作者：[美] Lutz Finger芬格尔, Soumitra Dutta杜塔
出版社：人民邮电出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
社交媒体大数据分析 理解并影响消费者行为试读：
内容提要
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。
对本书的赞誉
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
作者简介
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。
译者序
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
序言
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。
数据的第四重维度
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。愿 景
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。专注数据
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。更多的数据
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。更好的技术
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）专注分析
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。本书涵盖的内容
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。章节简介
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
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。如何联系我们
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。致谢
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部分按照功能评估社交媒体第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 预测第1章 市场营销
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[1]及测量维度。我们能找到第四重的数据价值吗？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。市场营销与社交媒体：愿景与现实
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：● 使用社交媒体提升品牌认知度的效果可以通过对诸如访问、点击
率、消费者参与度等量化指标来衡量。● 使用社交媒体的途径则可以测定用户购买意向、用户最终的购买
行为以及用户受众群。● 不管社交媒体有没有影响，那些决定我们选择以及活动方式的潜
在用户群是一直存在的。那么，我们应该怎样识别他们呢？
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）有关社交媒体的三个误区
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。社交媒体很便宜
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
试读结束[说明：试读内容隐藏了图片]