详情
本书从业务方面的角度出发，而不是从技术的角度出发，介绍如何挖掘社交网络数据并且用来进行对业务规划有用的分析。本书将介绍如何在社交媒体中创建合适的度量方法，来实现业务目标。本书通过对真实世界的案例研究，展示了如何对特定的业务进行社交媒体分析和数据挖掘。
书名：社交媒体大数据分析——理解并影响消费者行为
ISBN：978-7-115-42084-8
本书由人民邮电出版社发行数字版。版权所有，侵权必究。
您购买的人民邮电出版社电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
• 著 [美] Lutz Finger Soumitra Dutta
译 杨 旸
责任编辑 陈冀康
• 人民邮电出版社出版发行 北京市丰台区成寿寺路11号
邮编 100164 电子邮件 315@ptpress.com.cn
• 读者服务热线：(010)81055410
反盗版热线：(010)81055315
Copyright© 2014 by O’Reilly Media, Inc.
Simplified Chinese Edition, jointly published by O’Reilly Media, Inc. and Posts & Telecom Press, 2016. Authorized translation of the English edition, 2014 O’Reilly Media, Inc., the owner of all rights to publish and sell the same.
All rights reserved including the rights of reproduction in whole or in part in any form.
本书中文简体版由O’Reilly Media, Inc.授权人民邮电出版社出版。未经出版者书面许可，对本书的任何部分不得以任何方式复制或抄袭。
版权所有，侵权必究。
在如今这个大数据时代，个人和企业的社交网站活动越来越活跃，社交网站在数据挖掘方面的挑战和需求变得越来越迫切。
本书从业务角度出发，而不是从技术角度出发，介绍了如何挖掘社交网络数据并且对业务规划进行有用的分析。全书分两个部分共10章，第1部分介绍了市场营销、销售、公共关系、客户服务、社交化的客户关系管理、与系统博弈、预测、提出恰当问题；第2部分介绍了使用正确数据以及定义正确的度量标准。
在社交媒体数据挖掘需求旺盛的今天，本书非常具有实用价值。本书适合数据挖掘技术人员、数据分析师以及市场营销领域的人士参考阅读。
大数据很快就将成为众多公司最宝贵的资源，大数据的运用将成为很多业务模型的必备之物。但此时此刻大多数的公司仅仅只是坐拥成堆的数据，却没有使用它们的明确策略，也不知道如何从这些数据之中提取出它们所蕴含的信息。在这本书之中，两位作者给出了若干个明确的方向，帮助我们理解大数据带来的挑战以及如何提出恰当的问题来处理它们。
—— 蒂姆·韦伯（Tim Weber），英国广播公司新闻互动部前商务与技术编辑
对个人以及企业来说，大数据意味着一个可以提升自己的绝佳机会。本书将带领读者踏上从理解大数据的概念到从大数据中导出价值的奇妙之旅。
—— N. R. 娜瑞娅娜·穆斯（N. R. Narayana Murthy），Infosys公司联合创始人
大数据是一个谜团—— 对于同一个问题有太多的答案。而这本书从根本上改变了这个现象，并且阅读它也是愉快至极。
—— 本·维瑞恩（Ben Verwaayen），阿尔卡特-朗讯公司前CEO
本书是那些想将大数据引入自己公司的人的必读之选。它就大数据之中的问题给出了一个比较公允而全面的看法。本书的作者不仅对大数据本身有深入理解，他们更能看到世界范围内未来在这一领域可能的变化。
—— 艾利克斯·皮特兰（Alex Pentland），麻省理工学院教授
大数据可能是一个大家都在谈论的热门话题，但是真正理解它含义的人却屈指可数。本书对人们如何理解和运用大数据提供了莫大的帮助。
—— 弗兰克·布朗（J.Frank Brown），General Atlantic Partners公司总经理兼COO
无论是在社交媒体还是大数据中，洞见都是一切分析必不可少的组成部分。商界领袖需要洞见，而本书正是引导他们获得洞见。本书是一个非常有用的框架和案例集，恰当地使用它就可以避免那些因分析而分析的情况。
—— 罗伊科·雷·米尔（Loic Le Meur），Leweb会议CEO
本书把围绕着大数据的所有迷雾都吹得烟消云散。本书也就如何使用大数据来获取真正的商业价值做出了阐述。对于那些正在面对着将大数据应用于自己公司商业策略相关挑战的公司来讲，本书可以说是一本必读书籍。
—— 阿勒特·艾瑞斯（Annet Aris），欧洲工商管理学院战略学副教授
我认为这是一本应时应景的书。数据革命才刚刚开始，每一个与大数据打交道的或者试图成为数据驱动型业务的公司，都在飞速膨胀的数据海洋之中，搜寻数据的第四重维度—— 价值。我发现本书阐述了很多对我来说受益匪浅的观点，因此强烈地推荐给那些想要定义数据驱动策略的人阅读。
—— 乌维·维斯（Uwe Weiss），Blue Yonder公司CEO
对于每一个组织来说，本书都是一个绝佳的框架以及必读的书籍。很多时候，我们看到商务智能得出的结论都是从数据以及图表出发的。我们常常忘了，最本质的东西是，我们找寻的不是图表而是洞见。本书帮助我们把关注重点放到商业价值上，其中包括了很多实际的案列分析。通过这种方式，作者向我们展示了数据科学的趣味性和简单易用性。
—— 斯蒂芬·波佩尔（Stephan Poppel），Tchibo公司电子商务主管
本书以实例的形式帮助我们将纯粹的数据变为可执行的洞见。对于那些和社交媒体以及大数据分析打交道的人来说，本书是必读书籍。两位作者展示了他们的核心思想，即询问恰当问题的重要性。
—— 伯恩·奥格里贝里（Björn Ognibeni），Buzzrank 公司CEO
最近一段时间，科技的突破性发展以及社交媒体的广泛应用让我们可以获取前所未有的海量数据。但与此同时也带来问题：在这海量数据之中，我们无法抓取出有效的数据，并做出恰当的选择。本书通过着手处理这些问题来帮助商界领袖们提升自己业务的价值。
—— 伯恩·赫尔曼（Björn Hermann），Compass 公司CEO
卢茨·芬格尔（Lutz Finger）是一位在社交媒体以及大数据分析领域的权威人士，担任社交媒体LinkedIn的数据分析主管。他之前是位于新加坡的数据分析公司Fisheye Analytics的CEO和联合创始人，该公司每月会为众多的政府以及非政府机构处理70TB的公共社交媒体数据。卢茨更为戴尔欧洲建立了一个多达700人的销售中心，该中心后来成为爱立信的移动软件的孵化中心。卢茨也是很多在欧洲以及美国的数据中心机构的顾问以及董事会成员。
作为一位顶级的数据分析专家，芬格尔经常在加利福尼亚大学伯克利分校等各大顶级名校做关于数据分析的演讲。他拥有欧洲工商管理学院的MBA学位，以及柏林工业大学的量子物理学的理学硕士学位。
苏米特拉·杜德（Soumitra Dutta）是康奈尔大学克里特斯·杰克森管理学院的系主任。他教授的身份就职于欧洲工商管理学院的eLab实验室，这是一个世界顶级的研究生商学院，其校区分布于枫丹白露、新加坡以及阿布扎比。杜德也是Fisheye Analytics公司的联合创始人以及前主席。他在新技术对商业的影响方面是具有相当权威性的，社交媒体和社交网络以及数字化经济的战略规划都是他的特长。他也是两本在技术与发明方面有影响力的报告的联合编辑以及作者，这两本报告分别是《全球信息技术报告》（与世界经济论坛联合出版）以及《全球发明索引》（与世界知识产权组织联合出版），这些报告在全球范围内帮助了多个政府就技术和创新策略进行了评估以及规划。苏米特拉获得了位于新德里的印度科技学院电气工程与计算机科学学士学位。他还获得了工商管理硕士学位以及计算机科学的硕士学位，还是加利福尼亚大学伯克利分校的计算机科学博士。
大数据、云、社交网络，还有很多其他时髦但又让你不知所云的新名词在最近几年之中不断地出现在我们的视野之中，一遍又一遍地冲击着我们的想法、观念，甚至生活方式。
而我不止一次地看到来自社会各个领域的人们热情高涨地振臂高呼：“我们要社交化，我们要向云迁移，我们要使用大数据。”但奇怪的是，这些如革命者般充满激情的“变革者”中，鲜有能够定义或者描述清楚什么是“大数据”、“云”或者“社交化”的，就更不用谈能理清其中利弊了。而那些能够理解自身业务特点，并能够最大限度地利用这些技术的从业者就更是凤毛麟角了。
这种还没有真正理解即将涉足的领域，就争先恐后、不计后果地向前冲的现象，在我们不长的现代科技史之中却十分常见。20世纪90年代的互联网泡沫是这样，随后的平板化热潮也是这样，更不必提本书中将着重介绍的大数据和社交媒体了。
为什么会产生这种现象，并且还会一而再地重复呢？为什么总会有后来者不厌其烦地重蹈前人的覆辙呢？这是一个值得深思的问题。
每一个社会现象都不会是孤立的，它们的发生都与其所在时代以及时代的特质是密不可分的。我们生活在一个飞速发展的时代，而其发展速度在可以预见的未来之中都将会越来越快。快已经成为了这个时代的特质。生活在这个时代之中，作为渺小的个体，我们只有去适应这种速率以便能够生活下去，并且活得更好。这也就是“赶上最后一班车”的心理能够产生的最重要因素之一。
但是，我们要理解的是，快虽然是这个时代的特质，但这并不代表这个时代是为了快而快。快只是一种手段，而目的是为了又快又好地达到目标，这才是这个时代所要求我们具备的。往往“又好”这一部分很容易被人们忽略，这也导致了很多人并没有明确的目标就冲入时代的浪潮之中，在经过了许久的冲刷之后才发现自己都不知道为什么身处其中。
如果我们能稍微退一步，先对前方的情况有一个宏观的认识，观察一下那些前人犯过的错误，避开那些危险的陷阱，然后再带着明确的目标前进，这难道不是一种更好的“快”吗？
本书就秉承这种“退一步、看得清”的思路，为我们详细讲述大数据产生的来龙去脉，为我们展示大数据背景下市场营销的诸多误区。让我们在进入这一领域之前，能够对它的全貌有一个整体认识。
本书也提供了针对具体问题的一些可能的解决方案，并详细描述这些解决方案背后所蕴藏的思想。通过这些案例以及思想的学习，相信在读完本书之后，你要建立起一套不错的数据度量体系应该不是什么难事了。
杨 旸
2016年2月
2011年4月，美国特种部队击毙了基地组织领导人——奥萨马·本·拉登。这次猎捕行动是在本·拉登东躲西藏10年之后才成功的。那么，到底是谁知道他藏身何处的呢？
答案让人非常意外：我们都知道。
根据伊利诺伊大学厄本那香槟分校研究员凯文·莉塔瑞（Kalev Leetaru）的一个分析公共新闻的报告的结论，本·拉登的藏身之处可以定位在精度为的范围内。这也意味着，这个世界上最隐秘的藏身地竟然被其自身独特的数据特性所出卖了。每一个记者对于本·拉登的藏身地都有自己的看法，而这些意见的集合却可以构建出真正正确的答案。而在这个过程中，并没有开展任何问卷调查，也没有去采访任何记者。这些记者通过自己的文章来揭露本·拉登的藏身地，这就是公共数据以及非结构性数据的威力。其分析结果如图i-1所示。
图i-1 社交媒体之中揭露本·拉登藏身地文章的地理编码（由凯文·莉塔瑞提供）
美军很有可能并不是依赖这些众包形式的智慧得出本·拉登的藏身地的。我们知道美国政府拥有如国家安全局这样的机构，对各种信息源都会进行监听，包括最高级别政府要员的通话以及普通百姓通过邮件进行的正常交流。但是，其背后的原则都是一样的：行动情报都是从整合到一起的大量的独立个体中得出的，在这个案例中，就是那些看起来随机的数据点。
而这就是我们所知道的大数据的愿景。大数据已经变成了如今数字世界最热门的一个流行词了。大数据涵盖了商务智能之前由于数据量太大而无法进行处理或者以数据库形式进行维护的海量数据，这些数据常常是以百万兆字节甚至千万兆字节为单位的。今天，社交媒体数据就是这种海量数据最极端的体现形式。社交媒体就是一面镜子，它可以揭示我们所想、所需、所爱。我们在互联网上的冲浪、对手机的使用以及我们的地址位置信息都在不断地充实着它的内容，这些数据会产生出关于我们以及我们未来的深刻见解。
作为本书作者的我们，为政府以及非政府组织分析大数据，特别是社交媒体数据，并从中得出有价值的结论。我们已经在这个领域工作有半个世纪之久了。我们也成立了一家叫作Fisheye Analytics的公司来为分析社交媒体数据提供配套的软件以及服务，我们每月会为客户分析高达70TB的文本数据。我们从中学到的是，大数据的根本并不是数量，而更多的是关于如何从正确的数据之中，分析恰当的问题。
在本书之中，我们会与你一起通过一个个案例来揭示数据的本来面目，以及其中的价值。其重点，无关数据，也无关其大小，重要的是数据能够带来的价值。
数据必然有其战略价值，但今天可用的海量数据以及我们处理这些数据的能力，都变成了一种新的资源形式。从某种意义上来说，数据现今就如同石油和黄金一样。今天的数据热正如得克萨斯州在20世纪爆发的石油热或者旧金山在19世纪初爆发的淘金热一样。这股热潮孕育出了一个崭新的行业，而且这个行业抓住了所有商业人士的眼球。
我们所说的这种新的资源——大数据，通常被描述为具有“三重维度”。大数据，就是一种拥有海量数据且变化周期短、涵盖多种复杂信息的数据集。而在这3种传统定义的“维度”之后，我们在这里加入数据的“第四重维度”——价值。这才是所有人都在苦苦寻觅的东西，而且这也是大数据在今天获得这么大关注度的原因。我们所谈到的大数据，可以是以结构性数据的形式存在的（如金融交易数据）；它也可以以诸如图片或者博客文章这样的非结构性数据的形式存在。如我们在抓捕本·拉登的例子中看到的，它可以是众包式，也可以是独立收集的（如保险公司长期以来所做的事情）。而让人感到矛盾的是，大数据的价值往往是以小数据的形式出现的。例如，“是与非”这样的问题，“我是否应该收购这家公司”或者诸如定位本·拉登藏身地的地理坐标信息。对于挖掘价值来讲，其首要任务就是收缩大数据，只有这样它才能成为“有价值”的数据。
大数据在21世纪最火爆的社交媒体的推波助澜之下变得异常流行。我们作为一个集体所作出的讨论、评价、点赞以及社交媒体之中与他人的联系，这一切都变成了数据，而且是数量巨大的数据。如果所有Facebook的用户都来自一个国家，那么这个拥有10亿以上活跃用户的国家，就将是世界上最大的国家，而Twitter的用户在2013年早期发送的消息总量每月就达到了数以百万计。目前，这是有史以来我们第一次可以深入地研究人类之间的讨论和交互。每一个Twitter或者新浪微博的用户都会留下一个公开的数据轨迹。而我们在Facebook或者Qzone上进行的私人对话也会揭露很多关于我们自身的内幕信息：我们在搜寻什么？我们读什么书？我们去过什么地方？我们与谁一起？我们吃什么？我们买什么？简而言之，任何你可以想象的人类交互行为，都可以在社交媒体之中被找到，并加以研究。如果我们可以对所有的数据进行挖掘，那么其结果将是无穷无尽的。这就使得从公共数据之中揪出本·拉登的藏身地变成了可能，而社交媒体也就成为了所有秘密的终结者。
与此同时，和我们身边的其他流行科技一样，在大数据以及社交媒体领域也存在很多炒作。在社交媒体分析兴起的初期，人们坚信只要采用恰当的分析手段，我们可以通过社交媒体说服任何人做任何事。这显然是无稽之谈，即便最好的预测分析也无法拯救那些糟糕的产品。社交媒体有的时候被市场营销人员当作一个魔法武器，他们期望可以为产品构建一个像今天社交媒体这样的热潮。我们会在本书之中解释为什么市场营销人员的这种愿望并没有实现。今天的预测性分析以及社交媒体度量与互联网泡沫时期的网站运营非常类似，那个时候（1996年）人们以为只要有一个网站就稳操胜券了。而大数据的基本技术和社交媒体分析将成为我们很多人的常用技术，就如电话和互联网一样。
大数据的时代已经到来，它正在改变我们的生活，改变我们做生意的方式。但是，要成功，我们需要的就不仅仅是数据了。正如美军需要决定是使用来自社交媒体的数据，还是使用内部数据，也要在数据的使用上做出取舍。不同企业的数据是具有其自身特性，而互不相同的，这些数据包括从日志文件到GPS数据再到客户与机器或者机器与机器之间的通信数据，每个企业都需要决定到底要使用哪种数据。这就更需要我们拥有一个恰当的方式来解构这些数据，然后才能进一步对这些数据进行分析。这就要求我们知道如何把重要信息从炒作信息之中分离出来。这也是本书的目的：指导并告诉你，各种研究得出的真正可以工作的方式，及其背后的原则；并且帮助你将大数据应用于业务中并获得成功。
数据的世界仿若汪洋，各行各业都需要专注于自己的数据集。贯穿本书的，有大量的各种社交媒体度量的例子，这并不是因为我们认定社交媒体就是最有潜力的预测性分析的数据源。事实上，这句话反过来说是成立的。正如我们将在后面的章节之中看到的，社交媒体为我们提供了最难以处理的数据。但是，由于社交媒体对每个人来说几乎都是公开的，而在本书中学到的原理、数据结构和其他东西都可以轻易地移植到你自己对数据的需求和可用性上。那么首先，让我们来看一下大数据的愿景是如果影响我们的业务的。
今天的哲学就是数据主义。
—— 大卫·布鲁克斯（David Brooks）
数据分析的倡导者为我们的生活规划了一个美好的明天。他们承诺我们可以对从价格指数到军情的任何事情进行预测，而他们是正确的。例如，在加利福尼亚的圣克鲁兹，一款软件就可以对一天中最可能发生犯罪的时间、地点进行预测。近来，警察逮捕了正在窥视汽车的两位女性，发现她们是在逃的罪犯，并且携带了大量的毒品。她们没有意识到自己是败给了大数据应用，而这种软件已经成功地阻止了几起犯罪的发生。其实预测性的数据已经在警察部门使用了多年，这里只是列举一个真实的案例而已。
当然，预测性的治安管理只是一个例子，还有很多其他领域都有类似的例子，它们都在向我们展示大数据的威力。如今，我们看到数据应用越来越多。
Google使用数据来预测下一波流感的爆发。
IBM使用数据来优化斯德哥尔摩的交通，从而让这个城市获得更好的空气质量。
Zafu、2Style4You 以及其他一些使用自助采集身体数据的公司可以向你推荐适合的衣服。
来自新泽西的内科医生杰弗里·勃伦纳（Jeffery Brenner）通过使用医疗付款数据绘制出其所在城市发生最复杂和最昂贵医疗案例的热点地区，这是作为降低医疗费用项目的一部分。
美国国家学术改革中心运用了数据挖掘技术来帮助大学生明白他或她最可能取得成功的领域。
保险公司为那些在车上安装了GPS的客户降低了保费。他们使用数据来预测你是否将会遇到车祸，并以此对你的保险条款进行调整。
很多零售商都使用数据来进行推荐，并会进行针对诸如孕妇等人群的定向广告。
如今，我们生活在一个什么都可以被度量的世界。“数据”已经成为了一种新的意识形态。对于这个漫长的旅程，我们才刚刚起步。我们将会度量越来越多的事物，并分析越来越多的信息，这样让我们可以更好地驱动我们的业务以及做出更明智的决定。
这个世界也成为了一个关注焦点。这些关于隐私及社会其他方面的数据库给我们带来什么，目前还不得而知，但著名的批评家杰伦·拉尼尔（Jaron Lanier）就告诫人们不要相信那些所谓的“群众智慧”。而且，对于在警务以及军事情报之中使用的数据也让大众对数据隐私的关注更高了。曾几何时，美国特工甚至通过在电话之中安装窃听装置，来监听他们最亲密的盟友，很多人都认为政府和大公司已经越过雷池了。我们会在本书中对这几个方面的事情进行一些讨论，而目前，数据透明和公开化是能够对抗这些问题的唯一办法。
即便有这么多的警告和担忧，“数据驱动”对很多人来说已经成为了一种新的管理哲学。经济学智库就发布了关于大数据对雇主和雇员的帮助程度，人们的感受是什么的报告（见图i-2）。大约2/3的人觉得大数据会帮助我们找到新的市场机遇，并且可以协助我们做出更好的决定。而有近一半的人觉得大数据可以帮助我们在竞争中获得优势，更有多达1/3的人认为大数据可以让我们的经济腾飞并且创造更多的机会。
但是，愿景往往是言过其实的。和很多新出现的技术一样，围绕着大数据也有很多的炒作行为。如果你信以为真，那么这个世界以及你的业务的问题，就都可以通过增加数据量或者调查最新的推文得到完美解决了。时任《连线》杂志主编的克里斯·安德森（Chris Anderson）就发布过一个大胆的声明，称如果我们只要拥有足够的数据，我们就会走向一个“理论的终结”的时代：“Google的哲学就是，我们并不知道这个页面为什么比其他页面好，如果连入这个页面的统计数据说是，那么就足够了。”未来是美好的，但是不会那么美好。在第9章中，我们会讨论相关性和因果性之间的差异，以及为什么度量因果关系总是那么困难。
图i-2 大数据是如何影响业务的
本书就是为打破围绕着大数据的迷雾，看清那些炒作背后的真相而设计的。本书会帮助我们认识到大数据的第四重维度，也就是价值。这个价值并不是指所谓的“群众智慧”，也不是“更多的数据”。为了找出大数据之中的价值，我们就需要拥有正确、精心构建的问题，还要有恰当的方法，以及合适的数据。只有拥有这些之后，我们才能够获得竞争优势。
数据实实在在地为我们所做的每一件事提供支持。
——杰夫·魏娜（Jeff Weiner）
你可能会说你从来都是结果导向的。要是结果是可度量的，那么你就必须是数据驱动的。对吧？预测性分析其实并不是什么新东西，随便哪个保险公司都用这种技术很长时间了。那么，为什么我们突然就把关注点转移到了数据以及预测之上了呢？这其中有两个原因：
1．现在有更多公共的可用数据了。
2．处理这些海量数据的技术已经成熟。
让我们来详细看看这两个因素。
目前，我们会越来越常看到数据已经变成了很多讨论的中心。而以前，数据是一些躲躲藏藏的东西。保险公司会把你的数据和其他对等组进行比较来计算你的保单，但要知道，这是高度保密的过程。今天，Twitter公开了其1400万条推文，而StackOverflow经常会允许人们下载整个答案集。此外，还有一些数据市场以及政府提供人口普查和其他种类的数据。
而这样的数据量还在不断地增长。在某些案例之中，是呈几何级数增长的。就在2011年，美国国会图书馆每月就可以收集超过200太字节的信息。而在最繁忙的月份中，有超过5亿条的推文通过Twitter进行发送。
“大数据”这个说法缘何而来？
斯蒂夫·劳尔（Steve Lohr）在《纽约时报》的博客上很好地解释了“大数据”这个说法的起源： 在1981年，埃里克·拉森（Erik Larson），也就是后来为人熟知的畅销书《白城恶魔》（The Devil in the White City）以及《野兽花园》（In the Garden of Beasts）的作者，在《哈伯》杂志上写过一篇文章，而该文章随后又被《华盛顿邮报》转载。这篇文章的开始，作者陈述了自己对很多垃圾邮件不断地被投递到他的邮箱，并最终抵达终端市场的这一现象感到十分好奇。这篇文章之中有两个句子：“大数据的拥有者强调自己这么做是为了消费者的利益，但是数据确实被用来做了很多和这个初衷不符的事情。”
在某种程度上，“大数据”之中的“大”其实反映的是它的第一个维度，也就是体量。但是“大数据”之中的“大”很多时候也是指变化速率很快的数据，在这种场景下我们就需要在毫秒甚至微秒之间根据所拥有的数据做出决定。例如，在实时投标引擎之中，系统只有少于25毫秒的时间来对发自广告服务器的请求做出处理。这些广告服务器提供的数据点包括：“我们可以把你的广告投放到以下IP区间的用户中去。你愿意为此支付多少呢？”而广告代理就需要从他们自有的大数据之中找出答案，并在毫秒等级做出应答。另一个数据变化速率很高的例子就是证券交易，这些系统需要在1毫秒之内做出响应。一个新兴的实时数据的时代已经到来了。
有时，“大数据”这个说法也会被用到结构性和非结构性数据融合在一起的场景之中。曾几何时，数据科学家仅对结构性数据进行研究。在看过第9章之后，我们就会明白为什么这种（结构性数据）会更易于建模和处理了。而今天，数据往往是以千变万化的形式出现的。通过本书的学习，我们会看到，诸如用于预测本·拉登藏身地的社交媒体数据之类的非结构性数据何时以及以如何起作用的。例如，我们可以通过分析数以百万计的非结构性推文信息来得出纽约今天的天气情况。是的，虽然直接从一个天气网站获取一个数据点看起来更加容易：晴天还是雨天？而这所有基于数据的讨论之中，数据的第四重维度往往很少被人提及，但这恰恰就是我们去分析这些数据的原因。所以，本书之中，我们会把重点放在如何从数据之中挖掘出价值上。
人们如此迫切地希望能够进行预测性分析，其第二个原因就是：目前能够处理快速变化、数量巨大而且形式不一的数据的技术已经成熟了。在过去，预测性分析是通过“加载”高度结构化的数据到一个巨大的数据仓库之中，然后再处理所有数据这样的方式进行的。而这么做已经越来越昂贵，也更困难了。如今，很多公司都开始处理任意数量、可以存储在任意地方的非结构性数据了。
这个技术就叫作Hadoop。Apache Hadoop，它的标志就是一个黄色的大象。这本身是一个开源的生态圈，在这个系统之中，你可以对海量的结构松散的分布式数据集进行查询。在Hadoop之中你可以做以下的一些事情。
与其把所有数据放在同一个数据库之中，不如用分布式数据库做同样的工作。
与其在同一台服务器上处理所有的数据，不如把任务分配到很多分散的服务器上，如此可以构建出一个更加强大的系统。
与其只是用结构性内容，不如使用非结构性的内容。
与其做事后诸葛，不如得到几乎实时的计算结果。
作为大数据运动的代表，Hadoop是众多可以处理大量分布式数据的工具之一。对于很多创业型以及顾问型公司，这都是他们兵器库之中不可或缺的一员。而这些工具，以及它们与数据之间密切的联系，将会掀起一个真正的大数据革命。
这并不是一本纯技术书籍，我们只会在必要的时候才介绍某些技术以便帮助我们理解数据的价值。所以，你可能无法通过本书学会如何使用诸如Hadoop或者NoSQL这样的工具。与这些技术相关的学习资源已经有很多了，你只要理解了你的目标以及使用大数据要达到的目的，那么以下的这些书籍就会帮到你。
《Hadoop权威指南》（Hadoop : The Definitive Guide）
《Pig编程指南》（Programming Pig）
《NoSQL初学指南》（Getting Started with NoSQL）
黄金在成为财宝或者为电子学所用之前，是需要通过挖掘并且清洗工作才能得到的。而原油需要通过提炼以及精炼才能最终变成可用的石油产品。同样，数据也需要进行收集、挖掘，并最终进行分析之后，才能为业务、政府以及个人带来真正的价值。
—— 世界经济论坛
我们拥有数据，又有合适的技术，那么是什么在妨碍我们获得数据的第四重维度，也就是价值？又是什么在妨碍我们构建出可以产生出优秀产品或者服务的伟大算法呢？这本书就是围绕着以下3个主要的挑战展开的。
问恰当的问题
想要增加收益吗？那么“如何能够在YouTube上获得更高的点击量”可能就不是一个恰当的问题—— 这些评论者可能并不会是买家。好的问题应该是可度量的、可以执行的，并且是被领域知识所支撑的。问正确的问题在数据分析领域是非常重要的一环，这也是我们在本书之中会经常提及的一个问题。
使用正确的数据
大数据之所以叫大数据是有其道理的：你没法直接对它进行分析。这就意味着选择正确的数据（倾向于选择结构性的可量化的数据）并与合适的采样技术结合是从大数据之中提取知识的关键。
建立合适的度量标准
你如何能够让数据转化成可预测的购买意向，或者助力情侣速配服务，找到你的真爱？度量标准就是你可以信赖的导航员。特别是对于结构性数据来说，数据分析往往都是围绕着它们进行的。
当然，第四步——学习以及依据分析结果采取行动，也是同等重要的。
让我们通过两个例子来理解我们要面对的这些挑战。这些例子都被业界认为是目前最为成功的案例：亚马逊在市场上的成长，以及Google成长为搜索引擎领域的霸主。前者通过构建一个高效的推荐系统获得了目前的成功；而后者建立一套数据度量标准——也就是Google的页面评级算法，这个算法让搜索结果尽可能地达到用户的预期。我们将在本书接下来的章节之中详细地讨论这两个案例。
这两个案例都是因为提出了正确问题而获得成功的典型案例。亚马逊拥有比其他零售商都多得多的商品，顾客无法很轻易地找到他们想要的东西。所以，亚马逊的问题就是：“怎样的商品适合怎样的人？”Google也面对类似的挑战：它试图通过一些用户输入这样有限的提示，以及用户地理位置等参数，来确定用户想要获得的页面。
帮助你找到正确的问题是本书的一个中心目标。但是，要注意到，找出正确的问题是没有一个准则和确定的途径的。要找出正确的问题，你首先就得有恰当的度量标准，而这一切取决于你的业务和数据。没有一个整齐划一的标准，也没有一个按部就班的守则可以遵循，我们将通过实际例子来向你展示如何构建针对你业务的正确问题。
本书将会给你一个数据世界的扼要介绍。这其中最重要的是，我们将会为你揭示数据的第四重维度，也就是价值。你会在本书之中学到如何构建你的竞争优势。而通过学习这些实际例子，我们也将为你揭示一些常见的陷阱，并教会你如何规避它们。
最后，每一章都有一条主线，那就是教会你如何向数据学习。这不仅仅包含从数据之中得出结论，更是通过这些学习可以获得一些更加敏锐的感触，理解数据的局限性。由于社交媒体数据聚合了人们的大量电子足迹，有的时候它可以提供你在任何地方都无法获取的有价值的信息。而有的时候社交媒体数据可能会缺少一些关键性信息，或者可能会误导你。例如，YouTube上的播放量可能会也可能不会与购买意向之间有相关关系，一个Twitter上的话题可能只会让你听到一些偏执的声音，而掩盖了那些真正的智者的声音。有的时候这些数据甚至是为了满足其他人的一些预期而虚构出来的。以上的这些例子和相关的话题，我们都将在本书之中进行讨论。向数据学习并且理解数据的天性，这是我们想向你传授的一个关键技能。
每一个组织都有其自身特有的问题、标准以及数据需求。销售担心收入，市场营销想要为一个品牌消息构建更高的可达性，而产品研发会想知道如何改进这个产品。每一章，我们都会以组织的不同部门为例，为你展示如何分析内部以及外部的数据，以此来帮助你的业务：请跳到你感兴趣的章节中去。
预测性分析可以分析出在火星上着陆的方法，但是对于谁会去购买一个巧克力棒就无能为力了。要解决这个问题，你就应该寻求大数据的帮助……但是如果你试图借此让人们变得更加容易预测，那么你想多了。
——乔治·派尔特（Gregoky Piatetsicyshapiro）
这本书有一个明确的目的，那就是帮助你去提出正确的问题、度量合适的数据以及内容，并且从中获取有用的信息来揭示数据的第四重维度——价值。
这本书是为了给你一个数据处理的蓝图而设计的。有了这个蓝图，你就可以把那些市场上大量的数据工具的功用发挥到最大。
请注意，并不是每个在本书中讨论的问题都是大数据问题，很多问题都是与数据以及数据度量相关的。那么你是否需要NoSQL数据库以及毫秒级的处理程序对它们进行处理呢？不需要。我们的目标是，在你把数据问题规模化之前，我们会告诉你这些数据会把你引向何处。我们会提到很多社交媒体数据分析的例子。我们会告诉你如何与海量的不断增长的社交媒体网状数据协作，来补强你的业务。
你大可不必从头到尾地阅读本书。根据你自身的水平和经验，你可以通过以下指导来找到你感兴趣的章节。
经理？
这本书就是为你量身定做的。如果你在为市场营销或公关关系部门寻求管理建议，那么就可以直接跳到对应的章节中去。然后可以继续阅读第6章或者其他剩余内容，其中解释了标准是如何被误用的。如果你的职务或部门还不存在，也不要担心，我们在本书的第2部分提供一个小的指导手册来帮助你构建自己的问—量—学系统。
数据科学家？
对于数据科学来说，最大的问题就是数据学习了。数据告诉了我们什么？你可能已经为你的业务伙伴创建了一个又一个的数据面板，而你正在思考如何将这一切提升到一个新的高度。那么你可以选择一个你最感兴趣的章节，然后开始阅读。本书之中包含了很多趣闻轶事以及业务案例，能帮助你更加高效地学习如何使用数据。
大忙人？
如果你是那种很忙而时间很少的人，那么可以去阅读第2章。销售拥有可以很容易被度量的优势。所以，在本书之中提到的问题、概念以及标准都可以在销售这一领域中得到最好的体现。
初次接触数据（分析）？
如果你没有接触过太多的统计学概念，并且想从本书之中学到一些东西，那么我们推荐你可以从第2部分开始。在第2部分中，我们会对数据分析的概念进行一个提纲挈领的概括。
在每一章的最后，你会找到一些练习问题。你可以用这些问题与你的同事、经理或者董事进行讨论。我们也鼓励大家通过Twitter（@askmeasurelearn）或者我们的LinkedIn、Facebook主页，分享自己的观点。
以下是各章所涵盖内容的简介。
第1部分，按照功能评估社交媒体
很多公司都专注于数据收集，但是只有当数据被缩减为一个较小的集合时，它才能显现出其第四重维度（价值）。而把大数据缩减为小数据的过程往往都是类似的。首先，问正确的问题；然后，对恰当的事物进行度量；最后，从这些结果之中进行学习。我们把这些章节通过功能进行了划分。
第1章
在市场营销中，社交媒体可以被用来构建可达性、提高品牌认知度或者建立购买意向，而这些不同的事情都需要通过各自不同的手段以及度量标准来达到。通过一些研究以及案例分析，本章将介绍如何使用社交媒体来构建可达性并且定位潜在的客户，那么影响最终效果的因素是什么。而可能更重要的是，在这一章之中，我们将探索关于“意见领袖”以及信息飞速扩散的神话。
第2章
可达性以及购买意向之间有什么区别？对以数据驱动的社交商务来讲，购买意向通常是由以下因素驱动的：客户的评分以及评论，产品信息在社交媒体之中的扩散能力，还有通过消费者在线行为进行的推荐。本章将介绍那些在线销售系统背后的推荐系统的机制以及技术。
第3章
公共关系有两个主要用处：分发信息，还有警示大众。通过社交媒体进行信息的传播可以让我们在评估个人网络以及某人在其网络中的中心位置时获得度量上的优势，而社交媒体参与指数以及网络拓扑图可以帮助我们更好地为那些关键场景提前做好准备。本章将详细揭示社交媒体以及大数据时代的公共关系是如何转变的。
第4章
我们现在已经有能力通过社交媒体与用户进行交流，并且也可以通过他们的数字足迹来获取从消费者满意度到自动化商务智能的所有东西。本章将介绍客户服务中心以及客户关系管理是如何与大数据时代一起进化的。
第5章
社交媒体以及客户关系管理数据可以为市场研究提供丰富的材料。诸如Facebook Graph这样的技术为我们提供了比以前更能够深入了解目标人群的能力，而有的公司借助客户关系管理数据让他们的客户保持率更容易预测。但是，在这个过程之中，社交媒体是否为公司带来有价值的洞见，抑或社交媒体增加了数据的噪音？本章将会揭示商业研究之中社交化客户关系管理的未来。
第6章
如果你在社交媒体上交了一个新朋友，那么这位朋友是不是一个机器人呢？在本章之中我们会把关注重点集中在那些可能影响到你社交媒体分析结果的因素之上，这些因素涵盖从虚假粉丝到微推文再到“人工草皮”炒作（指那些使用自动生成的社交媒体账号来进行运动或者活动的行为）。在这一章中，我们也会为大家揭开社交媒体本质的面纱，而这一本质可以用来构建虚假的网络热潮、影响力以及意向。
第7章
我们能否预测你是否能够在大学之中取得成功？谁能够赢得下一轮选举？或者什么样的工作最适合你？在这一章中，我们将看到大数据和社交媒体在预测性分析之中扮演的角色—— 以数据为基础预测未来行为的科学。这一章是总结性的一章：给我们一个大数据的前景以及社交媒体分析的全景图。
第2部分，构建你自己的问—量—学系统
你是否觉得你感兴趣的部分还没有提及？或者之前有所提及，但是你的数据问题和我们所讨论的情况有所出入？或者你是否还想更深入地学习大数据分析的机制？如果是的话，那么这一部分就是为你准备的。在这里，我们会帮助你构建自己的问—量—学系统来挖掘大数据的价值。
第8章
大数据分析的前提是能够提出正确的问题。在YouTube上获得数以百万计的浏览量或者在Twitter上拥有成千上万的粉丝可能会有极高的价值，也可能一文不值，这都取决于你关心的点是什么：你是否想要寻找到新的客户？你是否想增加收益？或者你只是想提升品牌认知度？同样，数据挖掘的众多方式也是良莠不齐，这一切都取决于你提出的是什么问题以及使用的是怎样的度量标准或者数据来回答这个问题。本章将讨论如何构建可度量、可执行的问题，并以此为驱动，通过大数据让你理解社交媒体之中的信息。
第9章
如果你想通过分析推文中关于某个特定问题的信息或者使用某人社交网络来进行有针对性的市场营销，你是否选择了准确的数据？这些数据是否来自恰当的环境？而这些环境与你的策略是否相符？你是否还在为相关性与因果性之间的区别感到迷惑？本章将讨论与结构性数据以及非结构性数据进行协作时的异同，以及如何选择正确的数据特性，如何与恰当的问题进行整合。
第10章
你度量的事物在很大程度上就决定了你可以从社交媒体以及大数据分析之中获得什么。例如，Facebook上的“赞”对于你的目标以及调查数据（比如，网络发起者分值——Network Promoter Score）来讲可能就有完全不同的意义。本章之中，我们会探究社交媒体度量标准之中普遍存在的一些陷阱和风险，以及“度量的潘多拉魔盒”——度量标准可以影响被度量的对象。
如果一切顺利，在你真正开始构建自己的系统之前，可以把大数据以及社交媒体分析作为一个结构化的过程来看待。只有这样你才能有一个清晰的业务目标，并且最大限度地使用以及提升这些数据的价值。让我们以从市场营销入手，开始学习如何使用数据吧！
Safari在线书店是一家以图书和视频形式提供专业知识内容的按需数字图书馆，这些内容是由技术和商业领域世界权威人士编写的。科技人才、软件开发者、网页设计师，以及商业和创意的专业人士使用Safari在线书店作为他们研究、解决问题、学习和认证培训的主要资源。
Safari的在线书店为组织、政府机构以及个人提供了一系列的产品组合和定价计划。我们拥有数以万计的书籍培训视频和原稿，而且都已纳入一个可搜索的数据库，这些出版社包括O'Reilly、Prentice Hall出版社、艾迪-韦斯利专业、微软出版社、萨姆斯、Que、PeachpitPress新闻、思科出版社、约翰·威利、Syngress、摩根考夫曼、IBM红皮书、Packt、Adobe、FT出版社、Apress出版、曼宁、New Riders、麦格劳-希尔、琼斯和巴特利特及很多其他的出版社。若要获取有关Safari在线书店的更多信息，请访问我们的网站。
如果你有任何问题，请通过以下方式联系我们：
O’Reilly Media，Inc.
1005 Gravenstein Highway North
Sebastopol，CA 95472
800—998—9938（美国或加拿大地区）707—829—0515（国际）707—829—0104（传真）
我们也有一个对应本书的网页，其中会列出本书之中的勘误、例子以及其他相关的信息。你可以通过：http://oreil.ly/ask-measure-learn来访问我们的站点。
如果有关于本书的任何技术相关的问题或者建议，你可以向bookquestions@oreilly.com发送邮件。
关于我们出版社的书籍、教程、会议以及新闻的信息，你可以访问站点http://www.oreilly.com。
我们的Facebook主页：http://facebook.com/oreilly。
我们的Twitter主页：http://twitter.com/oreillymedia。
我们的YouTube频道：http://www.youtube.com/oreillymedia。
我们知道得越多，就会理解得越快。
——JOSÉ-MARIE GRIFFITHS
今天，我们正在以一个惊人的速度生成数据以及知识。我们知道得越多，就会理解得越快。而把知识都归集在一本书之中的做法，在现在无异于一件逆水行舟的事情。要写成本书，离不开那些鼓励过、帮助过并给予我们很棒洞见的人的支持。
在此，我们首先要感谢艾希文·瑞迪（Ashwin Reddy），他是我们Fisheye Analytics公司的联合创始人。和他以及很多优秀的工程师一道，我们共同创立了一家社交媒体数据挖掘公司。我们专注于收集以及处理海量的数据。就在撰写本书之时，我们系统之中保存的文本信息已经超过了37TB，而且还有69TB的月数据增量。通常，在一天之中我们的程序以及数据库需要处理多达1亿条的新闻以及社交媒体信息。但通过我们的算法，可以把这些海量数据简化为数千字节的大小来回答相应的问题。和艾希文一起，我们领悟到如何发现数据的第四重维度。这是一个如过山车般的旅途，我们非常感谢这个旅程之中有他的参与。
我们还要感谢绰号为“领导者”的梅尔文·李（Melvin Lee），以及Jasleen Dhingra，他们都是Fisheye Analytics公司实施组的领导者。他们在数据可视化方面的优异技能不止一次地帮助我们从数据之中获取洞见。
本书的宗旨就是揭示数据的第四重维度，也就是价值。我们为大家介绍了为什么要从数据之中挖掘出有价值的信息会那么难。在所有关于数据的讨论之中，问出恰当的问题将是重中之重。在这里，我们要感谢Sebastian Knief、Deepanshu Bagchee、John Timothee以及Lydia Ng，我们从他们那里学到了如何向客户问正确的问题，并基于此从数据之中挖掘出其第四重维度。
为了让读者对于数据度量有一个透彻的理解，本书之中充满了各种逸闻趣事以及我们从别人那里听到的短小精悍的小故事。感谢来自Compass公司的Bjoern Lasse Herrmann以及来自2Style4You的Michel Rogero。我们非常钦佩这两家创业公司在数据问题上做出的贡献。他们在数据研究方面的一些新手段激发了我们在这一领域的一些创新性思考。当然也非常感谢Björn Ognibeni、Luke Brynley-Jones、Lasse Clausen、Kasper Skou以及Michael Liebmann。以上几位都在数据、度量或者社交媒体方面给予了我们非常多的洞见。
如果没有同行评审，这本书可能都不会出现在我们的视野之中。感谢Kord Davis帮助我们细致地评审了本书，本书中每章的练习簿部分就是他的主意。非常感谢Frederik Fischer以及Uwe Weiss给我们带来的富有远见以及深刻的观点，他们的观点在很多讨论之中都起到了一锤定音的作用。非常感谢Abdi Scheybani以及Thomas Stoeckle的评审。
在最后，我们要感谢来自O'Reilly团队的Ann Spencer以及Melanie Yarbrough，还有为本书配图的Magdalena Solowianiuk。
感谢你们所有人。
第1章 市场营销
第2章 销售
第3章 公共关系
第4章 客户服务
第5章 社交化的客户关系管理：市场研究
第6章 与系统的博弈
第7章 预测
维基百科，其本身就是一种以众包形式存在的产品。它对市场营销的定义为：“以销售产品或服务为目的而向（潜在）客户宣传产品或者服务价值的过程。”就像超级跑车在普通汽车中鹤立鸡群一样，市场营销一直以来都是大数据和社交媒体分析最美妙，也是最显而易见的应用领域，同时也是他们大肆宣传的最好样板；点击一下Twitterverse，或者发布一个不胫而走的视频，接着你的产品或者服务就变成了摇钱树。
市场营销并不是第一个使用数据分析学的领域。第一个使用数据分析学的殊荣应该归于金融领域，金融业从来都舍得在大数据分析方法上进行大量的投资以获取高速的证劵交易过程中的数据。大数据通过电商和社交媒体的崛起成功进入了市场营销领域，并获得了成功。社交媒体推广或者社交媒体监测现在是优化市场营销最流行的方式之一，对于这一点我们一点都不感到惊讶。今天，在市场营销中使用社交媒体已经成为了一种炒作，你有可能正是出于这样的目的而阅读本书。这里隐含着一种期望，那就是社交媒体可以帮助我们把自己的产品或者服务的市场营销做得更成功。但是，我们该如何度量这种影响呢？此外，通过社交媒体进行市场营销，我们可以得到更多的数据以及测量维度。我们能找到第四重[1]的数据价值吗？
理清选择与影响之间的相互作用，是社会科学上最伟大的悬而未决的问题之一。
——凯文·里维斯（Kevin Lewis）
正确回答以上问题将是在市场营销之中高效地使用大数据以及社交媒体的关键。在这一章中，我们将逐步探索各式各样的社交媒体市场营销方法。伴随着这些方法的使用，一方面，我们将逐步揭开围绕着社交媒体市场营销周围的谜团；另一方面，我们希望通过这些努力能够擦亮我们的双眼，为我们找到适合我们业务的度量标准。
社交媒体的承诺以及社交媒体分析往往存在于产品或者服务的成功案例中。这里有一个麦肯锡公司提供的例子：早在正式发售新嘉年华汽车之前数月，福特汽车公司就邀请100多位网络名人试用了该车，并且让他们把对这辆车的看法发布到网上。之后在YouTube上，这次活动相关的视频被浏览了650万次，福特汽车公司收到了5万份请求以获取更多有关该车的信息。当该款汽车在美国发售的时候，仅在前6天就卖出了1万辆。
类似的案例在当今的商界中不胜枚举。再举一个例子。在最近一个讨论小型业务成功案例的会议上，一个又一个与会者走上讲台，讲述了自身的业务是如何通过社交媒体、视频散播和在线社区等手段实现增长的。如果你也想成为这些成功案例中的一个，你应该如何使用社交媒体来取得市场营销上的成功呢？
好消息是，只要有好的产品以及恰当的时机，社交媒体数据完全可以同时提升产品认知度，并且吸引人们的眼球。让我们回到福特嘉年华汽车的案例，前期所聚集的认知度是成功的一个直接因素。但这个案例中，社交媒体的影响力并不是唯一的决定因素。长久以来，人们对汽车习惯性的关注，以及人们对福特汽车作为一个品牌的认知程度，还有很重要的因素——一个独特吸引人的新产品，这些都是成功的要素。然而，就像我们将在“验证相关性”部分更深入讨论的那样，我们在这个案例中很难找到社交营销活动是让首发如此成功的直接证据。
恰当地使用社交媒体可以给市场营销活动带来独一无二的优势。但同时，在理想化的视角下，现在的成功案例并不那么有条理。那么我们应该怎么去更好地衡量社交媒体营销的效果呢？本章将探讨社交媒体应用于市场营销的三个关键方面：
市场营销关注的两个主要方面包括品牌认知度以及购买意向。简单来说，市场营销的目的就是创造人们拥有其产品的欲望（让产品为人所知）以及最终去购买的行为。社交媒体可以有效地驱动以上两个方面，让你可以比传统市场营销渠道更有效地拉近消费者，并且还可以让你有连接到客户自己社交环境的权利。社交媒体更可以成为让用户决定购买的定因。
在本章中，我们还需要重点关注的是，理解并且避免围绕着将社交媒体应用于市场营销时出现的炒作。就像那些传奇的战争故事有虚构的成分一样，社交媒体也并不是像你想象的那样便宜或者有着惊人的传播速度。和大多数人说的不一样，社交媒体营销可不是一个巨大而独立的渠道。各种研究已经证明了，“意见领袖（也就是可以广泛散播你的品牌信息的人）”的概念仍然是个谜。要想成功地运用社交媒体，理解这些对社交媒体的错误观点与知道社交媒体的优势同样重要。
尽管社交媒体是一个新兴的领域，但它却经历了极其快速的成长过程。Facebook和微博服务Twitter分别创建于2004年和2006年，但在2013年的时候，它们就已经分别拥有11亿和5亿用户。这样的结果无疑表明，一场释放大量非结构性数据的革命已经开始，这也引起了数据科学家们的巨大兴趣。我们希望向大家展示一种能在现实市场营销中有效地运用社交媒体的方法。这么做值得吗？我们如何度量它？在什么时间以及什么地方使用?
图1-1所示的漫画展示了社交媒体数据应用于市场营销中的核心难题：数据之间的链接相关性非常弱（如这位逝者的2000位Facebook朋友），品牌认知度（那些关注这个人的人），以及意图（表现为确实来参加这个葬礼）。在这一章中，我们会揭示运用社交媒体来影响用户购买行为的可能性以及缺陷。让我们以隐藏在社交媒体之后的常见真相开始吧！
图1-1 没有用的“朋友数”（由丹·皮塔罗提供）
社交媒体似乎是一个通过品牌宣传建立品牌认知度的理想地方，而且很多成功的案例好像也提供了有力的证明。这些案例中的炒作就好比19世纪中期美国的淘金热一样，一夜暴富的宣传语驱使人们冲向美国西部，而大多数的淘金人最后都铩羽而归。当然最终淘金热孕育出了贸易、商业以及基础设施的建设，还有合法的金矿工业。
当今社会上的社交媒体淘金热的诱因就是人们相信他们可以通过社交媒体上的传播手段快速致富（快速传播的视频、广泛转发的推文以及在Facebook上众多的关注者）。虽然其中只有很少人真正地通过这种方式富裕起来，但这都是合理的社交媒体架构中的一部分，而这种架构正在改变着市场营销。在我们详细讨论如何运用这种新的架构去构建品牌认知度以及评估购买意向之前，认识到社交媒体中依然存在着误区十分重要。现在让我们来说说在如今的市场营销中会遭遇到的3个最误导人、也是最普遍的误区。
对于社交媒体的第一个误区就是，社交媒体很便宜。不要被感觉迷惑了，事实是，社交媒体不再便宜了。Bonsai Interactive公司的CEO——丹尼·布朗在2011年估计社交媒体活动的费用每年在21万美元左右。这样的费用比起在传统媒体上进行一次活动要便宜，但是相对于广泛流传的在社交媒体上可以免费打广告的误区而言，则要贵很多了。
在电视时代的初期，我们也看到过这样的误区。你是否知道一条电视广告只需要9美元？是的，这就是在1941年播出第一条电视广告的价格：一条时长为10秒、显示着黑白的美国地图的广告，它是在棒球比赛开始前的黄金时段播出的。
图1-2 宝路华（Bulova）为您报时（由宝路华和YouTube提供）
在这条广告中，一个旁白说道：“宝路华为您报时。”宝路华仅为此支付了9美元。没有人能想到，他们那时已经踏入了一个全新的市场，截至2014年，这个市场的估值已达到2140亿美元。就像电视广告当初才开始时很便宜一样，现在的社交媒体活动也比较便宜。
与稳定上升的电视广告费用一样，我们开始看到社交媒体广告费用也在上升。举个例子，广告工具开发公司TBG Digital注意到，Facebook上每条广告的平均费用仅仅在半年间就上升了62%。社交媒体广告已经不再便宜了。
另外一个相似的地方是，现在对新媒体效果的争论。就像当时电视的情况一样，社交媒体的效果经常被质疑。你是不是经常听到有人说社交媒体的投资回报率是无法证实的？就像宝路华只是试了试电视广告然后就成功了一样，今天的广告商也处于相似的情形中。
大众对于社交媒体的第二个误区在于速度。很多管理者基于一些早期的成功案例认为，社交媒体的效果是很快速的。在2004年，社交媒体作为一种接触客户的全新方式，第一批使用它的商家是有很大优势的，那就是他们只需要构建一个Facebook的主页，然后人们自然而然地就来访问他们了。
但那个时代已经一去不复返了。现在的情况是，大家越来越清楚地认识到，社交媒体的价值在于营销组合。正因如此，才有越来越多的品牌开始使用这种途径。这也说明，特定品牌的信息更难被大众接收到。以Twitter为例：在2012年，仅Twitter更新一项平均每天就会产生80亿个单词，这个数字比《纽约时报》过去一个世纪出版过的单词总和的两倍还要多。所以，在今天要让自己的声音被听到，有很大可能将会是一个漫长的过程。
即便目前有一些精彩、有时甚至会引起恐慌的案例，我们还是要强调“很大可能”。现在的一些事件、新闻或想法，可能只需要几个小时就可以闪电般地通过社交媒体散播开来。是的，它们可能会，但不是必定会，甚至，在大部分时候其实它们不会传播开来。我们将会在第3章中更进一步地分析类似的情况，并揭示要想计划“病毒式”的消息爆发是多么难，甚至是不可能的。
对于社交媒体的第三个误区在于，人们在谈论社交媒体的时候，往往认为社交媒体只是一种渠道，就像电视和印刷媒体一样。但是，在你要为这种所谓的社交媒体设计一种度量方法时，这种看法只会给你带来迷惑。一条推文使用140个单词来传播一般性的信息，这和诸如论坛发帖以及YouTube的视频是完全不同的一种目的和机制。
社交媒体并不仅是一种媒体类型，它更多的是一类有不同目标和机制的媒体的组合。所以，社交媒体需要用一些非常不同的度量方法。社交媒体可以让用户去创建、参与、分享或者玩游戏。对于这些不同的目的，需要使用多种技术。对于一种业务来说，这意味着我们将不再处理一种平台以及5种度量方法了。更多的可能是10种不同的平台以及70种度量方法，它们很可能非常类似并且很难进行比较。
社交媒体作为一类媒体的组合，可以被分为3种不同的类型。
这是指有关品牌的内容是由用户自己创建或分享的。在早期，社交媒体都是获得型的，一个很好的例子是Amazon.com上的产品评价。比如“哈利·波特”系列的第一本书《哈利·波特与魔法石》，截至2012年共被评价了接近6000次。那么，为什么还有人会去写第6001次评价呢？因为用户想要和所有人分享他们令人兴奋的体验。分享正面或负面的时刻，是一种人类的共同特点，这往往也是获得型社交媒体的核心。
大多数传统的市场营销渠道，例如电视广告，都是购买型的。虽然亚马逊不允许商家去购买评价本身，但其他的一些社交媒体渠道允许出现所谓的高级内容。比如，Twitter提供了高级推文；Facebook，在你没有为广告或者所谓特定故事付额外的费用之前，你的状态更新只会显示给很小一部分的粉丝；而Stumble-Upon可以让你通过一个叫支付探索的项目使你的链接变高级。这里还有很多类似的例子，就不一一列举了，但它们都是非常有效的付费广告。
品牌的拥有者和公司可以建立自己的博客或者粉丝站点，进而创建自己可控的内容以及账户，所以叫“拥有型”。例如，企业自己的YouTube频道、网页，或者Twitter账号。通过这种方式，各个品牌自己就成为消息的“出版社”了。
要区分获得型和拥有型Facebook主页并不容易。虽然大多数的品牌在Facebook上的主页都是拥有型的，但其中有个众所周知的例外，那就是可口可乐的Facebook主页。最初，它由两个爱好者所建立，而后可口可乐也并没有强调对这个主页的拥有权，反而款待了这两位建立者，并让他们访问了亚特兰大。随后，在可口可乐公司的大肆宣传下，这个故事通过一个视频广为流传。
在以上3种社交媒体的基础上，我们在这里引入第四类，那就是：分享型。内容是否能够被分享，以何种方式分享，构成了一种新的维度。分享的方式在不同的社交媒体平台上是千差万别的，但它们却有着一个共同的特点，即：非常方便。我们并不需要冗长的解释或是原创的内容便可以进行分享，它如同轻轻点击鼠标一样简单。但要注意到，无论我们是在分析以上4种社交媒体类别中的哪种，都没有任何一种社交媒体的渠道是一样的。它们有着不同的规则，并且要用不同的度量标准来鉴别其效用。Kaplan和Haenlein针对不同平台的社交媒体提出了一套很好的归类标准，其中包括：
在这里，我们还需要提到内容策展平台（如Digg、Pinterest、Scoop.it，还有很多类似的），它们是一个独立的类别。其原因是，早在这种媒体最初出现的2010年，它们就成为了一种拥有自己的运作和度量方式的独特社交媒体活动。从以上的分类我们不难看出，社交媒体至少有7种不同的渠道，而并不只是一种渠道。
这意味着根据使用方式的不同，社交媒体有不同的可能效用，它可以通过自有的公开活动吸引听众；或者，作为一种付费广告的渠道。每一种都有各自不同的目标和度量方式，和你的产品、服务、市场营销活动等本身的吸引力，以及各种媒体平台自身的可达性一起相互作用，最终形成我们可以度量的结果。
通常，社交媒体主要用于建立和加速品牌推广。这是怎么做到的？关于这个问题，到现在都没有一个明确的答案。
成功的案例需要内容和媒体的选择都恰到好处。可口可乐公司曾建议，比较恰当的内容应该是“流动且有关联性的”。对于可口可乐公司来说，广告本身不再仅仅是传统意义上的广告，而具有了通知、取悦、吸引用户和很多其他的目的。但是，一家公司的成功案例照搬到另一家公司，就不一定会成功了。通常，一个产品的市场营销策略是没法复制并应用在另一个产品或者受众群体上的。从数据的视角来看，这就是一个问题，因为从给定上下文中提取有用的信息困难重重，导致我们很难从已有的案例中学习到什么。所以，即便在不久的将来，也不会有什么算法可以告诉我们什么样的市场营销信息是最恰当的。品牌推广将始终依赖才华横溢的创意以及用恰当手段激发用户的能力。
因此，在品牌推广中，内容质量依然是高于媒体渠道的重要标准。有些人想通过社交媒体把自己的信息以“病毒式扩散”的方式传播开，他们将碰到和电影产业类似的问题。在电影行业中，任何一种可以更可靠地预测某个电影票房的方法都价值不菲。即便出现过很多关注点各异、专注于细节研究的方法，但电影产业中仍然不存在一个可以称得上无懈可击的票房预测公式。Arthur S.De Vany在他所著的《好莱坞经济学：莫测的电影工业》（Hollywood Economics: How Extreme Uncertainty Shapes the Film Industry）一书中指出：
这里没有公式。所有的结果都没法预料。没有理由让管理手段挡住创新的进程。只有角色、创意以及美妙的故事主宰一切。
即便整个业界都在大规模使用社交媒体，上面提到的原则也是适用的。某个信息能否大规模扩散是无法保证的，我们也没有这种能力去设计一种手段让某个信息爆发。尽管优秀的品牌推广策略依赖于创造性，而我们有很多种方式可以度量某种推广策略是否有效，就像热门电影一样，最终，市场会决定什么消息值得推广。
这类度量标准都需要回答如下的问题，那就是：“有多少人可以记得这个品牌？”要知道，目前并不是只有一种社交媒体类型，而且也不是每种类型的社交媒体都有这个度量标准。如我们之前论述的那样，在度量市场上形态迥异的各种社交媒体的效果时，其手段都有细小的差异，其标准也不尽相同。那么，现在我们还需要解决如何把可达性引向认知度，进而引导出用户的购买意向的问题。这些问题我们将在接下来的章节中探讨。
对于各种不同的社交媒体，它们背后都有一套平台，为它们提供不同的度量标准。以Twitter为例，让我们来看看要想对可达性有一个共同的认识有多么难。
表1-1向我们展示了用不同的社交媒体测算公司的度量标准对蒂姆·奥莱利（Tim O’Reilly）的Twitter账号进行测算的结果。
表1-1 Tim的测算结果概述（截至2012年5月）
| 公司 |
度量领域 |
数值 |
|---|---|---|
| Twinangulate |
综合接触数 |
120310807 |
| Klout |
实际接触 |
56000 |
| Twitter Grader |
排名 |
在总数为10997926中排名2987 |
| How Sociable |
大小 |
4.4（最大值为10） |
| Fisheye Analytics |
影响力 |
High |
| Peer Index |
受众 |
94 |
| Twitanalyzer |
有效接触 |
1630000 |
| Twitanalyzer |
潜在接触 |
3060000 |
这张表说明，很多不同的测量方法都可以归到“可达性”这一类下。比如，蒂姆在Twitterverse上的等级、他的实际可达性（比方说他的超过15亿的粉丝）、他的潜在可达性，还有可以度量的影响力。类似这样的标准给了我们一个例子，即如何量化某个社交媒体足迹。但它同时也揭示了，如此众多的测量标准，很多时候往往都是在表述一个类似的事情。而数据是不会撒谎的，它们每一项都在诉说着与其他（数据）不尽相同的故事。
此外，这个例子只提到了Twitter。Facebook和YouTube等其他的媒体类型，都有自己的一套度量标准。这些标准可能包括从页面或视频的浏览量到它们被评论或获得“喜欢”的频率等。
尽管我们对每种社交媒体的可达性都有一套甚至几套不同的度量标准，但它们没一个可以用来度量认知度。当拥有巨大的媒体预算时，我们可以轻易地接触到很多潜在的用户，但这么做一般很难让用户记住我们的品牌。一线的市场营销人员一般会借助诸如打电话或回答问题这样的所谓“触发器”来引导听众做出反应，以便增强品牌认识度。这类活动会让我们的品牌更容易被听众记住。
今天的社交媒体为我们提供了方式众多的技术手段来触发一个互动类的活动。本章开篇提到的福特汽车案例，其本身就是一个精心的策划。活动可以简单到用鼠标点击一下“点赞”或者“转发”，类似的方式可以让用户更方便地参与到活动中来，并让品牌推广更容易吸引用户。这些渠道相较于传统媒体，都有无可比拟的优势。
而上面提到的互动活动的效果，都是可以度量的，以下是一些例子：
以上所有的活动都可以被归类为获得型的社交媒体。因为在这些活动中，都是用户自己在没有广告商控制的情况下完全自愿参与进来的。我们可以看到，参与度和认知度之间是有很大联系的。这样一来，对任何一个市场营销者来说，参与度就理所当然地成为了一个很重要的度量标准。
当然，在可达性与品牌认知度的联系之外，还有一个深层次的问题，那就是：品牌认知度并不等同于购买意向。虽然品牌推广的目的是建立品牌认知度，但是最重要的一步还是没有提及。是什么触发了用户最终购买行为？你如何让一个用户购买你的产品？我们将在接下来论述购买意向的章节中讨论这些问题。
在接下来的一节中，我们会看到一个以社交媒体为手段成功进行品牌推广活动的案例。在这个案例中，推广活动恰当地使用了社交媒体的全部4种类别（获得型，购买型以及拥有型，并在多种平台上同时推广），而在其推广过程中，合理地结合了社交媒体以及传统媒体为目标服务。最终，这个活动给出了一个与品牌推广目标一致的可度量结果。让我们来看看这次活动是如何策划并得以执行的。
社交媒体提供了众多迥异的互动度量方式，而把这些方式组合到一起为提高品牌认知度活动服务是合情合理的。这里我们要提到的是一个切题并且非常优秀的例子，就是维珍航空的促销活动——“琳达去哪里了？”
早在2011年，维珍航空就启动了一项价值970万美元的全球推广活动，其主要以一系列短小连续的电视广告为载体。广告本身是以超现实的画风为主调，而其中那些长相俊美的男女演员让人感到，这更像一个新的007电影广告而不是什么航空公司促销活动。在这个系列广告的末段，大约最后5秒时，一个飞机乘客指着天空中的一个小女孩问自己，“那是琳达吗？”这个结尾突兀地出现，打破了整个系列一贯的格调，并且让观众非常好奇：“谁是琳达？”
与这个系列广告配套的还有一个新的Facebook主页，所有有关琳达的线索都在新的主页中，这堪称一个巧夺天工的策划。消费者可以访问这个关于琳达的专有页面，如果他们可以正确地猜出广告中那个假想的乘客去哪里了，他们就可以获得一张机票。
这个独特的活动收获颇丰，即便多年之后琳达仍然会接到Facebook上的好友申请，并且还有人会在她的主页上添加评论。这就是一个绝佳的品牌认知度营销的例子。它使用了包括社交媒体和电视等一系列媒体的组合，来建立总体上的品牌认知。通过一个专有的Facebook主页以及之后的有奖问答，维珍航空像我们之前论述的那样，同时建立了拥有型、获得型以及购买型的内容。
但这个策划是成功的吗？如果要以在维珍航空的潜在客户中建立品牌认知的标准来看，答案是肯定的。一个简单易行的评估品牌认知度的方法是度量用户的互动程度。这里有一份Wildfire Interactive公司，也就是策划这次活动的公司，给出的报告。
在促销活动接近尾声的时候，航空公司共收到15449次竞猜请求，并在Falebook上获得8282个“赞”！琳达也以一种全新的方式增进了消费者的互动：在活动期间，她共增加了1900个朋友。
——Wildfire Interactive公司发布的报告
就当时而言，此次活动获得的点赞次数以及朋友数让其拥有无可置疑的成功，至少以Facebook上的互动程度来看是如此。但是，它的投资回报率怎么样呢？这个问题的根本就是，这次活动是否让维珍航空卖出更多的机票。如果把970万美元的投资与接触到的客户数联系到一起，我们就很难把这次活动定义为成功了。一个好的度量方式并非仅仅看一个活动直接产生的品牌认知度以及客户购买意向，也需要比较去年同期，或者在广告投放前后增加的机票订购量。此外，一个好的度量标准还应该去衡量某个活动对品牌的长期影响。
有关投资回报率的问题多半会牵涉到品牌推广活动。由于品牌认知度不会单独地引发购买行为，所以很难计算出与特定指标相关的投资回报率，这些指标包括问答活动的回答数或者电视广告观看数等。
只有当我们可以假设品牌推广活动直接导致了一种行为的发生，与诸如投资回报率这样的经济指标的联系才能建立起来。在市场营销中的行为，更多的是和销售相关的，例如销售转化，就是直接影响到经济利益的一个指标。但是，这是琳达这个案例的情况吗？
让我们来比较以下3条来自Twitter的信息，它们之间主要的区别在于它们的目的以及可测量性。
今天就买本书。凭此消息可以在本月15日之前获得10%的折扣。tiny.url/buynow。
本书揭示了那些“意见领袖”往往都被高估了，而这很可能导致我们做出错误决定。
本书是一本指导你如何度量和在业务中运用社交媒体的手册，现已出版，欲购从速。
以第一条信息为例，其中包含了可供我们度量的一些行为。例如，给出的链接就可以用来统计有多少人点击了，其中又有多少人最后买了这本书。第二条消息完全没有包含任何行为，而第三条中有一个无法被直接度量的行为。
同时，追踪一个行为以及把这个行为和经济学数字联系起来的能力并不与经济学数字成因果关系。以上面的第一条信息为例，倘若有人在国家电视台上谈论了这本书，并且被转发了，这可能让这条信息有很好的转化率。在这种情况下，如果我们忽略访谈的重要性，而把书籍销售上的成功仅仅归功于那一条消息，那就大错特错了。在数据科学领域，我们把类似对结果有影响但阴差阳错地并未纳入考虑范围的因素叫作“幸运因素”。我们将在第9章详细讨论这个问题。
无论如何，相信大部分人都会认为第一条消息应该算最好的一条。因为它可以帮助我们追踪营销的推广程度，并且很重要的是，它通过促销活动触发一个行为。因此，我们会看到，Twitter被广泛地应用于分发促销信息，但相比其他媒体渠道，最终却导致了更差的客户终身价值（Customer Lifetime Values，CLV）。一项研究表明，在美国，Twitter上获得的顾客要比平均水平低23%。
还有一点没有提到的是，和维珍航空的长期投资回报率一样重要的是，你如何能够转换诸如Facebook通信录的人成为最终购买的用户？换言之，我们如何把品牌认知度转换为购买意向，甚至是一个实际购买的单子？
你在网上点赞了维珍航空，并不意味着你下次旅行时就会选择维珍航空。所以，这些联系人就如同一个通信组列表中的电子邮件地址，他们的价值完全取决于维珍航空如何在用户生命周期内有效地使用这些联系人。例如，航空公司可以向这些联系人提供促销优惠；也可以请他们提供用户反馈以便提高服务质量，甚至可以让他们通过一些口碑宣传活动扩大品牌认知度。
所以，要理解“粉丝”的价值，我们就需要回答以下几个问题。请注意，我们可以就Twitter或者其他任何一种社交媒体社区工具提类似的问题，而不仅仅是Facebook。在此过程中，我们只需要把“粉丝”换成“关注者”或者其他任何合适的术语即可。
只有当我们知道将怎么利用这些联系人信息的时候，我们才能有效地决定品牌推广的价值。通常，我们并不清楚如何处理这些联系人信息，因为这些媒介相对还是比较新的。而对于传统的电子邮件地址，大多数营销经理们都有较准确的感觉来区分其优劣。但是对于一个Facebook中好友的价值，就很难被界定了。
各大公司通常会首先在任意一个社交媒体网络上建立起他们的粉丝群体。一旦这样的粉丝群体建立好了以后，就很容易去测量他们，而这样的测量往往是非常重要的。事实上，往往用户与公司对彼此的期待是有很大差异的。
一项由CarolynHellerBaird和GautamParasnis在2011年主导的研究，就揭示了消费者期望从与一个品牌在社交媒体上的互动中获得的好处，以及品牌所在公司期望在类似活动中能从消费者身上得到的利益，这两者之间有巨大的差异。对于消费者来说，访问某个品牌的社交媒体站点的最主要原因，就是能够得到折扣，或者能够直接在那里买东西。但是，另一方面，商界领袖是想通过建立类似的站点来向消费者介绍新产品，以及提供一些关于品牌自身的信息。所以于大多数企业而言，在社交媒体站点提供打折的功能就理所当然地被排到了建立该站点的所有可能原因的最后（见图1-3）。这个研究非常清晰地揭示了期望之间的差异是和平台无关的，所以，不管你用的是Facebook、Twitter、Quora，还是其他任何一种建立社区的平台，这都将是一个问题。在用社交网络建立一个以品牌为中心的社区时，企业就需要进行小的策划，并且用数据来验证他们的假设，如此往复若干次。
图1-3 社交媒体中的预期差异（由IBM商业价值研究院提供）
那么，“琳达”这个案例是否是一个成功使用社交媒体数据的案例呢？如果从最终产生了成千上万的新用户角度来说，答案是肯定的。这些新用户将有助于将来的市场营销。它成功地完成了最初计划的任务，例如，让维珍航空为更多人所知、建立品牌印象、与用户互动以及建立一个用户基础。尽管如此，这次活动在销售上是否成功以及投资是否有相应回报却很难判定。其根本原因就是，我们不知道一个点击了Facebook上“赞”按钮的消费者，最终是否会花钱去买那个产品。在下面的一节中，我们将把关注重点转到发现并度量购买意向这样更加复杂的问题上来。
琳达的案例，不可否认是成功的，但却也揭示了任何一个要使用社交媒体作为营销手段的公司都会遇到的困境。任何公司梦寐以求的当然是营销行为能带来稳定的经济收益。而品牌认知度与销售之间缺失的链线，正是购买意向。关于购买意向，这里有两个问题与其相关。
1．如何识别有购买意向的消费者？也就是说，如何把销售力量集中在一个正确的范围，以期望产生最大的销售成功的可能性。
2．在品牌不为人知的时候，你如何建立购买意向？社交媒体就可以办到。口口相传的故事，配合上一些有影响力的网络人物的推广，我们可以很轻易地创造出购买意向。
接下来，让我们来具体看看这两个问题。
最简单的确认购买意向的方式，莫过于客户直接告诉我们他有购买意向，我们都知道这种传统销售的工作方式。当一个用户告知我们的销售代表他想买一个产品的时候，销售人员就知道他会是一个潜在的客户。
在网络世界中，最接近的例子就是用户使用的搜索关键字了。如果你在自己最喜欢的搜索引擎中搜索 “到佛罗里达最便宜的机票”，那么你将很可能有购买那些机票的意向。对于Google这样的搜索引擎而言，在线广告已经成为了最主要的成功案例。对于数据科学家来讲，问题是哪一个搜索关键字可以产生最高的结单率。要回答这个问题并不容易，我们有很多方式可以对这个问题进行建模。
更复杂的问题在于，我们需要为一个特定的关键字付多少钱？很长时间以来，在线搜索广告商一直将原因与相关性混为一谈。如果一个搜索广告能够引导消费者去购买，那么市场营销预算中很大的一部分一般来说就会转到在线部分。但是，现实情况很可能是，用户看到了一个线下的广告，如电视广告，或者他从朋友那里得知了这个品牌相关的信息，或许他看过的一篇文章中提到这个产品，等等。所以，他很有可能是已经在别的渠道有过很多了解以后，才输入特定的所搜关键字的。
一家媒体公司的CEO曾向我们抱怨：“每当我们发表一篇文章，论述橄榄油对于个人整体健康的好处时，我们的客户总会在网上去找橄榄油。他们大多会买我们在刊物中推荐的产品。但是，搜索引擎会得到钱，而不是我们。”
那么，我们可以说，搜索引擎广告与购买意向之间的因果关系是很小的。消费者事先已经有一个初步意向，而搜索引擎所做的，不过是把购买意向与购买的可能性匹配起来。但在很长一段时间中，Google收获了成功销售所带来的价值。让我们用体育来做对比，这就像在一次比赛中，有一个球员打进了制胜一球，我们就把胜利归功于这个球员，而忽视了整个团队辛苦建立赢球的前提或者基础。
但是，究竟是什么产生了购买意向呢？又是什么因素导致人们会去购买一个产品？这里存在着一个悖论，即当我们越远离那些有关意向的清晰公式（如搜索关键字），我们就越难真正理解什么是购买意向。而这里，我们有几个显现购买意向的线索。
导致行为定位。比如，如果我开始很积极地阅读一些关于汽车的材料，那么我将很有可能会去买一辆车。
导致社交定位。例如，如果我开始和大家谈论买一辆新车，那么我很有可能真要这么做。
虽然行为定位已经存在几年了，但一般来讲，我们知道它在预测购买意向时并不是十分有效。社交媒体给大家构建了一个理想国：如果你知道我所有的朋友，以及我和朋友们所有的讨论，那么你就有可能在我使用搜索引擎进行检索前，预测我何时会查看某篇文章。这就是所谓“社交”带给你的梦和希望。
让我们来具体分析一下这两种方法的优点：
行为定位可以被定义为类似通过用户在网上的行为推断出用户购买意向的手段。举个例子，“浏览网页”这个行为是可以被监视的。当每个页面被访问的时候，cookie可以被用来观察用户在读什么。cookie也可以用来有效地分析用户在看什么，并且得出一个结论，那就是看类似内容的用户很可能会去购买同一个产品，或者更积极地响应相关的广告活动。假定人们的现有意向是基于过往行为形成的分析手段，就叫作行为定位。行为定位是大多数营销公司热衷的一个研究方向。现在，每个站点都会在你的计算机上设置cookie，用以跟踪你的身份以及行为，这几乎成了一个标配。这种“间谍”常常招致非议，因为全世界很多消费者对这种“静默的注视”都感到有点毛骨悚然。
如果你不是来玩点什么的，那么你不是顾客，你只是一个已经被卖出去的产品。
——安德鲁·里维斯（Andrew Lewis）
每个人都喜欢在自己最中意的餐馆就餐时，受到服务员亲切的迎接，这被认为是一种友好的表现。但是假设一下，当你遇到类似下面的欢迎时，你会作何感想？“欢迎你回来，先生。你来过这里35次，并且主要是在周内。你通常会点主菜以及一个甜点，平均消费43.5美元。你只点过一次开胃菜，而且你从未点过我们这里比较贵的鱼类。这里是一份符合您口味的菜单，其中已经删掉了其他的菜品。别忘了，请坐在餐厅靠后的那个位置，因为我们知道当你坐得离窗户比较近时，你只会用笔记本收发邮件，而不会再点另外的任何食物了。”
这是一个典型的例子：如果使用知识和用户数据的度没有把握好，会直接导致把一件事从有益做到了让人不舒服的境地。图1-4是一份由克鲁克斯（Krux）主导的研究报告，其中给出了美国消费者对待在线跟踪的总体态度。所以，我们在这个案例中学到了什么？当我们掌握了更多关于用户喜好的资料时，永远不要忘了，隐私一直都非常重要。
图1-4 网络用户对在线跟踪的态度（由克鲁克斯提供）
一般来讲，浏览比在一些销售系统（如travelocity网站或者亚马逊网站）中进行检索更没有目的性。如果我在读一本关于佛罗里达的书，那么可以假定我对佛罗里达是有兴趣的，但这并不足以证明我将要买一张飞往佛罗里达的机票。我可能只是对佛罗里达有点兴趣，但没有去旅游的任何计划。而且就算我有计划，我什么时候要去买机票也是未知数。所以，用户的线上兴趣显示出了很高的熵值，并更有可能与查询关键字产生关联，而不是某种意图。
然而，如果能够更早地识别出意向性，对于大多数互联网公司来说是价值非凡的。这就是行为定位的任务了。这是什么意思呢？行为定位会总结出你的行为模式，以便在你行动之前就可以判断出你要做什么。简单来说，当我们去一个网站时，用户浏览过的内容就成为一种行为，然后通过其找出有类似行为的用户，再以这种用户行为模式为基础，我们就可以推断出这些用户是需要一种特定的东西，然后就可以提供一个引导性的功能，让用户可以直接找到他们想要的东西，而不用去求助于搜索引擎。
行为定位始于20世纪90年代，当时它还是高度手工化的。举个例子，假设媒介代理确定了要以“对跑车有兴趣”的群体为营销目标，接下来他的技术合作伙伴会把这样的目标转换为一个特定系统可识别的限制条件，例如，“如果某用户在本周内读了3篇与汽车相关以及两篇以上与运动相关的文章，那么显示这条在线广告”。类似系统的最大短板就在于上面提到的人工操作。有些人假定了“对跑车有兴趣”可以被解读为某种阅读行为。如果这样的假设本身就是错误的，那么行为定位将收效甚微。
这种猜测性的工作以及线性的规则，对于降低用户行为的熵值并不是太好的办法。事实上，当用户数据越来越多的时候，越来越多的公司通过应用机器学习机制来建立自动化模型并挖掘“长尾”。时至今日，Rocket Fuel公司或者GroupM这样的公司，他们使用建模工具来降低系统中的熵值，其手段是分析大量用户的整体消费行为，并将其与最终购买了去佛罗里达的机票的用户行为进行比较。这样，用户在购买机票之前看过什么样的文章或者内容，其中所蕴含的模式就不再需要人为假设了。而诸如Semasio这样的公司，则把这样的建模方式提升到了一个更高的层次。他们建立了一套更多样的模式系统，它以语义分析而不是分类分析为基础。（参见下面提到的“机器学习如何与行为定位协同工作”）
机器学习如何与行为定位协同工作
在传统的行为定位的世界中，行为设定往往是被人为定义的，而分类又是半人工进行的。当读者访问某个站点的时候，他们被划入特定的类别中（例如“旅行”或者“汽车”）。这种分类方法常常是人工的、以领域名字为中心的。但是，并不是每个汽车网站的每篇文章都得与汽车相关。这样的错误会直接影响预测系统的有效性，这是我们将在第9章讨论的。
Semasio这样的公司，把数据分析方式提升到了一个更高的层次。他们在用户阅读过的每篇文章上使用语义分析，并由此为每篇文章建立了一个词频云，进而为每个用户建立一个档案。这样的模式包含了更多与用户相关的信息。
当然，数据不一定是越多越好，但这种手段对于卡斯帕·斯科（Kasper Skou）以及他在Semasio公司的团队来讲是确实奏效的。语义分析的方式已经把人工的行为设定以及类别划分的成分降到最低了。
对于给定的任务，如“生成对汽车试驾有兴趣的群体的特征”，他们的算法会首先查看那些申请过汽车试驾的人，然后自动地搜索统计数据中与他们阅读档案相关的信息。斯科说：“我们无法知道是哪些信息区分出‘有效’以及‘无效’用户。目标生成的流程会自动地决定哪一类更重要。”
不出意外的是，对于购买意向，最好的预测手段莫过于消费者自己就显示出了明确的兴趣，就如同用户输入了一个查询关键字那样。例如，一个用户把一个产品放入了他在线购物车中，但一直没有结账，那么我们有理由认为这个用户有很大的可能性会购买这个产品。这种行为定位被称为“再次定位”。但是，这种分析手段并没有把因果关系阐述清楚。我们无从知道为什么消费者会把那个商品放入购物车，我们所知道的只是他有这个购买的意向，而是什么产生了这种购买意向，我们就不得而知了。
尽管行为定位在近段时间获得了一些进步，但它的结果总还是有不尽如人意的地方。网络分析领域的知名专家阿维纳什·考希克（Avinash Kaushik），就在近期抱怨过现如今依然表现不佳的广告推送系统。他在ABC新闻网有很长的cookie记录，但推送给他的广告仍然和他的需求相距甚远。
我的浏览记录或者cookies中没有任何一项，显示我可能对肉毒杆菌素、减肥或者电子香烟感兴趣，（我都不知道这是什么玩意儿！）我不知道这些广告的供应商是谁。但是这些广告根本不可能拯救ABC。怪不得人们总是责怪互联网，说它毁了整个新闻业。
——阿维纳什
这个事实的背后隐藏着这样一个问题，那就是，诸如ABC新闻网这样的内容提供商，一般拥有阿维纳什的浏览记录，而他们不大可能会把这些敏感的信息与广告商进行分享。因为ABC新闻网知道这类用户信息是他们的核心竞争力之一，所以他们一般都不会轻易地把这些数据分享给其他的公司。
行为定位的局限
我们都知道让一个广告与站点的主题更切合，或者让这个广告本身非常突出，都可以分别独立地使得最终购买行为数上升。但是，我们发现这两种策略的效率常常不尽如人意。一个同时切合了站点主题并且特别突出的广告，其最终效应比只满足其中一条的广告来得差。所以特别是在社交媒体的环境中，矫枉过正会给你的名声带来相当负面的影响。
如果说行为定位主要关注的是单个用户在网络上的行为，那么社交定位则是使用用户的社交网络图来预测用户的购买意向。典型的例子就是Facebook上的广告，这些广告推送的依据就是你在社交网络上的活动，以及在网络上与你相互关联的人。就像那句亚述人的谚语说的：“知道你的朋友，就知道你是什么样的人。”对市场营销来说，社交定位蕴含着巨大的利益空间和市场前景。你对他人做出的评价、你点赞的页面、你的联系人以及你与好友之间的活动，诸如此类的信息都可用于社交定位。这些信息中有可以用于计算购买意向的线索。
但是这个方式的效果好像也不是很好。目前，行为定位和社交定位领域的巨鳄Facebook，还是要比最强的广告商Google差很多。他们两者之间的区别，代表了“网络搜索（Google）”以及“社交访谈（Facebook）”的区别。那么，假如你要想得到最高水平的购买意向，你是要选Google AdWords（Google提供的一项基于搜索关键字推送的广告）还是Facebook?
根据互联网广告分析机构WordStream最近发表的一项研究报告，Google AdWords仍然有10倍于Facebook的点击率。
市场营销人员想要将诸如你的社交图谱、你与朋友的讨论这样的社交信息转化成可引发购买的意向信息，有3种途径，分别为：
越来越多的广告商会用这类数据作为依据，来更有效地投放他们的广告。但是，当一条条地分析以上的这些关注点时，我们会发现，它们中没有一条能够在预测购买意向上与诸如Google记录的公式化的搜索目标数据匹敌。
最好的情形，当然是你能在不经意间就透露了你要想做某件事。但这种情况是很罕见的，人们很少在朋友面前公开自己的想法。而且，市场营销人员意识到，通常情况下人们是口是心非的。然而，很多公司还是积极地通过社交媒体建立对话渠道，以为市场营销所用。通常他们会通过“社区经理”来想方设法吸引大众以期能开展一个活动。比如，我曾经在Twitter上分享过我对某个产品的失望：“我花了一个小时来解决PayPal的冲突。”没过多久，Paytoo（PayPal的竞争对手）的社区经理就回复了我，“试试Paytoo.com！我们对自己的服务充满信心！”（见图1-5）。
图1-5 社区经理与客户一对一地交流
我们当然也可以想方设法让“你说的”来“影响”你的朋友。但是，就像上文提到的，直接而公开地说出自己的爱好是很罕见的。特别是在时时刻刻大家都可以看到你一言一行的社交网络中，更是如此。那么我们就需要一种更精密的营销手段了。
在社交媒体的环境中，要“喜欢”个什么东西，和“说你喜欢”什么东西差不多，但是它们之间有两个根本的区别：
互联网上的最省力原则的革命是大势所趋，那就是，交互力度越来越小了。初期的用户要想分享他们的见解，需要发表一篇博客；而现在只需要简单地用鼠标点击下“赞”就可以了。这些“赞”的点击最终会汇集成你的个人资料，用以跟踪你喜欢什么，而后可以用来投放与你兴趣相符的信息或者广告。
这背后的理念是，如果营销人员知道你大概都“赞”些什么，他们就可以预测出购买意向的恰当诱发方式。众多“赞”结合在一起，或许可以释放出此行为定位信息更强烈的可进行解读的信号。即便你知道客户在读报纸上的某些故事，但你仍然不知道的是，他现在的感受、位置以及他对这些故事的态度。目前为止，还没有针对以上内容的研究，特别是这些数据都还掌握在社交媒体公司的手里时。进一步地说，这样的趋势还处于初期形态：如果你拥有数以亿万计有关喜好的数据，那么很有可能你可以有效地绘制出一些与人类兴趣一样多样化的东西。
无论如何，很多公司都指望着这种分析方式能为他们带来利益。由Giuseppe D'Antonio创立的意大利创业公司Circle Me就是一个例子，他们的主营业务是从不同渠道收集人们的兴趣爱好等信息，但目前只有Facebook这一个渠道。就像在接下来我们将揭示的那样，无论是喜好还是朋友圈，都无法真正地揭示一个人的购买意向。所以，就像我们之前阐述过的，这种收集个人喜好信息的方式更多地适用于品牌推广。
你所追寻到的，不过是你的自身。
——约翰·沃尔夫冈·冯·歌德（Johann wolfgang von Goethe）
到目前为止，我们了解最多的，莫过于你以及你朋友的行为，这堪称是一种行为分析和社交网络信息的联姻。这里有一个假设，那就是，你朋友的行为是你行为的一个投影。用流行的话来说就是“口碑”和“意见领袖”。但是，这真的有作用吗？
我们从日常经验中知道了口碑的作用，特别是当我们寻求朋友的建议时。你最近是否搬到了一个新城市？那你多半会问你的朋友类似“哪个街区比较适合入住”或者“哪个学校比较适合孩子学习”之类的问题。如果你是通过社交网络来问类似问题的话，这是不是一种可以揭示你的意向的方式呢？或者更进一步，是不是社交网络在人们做决定的时候有很大的影响呢？
传统的观点认为，只有很少一部分人会对我们有较大的影响。马尔科姆·格拉德威尔（Malcolm Gladwell）在他的《引爆点》（The Tipping Point）一书中把这种现象称为“少数法则”。这种少数人可以决定我们大多数人的喜好、思想的观点已经出现一段时间了。早在1955年，卡茨（Katz）以及拉扎斯菲尔德（Lazarsfeld）就把这些人称为“意见领袖”。然后在1968年，默顿（Merton）更进一步地把他们称为“影响者”。时至今日，又被格拉德威尔以及公关公司Burson Marsteller叫作网络影响者。这些具有影响力的人，告诉我们需要做什么，就像图1-6中描述的，我们都有过在一些人帮助下作出决定的经历。如果我们搬到一个陌生的城市，大多数情况下我们会去咨询熟悉这个城市的朋友，问一些诸如与学校或者医生相关的问题。随着时代的发展，这种互动现在被网络所代替了一部分，而人们已然期望这些可以帮助我们的人也移步到了网络上。
图1-6 最后一个少数派：少数人告诉我们应该做什么，但这是真的吗？
有大量的成功案例表明，社交媒体上的推荐确实有很大的影响力。Henry Boldget给出了一些案例。
还有不胜枚举的类似例子，它们都说明社交媒体的影响力与购买行为之间的联系。你也可以从在线社区以及这个社区的行为推断出其用户的购买意向。举个例子，一个以福特野马汽车为主题的网站，其会员大多都是会把买回来的汽车再花大价钱拿去改装的。显然，他们比起那些讨论保龄球的用户（不一定真要去买更多的保龄球），购买意图就更强烈和明显。
有了这些“意见领袖”的影响力，作为市场营销人员的我们只需要识别并定位出它们来，然后辅以适当的营销信息，再加上它们自身的影响力就可以了。听起来不错吧？就像兰德（Rand）在2004年写到的，“‘意见领袖’已经成为了市场营销中人人梦寐以求的东西了”。但是，我们是否可以就这样从上面的例子推断出社交营销是社交广告的“下一波浪潮呢？”这些“意见领袖”真的存在吗？
再一次，这些问题的答案是模棱两可的，我们可以说是，也可以说不是。格拉德威尔描述的“少数”的“意见领袖”并不存在。谢天谢地，我们才不至于成为图1-6中描述的没头没脑的傻瓜。但是，影响人们决定的过程还是确实存在的，只是这一过程比大多数社交媒体工具给我们的印象要复杂得多。当我们看待问题的出发点从过往的感官经验过渡到白纸黑字时，我们就可以理解影响力在其中扮演的角色了。在下一节中，我们会讨论以下两点。
那么我们如何区分同质性（人们因友好关系而聚在一起）的影响以及社交媒体的影响呢？这里有一个例子，哈佛大学的凯文·里维斯曾尝试着分析品位是如何传播的。到底是谁影响了某个人的品位？在这项长达4年的调查中，他访问了大学生并查看了他们的Facebook好友。而他最后的结论是，品位扩散的方式是因主题而异的。举个例子，他发现听古典或者爵士音乐的学生，更容易受到相互间品位上的影响；而听独立音乐的人就表现出反相关性。如果我的社交网络圈子里有人喜欢某种独立音乐，那么我很有可能不会受他的影响也喜欢上独立音乐。这很有可能是因为独立音乐的听众更趋向“独立”。
里维斯等人发现，我们高估了影响力的作用。他无法在为数众多的样本中找到任何统计学证据，来证明一个人被另一个人影响了。事实是组成社区的学生更多的是具有相同的爱好，而不是千差万别的爱好。这并不是因为影响力的作用，而是一种叫作“同质性”的现象（字面上的意思是，“对同类的好感”）：人们刚开始之所以成为朋友，往往就是因为具有共同点，具有共同爱好。换言之，你的朋友喜欢一些你也喜欢的东西。我们更喜欢和具有共同理念、有共同的体育爱好、与我们的观点相近的人在一起。因此，当我们在一个特定兴趣群体中的朋友越来越多时，我们就很有可能也对那个群体的共同爱好感兴趣。
朋友是预测我们的兴趣的很好参考，他们可以作为一个投放品牌推广广告的中介。但目前为止，我们还没有看到类似的好的实际案例。
除了很有影响力的人，我们的朋友圈，即使那些不是根据共同爱好与我们成为朋友的人，可以帮助广告商更好地定位我们的需求吗？一个很关键的问题是，社交定位是不是优先于行为定位，甚至优先于搜索关键字分析。换言之，是研究你在社交圈的行为，还是直接研究你，对于评估你的潜在购买行为更有价值。
雅虎实验室的刘坤（Kun Liu）和唐磊（Lei Tang）就曾主导过一项耗资不菲的研究，其目的是界定，在网络环境下，朋友的行为在行为定位中的影响。为了了解社交数据究竟对用户有什么样的影响，凭借雅虎的资源，在为期两个半月之中，他们调查了60个消费领域的1.8亿用户。
研究者指出，用户有更大的可能性去点击一个在特定行为定位类别中的在线广告。这一类广告一般是，他的网络社交圈的朋友中至少有一个曾点击过。
但我们如此就可以断定，当我们知道用户的网络圈子有着一些共同爱好，用户就会有相似的意向以及共同的行为吗？答案是，不一定。尽管有这项研究做依据，刘坤等人却无法找到证据来证明，以网络社交圈子为基础投放广告，其效果比基于传统的行为定位的效果好。可以用以比较这些不同方法的最好度量标准就是，坐标图上界于点击率曲线以可达性曲线之间的那片区域。点击率和可达性互相影响，你越是确定某个人会点击，那么你可以定位的用户量也就越少；另一方面，你投放广告的用户群体越大，那么特定的个人点击这个广告的可能性就越低。刘坤等人用了不同的方法来计算网络社区对于广告投放的提升效果。其结果显示，以行为定位为基础的，即以你读过的内容来显示相应广告的方式，其有效性比以社交定位为基础的广告投放方式高两倍。在图1-7中，基准线表示没有经过任何计算随机显示的广告。最好的效果，莫过于合理地把社交网络信息和用户行为信息结合在一起。
图1-7 行为定位赶超社交网络信息（由刘坤等提供）
到目前为止，我们讨论了广告投放的有效性问题。但针对不同的问题（见第8章），社交网络圈子的效用会相应地改变。让我们看看产品的采用率问题。以Bhatt等人的研究为例，他们研究了个人电脑到电话的产品采用率，虽然他们并没有在其中发现如格拉德维尔说的“少数派法则”，但确实发现了影响广告投放的因素。有个假设认为，有一群人数很少但很有影响力的外部人士可以左右我们的日常行为。但该研究发现，一个人购买产品有可能受到了同伴的影响，而不是所谓的外部影响者。如此看来，不是少数人，而是数量庞大的个体对我们的决定产生了影响。其他的研究中也发现了类似的影响。特别是那些有很强网络外部效应的产品，当你周围的人拥有了它时，其对你的影响力就会增加。这和“少数派法则”的观点正好背道而驰。类似的情况中这样的现象也是存在的，例如在用户决定购买某个产品时。社交媒体可以有很大的影响力，最好的例子就是评论：22%的用户提到他们的购买决定是受到了评论的影响（见图1-8）。对于电子产品来说，这个比重上升到了33%。
图1-8 评级以及评论是很重要的
那么结论是什么？似乎在品牌认知建立和品牌推广领域，社交定位被寄予厚望，就如我们之前提到的Facebook的案例一样。但是，这都只是一个锦上添花的改进而已。社交定位不会降低搜索作为意向预测首要方式的重要性，也不会降低行为定位作为第二好预测方式的重要性。尽管如此，社交定位确实在行为定位的基础上优化了预测结果，就如前面刘坤等人的研究所展示的那样。
那么到底什么是影响力？你是否可以被影响到取决于以下几个事实：
社交网络中的术语“影响力”，通常会被简化为用户可达性。如果无法接触到用户，那么我们很难去影响他们。但即便我们可以接触到用户，我们也不一定能影响到他们。密歇根大学的Bakshy在他的一个观察报告中就得出了这个结论。2011年，他通过观察Twitter上的信息传播发现，社交媒体上消息的传播模式是无法预测的，他是在追踪了1600万Twitter用户中发生的7400万个事件后得出以上结论的。这意味着我们无法仅从查看一个人可以联系到的人就判断，一个链接、一个笑话或者任何一条信息是否可以在社交网络上扩散。也不尽然吧，你可能会想。我们都知道几个一条Twitter信息传遍全世界的故事。这些案例呢？我们只能说这些案例都有运气的成分。当你试图去建立一个定论式的模型，用以判断一条消息是否会以及在何时何地爆发时，那么你注定会失败。这是很困难的，如果有可能的话，确定那些“意见领袖”的数量可能是一个更好的方式。
我们现在可以言之凿凿地说，信息在那些关系较密切的人们中会传递得更快。我们会在接下来关于公共关系的章节（第3章）中来论述这个问题。可能用一个纯粹的广播现象（社交网络中的“广播”相当于每个用户自己所看到的，如电视广告）或者同质性来解释传播效应会更容易一点。我们还是有必要简短地论述一下网络中用户可达性的典型测量方式。
这里涉及的核心要素是网络中心性的概念，这是一个度量信息扩散非常重要的标准。如果一个人在网络中的位置相对较为中心，我们就可以称这个人为广播者。我们需要注意的是，影响力往往是在个人网络边缘很小的地方开始发挥效用的。当我们与一个新面孔接触时，我们就是在影响他们——试图让他们成为自己社交网络中的一员。
有些人会注重检视信息的可达性以及人们通过这条信息与他人互动的频率。我们要重申的是，这并不是一个度量影响力的必要因素，更多的是对以公共关系为中心进行的度量。现在有很多工具提供了不同的测量标准，它们中的大多数测量人的影响力，包括Klout、Kred、PeerIndex及Traackr。很多工具也提供了“重要性”作为度量标准，例如Fisheye Analytics、Radian6、Sysomos等。我们还会看到有一些工具只专注于一种社交媒体，比如Twitter。Twitter提供了良好的结构，这有助于我们可以很容易地评估社交网络情况。这类工具有TweetLevel、TweetReach、Twitalyzer及TwitterGrade。
本地化的影响力
影响力取决于主题，而且也是本地化的。关于这一点，Marcel Salathe在2011年的Strata会议上就讲得很清楚了。他用了一个很有争议的例子来说明这个问题，这个例子就是——儿童疫苗接种。
这个话题常常在支持者和反对者两边都会激起巨大的反响。支持者认识到这对控制大规模儿童疾病爆发的好处；而反对者认为疫苗接种只是那些制药巨头四处游说的结果，他们提醒大家对疫苗接种的副作用要有警惕意识。
在某个州内，父母们对疫苗接种的态度相对比较统一。但是，如果我们来看一下华盛顿州州内街区级别的数据时，我们可以清晰地看到一些地区有极其高的支持或者反对率（见图1-9）。
如果我们假定疫苗接种是所有街区都通行的，那么这种差异就不像是因为地区同质性而引起的。一个可能的解释是，在那些支持或者反对率非常高的地区，其本地都有一些“意见领袖”强烈地支持或者反对疫苗接种。
图1-9 疫苗接种接受率很低的区域（由华盛顿州卫生厅提供）
社交媒体建立了一个全新的市场营销规则，它与传统的市场营销套路风格迥异。正因如此，度量它们的标准就成为我们投资的指引。要想知道什么样的营销方式有效，什么样的无效，我们首先就要明白，社交媒体是一种不同的媒体，我们不能用以前的那些工具来度量它的效用了。尽管有众多的度量方式，我们最后总要在某个时候把所有的这些度量标准汇集到一起，从而让效果具有可比性。
不同的业务领域，其对效果的定义也是不同的。但是总体上，我们可以说：
社交媒体营销的终极目标，无疑是把品牌认知度转化为销售意向。所以，我们把不同的意向杆杆归纳成了两大类：行为性线索（用户行为营销）和社会性线索（社会属性营销）。诸如你的搜索行为这样的行为性线索，是预测你未来行为最好的数据。所以，行为性线索是揭开数据第四重维度的最好线索。而诸如你以及你的朋友说了什么这样的社会性线索，在预测意向方面也变得越来越重要了。
人们对“意见领袖”，即那些你认识并且可以驱动你产生意向的人寄予厚望。根据经验我们知道，社交媒体对于人们的购买决定是有一定影响力的。但是“少数派法则”则意味着“意见领袖”是不存在的。影响力更像是一种准备被影响的功能，而且非常依赖于主题和可达性。就像前面提到的个人电脑和手机采用率的例子，同辈压力就是一个影响要素，而社交媒体把人们联系在一起和广播信息的能力也起到了推波助澜的作用。
最后我们要说的是，社交媒体作为一种市场营销的工具，有一些独特的优势。对于品牌推广，社交媒体可以更好地建立与用户的黏性。在识别购买意向上，它可以作为一个在行为定位基础上更进一步的分析手段。那么社交媒体可以推广我们的品牌认知度以及大规模增加我们产品销量吗？很有可能，但只是对少数幸运的公司来说。而对于我们大多数公司来说，是否选择了合适的社交媒体营销度量标准，往往是决定我们成败的关键。
如何度量社交媒体，以及如何在你自己的市场营销中运用它，这很大程度上取决于你的业务类型。那么让大家一起开动脑筋，想想下面的问题。你的公司是如何使用社交媒体的？社交媒体是一个模糊不清的类别。在之前的章节我们就提到过，有7种不同的类别可以用来描述社交媒体。现在，让我们来深入挖掘一些社交媒体的描述性度量标准。
在社交营销学领域，有关投资回报率的讨论是非常重要的一个话题，所以请一定分享你的方式。有没有解决问题？是不是银弹？请在我们的LinkedIn或者Facebook主页阐述你的投资回报率度量方式。
关于描述性度量标准，让我们来看看一些预测性的度量标准，其数据来自一些你所用的社交媒体活动。
[1] 大数据的四重维度分别是数据容量、速度、多样性、价值。——译者注
[2] SMEET是一个以Facebook为载体，很热门的社交游戏。——译者注
