把巧克力球送上天,玛氏用Uni Marketing 打造网红零食

把巧克力球放在天空之城的火山口,巧克力就会飞起来!

轻得可以飞上天,这是玛氏旗下品牌“麦提莎”在中国新品上市时的一个创意,购买麦提莎产品时会限量附赠一个天空之城的黑科技装备,主推“轻轻哒”这个定位。

这样的新品首发定位清晰,并自带UGC传播价值,网友还自创了许多另类新玩法,上市3天便获得8600万社交媒体互动。品牌话题度受到热捧的同时,麦提莎在天猫的表现也十分亮眼,消费者总量增加1640万,其中87%是新消费者,上市后的两小时内就突破了两百万的销量。麦提莎在天猫双11的表现也同样亮眼,蹿升至巧克力品类所有产品排名的第18名,同比增长387%。

新品首发便实现品效协同,而这恰好对应到了麦提莎的两大营销诉求。玛氏品牌总监邢姗姗介绍说,麦提莎希望通过这次新品上市,找到适合中国消费者的定位,同时找到一种高效的方式,快速建立它的品牌知名度,并促进销售,“阿里巴巴Uni Marketing在短时间内实现了这两大诉求,让我们可以用一种新的模型去打造品牌”。

定位:从“脆脆哒”到“轻轻哒”

这个历史悠久的英国巧克力品牌,被英国人票选为“最爱甜食”,其在中国香港市场也占据巧克力类零食销量第一的位置。

41969a9652fdaa5d850db1e9aac2e7ada3cf194c

当它进入中国大陆时,面对的市场环境是——巧克力品类增速放缓,零食品类的新品牌和创新越来越多,根据尼尔森的研究,在25000个新上市的零食产品中,只有15个能够脱颖而出;但是巧克力在中国市场仍然有巨大潜力,中国消费者年均吃巧克力的量只有0.1公斤,远低于英国的10公斤、日本的1.7公斤。

我有几张阿里云幸运券分享给你,用券购买或者升级阿里云相应产品会有特惠惊喜哦!把想要买的产品的幸运券都领走吧!快下手,马上就要抢光了。

抓住中国消费者的偏好成为关键。麦提莎根据对中国消费者零食偏好的研究,预设了“年轻女性”、“喜欢巧克力”、“喜欢进口品牌”、“喜欢脆的零食”等六类目标消费人群,并假设以“脆脆哒”为品牌定位。

通过Uni Marketing 的品牌数据数据银行,麦提莎可以验证这种预设的有效性。麦提莎虽然在中国市场第一次亮相,但在大陆之外的很多国家和地区已经是很成熟的一个品牌,同时,通过跨境或者代购的方式,已经有部分大陆消费者成为它的拥趸,在Uni Marketing 的品牌数据银行里,可以清晰地看到这些消费者属性。

麦提莎和它的数据服务公司意略明比对后发现,有两类人群并不符合之前的人群预设,其中包含“喜欢脆的零食”这类人群,同时发现了“喜欢夹心饼干”、“喜欢低糖低脂零食”这两个新特征。种种特征都指向——喜欢麦提莎的是一个有一定压力却崇尚健康生活、寻求放松感觉的人群。

由此,麦提莎得以在上市筹备的初期就迅速将品牌定位由“脆脆哒”校准为了“轻轻哒”,目的明确地与目标消费者进行沟通。

凭借对人群的精确洞察和有效的沟通策略,麦提莎和意略明成为首届品牌数据银行先锋大赛的创新先锋。意略明大数据团队商务总监何凡表示,通过Uni Marketing 来做策略的一大好处是,它不再是停留于纸面上的一个报告,而是可以落地、可以实时优化的方案。

原文链接

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值