读书笔记 数据化营销
1.1 现代营销理论的发展历程
1.1.1 从4P到4C
1960年 杰罗姆·麦卡锡（E.Jerome McCarthy) 著作《基础营销》BasicMarketing)
1967年 现代营销之父 菲利普·科特勒 著作《营销原理》
4P
product: 注重产品功能，强调独特卖点
price: 根据不同市场定位，制定不同的价格策略
place：注重分销商的培养和销售网络的建设
promotion：企业通过改变销售行为来刺激消费者，以短期的行为（如让利、买赠、满减）促成消费的增长，吸引其他品牌的消费者前来消费，或者促使老主顾提前来消费，从而达到销售的目的。
4P理论的核心是Product（产品）。因此，以4P理论为核心的企业营销战略又可以简称为以产品为中心的营销战略。
随着时代的发展，商品丰富起来，市场竞争也日益激励。传统的4P营销组合已经无法适应商业时代的需求，营销界开始研究新的营销理论和营销要素。最具代表的是4C理论。
4C###
Consumer 消费者的需求和愿望
Cost 消费者得到满足的成本
Convenience 用户购买的方便性
Communication 与用户的沟通与交流
简称以消费者为中心的营销
1.1.2 从4C到3P3C
随着科技的发展，大数据时代的来临，4C理论再次落后。
日益白热化的市场竞争
越来越严苛的营销预算
海量的数据堆积和存储
以上3点迫使企业寻找更合适、可控、可量化、可预测的营销思路和方法论。
融合4P理论和4C理论的nPnC形式的理论出现。
3P3C理论中，数据化运营6要素
Probability 营销、运营活动以概率为核心，追求精细化 和精准率
Product 注重产品功能，情调产品卖点
Prospects 消费者，目标用户
Creative 创意，包括文案、活动等
Channel 渠道
Cost/Price 成本/价格
核心是数据分析挖掘所支撑的目标响应概率（Probability），在此基础上将会围绕产品功能化、目标用户细分、活动（文案）创意、渠道优化、成本的调整等重要环节和要素，共同使数据化运营持续完善，直至成功。
目标响应概率不仅仅是预测响应模型之类的响应概率，应有更广泛的含义。
宏观上，概率是指特定消费群体整体上的概率或可能性。
比如，通过卡方检验发现某个特定类别群体在某个消费行为指标上具有的显著特征，这种显著特征可以帮助我们进行目标事成的选择、寻找具有相似特征的潜在用户，指定相应的细分营销措施和运营方案。
微观上，概率可以具体到某个特定消费者的“预期响应概率”。
比如，通过逻辑回归算法搭建一个预测响应模型，得到用户的预计响应概率，然后，根据运营计划和预算，抽取响应概率分数的消费者，进行有针对性的运营活动。
1.2 数据化运营的主要内容
基本要素和核心--以企业海量数据的存储和分析挖掘应用为核心支持的，企业全员参与的，以精准、细分和精确话为特点的企业运营制度和战略。
宏观上，设计企业各部门，以及数据在企业中所有部门的应用。
微观上，主要针对运营、销售、客服等部门的互联网运营的数据分析、挖掘和支持上。
针对互联网运营部门的数据化运营：##
网站流量监控分析
目标用户行为研究
网站日常更新内容编辑
网络营销策划推广
这些内容是在以企业级海量数据的存储、分析、挖掘和应用为核心技术支持的基础上，通过可量化、可细分、可预测等一系列精细化的方式来进行的。
数据化运营###
首先，要有企业全员参与意识；
其次，是一种常态化的制度和流程，包括企业各个岗位和工种的数据手机和数据分析应用的框架和制度等。
数据化运营更是来自企业决策者、高层管理者的直接倡导和实质性的持续推动。
2012年7月10日，阿里巴巴集团宣布设立“首席数据官”岗位（Chief Data Officer），由CEO陆兆禧出任，推进“数据分享平台”的战略，核心是如何挖掘、分析和运用这些数据，并和全社会分享。
1.3 为什么要数据化运营
现代企业竞争白热化
“买方市场”的商业环境
数据挖掘、数据存储技术的推动
1.4 数据化运营的必要条件
1.4.1 企业级海量数据存储的实现
性能要求和计算要求
抛弃了大型机+关系型数据库的模型，采用分布式的服务器集群+分布式存储的海量存储器，解决了计算能力不足的问题。
未来数据仓库将是以流计算为主的实时数据仓库和分布式计算为主流哦准实时数据仓库。
1.4.2 精细化运营哦需求
互联网企业 要从粗放型运营向精细化运营转变。
1.4.3 数据分析和数据挖掘技术的有效应用
数据分析和数据挖掘技术的有效应用是数据化运营的基础和技术保障。
有效应用包括两层含义:
一是拥有一支能够胜任数据分析和数据挖掘工作的团队和一群有出色的数据分析师###
数据分析必须是多面手：
统计技能（熟练使用统计技术和统计工具进行分析挖掘）；
数据仓库知识（熟悉主流数据库技术和工具，可以自助取数，可以有效地和数据仓库团队沟通）；
数据挖掘技能（熟练掌握主流数据挖掘技术和工具）；
针对具体业务的理解能力和快速学习能力，善于与业务方沟通、交流。
一名出色的数据分析师需要时间、项目经验去磨砺去锻炼。###
二是分析团队与业务团队协同配合
分析团队做出的分析方案、数据模型，必须要在业务应用中得到检验
1.5 数据化运营的新现象与新发展
新发展：
数据产品 作为商业智能的一个单独的发展方向和专业领域，正在企业数据化运营实践中发挥这越来越大的作用。
数据PD 作为数据分析和商业智能的一个细分的职业岗位，得以专门设定而日益强化。PD（product designer)数据产品设计师。
