（4）网络搜集。除了以上方式外，网络上也有很多公开的用户数据，比如很多论坛、QQ群、网络团体等，都会提供会员通讯录下载、交换。这是许多商业公司的惯用手法，是一个非常省时、省力和省钱的方法。
（5）购买。这是最直接的方法。实际上，我们的数据可能已经被倒卖了很多次，相信很多初为人父母的都有这样的经历：刚生完孩子，家里的亲戚都还不知道是男是女，推销奶粉的电话就打来了。
3.营销数据管理与营销数据挖掘
数据管理主要是指运用先进的统计技术，利用计算机的强大计算能力，把不同的数据综合成为有条理的数据库。特别是大型公司，需要用专门的软件统一管理用户的数据库，要做到所有部门的数据都是统一和同步的。数据管理最重要的一条是数据挖掘，特别是对于网店与电子商务公司，尤其重要。数据挖掘主要是挖以下三方面的内容：
（1）挖掘用户。简单地说，就不同的属性不停地对用户进行深入细分。根据使用最多类消费者的共同特点，用电脑勾画出某产品的消费者模型。以推一把网站为例，推一把的用户粗略分为3种：个人站长、中小型企业人员及行业从业人员。而对于中小型企业人员，如果按行业又可以细分出医疗行业、美容行业、教育行业、农产品行业等；如果按公司规模分，又可以分为10人以下、50人以下等；如果按资金规模来分，又可以分成10万元、50万元、100万元等；如果再按地区分，又可以分为北京、上海、广州等。
将用户细分的好处是：当需要推广某个产品时，可以马上从数据库中提取出最精准的用户。比如，我们要卖一款白色、售价为500元的耐克运动鞋，通过数据库就可以马上找到那些喜欢白色运动鞋、消费能力在500元左右，且对耐克比较偏爱的用户群。
（2）挖掘需求。这个是指根据用户的年龄、职业、收入、文化层次、喜好、消费习惯等数据，运用先进的数据分析技术，找出他们的潜在需求。这其中最经典的一个案例就是关于尿布与啤酒的故事：沃尔玛通过建立的数据仓库，按周期统计产品的销售信息，经过科学建模后提炼决策层数据。结果发现，每逢周末，位于某地区的沃尔玛连锁超市啤酒和尿布的销量很大。进一步调查表明，在美国有孩子的家庭中，太太经常嘱咐他们的丈夫下班后要为孩子买尿布，而丈夫们在买完尿布以后又顺手带回了自己爱喝的啤酒，因此啤酒和尿布一起购买的机会是最多的。之后该店打破常规，将啤酒和尿布的货架放在了一起，使得啤酒和尿布的销量进一步增长。
（3）挖掘产品。开发什么样的产品会有市场？用户喜欢什么样的产品？会为哪些产品买单？这是让很多企业困惑的问题。
而这些问题的答案，都可以通过分析数据库中的数据而得到。假如我们是一家制药企业，主打产品是胃药，通过几年的销售，我们拥有了30万用户的数据库，而且其中大部分是我们的忠实用户。这时候我们开始对数据库进行分析与挖掘，最后发现这些用户中有60％患有肠道疾病，那公司下一步就会考虑开发这方面的产品。
4.完善用户数据库
仅仅建立了数据库，得到了初步的数据还不够，如果想从数据中得到更多信息，想更多利用数据库进行营销，还需要不停地扩充及丰富数据库，不断地搜集和完善用户详细信息，如喜好、行为和习惯等。这其中主要用到的方法有以下几种：
（1）引导。这是最直接，也是最重要的一个方法。在这方面，一些交友网站及SNS网站做得比较到位。这些网站都会有一个完善的积分系统，如果会员想获取更多的网站积分，就需要不停地完善自己的资料，每完善一项，就可以得到相应的积分奖励。这是一种非常典型和有效的引导方式。
（2）反馈。用户的反馈是最直接和真实的数据，特别是对于销售型的企业，一定要注意搜集用户的反馈意见。以网店为例：
在我们向用户推荐产品时，不同用户会有不同的反应。比如有的用户会说，我不喜欢这件衣服，因为它是红色的。这个时候，数据库中就增加了一条非常重要的信息：这个用户不喜欢红色的衣服。
（3）调查。调查最重要的技巧之一就是尽量为有奖调查，因为有物质奖励，用户的积极性才会提高。另外，调查的选项尽量不要设置得太多和太复杂，这样容易降低用户的积极性。
（4）行为。通过观察和记录用户的行为，也是一种非常好的获取方式。还是以网店为例，假如某个用户在我们这里买了三次衣服，每次的牌子都一样，价位区间与颜色也都非常一致，那我们就可以得到这样的信息；这个用户对某品牌很偏爱，消费能力在X元左右，喜欢某种颜色的衣服。
（5）活动。在有条件的情况下，多组织互动性比较强的活动，通过活动去搜集用户数据，引导用户留下他们的信息。
（6）沟通。如果你的用户群比较少，或是时间及精力比较多，那也可以通过与用户直接交流的方式获取用户数据。实际上，通过这种方式获取的信息也是最详细的，特别是许多比较隐私的信息，只有通过交流才能获得。
营销量化数据的四种类型
在所有营销活动中需要涉及的数据类型，我们依据来源，将其分为四大类：基础数据、统计数据、深度数据和经验数据。
基础数据：通常是根据特定目的，将分散的数据汇总形成的结果。例如，老业务员指出经销商去年净出货454万元的数据，就是典型的基础数据。
统计数据：就是我们说的机会成本的计算和本息合计损失的计算。这样的数据有一些通用的常规公式，通过公式的应用，能直接得出我们需要的结果。
深度数据：没有完全现成的公式，都需要一定的概念转化和再认识。在计算的复杂程度和应用的层面上，比统计数据对应用者的要求更高，主要涉及统计学、概率论的知识和计算方法。在日常的业务沟通中应用较少，主要应用在专业的市场分析和市场调研中。
经验数据：就是我们看到的业务预估的30％的行业销售毛利，甚至业务员用经验确认该批产品如果半价销售，一个月内可以销售完毕，这也是业务员的经验积累。当然这些数据可能需要大量的基础数据、统计数据，甚至深度数据做参考，但经验数据一般都是估计值、大约数，不能算做精确数据。
为了让大家对数据种类有更清楚的认识，这里举四个例子：
（1）2009年公司内外销各品类销售总额为25亿元（基础数据）；
（2）这个经销商的月度安全库存不应低于135万元（统计数据）；
（3）1万名经销商中，非重置抽样400个客户，发现有320个客户处于存活状态，存活率80%；今年客户存活率抽样平均误差为1.96%（深度数据）；
（4）如果这次促销价格下调10个点，估计本月环比销量将上涨35%左右（经验数据）。
在实际应用中，我们经常会用到这四类数据。比如，评估一个优质客户：首先，需要用经验数据锁定优质客户需要符合哪些条件，因为“优质”是一个定性的词，优质也会因人、因公司而异。其次，经验数据往往只能为我们提供方向，而其他三类数据的具体量化能让我们看清目标。
所以，企业为什么喜欢招聘有工作经验的人，从数据的形成方式来看也就不难理解了。能够有正确经验数据的人，都是在积累了大量的基础数据、统计数据、深度数据基础之上形成的经验，换句话说，这是用大量的时间成本和学习成本形成的优势资源。当然，那些原有的经验用了十几年，又不善于积累经验数据的人，不在讨论之列。
