的確，美國總統奧巴馬的再次當選創造了奇跡：在他獲勝的前70年時間里，沒有一名美國總統能夠在全國失業率高于 7.4% 的情況下連任成功;而他與對手羅姆尼的一系列“激戰”也讓整個競選過程變得撲朔迷離!我們且不論誰在政治上更英明，但是說到如何獲得更多選民支持以及如何讓他們掏腰包，奧巴馬團隊絕對比羅姆尼團隊更加聰明：奧巴馬與羅姆尼均獲得了近10億美金籌款，而其網絡籌款是羅姆尼的兩倍;奧巴馬在整個競選過程中的花銷不到3億美金，而羅姆尼花了近4億美金卻仍然敗選;奧巴馬最終以303票贏得選舉，高出羅姆尼近一百張投票，而在大選前一周的一項民調中顯示，55% 的被調查選民都認為羅姆尼比奧巴馬更具有未來視野!

這一串串的數字顯然推翻了美國歷史上總統選舉的定律：誰籌的錢越多誰勝出可能性越大、誰花的錢越多誰就會贏。奧巴馬團隊能取得顛覆性的勝利，是因為他們做到了三個最根本的目標：讓更多的人掏更多的錢，讓更多的選民投票給奧巴馬，讓更多的人參與進來!這些都緣于他們對選民的認知達到了“微觀”層面：每個選民最有可能被什么因素說服?每個選民在什么情況下最有可能掏腰包?什么樣的廣告投放渠道能夠最高效獲取目標選民?

通過這些分析，奧巴馬團隊制定了相應的策略，并贏得了大量草根階層選民的支持和捐贈，一項民調顯示，80%的美國選民認為奧巴馬比羅姆尼讓他們感覺更加重視自己。結果是，奧巴馬團隊籌得的第一個1億美金中，98%來自于小于250美金的小額捐款，而羅姆尼團隊在籌得相同數額捐款的情況下，這一比例僅為31%。

讓這一切“微觀智能”成為可能的，是數據。正如競選總指揮吉姆·梅西納(Jim Messina)所說，在整個競選活中，沒有數據做支撐的假設很少存在。奧巴馬團隊運用數據挖掘技術在美國政壇政壇上取得的勝利，告訴了我們一個不爭的事實：今天，我們已然進入了一個“微競爭”的時代，在激烈的市場競爭中，誰能夠深入的了解他的每一個用戶的個性化需求，誰就能在競爭中擊敗對手，獲取勝利。

事實上，許多國際商業巨頭早已悄悄的實踐著“微競爭”：深入了解他們的每一個用戶，并為他們提供個性化服務。他們在市場上獲得巨大成功的原由，與今天出現在世界各大媒體的美國總統奧巴馬獲選同出一轍：數據挖掘。

了解用戶要什么，你才能知道如何讓他們打開錢包

為了籌到 10 億美金的競選款，奧巴馬的數據挖掘團隊在過去兩年搜集、存儲和分析了大量數據。今年春天晚些時候，他們注意到，影星喬治·克魯尼(George Clooney)對美國西海岸 40 歲至 49 歲的女性具有非常大的吸引力：她們無疑是最有可能為了在好萊塢與克魯尼和奧巴馬共進晚餐而不惜自掏腰包的一個群體。克魯尼在自家豪宅舉辦的籌款宴會上，為奧巴馬籌集到數百萬美元的競選資金。

之后，當奧巴馬團隊決定在東海岸物色一位對于這個女性群體具有相同號召力的影星時，數據團隊發現莎拉·杰西卡·帕克(Sarah Jessica Parker，《欲望都市》的女主角)的粉絲們也同樣喜歡競賽、小型宴會和名人，于是，一個與奧巴馬共進晚餐的“競爭”便誕生了，那就是爭奪在杰西卡·帕克的紐約West Village豪宅美餐的機會。“克魯尼效應”被成功的復制到了東海岸。

通過對粉絲們的信息分析，奧巴馬團隊成功的滿足了她們與鐘愛的明星共進晚餐的愿望，也成功的讓她們爭先的打開錢包。同樣，聰明的商家通過用戶的購買歷史記錄分析來建立模型，為他們量身預測未來的購物清單，進而設計促銷活動和個性服務，讓他們源源不斷的為之買單。

事情發生在今年初，一名男子闖入了他家附近的Target店鋪(Target 是一家美國零售連鎖超市)：“你們怎么能這樣!”男人向店鋪經理大吼到，“你們竟然給我 17 歲的女兒發嬰兒尿片和童車的優惠券，她才17歲啊!”店鋪經理不知道發生了什么，立刻向來者道歉，表明那肯定是個誤會。然而，經理并沒有意識到，公司正在運行一套數據挖掘系統。

一個月后，這個憤怒的父親打來電話道歉，因為Target發來的嬰兒用品促銷廣告并不是誤發，他的女兒的確懷孕了。事實上，Target創建了一套女性購買行為在懷孕期間產生變化的模型，不僅如此，如果用戶從他們的店鋪中購買了嬰兒用品，Target在接下來的幾年中會根據嬰兒的生長周期情況定期給這些顧客推送相關產品，使這些客戶形成長期的購買習慣。

了解用戶的行為，你可以花最少的錢辦最大的事

在整個的競選中，奧巴馬團隊的廣告費用花了不到3億美金，而羅姆尼團隊則花了近 4 億美金卻落敗，這是因為奧巴馬的數據團隊對于廣告購買的決策，是經過縝密的數據分析之后才制定的。一名官員表示：“我們可以通過復雜的建模來找到目標選民。例如，如果邁阿密戴德郡的35歲以下女性是我們的目標，那么這里有如何覆蓋她們的方式。”因此，奧巴馬競選團隊在一些非傳統節目中購買了廣告，例如4月23日的電視劇《混亂之子》、《行尸走肉》和《23 號公寓的壞女孩》。芝加哥總部稱，在電視平臺上，2012年的廣告購買效率較2008年提升 14%。

而在商業上，以數據分析為支撐的決策，也讓商家獲得了不少好處，Tesco就是一個例子。作為全球利潤第二大的零售商(僅次于沃爾瑪)，這家英國超級市場巨人從用戶行為分析中獲得了巨大的利益。從其會員卡的用戶購買記錄中，Tesco可以了解一個用戶是什么“類別”的客人，如速食者、單身、有上學孩子的家庭等等。這樣的分類可以幫助 Tesco設計個性化的服務，比如，通過郵件或信件寄給用戶的促銷可以變得十分個性化，店內的上架商品及促銷也可以根據周圍人群的喜好、消費的時段來更加有針對性，從而提高貨品的流通。這樣的做法為 Tesco獲得了豐厚的回報，僅在市場宣傳一項，就能幫助 Tesco 每年節省 3.5 億英鎊的費用。

與用戶進行個性化互動，贏得更多青睞

在本次競選中，奧巴馬團隊的投票動員絕不是千篇一律的，對于不同的用戶，他們動員的渠道及采取的互動方式都因人而異。今年 8 月，奧巴馬決定在社交新聞網站Reddit上回答問題，當時多名總統高級助理并不清楚此事。一名官員表示：“我們為何將奧巴馬放在Reddit上?因為我們發現很大一部分目標選民在Reddit上。”而在“搖擺州”的電話動員上，他們也發現，一個搖擺州志愿者打來的電話的效果要優于一個從非搖擺州(如加州)志愿者打來的電話。

此外，奧巴馬團隊還首次利用Facebook進行大規模的投票動員，這模仿了現場組織者挨家挨戶敲門的方式。在競選活動的最后幾周，下載某一款應用的用戶收到了多條消息，其中包含他們在“搖擺州”好友的照片。他們被告知，可以通過點擊按鈕，呼吁這些目標選民采取行動，例如進行投票注冊、更早地投票，以及參與到投票中。奧巴馬競選團隊發現，大約1/5收到Facebook請求的選民做出了響應，這在很大程度上是因為請求來自他們熟悉的人。

在零售業上，巨頭沃爾瑪也同樣的重視與它的用戶進行個性化互動。去年底，沃爾瑪在Facebook上發布了一個名叫ShoppyCat的應用，這個應用的功能是幫助用戶解除為朋友挑選生日禮物的煩惱。當用戶將ShoppyCat加入她 / 他的Facebook中時，應用程序將訪問這個用戶所有朋友的信息，如用戶信息、行為、狀態、Likes、關系圈等等，通過對這些信息的分析挖掘，為每一個朋友的生日都推薦相應的禮物。

今天，許多企業的領導者或許都已經或多或少的看到了數據挖掘能夠帶來的價值;然而，在實踐的應用當中，卻只有極少數的企業朝向“數據掘金”工程邁開步伐。的確，數據挖掘技術給人們帶來了一定的挑戰，甚至有一些神秘：那些復雜的算法和代碼實現，確實不像那些重視用戶體驗的App一樣無需學習成本。而在實踐過程中，90%的數據挖掘技術和數學模型都并不神秘，甚至在很大程度上，都需要大量重復性的工作;但是，只有當這些技術和模型與每一個具體的業務實踐相結合時，才能發揮它們的智慧。

因此，任何數據挖掘工作的執行，都需要做好三方面的準備：

首先，收集和整理數據是一個枯燥冗長的過程。奧巴馬數據團隊在競選前兩年就開始收集大量的信息，而他們做的第一件事情就是將民主黨所有各自獨立零散的選民數據庫匯總在一起。同樣，當企業的數據分散在各地的服務器、各種文件、各種數據庫中時，將這些數據進行有效的集中存儲和格式清理是根基;

其次，做到“精準”是一個與業務定制的過程，沒有“一鍵安裝式”的靈丹妙藥。機器學習是數據挖掘中常用的方法，它的基本原理是讓計算機從歷史數據中“學習”其中的規律，并利用該規律對未來數據進行預測，這個過程也就是建模和預測的過程。因此，當用戶數據因業務而異時，每一組數據中都會有自己獨特的數據模型，這也就是與實際業務相定制的過程。比如，奧巴馬的數據團隊就會對每一個群體的選民都進行建模，進而預測他們的捐款行為方式(通過網絡捐款，還是會匯款)。

另外，模型需要根據實際情況進行動態調整。用戶因環境、喜好或其他因素常常會導致其行為規律發生一定的變化，使得其產生的數據也隨之變化，這些變化將會影響模型的精準性，因而，我們需要隨時動態的去調整模型。在奧巴馬競選的案例中，我們看到，在關鍵的“搖擺州”俄亥俄州，數據分析團隊獲得了約2.9萬人的投票傾向數據。這是一個包含1%選民的巨大樣本，使他們可以準確了解每一類人群和每一個地區選民在任何時刻的態度。當第一次電視辯論結束后，選民的投票傾向發生改變。而數據分析團隊可以立即知道什么樣的選民改變了態度，什么樣的選民仍堅持原來的投票選擇。

如今，我們正處于一個海量信息時代，當大量的數據從互聯網、移動設備、等各個源頭中產生，并以每年50%的速度增長時，它們早已悄悄為你建造了一座 21 世紀的數據金礦，等待著為你在“微競爭”中獲勝而效力。你準備好用它們來擊敗你的羅姆尼了嗎?