大数据时代的精准营销，要求以客户为中心，从市场需求着手，进行深入的洞察和分析，再结合企业自身的目标、资源、业务、品牌等进行周密营销策划，并且根据市场营销环境变化、竞争对手和顾客反应等及时优化调整营销策略。

目前，大数据营销主要有以下几种模式。

（一）关联推荐模式

借助人脑的视觉思维能力，通过挖掘数据之间重要的关联关系将若干关联性的可视化数据进行汇总处理，揭示出大量数据中隐含的规律和发展趋势，借以提升大数据对精准营销的预测试支持能力。关联推荐模式是指由A找到B，从数据中找到关联。

例如，在美国的沃尔玛大卖场，当收银员扫描完顾客所选购的产品后，POS机上会显示出一些附加信息，然后售货员会友好地提醒顾客：“我们商场刚进了两三种配酒小菜，并正在促销，位于D5货架上，您要购买吗？”这时，顾客也许会惊讶地说：“啊，谢谢你，我正想要，刚才一直没找到，那我现在去买。”这就是沃尔玛在大数据系统支持下实现“顾问式营销”的一个实例。因为大数据系统早就计算好了，如果顾客的购物车中有不少啤酒、红酒和沙拉，则有80％的可能需要买配酒小菜。而提供这一决策分析支持的就是其位于美国的一个庞大的通过卫星与全球所有卖场实时连通的企业级数据仓库。

（二）精准定向模式

利用关联分析（Conjoint Analysis，也译为交互分析）等相关技术对用户社交信息进行分析，通过挖掘用户的社交关系、所在群体来提高用户的保有率，有助于企业实现交叉销售和向上销售，也有助于营销人员识别社交网络中的“头羊”、跟随者以及其他成员，识别目标市场中最有挖掘潜力的用户，从而开展更富有成效的精准营销。精准定向模式是指从A，B，C一群人中找到企业最想要的A，这也是所有需求方平台（Demand-Side Platform，DSP）广告所惯用的模式。

在营销调研中一个经常遇到的问题是：在众多的产品或服务中，具有哪些特征的产品最能得到消费者的欢迎？一件产品通常拥有许多特性，如价格、颜色、款式以及产品的特有功能等，那么在这些特性之中，每个特性对消费者的重要程度如何？在同样的机会成本下，产品具有哪些特性最能赢得消费者的满意？联合分析就是针对这些需要而产生的一种市场分析方法，是用于评估不同属性对消费者的相对重要性以及不同属性水平给消费者带来的效用的统计分析方法。联合分析始于消费者对产品或服务（刺激物）的总体偏好判断（渴望程度评分、购买意向、偏好排序等），从消费者对不同属性及其水平组成的产品的总体评价（权衡）中可以得到联合分析所需要的信息。

全球社交网站龙头Facebook，积极利用AI技术分析社交大数据，用以提升用户体验、持续扩大用户流量。2018年，Facebook的营收达到558亿美元，其中广告营收占到98.5％。FactSet的统计数据显示，市场分析师预计Facebook 2019年的营收将达到705亿美元，广告营收所占总营收的比例继续达到98.5％。之所以能够在广告领域大获成功，Facebook靠的是精准的定向：一方面把最合适的人群推送给品牌方；另一方面让用户接收到他和朋友可能感兴趣的内容，这些内容有着很明显的社交属性，甚至能让用户爱上广告。Facebook和Ben＆Jerry’s的合作堪称成功案例的典范。Facebook发布的数据显示，广告的粉丝覆盖率达到了98％，评论和受喜爱程度都十分可观。而根据Ben＆Jerry’s市场部给出的评估，它在Facebook上所投放的这些广告给自己带来了3∶1的投资回报率。

这种精准的背后，不仅仅是因为Facebook拥有大量的用户，还在于其对多维社交数据的收集和深度挖掘。Facebook创始人扎克伯格曾提到过一个开放内容协议标准，可以给网上的所有原始数据打上独特标签。当你在Facebook上分享了亚马逊上的一本书，这个系统会把相应的目录、作者等信息回传给它，产生一系列复杂的数据关联，今后为你推送你真正感兴趣的内容和广告的概率由此变大。

（三）动态调整模式(www.daowen.com)

动态调整将用户行为列入大数据维度，以动态的运算结果来指导目标市场的选择以及营销组合策略的实施，最终目标是实现营销绩效的最大化。动态调整模式是指计划要推A，但是在实际的场景交互中，数据反馈的结果发现B更受欢迎，因此调整计划改推B。

很多人喜欢用谷歌的原因在于，它的推荐往往更符合自己的心意，提高了搜索的效率。不仅如此，你可以留心一个细节，当你在谷歌搜索引擎输入一个关键词，点击第一个搜索结果后发现不满意，又迅速返回搜索页，点击第二个搜索结果，然后花了很长时间浏览，此时它就会默认你对第二个结果更满意，因此当你下一次搜索同一个关键词时，之前两个结果的排位会发生互换。这个普通的案例代表了谷歌在大数据领域最突出的特色：动态性，谷歌在进行质量优化的同时，也把用户的交互反应实时加入进来。谷歌CEO桑达尔·皮查伊（Sundar Pichai）在2016年第四季度财报电话会议上指出，“计算业务将从移动先行转向人工智能先行，在机器学习技术的驱动下，所有的产品更加智能化，用户可以与之自然交互。2016年将成为公司产品的新开端，我们在搜索、地图、信息以及谷歌应用商店Google Play中普遍引入了机器学习”。从事品牌价值评定的英国咨询机构Brand Finance推出了2017年度的全球品牌50强榜单，谷歌排名第一、品牌价值1094.7亿美元。一位谷歌发言人曾表示：“我们始终在对搜索页面进行调整，从而让用户可以更轻松地发现最有用的信息。”

动态调整模式也适用于这样一种情况，当不知道哪种营销策略最合适时，可以先准备几个不同的方案，同时放到市场去检验，谷歌会很快告诉你哪个广告片更受欢迎，然后就可以主推最受欢迎的版本了。当然，动态调整的做法并不为谷歌所独有，只不过都没有它反应迅速罢了。

（四）瞬时倍增模式

瞬时倍增模式是指利用积累的大量人群数据，根据已经拥有的A，找到更多的一群A。

找到1000个忠实的目标消费者也许不难。如何把这个数量由1000变为10 000、100 000至更大呢？这越来越多的目标受众又如何从好几亿人中挑选呢？

阿里巴巴集团旗下的阿里妈妈为此构建了一个Lookalike模型，它被形象地称为“粉丝爆炸器”，可以做到“给定一小群人，自动找到10倍、20倍规模相似人群”，实现瞬时倍增。一旦顾客购买了企业的产品或服务，企业便可知道该顾客的有关信息，进而可以继续沟通、促销，实现交叉销售。相对于已经成为顾客的人群规模（一家中型电商每月可能有上万客户），还没有成为顾客的人群规模（线上有几亿规模的客户）是非常巨大的。从上亿潜在顾客中找到最忠实的消费者人群，这个过程的效率和成本就成为商家制胜的关键。这也是阿里妈妈“粉丝爆炸器”所要解决的问题。

通常，某企业的顾客群体具有一定的共性。例如，都是近期购房的人群，都是比较在意体重的人群等。这些共性往往在企业的已有顾客中有所显现，而事实上，这些消费者的各种属性和行为与全部消费者的差异能凸显出这些共性特征。利用这些共性，通过比较全网消费者与已有消费者之间在这些行为上的相似程度，便可以在真正的消费行为发生之前找到潜在的目标客户。

与“啤酒和尿不湿”不同的是，“粉丝爆炸器”更注重人的综合行为特性，而不是把重点集中在产品或服务之间的关联性上。因此，“粉丝爆炸器”会找出新任父亲这样的特性，而这样的人通常会买啤酒、尿不湿、奶粉、婴儿护肤品、产后保养品等。但如果我们只考虑关联性，则会由于消费者购买了啤酒，所以推荐关联性最高的红酒、尿不湿、饮料等。抓住人的这种相似性往往会产生更精准的效果。