《大数据分析和传统营销分析对新产品销售的影响》由会员分享，可在线阅读，更多相关《大数据分析和传统营销分析对新产品销售的影响（8页珍藏版）》请在金锄头文库上搜索。
1、大数据分析和传统营销分析对新产品销售的影响 张闯 刘祥伟 安徽理工大学经济与管理学院 摘 要： 从知识融合角度解释传统营销分析、大数据分析和新产品成功销售三者之间的关系, 在信息和知识快速膨胀的数字经济时代, 企业应采取融合了大数据和营销两个领域知识的策略。知识融合是促进新产品成功销售的一个因素, 还需要制定有效的选择策略。关键词： 大数据分析; 传统营销分析; 知识融合; 作者简介：张闯 (1991-) , 男, 江苏徐州人, 管理科学与工程专业 2015 级硕士研究生, 主要从事电子商务、网络营销研究;作者简介：刘祥伟 (1977-) , 女, 安徽六安人, 副教授, 硕士, 主要从事业务
2、流程分析、信息管理研究。收稿日期：2017-05-20基金：安徽省哲学社会科学规划项目 (AHSKQ2014D50) Effects of Big Data Analysis and Traditional Marketing Analytics on New Product saleZHANG Chuang LIU Xiang-wei School of Economy and Mannagement, Anhui University of Science and Technology; Abstract： This paper explains the relationships amo
3、ng traditional marketing analysis, big data analysis and new product sale from the perspective of knowledge fusion.With rapid expansion of information and knowledge in the digital economy, enterprises should build strategy to combine knowledge from both marketing and big data domains.Knowledge fusio
4、n is not necessary for improving new product sale but it requires effective choices to obtain benefits.Keyword： big data analytics; traditional marketing analytics; knowledge fusion; Received： 2017-05-20一、大数据分析和传统营销分析传统营销主要分析处理兆字节类的小数据集, 分析平台小, 执行能力有限。近几年, 新的数据处理方法以处理量大、流动性强、通用性高等特点为新产品销售提供更有效的营销策略技
5、术支持。大数据是指数量巨大 (TB, PB 甚至 EB 级) , 无结构并且复杂的数据集, 这些数据集涵盖了医学、政治学、传感器、社会媒体, 手机客户端和基于网络的物联网等领域的数据, 需要利用先进独特的技术对其进行存储、管理、分析和可视化。1Forrester 将大数据定义为使大范围的数据变得可处理的知识和技术。大数据分析与传统营销分析的主要区别在于信息渠道的颠覆性革命而不是简单的进化2。企业使用大数据分析来跟踪信息流并且分析数量巨大的实时数据, 而传统营销分析则注重提高业绩以更好地为广告、价格制定、客户关系管理和新产品研发提供资金支持。由于大数据分析是一项全新技术, 其应用和影响还很有限。
6、但很多企业确实用大数据分析, 更好地掌握了客户需求, 并对客户进行了有针对的个性化服务。大数据就像一块未经开发的荒地, 并非现成的解决方案, 所以仍需将这些数据处理转换为有价值的信息, 管理层才可以根据这些信息解决公司业务中存在的问题以获取更好的销售业绩。大数据分析与传统营销分析的主要区别在于以下四个方面:容量、速度、多样性和准确性。凭借这四方面的优势, 大数据分析在制定业务计划和促进新产品销售方面更具潜力。要对变化的市场进行快速分析必须使用有别于传统市场分析的技术, 而大数据分析正好可以提供实时的快速分析。目前为止, 还没有研究人员将大数据分析和传统营销分析进行对比或结合来分析和检验其对新产
7、品销售的影响。本文提出一个理论框架来对此进行研究, 据此提出了几个假设并分析其可能带来的结果。二、理论基础数字技术与心理学的结合、全球范围内的知识众筹以及全球经济力量的重塑将带来前所未有的变革。2000 年全球约 25%的信息是以数字形式存储的, 现在这个数字已经超过了 98%。数据存储形式的变革给商业模式带来了难以预测的挑战, 营销和新产品研发作为商业模式的最前沿将首先受到冲击。在营销领域, 最关键的任务在于如何将大数据转化为获取更好客户关系的商业洞察力。利用大数据分析, 企业现在可以做出实时的决策来提高生产效率, 增加销售额。但目前对大数据的使用仅仅是大数据分析的开始, 随着变革的推进,
8、大数据分析将成为提高各种业务能力的关键, 因为在对数据分析的速度和效率上, 大数据分析具有明显的优势。(一) 传统营销分析、大数据分析和新产品销售一般来说, 传统营销分析对新产品销售具有积极的作用。Cravens 和 Piercy 认为新产品研发分析阶段的主要任务是:收入预测、成本估算、盈利预测、风险评估以及新产品对原有产品的侵蚀作用, 如果不考虑这种侵蚀作用, 那么其对新产品销售的影响有时会是致命的。此外, 在研发阶段企业还应考虑技术更新节奏、信息传播速度、需求弹性以及产品种类的预测。在 Web1.0 和 Web2.0 时代, 消费者不使用网络购物, 新产品研发分析复杂度远远低于 Web 3
9、.0 时代。Web 3.0 时代之前, 营销分析方法主要有尺度分析法、回归模型、选择模型、随机过程、扩散模拟以及最优规化模型等。众多企业运用这些分析方法来降低成本, 增加收入和利润, 提高股票价值。为了达到上述目的, 超过 70%的零售商仍在使用电子制表程序作为他们的主要分析工具, 小零售商们基本上忽略了客户数据分析所带来的潜在利益。同时, SWOT 分析、消费者调查以及净现值模型在某些情况下也可以为新产品销售提供有用的决策依据。然而在一些快速发展的行业和市场, 新产品销售情况复杂程度更高, 产生的数据量也很惊人, 这就需要从这些海量数据资源中提取、分析并掌握客户需求以拓展更好的市场前景。在
10、Web 3.0 时代, 大数据分析为企业提供了开发消费者更乐意购买的新产品的方法。但是, 掌握市场环境和消费者喜好对企业来说很困难, 因为市场环境和消费者喜好变化更快。大数据分析技术可以实时地对消费者、市场、竞争者以及新产品进行监控和分析, 这也是大数据分析技术有别于 Web1.0 和 Web2.0 时代分析技术的主要方面。传统营销分析中存在偏差样本和对销售的乐观估计, 这有可能产生有偏差的信息从而导致新产品研发决策的失误。与传统营销分析相比, 大数据分析可以更有效地利用实时海量数据来处理各种不确定性, 以极大提高商业计划的制定和决策能力。商务智能有助于商务计划的执行, 通过运用大数据分析,
11、企业能够密切监控竞争者、观察消费者行为、进行低成本调查、测试新产品并获取即时反馈。在大数据出现之前, 这些企业仍然进行着上述工作, 但是大数据可以提高这些活动的效率并且降低成本。商务智能的一个关键功能是监控竞争对手的新产品并且评估消费者对这些新产品的反应。除了监控新产品, 企业还可以了解他们竞争对手主打产品的特点、定价策略以及消费者的反馈。大数据分析带来的信息搜索和分析能力有助于企业做出合理有据的新产品销售策略。此外, 产品经理可以获取关于消费者对产品的评价和建议的实时信息, 以更快地调整新产品。从消费者角度, 社交媒体的普及正改变着他们获取信息、联系他人、品牌忠诚度以及购物行为的方式。社交数
12、据分析来自这些活动, 并将诸如社会网络分析、多媒体管理、社交媒体分析、趋势预测和意见挖掘等学科结合起来。这场变革也对分析工具和营销策略如何共同创造价值产生了重要影响。例如, 在传统营销时代, 企业可能只是关注广告对新产品销售的影响, 而在社交媒体时代, 这些企业则站在了同辈影响效应的前沿, 因为现在的人们变得越来越社会化, 在某种意义上说, 他们更易受到同辈购买行为的影响。因此, 作为大数据分析的重要组成部分, 文本挖掘、情感挖掘和数据挖掘已成为当今管理者快速调整新产品营销策略不可或缺的分析工具。(二) 知识融合分类用于营销分析实践的大数据分析技术必须科学严谨, 本文根据复杂性理论和知识观提出
13、了一个将大数据分析和传统营销分析结合的知识融合分类学。当出现以多种方式相互联系的因素互联的现象时, 复杂性理论可以使这种状态由随机运动、混乱或不可预见而发展到有序和可预见。面对市场内外部状况的变化, 不同的因素也会做出相应的调整。复杂性理论适用于处理突发和不可预测的变化, 复杂性理论认为一个或一个以上的趋势可以正面加强其他趋势直到情况失控并到达一个临界点, 超过该临界点, 无论任何行为都将发生根本性变化。在大数据时代, 随着数据越来越容易获取、数据分析成本的极剧降低以及互联网上知识共享的普及, 使得知识更新的速度也越来越快。知识观认为企业致力于积累、保护和创造新知识, 而复杂性理论则控制着这些
14、过程。有学者将知识分为以下几类:陈述性知识 (指更多的因果关联和归纳) 、启发式知识 (非正式的且在行为中常见) 、自动化知识以及自动知识库构建 (主要涉及自然语言处理、信息提取、信息集成、数据库、搜索、机器学习) 。这些知识弥补了前互联网时代与后互联网时代知识分类之间的差距。在大数据时代, 企业不仅要与不同的股东共享实时信息和数据, 而且也要根据独特具体的个性化知识量身制定对策, 快速将来自客户和企业的数据和信息转化为高价值的决策依据。企业也正越来越多地将大数据分析应用于诸如网站分析、搜索分析、搜索引擎优化、客户分析以及点击支付管理等领域以获取自动化和个性化的知识。新产品研发的初衷也就是获取
15、这些关键的数据, 这些数据包括:网站地址列表 (竞争者、供应商、零售商等) 、从这些站点获取的产品和客户信息、这些站点的分析数据。随着传统营销分析和大数据分析的协同组合, 定制的知识可以在为客户创造独特价值时发挥作用, 这种水平的协同组合也代表着知识提取和生成的最高水平。三、理论与假设随着大数据分析革命在市场营销中的广泛应用, 研究人员也只是最近通过理论与实践相结合来延伸大数据分析和传统营销分析的知识。在前互联网时代, 获取实时营销绩效和有关竞争者、消费者和新产品的信息几乎是不可能的。传统营销分析拖长了提出营销研究问题、数据采集和获取市场营销信息三者间的时间间隔, 这也更容易延迟知识的构建和管
16、理行为的决策。多数营销活动主要聚焦于一系列用于处理通话、投诉、退货、召回以及发送邮件等成本, 然而在当前的社交媒体时代, 大数据分析则具有对市场和新产品研发活动进行实时分析的特点, 这一变革使得营销从以成本为中心转变为以价值为中心。现在, 基于网络的大数据技术的广泛使用为产生大数据的在线营销活动提供了通用分析的基础。(一) 知识融合策略根据计算机和工程领域的最新进展, 本文引入一个新术语:知识融合, 以此来概括营销和大数据领域的知识结合。由于企业内外部的信息知识数量巨大, 工程师融合不同类型和领域的知识创造出专门用于决策的异质知识。结合大数据分析和传统营销分析, 根据上诉提到的复杂度和知识类型, 提出了四个策略选项, 如图 1 所示。这种知识分类是根据前互联网和后互联网时代知识产生的特点划分的, 有助于为不同企业划分战略决策。左下方代表旁观者, 采取低水平的大数据分析和传统营销分析。右上方是开拓者, 采用高水平的协同大数据分析和传统营销分析的组合策略, 这种组合将 IT 技术与营销技巧结合起来产生了更高程度的定制知识。左上是完美主义
