是几个东西或者事件是经常同时出现的，“啤酒+尿布”就是非常典型的两个关联商品。所谓关联，反映的是一个事件和其他事件之间依赖或关

联的知识。当我们查找英文文献的时候，可以发现有两个英文词都能形容关联的含义。第一个是相关性relevance，第二个是关联性

association，两者都可以用来描述事件之间的关联程度。其中前者主要用在互联网的内容和文档上，比如搜索引擎算法中文档之间的关联性，我们采用

的词是relevance;而后者往往用在实际的事物之上，比如电子商务网站上的商品之间的关联度我们是用association来表示的，而关联规则是

用associationrules来表示的。

关联规则数据挖掘阶段

第 一阶段必须从原始资料集合中，找出所有高频项目组(LargeItemsets)。高频的意思是指某一项目组出现的频率相对于所有记录而言，必须达到某一

水平。以一个包含A与B两个项目的2-itemset为例，我们可以求得包含{A,B}项目组的支持度，若支持度大于等于所设定的最小支持度

(MinimumSupport)门槛值时，则{A,B}称为高频项目组。一个满足最小支持度的k-itemset，则称为高频k-项目组

(Frequentk-itemset)，一般表示为Largek或Frequentk。算法并从Largek的项目组中再试图产生长度超过k的项目集

Largek+1，直到无法再找到更长的高频项目组为止。

关联规则挖掘的第二阶段是要产生关联规则。从高频项目组产生关联规则，是利用前一步骤的高频k-项目组来产生规则，在最小可信度(MinimumConfidence)的条件门槛下，若一规则所求得的可信度满足最小可信度，则称此规则为关联规则。

例如：经由高频k-项目组{A,B}所产生的规则，若其可信度大于等于最小可信度，则称{A,B}为关联规则。

就 “啤酒+尿布”这个案例而言，使用关联规则挖掘技术，对交易资料库中的记录进行资料挖掘，首先必须要设定最小支持度与最小可信度两个门槛值，在此假设最小

支持度min-support=5%且最小可信度min-confidence=65%。因此符合需求的关联规则将必须同时满足以上两个条件。若经过挖掘

所找到的关联规则{尿布，啤酒}满足下列条件，将可接受{尿布，啤酒}的关联规则。用公式可以描述为：

Support(尿布，啤酒)≥5%andConfidence(尿布，啤酒)≥65%。

其 中，Support(尿布，啤酒)≥5%于此应用范例中的意义为：在所有的交易记录资料中，至少有5%的交易呈现尿布与啤酒这两项商品被同时购买的交易行

为。Confidence(尿布，啤酒)≥65%于此应用范例中的意义为：在所有包含尿布的交易记录资料中，至少有65%的交易会同时购买啤酒。

因此，今后若有某消费者出现购买尿布的行为，我们将可推荐该消费者同时购买啤酒。这个商品推荐的行为则是根据{尿布，啤酒}关联规则而定，因为就过去的交易记录而言，支持了“大部分购买尿布的交易，会同时购买啤酒”的消费行为。

从上面的介绍还可以看出，关联规则挖掘通常比较适用于记录中的指标取离散值的情况。

如果原始数据库中的指标值是取连续的数据，则在关联规则挖掘之前应该进行适当的数据离散化(实际上就是将某个区间的值对应于某个值)，数据的离散化是数据挖掘前的重要环节，离散化的过程是否合理将直接影响关联规则的挖掘结果。

2017年数据营销案例篇2

身处移动社交时代，每一家企业都有一种巨大的危机感——这是营销人最好的时代，也是最坏的时代。说它是最好的时代，因为社交平台的兴起和技术的发展赋予营销非常大的想象力，说它是最坏的时代，因为无限可能也带来无限焦虑和迷茫。

比如，近期马化腾和媒体的沟通中说出了自己最大的担忧，“有时候，各个行业都搞不清楚到底哪一个会冒出来。越来越看不懂年轻人的喜好，这是自己最大的担忧。”这样的问题不止腾讯遇到，相信很多企业都遇到了，就是“越来越看不懂用户。”

然而，越是看不懂用户的时候，营销人就越要冷静地思考和分析市场背景和趋势。在当今的环境下，大数据正以前所未有的速度，颠覆人们对营销的认识，驱动产业的融合与发展，可以说大数据最有利驱动营销的武器，同时，大数据驱动的营销不仅仅是利润上的，更多是数据背后对用户价值的挖掘。

未来，如果企业不能通过大数据驱动自己的营销策略，那么在面对复杂的用户需求和市场环境时，将面临更大的挑战。

所以，2017年企业需要用大数据改变营销策略。

内容营销策略

随着传统广告传播效果的减弱和社交媒体的崛起，内容营销的重要性日益凸显。越来越多的企业既扮演着广告商又充当着出版商的角色，利用各种形式的品牌化内容将品牌、观点与价值主张呈现在消费者面前。比如，亚历山大·塞缪尔(Alexandra Samuel)曾在《哈佛商业评论》发布文章《数据是内容营销的下一大热门话题》提到数据对内容营销的价值和帮助。

数据对内容营销驱动的价值在于，可以让企业更好的对用户去讲故事，并能够通过可视化方式来展示。比如，《纽约时报》、《经济学人》等都投入大量资金在数据驱动内容方面，因为这些媒体意识到，借助于大数据的帮助，使他们能够挖掘新的见解，并以更具说服力的方式对用户“讲故事”。

移动社交时代，大量用户通过社交平台了解信息，可以说社交媒体和数据是相辅相成，不能分开的。企业通过社交媒体传递出营销内容是必然的途径，因此，在社交平台把内容当产品去运营，并且还要保持内容的持久性时，一定离不开数据的驱动。只有这样，才能为企业内容打造出独特的、符合用户视角的内容，而不是和用户无关的内容。

比如，700Bike的官网是一个内容、线下活动推广、购买渠道与社区的聚合体。用户能在官网中了解产品的样式、功能并选择购买。最有特色的是：他们还能在官网上看到和自行车相关的故事以及生活方式，也能在社区中分享自己的骑行故事和生活感想。

品牌营销策略

品牌营销策略是企业实现快速发展的必要条件，过去，企业通过对产品、服务的包装和大规模的广告宣传来打造品牌，营造出一种“光环效应”并借此来吸引消费者。如今，移动社交网络的发展降低了信息不对称性，用户能随时随地在社交平台上了解他们想购买的产品信息，这对企业来说，以传统的营销方式制造光环来吸引用户越来越难。

显然，移动社交时代下，品牌建立营销策略时就必须分析出用户喜好和购买习惯，甚至做到比用户更知道他需要什么，才能更好的服务用户，而这也是“以用户为中心，构建智慧营销生态”的基础。同时，基于大数据技术，还可以改进企业广告投放策略和精准推广策略。

比如，《小时代》在预告片投放后，即从微博、微信上通过大数据分析得知其电影的主要观众群为90后女性，因此后续的营销活动则主要针对这些人群展开，最终取得不错的票房成绩。究其根本，主要是通过数据了解用户需求，根据用户特征和详细分析，做出精准的营销策略。

用户洞察策略

用户数据是企业最重要的资源，尤其在社交时代，用户不仅仅是企业的消费者，还是一个重要的信息传播源，更具有自己的社交价值，这对企业而言都是潜在的价值。企业想要提升品牌价值，面对新环境和形势下保持企业品牌活力，就必须维护好用户关系为用户创造价值。因此，精准的用户洞察必不可少。

一个经典案例就是可口可乐瓶广告。通过对用户的数据分析，可口可乐在其饮料瓶身上印上了年轻人喜欢用的“萌妹子”、“天然呆”、“文艺青年”等流行词汇，极大推动了其在年轻消费群中的销量，当然，同时这也是一个非常好的内容营销案例。

又比如，时趣通过大数据对用户数据及线下用户数据形成品牌用户数据库，在对数据清洗后抽取特征标签，届时不仅得到每位个体用户特征，潜在用户的画像也渐渐清晰，通过对相似用户进行分组，实现精准定位。由此，企业进行品牌内容推广的时候，可以实时监控投放效果，针对不同人群属性的互动反馈优化投放人群。

正如用友软件CEO王文京所讲，未来企业将都会是“数据驱动的企业”，无论你处于什么行业，企业规模大小。所以，通过大数据和精准的算法能够利用收集分析的用户数据结果，科学指导运营动作，并自然融入用户生命周期中，一边提供用户所需，一边根据运营效果反馈，不断进行优化调整，最终形成数据生态系统，综合各渠道外部数据及内部自有数据形成优化闭环，帮助企业构建“以用户为中心的智慧营销生态。”

关于时趣

时趣互动(简称时趣)成立于2011年，是中国领先的移动社交营销解决方案服务商。总部位于北京，在上海、广州设有分公司。时趣致力于帮助企业构建以用户为中心的智慧营销生态，实现智慧商业转型，已赢得快消、消费电子、服装、旅游、金融服务等领域1000多家品牌客户的青睐与信任。