现代营销理论的发展历程
4P理论
4P指的是Product（产品）、Price（价格）、Place（渠道）和Promotion（促销）

Product：表示注重产品功能，强调独特卖点。
Price：指根据不同的市场定位，制定不同的价格策略。
Place：指要注重分销商的培养和销售网络的建设。
Promotion：指企业可以通过改变销售行为来刺激消费者，以短期的行为（如让利、买一送一、调动营销现场气氛等）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，从而达到销售增长的目的。
4P理论的核心是Product（产品）。因此，以4P理论为核心营销思想的企业营销战略又可以简称为“以产品为中心”的营销战略。

4C 理论
传统的4P营销组合已经无法适应时代发展的需求，营销界开始研究新的营销理论和营销要素。其中，最具代表性的理论就是4C理论，这里的4C包括Consumer（消费者）、Cost（成本）、Convenience（方便性）和Communication（沟通交流）
消费者的需求与愿望（Customer's Needs and Wants）。
消费者得到满足的成本（Cost and Value toSatisfy Consumer's Needs and Wants）。
用户购买的方便性（Convenience to Buy）。
与用户的沟通交流（Communication with Consumer）。
4C理论的核心是Consumer消费者。因此，以4C理论为核心营销思想的企业营销战略又可以简称为“以消费者为中心”的营销战略。

3P3C
大数据时代的来临，4C理论再次落后于时代发展的需要。大数据时代，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等，迫使现代企业不得不寻找更合适、更可控、更可量化、更可预测的营销思路和方法论
在3P3C理论中，数据化运营6要素的内容如下。
Probability（概率）：营销、运营活动以概率为核心，追求精细化和精准率。
Product（产品）：注重产品功能，强调产品卖点。
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）。
以数据分析挖掘所支撑的目标响应概率（Probability）是核心，在此基础上将会围绕产品功能优化、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
这里的目标响应概率（Probability）不应狭义理解为仅仅是预测响应模型之类的响应概率。从宏观上来理解，概率可以是特定消费群体整体上的概率或可能性，从微观上来理解，概率可以是具体到某个特定消费者的“预期响应概率”。
数据化运营的主要内容
针对互联网运营部门的数据化运营，具体包括“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”等，并且，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。
首先是要有企业全员参与意识
其次是一种常态化的制度和流程
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

为什么要做数据化运营
商业环境变成以消费者为主的“买方市场”等一系列竞争因素所呼唤的管理革命和技术革命
数据化运营是飞速发展的数据挖掘技术、数据存储技术等诸多先进数据技术直接推动的结果
数据化运营更是互联网企业得天独厚的“神器”。互联网行业与生俱来的特点就是大数据，而信息时代最大的财富也正是海量的大数据

数据化运营的必要条件

企业级海量数据存储的实现
随着时间的推移，数据量变得越来越大，硬件的更新换代也越来越快，于是，这类数据仓库（以关系型数据库作为数据存储的核心）逐渐显现出了问题，主要表现如下：
少数几台大型机已经无法满足日益增加的日终计算任务的执行需求，导致很多数据结果为T-2（当天数据要延后2天才完成），甚至是T-3（当天数据要延后3天才完成）。
硬件升级和存储升级的成本非常昂贵，维护、系统开发以及数据开发的人力资源开支也逐年加大。
由于全国金融发展的进程差异很大，数据需求各不一样，加上成本等原因，不得不将一些数据计算任务下放到各个一级分行或者省分行进行，数据中心不堪重负。
随着分布式技术的逐渐成熟和工业化，互联网数据仓库迎来了飞速发展的春天。现在，抛弃大型机+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，无论是从硬件成本、软件成本还是从硬件升级、日常维护上来讲，都是一次飞跃。更重要的是，解决了困扰数据仓库发展的一个非常重要的问题，即计算能力不足的问题，当100～200台网络服务器一起工作的时候，无论是什么样的大型机，都已经无法与之比拟了。

精细化运营的需求
作为第一代互联网企业的代表，新浪、搜狐、雅虎等门户网站的Web 1.0模式（传统媒体的电子化）从产生到被以Google、百度等搜索引擎企业的Web 2.0模式（制造者与使用者的合一）所超越，前后不过10年左右的时间，而目前Web 2.0模式已经逐渐有被以微博为代表的Web 3.0模式（SNS模式）超越的趋势。
数据化运营就是精细化运营，它强调的是更细分、更准确、更个性化。没有精细化运营的需求，就不需要数据化运营；只有数据化运营，才可以满足精细化的效益提升。

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，没有这个基础保障，数据化运营就是空话，就是无本之水，无缘之木。
这里的有效应用包括以下两层含义。
企业必须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出色的数据分析师。
企业的数据化运营只有在分析团队与业务团队协同配合下才可能做出成绩，取得效果。

企业决策层的倡导与持续支持
由于参与分析挖掘的团队与提出分析需求的业务团队分属不同的职能部门，缺乏高层实质性的协调与管理，常会出现分析建模工作与真正的业务需求配合不紧密，各打各的锣，各唱各的歌
因为处于项目层面的管理，所以数据分析挖掘的规划也就只能局限在特定业务部门的范围内，缺乏真正符合企业发展方向的数据分析挖掘规划。俗话说得好站得高，方能看得远，起点低，视野浅，自然约束了数据分析的有效发挥。

数据化运营的新现象与新发展
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
数据PD（产品设计师）作为数据分析和商业智能的一个细分的职业岗位
泛BI的概念在大规模数据化运营的企业里正在越来越深入人心

第一章还是十分nice，介绍了我所不知道的影响理论，以目标响应概率为核心，所以现在才有了推荐系统，各种定制化。
还有，以前自己在考虑互联网岗位的时候，根本没有将运营考虑进去，这里不仅仅明白其重要性，更是觉得发展前景也十分不错

现代营销理论的发展历程
4P理论
4P指的是Product（产品）、Price（价格）、Place（渠道）和Promotion（促销）

Product：表示注重产品功能，强调独特卖点。
Price：指根据不同的市场定位，制定不同的价格策略。
Place：指要注重分销商的培养和销售网络的建设。
Promotion：指企业可以通过改变销售行为来刺激消费者，以短期的行为（如让利、买一送一、调动营销现场气氛等）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，从而达到销售增长的目的。
4P理论的核心是Product（产品）。因此，以4P理论为核心营销思想的企业营销战略又可以简称为“以产品为中心”的营销战略。

4C 理论
传统的4P营销组合已经无法适应时代发展的需求，营销界开始研究新的营销理论和营销要素。其中，最具代表性的理论就是4C理论，这里的4C包括Consumer（消费者）、Cost（成本）、Convenience（方便性）和Communication（沟通交流）
消费者的需求与愿望（Customer's Needs and Wants）。
消费者得到满足的成本（Cost and Value toSatisfy Consumer's Needs and Wants）。
用户购买的方便性（Convenience to Buy）。
与用户的沟通交流（Communication with Consumer）。
4C理论的核心是Consumer消费者。因此，以4C理论为核心营销思想的企业营销战略又可以简称为“以消费者为中心”的营销战略。

3P3C
大数据时代的来临，4C理论再次落后于时代发展的需要。大数据时代，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等，迫使现代企业不得不寻找更合适、更可控、更可量化、更可预测的营销思路和方法论
在3P3C理论中，数据化运营6要素的内容如下。
Probability（概率）：营销、运营活动以概率为核心，追求精细化和精准率。
Product（产品）：注重产品功能，强调产品卖点。
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）。
以数据分析挖掘所支撑的目标响应概率（Probability）是核心，在此基础上将会围绕产品功能优化、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
这里的目标响应概率（Probability）不应狭义理解为仅仅是预测响应模型之类的响应概率。从宏观上来理解，概率可以是特定消费群体整体上的概率或可能性，从微观上来理解，概率可以是具体到某个特定消费者的“预期响应概率”。
数据化运营的主要内容
针对互联网运营部门的数据化运营，具体包括“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”等，并且，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。
首先是要有企业全员参与意识
其次是一种常态化的制度和流程
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

为什么要做数据化运营
商业环境变成以消费者为主的“买方市场”等一系列竞争因素所呼唤的管理革命和技术革命
数据化运营是飞速发展的数据挖掘技术、数据存储技术等诸多先进数据技术直接推动的结果
数据化运营更是互联网企业得天独厚的“神器”。互联网行业与生俱来的特点就是大数据，而信息时代最大的财富也正是海量的大数据

数据化运营的必要条件

企业级海量数据存储的实现
随着时间的推移，数据量变得越来越大，硬件的更新换代也越来越快，于是，这类数据仓库（以关系型数据库作为数据存储的核心）逐渐显现出了问题，主要表现如下：
少数几台大型机已经无法满足日益增加的日终计算任务的执行需求，导致很多数据结果为T-2（当天数据要延后2天才完成），甚至是T-3（当天数据要延后3天才完成）。
硬件升级和存储升级的成本非常昂贵，维护、系统开发以及数据开发的人力资源开支也逐年加大。
由于全国金融发展的进程差异很大，数据需求各不一样，加上成本等原因，不得不将一些数据计算任务下放到各个一级分行或者省分行进行，数据中心不堪重负。
随着分布式技术的逐渐成熟和工业化，互联网数据仓库迎来了飞速发展的春天。现在，抛弃大型机+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，无论是从硬件成本、软件成本还是从硬件升级、日常维护上来讲，都是一次飞跃。更重要的是，解决了困扰数据仓库发展的一个非常重要的问题，即计算能力不足的问题，当100～200台网络服务器一起工作的时候，无论是什么样的大型机，都已经无法与之比拟了。

精细化运营的需求
作为第一代互联网企业的代表，新浪、搜狐、雅虎等门户网站的Web 1.0模式（传统媒体的电子化）从产生到被以Google、百度等搜索引擎企业的Web 2.0模式（制造者与使用者的合一）所超越，前后不过10年左右的时间，而目前Web 2.0模式已经逐渐有被以微博为代表的Web 3.0模式（SNS模式）超越的趋势。
数据化运营就是精细化运营，它强调的是更细分、更准确、更个性化。没有精细化运营的需求，就不需要数据化运营；只有数据化运营，才可以满足精细化的效益提升。

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，没有这个基础保障，数据化运营就是空话，就是无本之水，无缘之木。
这里的有效应用包括以下两层含义。
企业必须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出色的数据分析师。
企业的数据化运营只有在分析团队与业务团队协同配合下才可能做出成绩，取得效果。

企业决策层的倡导与持续支持
由于参与分析挖掘的团队与提出分析需求的业务团队分属不同的职能部门，缺乏高层实质性的协调与管理，常会出现分析建模工作与真正的业务需求配合不紧密，各打各的锣，各唱各的歌
因为处于项目层面的管理，所以数据分析挖掘的规划也就只能局限在特定业务部门的范围内，缺乏真正符合企业发展方向的数据分析挖掘规划。俗话说得好站得高，方能看得远，起点低，视野浅，自然约束了数据分析的有效发挥。

数据化运营的新现象与新发展
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
数据PD（产品设计师）作为数据分析和商业智能的一个细分的职业岗位
泛BI的概念在大规模数据化运营的企业里正在越来越深入人心

第一章还是十分nice，介绍了我所不知道的影响理论，以目标响应概率为核心，所以现在才有了推荐系统，各种定制化。
还有，以前自己在考虑互联网岗位的时候，根本没有将运营考虑进去，这里不仅仅明白其重要性，更是觉得发展前景也十分不错