大数据营销模式
目前，大数据营销具有如下几种典型模式。
（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，当收银员扫描完消费者所选购的商品后，POS机上会显示出一些附加信息，然后售货员会友好地提醒消费者：“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，消费者也许会惊讶地说：“啊，谢谢你，我正想要，刚才一直没找到，那我现在再去买。”
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，如果消费者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（DSP）广告所惯用的模式。
在营销调研中经常遇到的一个问题是：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。联合分析是用于评估产品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。
（三）动态调整模式
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，又迅速返回了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，即动态性。
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。谷歌首席执行官桑达尔·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专业咨询机构Brand Finance推出了2017年度的全球品牌500强榜单，谷歌排名第1，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。”
为把用户在网上的行为模式加入排名算法，谷歌进行了许多的努力。例如推广谷歌工具栏，用户在浏览网页时的行为数据会被谷歌收集，它甚至曾付了一笔不小数目的钱给戴尔，在后者销售的电脑上预装好谷歌工具栏。而那些没有装谷歌工具栏的用户，当他在谷歌网站进行搜索的时候，电脑也会设置cookie，在这个cookie一年的有效期内，用户的搜索会被一一记录。此外，买下原本需要付费的日记分析软件，再以Google Analytics的形式免费提供给站长们的做法也让大家纷纷猜测是出于同样的考虑。这种特性从搜索排名的业务场景迁移到了大数据营销的语境中，用户对一个广告的反应会实时地反馈回来，供广告主参考并适时进行营销计划的调整。遗憾的是，眼下很多数据营销公司依然采用一种固定的营销方式，天天对着一群用户狂轰滥炸，其效果可想而知。
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100个忠实的目标消费者也许不难，但如何把这个数量由1000变为1万、10万甚至更多呢？这100、1000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。
一旦客户购买了企业的产品或服务，企业便可知道该客户的有关信息，进而可以继续沟通、促销，实现交叉销售。相对于已经成为客户的人群规模（一家中型电商每月可能有上万客户），还没有成为客户的人群规模（线上有几亿规模的客户）是非常巨大的。从上亿潜在客户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，某企业的客户群体具有一定的共性。例如，都是购买水果人群、都是比较在意体重的人群等，这些共性往往在企业的已有客户中有所显现，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客户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，所以只推荐关联性最高的红酒、尿不湿、饮料等。抓住人的相似性往往会产生更精准的效果。
通过大数据算法对全网用户应用“粉丝爆炸器”，实际上更像是把全网消费者和商家的已购消费者之间的关联可能性进行精准排序。商家给定某一小部分忠实用户人群以后，系统可以给出最像这群人的前1万人、前10万人、前100万人或更多。此时，便可根据商业目标来选择合适规模的人群进行营销活动。