根据医微达的搜索了解到，谷歌每天要处理大约24PB的数据，Facebook每天要处理23TB的数据，Twitter每天处理7TB ，百度每天大概新增10TB的数据。

腾讯每日新增加200-300TB的数据，淘宝每日订单超过1000万，阿里巴巴已经积累的数据量超过100个PB。考虑一下，为什么越是行业垄断巨头就越拥有海量数据呢？

对任何拥有特有数据的公司，都应该考虑怎么让数据盈利。

医微达见过很多的互联网企业，不知道该如何使用手中已有的数据资源，白白浪费掉优化改进的好机会；还有的公司认为大数据只有BAT这样的互联网巨头才有，一个小网站或APP应用是没有大数据的，事实到底是怎么样？看一个简单的例子：微博段子手们最平常不过的数据收集↓

医微达所知道的段子手的日常是：抛出一个限定话题得到各方粉丝回应，第二天可参照由微博点赞自动生成具有代表性的意见进行概括归纳，将1k+的评论总结起来制成9条Tips，二次加工后发出获得6k+转发、4k+评论和4k+赞，典型的UGC手到擒来，绝对的ROI稳赚不赔。

一个网站或一个APP所包含的数据信息都是数字营销的基础。

通过分析来自网站及竞争对手的定性与定量数据，可以驱动用户及潜在用户在线体验的持续提升，并提高我们的数字营销业绩。

数据的形式多种多样，呈数量级爆发的UGC内容可以被我们拿来运用？假如有人让你推荐一只股票？针对最近的中国股市，股民巨量的埋怨和牢骚能以怎样的数据化形式展示？

“除了耐心等待，最好再找个地方让自己发泄一下，找些跟自己同病相怜的人，还能缓解一下压力，避免跳楼。弹幕，就是最好的形式了。”—有人建了一个网站,在K线图上配上弹幕供吐槽…

医微达发现这样被玩儿的的特别魔性↓这汇集出的数据随着K线走势变化拥有了实时鲜明的情绪特征，可以在一定程度预估使用者下一步卖出或继续持有的动向。

医微达举了股票的例子，推荐者会继续购买并且推荐给其他人来加速某个公司股票的成长，而贬损者则能破坏其名声，不仅仅停止购买，而且劝说周围朋友，在负面的口碑中阻止其成长，NPS净推荐值则反映了类似多与空、褒与贬这两股力量较量的结果。

回到正题，这些来源于门户或垂直类网站、电商平台购物用户的打分与评论、社会化媒体如微博、论坛、微信、应用等的用户评论文本数据以及客服系统的语音数据和评价文本数据，可以统称为“用户反馈数据”。

在结构化处理后，进行数据挖掘，识别“贬损者”和“推荐者”，全面和快速的计算NPS，并了解“贬损者”的贬损原因。

若进一步关联整合“用户行为数据”，医微达建议各位还可以了解“贬损者”的历史“用户行为数据”，有利于我们更好的洞察用户，优化用户体验和改进产品方向；同时还能定向“推荐者”展开更多的优惠促销或附加增值服务。

三、基本的5W1H问答也能玩转消费行为数据

Kotler（科特勒行为选择）模型从市场的特点来探讨消费者行为，更容易进行定量研究：

医微达在这里以推广营销某款手机为例，我们将要研究的数据可综合为5W1H：

不同特征的消费者会产生不同的心理活动的过程，通过其决策过程导致了一定的购买决定，最终形成了消费者对产品、品牌、经销商、购买时机、购买数量的选择。医微达觉得这才是最重要的。

买一只股票尚需数据分析，展开一项持续的广告营销活动当然更应该建立在有数据衡量的基础上。

也许在某个细节的微小改变就会重新创造出一件非常流行的产品，这样的方法医微达觉得有点像电商分析购物车数据来提高转化率，若大量客户都选中了某件商品放入购物车却没有最终结算，说明它是热门产品，但可能有些小问题，适当变更价格或服务条款可能就会产生巨大的变化。

数据的使用能够使对企业的经营对象从客户的粗略归纳还原成一个个活生生的客户，了解他们喜欢什么讨厌什么，并更有针对性，越能满足客户的需要，ROI就更高。医微达就给大家分享这么多，要怎么做还是要看你们的了。