大数据应用与解决方案行业市场需求与投资规划分析

大数据应用与解决方案行业市场需求与投资规划分析市场细分的原则从企业市场营销的角度看，无论消费者市场还是生产者市场，并非所有的细分市场都有意义。所选择的细分市场必须具备一定的条件：（一）可实现性可实现性即企业所选择的目标市场是否易于进入，根据企业目前的人、财、物和技术等资源条件能否通过适当的营销组合策略占领目标市场。例如，通过适当的营销渠道，产品可以进入所选中的目标市场；通过适当的媒体可以将产品信息传达到目标市场，并使有兴趣的消费者通过适当的方式购买到产品。（二）可营利性可营利性即所选择的细分市场应当具有能够盈利的规模，且有一定的发展潜力，使企业赢得长期稳定的利润，值得营销者为之设计一套营销规划方案的尽可能大的同质群体。例如：如果专门为2米以上身高的人生产汽车，对于汽车制造商来说就是不合算的。应当注意的是：需求量是相对于本企业的产品而言，并不是泛指一般的人口和购买力。（三）可衡量性可衡量性表明该细分市场特征的有关数据资料必须能够加以衡量和推算。比如在电冰箱市场上，在重视产品质量的情况下，有多少人更注重价格，有多少人更重视耗电量，有多少人更注重外观，或兼顾几种特性，当然，将这些资料予以量化是比较复杂的过程，必须运用科学的市场调研方法（四）可区分性可区分性指细分市场在观念上能被区别并对不同的营销组合因素和方案有不同的反应，比如女性化妆品市场可依据年龄层次和肌肤类型等变量加以区分；汽车市场可以根据收入水平和年龄层次等变量进行区分。大数据行业的挑战（一）技术创新与支撑能力有待进一步提高技术创新是推动大数据产业发展的内在动力，但是目前我国技术创新对于大数据产业的引领作用仍然不强。一方面，国内企业对大数据核心技术、开源技术和相关生态系统影响力总体较弱。另一方面，大多数大数据企业的创新仍以模仿性、渐进性创新为主，突破性、颠覆性创新偏少，自主研发具有国际影响力的先进技术较少，同质化竞争日益加剧。此外，由于我国基础科学技术水平研发投入相对不足，大数据底层技术投入与国外存在较大差距，虽然具有大数据应用的需求，但较少通过扎实的底层技术手段来推动创新，我国大数据技术创新能力有待持续提高。（二）对开源体系的依赖程度相对较高基于开源的数据库技术，或部分开源的功能方案，已经成为当前众多企业的软件技术建设重要模式，目前数据库开源体系由国外主导。众多软件开发者对于开源软件的认知较有限，甚至误以为开源软件等同于免费软件，可以不受限制地随意使用。事实上，开源软件的著作权既没有被放弃也没有过期，开源软件知识产权风险分为版权侵权风险，专利侵权风险、商标侵权风险三大类。因此市场对待目前开源体系的法律风险意识有待提高，自主研发的国产数据库软件市场占有率有待进一步提升，降低对国外开源体系的依赖。（三）企业对于数据价值的认知及运用能力有待提高近年来，越来越多企业认识到数字化转型的必要性，但是对于数据管理的认知水平较多停留在收集数据、存储管理数据的层面，对于如何把数据有效运用及相关认知有待提高，对数据平台、数据技术的资源投入不足。企业往往只是在部分业务实现数字智能化，各个板块的协同不足，各个部门的信息孤岛现象明显，整个企业的数智化缺乏完整规划，企业对数字化转型的目标和路径不够清晰。在此环境下，中国数据管理软件服务厂商在聚焦于内部产品研发和技术迭代的同时，也需加强对下游实际的业务场景和大数据使用需求的逐步理解、适配，使得更多企业可以容易的运用大数据解决发展面临的数字化转型需求。（四）专业人才短缺问题成发展瓶颈我国仍存在严峻的大数据人才短缺问题，尤其紧缺基础技术研发、专业咨询、数据分析挖掘等方面的专业人才以及兼具专业运营能力、行业动态理解力、解决问题能力的多学科复合型人才，难以满足大数据产业的高速发展需求。一方面，我国高科技人才储备不足，高科技人才储备难以应对与日俱增的大数据人才市场需求。另一方面，我国大数据人才培养体系不完善，大数据人才培养体系起步晚，规模小，层次和模式相对单一，技能知识和理念落后，难以有效匹配产业发展速率。虽然近几年随着我国产业数字化转型的发展，数字科技行业的从业人员逐步增多，但从事基础软件领域研究的专业人员仍然稀缺，尚不能满足大数据行业对于高端专业人才的需求。大数据人才的不足一定程度上影响到大数据产业的发展，业内为争取优秀人才，造成行业内人才竞争不断加剧。大数据行业面临的机遇（一）产业政策集中出台，多层次政策体系日益健全十八届五中全会提出实施国家大数据战略以来，《促进大数据发展行动纲要》指出，建立安全可信的大数据技术体系是推进大数据产业基础研究和核心技术攻关的重要目标。2021年3月，在我国十四五规划和2035年远景目标纲要提出，培育壮大人工智能、大数据等新兴数字产业，充分发挥海量数据和丰富应用场景优势，促进数字技术与实体经济深度融合，赋能传统行业转型升级，打造数字经济新优势。加快数字化发展，打造数字经济新优势，协同推进数字产业化和产业数字化转型，加快数字社会建设步伐，营造良好数字生态，建设数字中国。2020年4月，国家发改委明确了新基建是以技术创新为驱动，以信息网络为基础，面向高质量发展需要，提供数字转型、智能升级、融合创新等服务的基础设施体系。其中，在新一代信息技术关键领域锻长板的重要举措包括：推动新一代信息技术与制造业融合发展，加速工业企业数字化、智能化转型，提高制造业数字化、网络化、智能化发展水平，推进制造模式、生产方式以及企业形态变革，带动产业转型升级。未来新兴产业及数字经济的发展将更依赖于数据资源，数据基础设施建设也是支撑5G、数据中心、工业互联网等新一代信息技术基础设施的基础，因此大数据是新基建的重要组成部分，也将推进大数据底层软件等核心国产软件的快速发展。（二）数据管理软件国产化趋势明显，国产大数据产品有望实现换道超车国内数据管理软件基本被Oracle、IBM和微软为代表的国外关系型数据库厂商主导，国产软件产品渗透率低。随着国内客户越来越重视数据与信息安全，国产软件产品在关键领域实现替代成为其中重要环节，越来越多的客户已经开始或计划相关软硬件的采购计划。大数据时代下，数据管理软件正在逐步由集中式架构软件向分布式架构软件演进，国产大数据产品有望实现换道超车，对国外数据管理软件进行替代。从功能来看，基于新兴分布式架构的国产大数据产品已经能满足市面上绝大多数数据应用场景基础需求。但国产大数据产品能否在市场竞争中胜出、占据更多的市场份额，仍然取决于国产大数据产品能否构建自主研发的生态以及产品的全球竞争力。目前，为保障国家信息安全，自主研发的国产大数据生态体系正在形成，此前国产软硬件发展面临的格局分散、生态基础不完善、规模用户群体缺乏等障碍正被逐步攻克。随着国产大数据生态体系进入快速协同发展阶段，国产大数据产品与服务迎来较好的发展机遇。（三）数据成为新生产要素，各行业的大数据应用需求巨大2020年4月，《关于构建更加完善的要素市场化配置体制机制的意见》指出，数据已成为继土地、劳动力、资本、技术之后的新一代生产要素，是数字经济发展的基础性、关键性、决定性的生产要素，对经济发展、社会治理、人民生活产生着重大而深刻的影响。激活数据要素潜能，加快数字经济、数字社会，以数字化驱动生产方式、生活方式和治理方式变革成为我国当下发展的重点。企业建设数字化能力，高效解决企业运营中的问题，优化企业业务流程、提高效率，成为企业发展的核心竞争力之一，在金融、交通、能源、制造等国民经济重要领域实际提升数字化能力需求巨大。此外，在企业数字化程度提高后，数据走向资源化是大势所趋，在数据资源化的过程中，建立行业间高效的数据交换机制，实现数据的互联互通、信息共享、业务协同，以成为整合信息资源，深度利用分散数据的有效途径。加快数字化转型，构建数据共享服务体系，促进数据与业务应用快速融合，将助力中国经济从高速增长转向高质量发展，推动数字中国建设。（四）大数据应用的快速发展，推动大数据管理平台需求的快速增长近年来，大数据增长集中于物联网设备、多媒体、日志、社交信息等，这些数据具有数据类型多、数据量大、流转速度快、价值密度低的特点。传统关系型数据库无法满足处理半结构化及非结构化数据需要，具有综合能力的大数据管理平台有易于扩展、无序存储、分布式架构的特性，相比传统关系型数据库，更能满足对这些数据的存储需求。大数据管理平台不仅具有存储管理海量数据能力、数据处理性能高和易于扩展的特性，还可以保持传统关系数据库支持ACID和SQL查询等特性，支持关系数据模型。在大数据市场发展下，大数据管理平台需求快速增长。（五）数据价值的深度挖掘需求将带动智能分析工具的快速发展智能分析工具主要专注于为数据预处理、特征工程、数据建模、预测分析等数据分析挖掘关键过程提供工具和相关解决方案，是企业实现对海量数据的深度挖掘的重要工具。随着大数据环境下，数据分析复杂程度的加深，数据科学平台需要持续优化其平台流程、协作及模型治理特性，以保持与软件开发中最佳实践一致。同时，数据科学平台厂商也将通过整合针对算法筛选、分布式模型训练、模型管理、知识图谱和高性能推理等任务的创新解决方案来实现差异化竞争。为了在大数据环境下快速帮助客户实现人工智能赋能的商业决策，智能分析工具将迎来快速发展机遇，在云原生、AI工程化、低代码、隐私安全、云边一体等方面发挥更大的作用。大数据全生命周期管理大数据生命周期进一步细分为大数据集成、存储和处理、治理、建模、挖掘和流通等阶段。（一）大数据集成大数据集成包括大数据采集和大数据整合。大数据采集主要是通过各种技术手段将分散的海量内容数据（文本、音频、视频等）、行为数据（访问、查询、搜索、会话、表单等）、工业生产数据（传感器数据、监控数据）等从业务系统中收集出来。由于大数据本身具有分散、海量、高速、异质的特征，采集难度较大，因此保证数据采集的稳定性、可靠性、高效性、可用性和可扩展性等是主要的技术目标，越来越多的企业开始选用专业的数据采集服务。大数据整合的目标是将各种分布的、异构的数据源中的数据抽取后，进行清洗、转换，最后加载到数据仓库或数据集市中，作为数据分析处理和挖掘的基础；这个过程常常也被称为ETL（Extract/抽取，Transform/转换，Load/加载），通常ETL占到整个数据仓库开发时间的60%~80%。大数据时代，数据整合软件的市场也开始了整体的技术升级，主要解决两个主要技术问题，一是独立的ETL应用服务器的计算能力普遍不足，二是无法处理半结构化和非结构化数据。经过几年的技术发展，ETL过程逐步演进为ELT，即数据抽取后直接加载（Load）到大数据平台中，再基于大数据平台的计算能力来实现数据转换（Transform），不再依赖ETL应用服务器做抽取和转化工作，这样可以解决ETL应用服务器的处理能力不足问题，充分利用大数据平台的分布式计算能力提升数据集成的效率和稳定性。（二）大数据存储和处理大数据存储与处理要用用服务器及相关设备把采集到的数据存储起来，使得数据能够被高效地访问和运算。由于数据量的爆发式增长，尤其是非结构化数据的大量涌现，传统的单机系统性能出现瓶颈，单纯地提高硬件配置已经难以跟上业务的需求，产生的海量数据没有合适的存储场所，企业被迫放弃大量有价值的数据；数据处理的速度和性能出现瓶颈，业务的深度和广度受到限制。因此，过去十年间，计算机系统逐步从集中式向分布式架构发展。分布式架构及相关技术通过增加服务器的数量来提升系统的处理能力，每个节点都是一个可独立运行的单元，单个节点失效时不会影响应用整体的可用性。分布式系统在扩展性、容错性、经济性、灵活性、可用性和可维护性方面具有明显优势。（三）数据治理根据国际数据管理协会的定义，数据治理是对数据资产管理形式权利和控制的活动集合。数据治理是一个管理体系，包括组织、制度、流程和工具，随着集成和存储的数据量增加，数据治理的难度也逐渐增加，牵扯的关联方也越来越多，因此需要一套适合企业的方法论来开展工作。业界逐渐形成了DAMA、DCMM等较完整的数据治理体系框架，一般包括制定数据治理战略、定义数据治理工作机制、通过各个业务专题来落实相关数据治理工作内容，并最终落实到数据治理工具上来实现高效持续的数据治理的执行流程。具体到数据治理的内容，一般包括元数据管理（包括元数据采集、血缘分析、影响分析等）、数据标准管理（包括标准定义、查询与发布等）、数据质量管理（包括质量规则定义、质量检查、质量报告等）、数据资产管理（包括数据资产编目、数据资产服务、资产审批等）、数据安全管理（包括数据权限管理、数据脱敏、数据加密等）、数据生命周期管理（包括数据归档、数据销毁等）以及主数据管理（包括主数据申请、发布、分发等）这几个主要的部分。（四）数据建模数据建模是构建企业数据仓库、数据湖和数据集市的重要过程，其通过一个业务级别的数据模型设计，将分散在不同数据源中的数据集成在一起，并通过一种面向业务主题的方式将数据分门别类来做重新组织和标准化，形成有明确业务意义的数据形式，统一为数据分析、数据挖掘等提供可用的数据。面向业务主题（如客户主题、账户主题等）的数据组织管理方式便于业务人员对数据的理解和综合使用。具体到技术层面，数据建模一般包括业务调研、架构设计、数据模型设计、数据库SQL开发与测试、业务集成上线等几个阶段，架构设计是整个工作的核心，一般会面向不同的行业来设计相关行业的逻辑数据模型。在数据建模过程中使用的工具主要包括：数据模型设计与管理工具、SQL开发工具、任务调度工具等。（五）数据分析和挖掘大数据分析和数据挖掘的核心目标是对客观事实规律进行描述、展示和总结、刻画、推广，可以从大量的数据中通过算法来揭示出隐含的、未知的并有潜在价值信息，并对客观规律进行溯源和解释，从而帮助决策者做出正确的预测和决策。围绕这个目标，大数据分析和挖掘的手段可以分为模型驱动、数据驱动等，一般通过统计、在线分析、情报检索、机器学习和专家系统等在内的多种方法来实现这一目标。现阶段在面对大数据4V问题时，大数据分析和数据挖掘工具对传统数据分析和挖掘工具做进一步自动化和智能化；与此同时，近年来深度学习的兴起又为大数据分析提供了新的手段，其做为当前计算机行业的热点研究方向之一，其本质的目标是从大量数据中提取模式和知识，其要处理的对象包括结构化数据、半结构化数据和非结构化数据在内的所有类型数据，例如近年来在视频、语音等非结构化数据的分析需求快速增加，相应的深度学习技术也取得了飞速发展。（六）数据流通数据流通是按照一定规则，将存储的数据或者数据分析、挖掘得到的信息作为流通对象，从供应方传递到需求方的过程。数据流通的具体内容包括可视化的分析报告、面向运营人员的数据标签、面向应用可以直接调用的数据指标API、面向数据分析人员的数据集、面向数据挖掘人员的数据特征、和面向业务建模人员的单方或多方的建模模型等。基于数据水印、数据加密和脱敏、隐私计算、联邦学习的数据流通安全技术，可以提高数据流通的完整性和保密性。大数据行业未来发展趋势（一）分布式系统成为行业技术架构主要的发展方向传统数据库以集中式架构为主，集中式架构由一台或多台主计算机组成中心节点，数据存储以及整个系统的业务单元都集中部署于该中心节点中，系统所有的功能均由中心节点集中处理。每个终端或客户端仅仅负责数据的录入和输出，而数据的存储与控制处理完全交由主机完成。分布式架构下，软件组件分布在不同主机上，主机之间通过网络连接进行通信和协调。随着海量及异构数据的数据分析需求增长，需要的计算、存储和IO等资源也在极速增加。集中式架构通过改善硬件配置来提升存储和处理能力，但单台主机可配置的资源存在上限，因此传统的集中式架构软件难以满足海量及异构数据的数据集的处理和分析需求。而为了处理TB以及PB级别以上的数据规模，分布式的架构将数据分散在网络上多个通过高速网络互联的节点上联合计算。因为数据分布在不同节点，在进行计算任务时，任务也会被切分成多个子任务，分发到多个节点上同时进行计算，能充分利用整个集群各个节点的计算资源、存储资源和IO资源，可线性提升集群的存储和处理能力。因此，分布式架构能较好的处理该类问题，这也是分布式架构相对于传统单机架构的核心优势。在大数据场景下，分布式系统在扩展性、容错性、经济性、灵活性、可用性和可维护性方面具有明显优势，能够较好的满足大数据分析的需求。此外，近年来，分布式技术不断发展，在提供高弹性、支持高并发的同时，支持关系型数据库中强事务性的特性，成为大数据技术的重要发展方向。2、数据管理软件趋向于统一多数据模型的平台数据模型是决定数据库系统逻辑的重要因素，并从根本上决定以何种方式存储、组织和操作数据，包括传统的关系模型和NoSQL数据模型（文档模型、键值模型、图模型等）。大多数数据库管理系统只能支持一种或少数几种数据模型，因此企业通常只能使用多种数据库产品联合的方案来应对日益增长的异构数据模型处理需求。随着大数据厂商技术实力的提升，逐渐出现了能够提供多数据库模型的大数据平台技术。相比多种数据库产品的集成方案，多种数据库模型统一的大数据平台的优势包括：（1）提升场景效率。同一份数据可以分别采用多种数据模型存放，解决不同场景的处理效率问题；（2）统一分析管理。关联不同模型的数据，统一分析管理；（3）降低运维成本。无需维护多种数据库，降低运维成本；（4）降低数据持有成本，同一份数据在不同的数据模型当中不需要全量存储，不同模型只需要存储必要的数据内容即可，在查询时可以通过关联的方式获取全量信息。未来多模型数据平台将通过不断提高计算、存储引擎的处理能力，从操作响应速度、数据并发能力、数据管理成本等多个角度优化企业的数据需求，成为多模大数据平台的重要发展趋势。（二）云原生大数据平台架构成为未来的主要发展方向云原生的代表技术包括容器、服务网格、微服务、不可变基础设施和声明式API，这些技术能够构建容错性好、易于管理和便于观察的松耦合系统。结合可靠的自动化手段，云原生技术使工程师能够轻松地对系统作出频繁和可预测的重大变更。云原生技术有利于各组织在公有云、私有云和混合云等新型动态环境中，构建和运行可弹性扩展的应用。面对客户日益增长的海量数据、多种数据结构的实时化、智能化处理需求，云原生的大数据平台架构凭借计算存储解耦、资源池化、Serverless等核心技术，提供了高弹性拓展、海量存储、多种数据类型处理及低成本计算分析的能力。相比传统数据库，云原生数据库及数据管理平台天然具备灵活性，能够提供强大的创新能力、丰富多样的产品体系、经济高效的部署方式和按需付费的支付模式。（三）国家加速数据要素市场建设，推动数据安全流通技术的商业化加速我国将搭建统一开放、竞争有序的数据要素市场体系，政策鼓励产业链各环节的市场主体进行数据流通和交易，促进数据要素流通。当前，丰富的数据要素资源已经涵盖了金融、运营商、房地产、医疗、能源、交通、物流、教育以及制造业、电商平台、社交网站等众多领域。同时，由于数据的流通和利用是数据要素价值创造的前提。而跨域、跨中心的数据融合计算需求，以及数据要素在开放流通环节中的安全需求（包括可用不可见、可用不可得、可用不出域等），都使得数据的安全可信流通成为数据要素的市场化配置的重要一环，也是各行业数字化转型过程中和过程后的必由之路。随着《数据安全法》、《个人信息保护法》的实施，以安全为前提的数据开放利用将迎来新一轮发展机遇。隐私计算是在处理、分析计算数据的过程中保持数据不透明、不泄露、无法被计算方以及其他非授权方获取的一种技术解决方案，能够在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放，应用前景和商业价值巨大。在国家加速数据要素市场建设和重视数据安全和隐私保护的大背景下，数据安全防护技术、隐私计算技术的应用普及和商业化在加速进行。国内大数据市场发展情况中国大数据市场在过去五年间经历快速增长，整体市场规模增长速度快于全球整体市场。2019年，中国大数据市场规模达到627亿元，2015-2019年复合增长率达到31．9%。其中，大数据硬件为市场主要的收入来源，2019年大数据市场硬件收入达到247亿元。中国大数据软件市场由2015年的52亿元增长至2019年的146亿元，年复合增长率为29．5%。伴随着中国对数据运用重视程度日益提高，用户对于大数据软件采购预算增加趋势明确，中国大数据软件市场将在未来五年继续保持高速增长，整体软件市场规模将在2024年达到492亿元，2019-2024年复合增长率为27．5%。虽然现阶段大数据软件收入占比较小，但得益于较高的细分市场规模增速，未来大数据软件将占据更多的市场份额。体验营销的概念体验营销是指企业以消费者需求为导向，向消费者提供一定的产品和服务，通过对事件、情景的安排、设计，创造出值得消费者回忆的活动，让消费者产生内在反应或心理感受，激发并满足消费者的体验需求，从而达到企业目标的营销模式。体验营销建立在对消费者个性心理特征的认真研究、充分了解的基础之上。其以激发顾客的情感为手段，使整个营销理念更趋于完善，目的是为目标顾客提供超过平均价值的服务，让顾客在体验中产生美妙而深刻的印象或体验，获得最大程度上的精神满足。体验营销并非仅仅是一种营销手段，确切地说它是一种营销心理、一种营销文化、一种营销理念。在消费需求日趋差异化、个性化、多样化的今天，顾客关注产品和服务的感知价值，比以往更为重视在产品消费过程中获得“体验感觉”。我们经常会看到这样的现象，消费者在购买很多产品的时候，如果有“体验”的场景和气氛，那么对消费者的购买决策就能产生很大的影响。例如，在购买服装时，如果一家服装店不能让顾客试穿的话，有很多顾客就会马上离开；购买品牌电脑时如果消费者不能亲自试试性能，感觉一下质量，大多数消费者就会对其质量表示怀疑；购买手机时如果销售人员不太愿意让顾客试验效果，顾客马上就会扬长而去……因此，对于企业来说，提供充分的体验就意味着能够获得更多消费者的机会。品牌设计品牌要素或元素主要包括品牌名称、品牌标识或标志、品牌形象代表、品牌口号、广告曲、包装等。在品牌名称和品牌标识设计过程中，一般应坚持以下几个基本原则：（一）简洁醒目，易读易记来自心理学家的一项调查分析结果表明，人们接收到的外界信息中，83%的印象通过眼睛，11%借助听觉，3.5%依赖触摸，其余的源于味觉和嗅觉。基于此，为了便于消费者认知、传诵和记忆，品牌设计的首要原则就是简洁醒目，易读易记。基于这一要求，不宜把过长的和难以读诵的字符串作为品牌名称，也不宜将呆板、缺乏特色感的符号、颜色、图案用作品牌标示。2015年9月，陆金所启动了全新的域名和品牌形象，替代原有的。陆金所将其网络投融资平台的域名进行更改，由“”更改为“”；而金融资产交易服务平台则维持“Ifex”不变。陆金所董事长计葵生解释说，之所以用去替换，是为了让这一域名能够更好地被国内的用户记忆。而且，这也是陆金所向更“互联网化”方向转变的一个体现，不仅仅是从技术、服务上更加便捷，即使是细节上也要做到更好。（二）构思巧妙，暗示属性一个与众不同、充满感召力的品牌，在设计上还应该充当体现品牌标示产品的优点和特性，暗示产品的优良属性。奔Benz（汽车发明人本茨先生的名字），经过100多年的努力赢得了顾客信任。那个构思巧妙、简洁明快、特点突出的圆形的汽车方向盘似的特殊标志，已经成了豪华优质高档汽车的象征。这个品名与品标的有机结合，不仅暗示品牌所标定的商品是汽车，而且是可以“奔驰”的优质汽车。（三）富蕴内涵，情意浓重品牌，大多都有其独特的含义和解释或释义。有的就是一个地方的名称，有的就是一种产品的功能，有的或者就是一个典故。富蕴内含、情意浓重的品牌，因其能唤起消费者和社会公众美好的联想，而使其备受厂商青睐。（四）避免雷同，超越时空品牌设计的雷同，是实施品牌运营的大忌。因为品牌运营的最终目标是通过不断提高品牌竞争力而超越竞争对手。若品牌的设计与竞争对手雷同，一方面容易被起诉，另一方面也可能永远居于人后，达不到最终超越的目的。除了注意避免雷同以外，为了延长品牌使用时间、扩大品牌的使用区域，在品牌的设计上还应注意尽可能超越时空限制。具有时代特征的名称有强烈的应时性，可能在当时或延续一段时日会“火”，但随着时间的推移，记住、了解当时那个时代的人越来越少，品牌的感召力也会越来越小。而超越空间主要是指品牌超越地理文化边界的限制。可以想象，若将“Sprite”直译成“妖精”，又有多少中国人乐于去认购呢？而译成了符合中国文化特征的“雪碧”就比较准确地揭示出品牌标定产品的“凉”“爽”的属性。关系营销及其本质特征约翰•伊根认为对关系营销目标最好的描述是：“在适当情况下，识别和建立、维持和增进同消费者和其他利益相关者的关系，同时在必要时终止这些关系，以利于实现相关各方的目标；这要通过相互交换及各种承诺的兑现来实施。”菲利普•科特勒认为：“关系营销致力于与主要顾客建立互相满意且长期的关系以获得和维持企业业务。”关系营销是以系统论为基本思想，将企业置身于社会经济大环境中来考察企业的市场营销活动，认为企业营销乃是一个与消费者、竞争者、供应者、分销商、政府机构和社会组织发生互动作用的过程。关系营销将建立与发展同所有利益相关者之间的关系作为企业营销的关键变量，把正确处理这些关系作为企业营销的核心。关系营销奉行的黄金法则是：同等条件下，人们将和他们认识、喜欢并且信任的人做生意。关系营销的本质特征包括以下几点：（1）信息沟通的双向性。社会学认为关系是信息和情感交流的有机渠道，良好的关系即是渠道畅通，恶化的关系即是渠道阻滞，中断的关系则是渠道堵塞。交流应该是双向的，既可以由企业开始，也可以由营销对象开始。广泛的信息交流和信息共享，可以使企业赢得更多、更好的支持与合作。（2）战略过程的协同性。在竞争性的市场上，明智的营销管理者应强调与利益相关者建立长期的、彼此信任的、互利的关系。这可以是关系一方自愿或主动地按照对方要求调整自己的行为；也可以是关系双方都调整自己的行为，以实现相互适应。各具优势的关系双方，互相取长补短，联合行动，协同动作去实现对各方都有益的共同目标，可以说是协调关系的最高形态。（3）营销活动的互利性。关系营销的基础，在于交易双方相互之间有利益上的互补。如果没有各自利益的实现和满足，双方就不会建立良好的关系。关系建立在互利的基础上，要求互相了解对方的利益要求，寻求双方利益的共同点，并努力使双方的共同利益得到实现。真正的关系营销需要达到关系双方互利互惠的境界。（4）信息反馈的及时性。关系营销要求建立专门的部门，用以追踪各利益相关者的态度。关系营销应具备一个反馈的循环，连接关系双方，企业可由此了解到环境的动态变化，根据合作方提供的信息，以改进产品和技术。信息的及时反馈，使关系营销具有动态的应变性，有利于挖掘新的市场机会。新产品采用与扩散（一）产品特征与市场扩散1、创新产品的相对优点新产品的相对优点愈多，在诸如功能、可靠性、便利性、新颖性等方面比原有产品的优越性愈大，市场接受得就愈快。2、创新产品的适应性创新产品必须与目标市场的消费习惯以及人们的产品价值观相吻合。当创新产品与目标市场消费习惯、社会心理、产品价值观相适应或较为接近时，则有利于市场扩散，反之，则不利于市场扩散。3、创新产品的简易性这是要求新产品设计、整体结构、使用维修、保养方法必须与目标市场的认知程度相适应。一般而言，新产品的结构和使用方法简单易懂，才有利于新产品的推广扩散，消费品尤其如此。4、创新产品的明确性这是指新产品的性质或优点是否容易被人们观察和描述，是否容易被说明和示范。凡信息传播便捷、易于认知的产品，其采用速度一般比较快。（二）购买行为与市场扩散1、消费者采用新产品的程序与市场扩散人们对新产品的采用过程，客观上存在着一定的规律性。美国学者罗吉斯调查了数百人接受新产品的实例，总结归纳出人们接受新产品的程序和一般规律，认为消费者接受新产品一般表现为以下五个重要阶段：（1）认知。这是个人获得新产品信息的初始阶段。新产品信息情报的主要来源是广告，或者其他间接的渠道如商品说明书、技术资料等。人们在此阶段获得的情报还不够系统，只是一般性了解。（2）兴趣。指消费者不仅认识了新产品，并且发生了兴趣。在此阶段，消费者会积极地寻找有关资料，进行对比分析，研究新产品的具体功能、用途、使用等问题。如果满意，将会产生初步的购买动机。（3）评价。这一阶段消费者主要权衡采用新产品的边际价值。如采用新产品获得的利益和可能承担的风险，从而对新产品的吸引力做出判断。（4）试用。指顾客开始小规模、少量地试用新产品。通过试用，顾客评价自己对新产品的认识及购买决策的正确性。企业应尽量降低失误率，详细介绍产品的性质、使用和保养方法。（5）采用。顾客通过试用收到了理想的效果，放弃原有的产品，完全接受新产品，并开始正式购买、重复购买。2、顾客对新产品的反应差异与市场扩散在新产品的市场扩散过程中，由于社会地位、消费心理、产品价值观、个人性格等多种因素的影响制约，不同顾客对新产品的反映具有很大的差异。（1）创新采用者。也称为“消费先驱”，通常富有个性，勇于革新冒险，性格活跃，消费行为很少听取他人意见，经济宽裕，社会地位较