黄太吉煎饼社群价值观十条法则
导读 黄太吉煎饼创造了一个神话，一家面积只有10多平方米、却在微博上有3万多粉丝、被风投估价为4000万的煎饼店，其创始人赫畅总结的社群价值观十条法则，对粉丝社群平台很有指导意义。
CPS与积点联盟
企业如果只围绕自己的消费者做品牌社群，就总是在已有的社会关系中打转，既不利于吸引新的力量进来，也不利于粉丝走出去交流。因此，品牌社群也要鼓励品牌走出去进行品牌联合，形成无竞争关系的品牌社群之间的联盟。
一、CPS联盟，建立品牌社群之间的CPS交换和结算。通过产品的售卖、口碑推荐等形式进行品牌社群之间的分享，使粉丝通过体验联合品牌的产品、活动进行互动，在互动参与中所产生的实际效果可以基于合作平台或交换数据进行识别和结算。这类似于互联网广告的按点击付费，而这种CPS联盟更多的是品牌社群之间的按效果付费，只不过“费”的形式不一定是钱。这样可以充分推进一个品牌的粉丝社群来进行另外一个品牌的拉新和互补，而又不会导致竞争关系流失。
二、礼品联盟，建立品牌社群之间的积分礼品的互联互通。粉丝会员的级别权益、积分可以共享，礼品可以通兑。而且联合品牌之间需要根据产品形态、消费者ARPU、积分礼品的财务等进行核算，确定之间通兑的汇率比例，进一步在粉丝会员系统上打通数据，从而形成礼品积分联盟。这样可以增强各个品牌社群之间的粉丝活跃度、积分礼品的兑换率和消耗频率，从而有效地降低品牌社群在礼品积分方面的成本。
三、交易联盟，建立品牌社群之间的虚拟币的自由通兑。每个品牌都有大量的代金券、折扣券、点卡和虚拟币等，可以在交易环节中使用，粉丝使用的频率和活跃度很高，而且也是品牌进行促销和激励时最常用的手段。如果在联合的品牌社群之间，粉丝可以通过互动参与、口碑推荐等获得不同品牌的点卡虚拟币，或者用自己社群的积分点卡来兑换联合品牌的点卡虚拟币，并在联合品牌的交易环节中使用，就可以很好地促进虚拟币的流动性，同时可以提高粉丝的活跃度和品牌的交易数量。当然，点卡、虚拟币等的自由通兑，需要严格的财务精算才能确定兑换的相互比例。
四、活动联盟，建立品牌社群之间的联合主题活动。两个品牌社群之间的粉丝多有交叉重复，或者粉丝的喜好和需求标签多有交叉重复，因此结合联合后的品牌社群的粉丝的需求，或者这些粉丝的自发组织，可以进行联合主题活动，包括共同活动、竞赛活动等，可以在活动过程中融合联合品牌的资源、内容和组织力量、社会关系，在不同社群之间的交流和互动，尤其是不同的品牌故事之间的交流，从而提升粉丝对品牌社群的认同和归属感。
邻家女孩女装联手可口可乐
导读 邻家女孩与可口可乐进行联手，进行粉丝的联合推广，共同分享快乐，进行品牌间的忠实粉丝的相互接受和认同。
大数据与云平台
社交大数据
现在大数据的概念已很流行，似乎说大数据是个很取巧的话题，但是这在社交网络领域却是不得不说的事儿。百度百科里讲到大数据的特点有四个层面：第一，数据体量巨大。从TB（计算机容量单位，小于PB）级别，跃升到PB级别；第二，数据类型繁多。尤其是互联网上的网络日志、视频、图片、地理位置信息等；第三，价值密度低。以视频为例，连续不间断的监控过程中，可能有用的数据仅仅有一两秒；第四，处理速度快。最后这一点也是和传统的数据挖掘技术有着本质的不同。业界将其归纳为“4V”——Volume、Variety、Value、Velocity。
从企业的角度来看，目前的大数据一部分来源于互联网企业，比如搜索门户、SNS、微博、微信、视频网站和电子商务网站等；一部分来源于企业的消费者在物联网、移动设备、终端上的商品、个人位置和传感器采集的数据等，这部分尤其以零售行业为代表；一部分来源于部分运营商的海量数据，比如通讯运营商、互联网运营商和金融运营商，其中不只是简单地海量交易数据，还包括大量的消费者特征数据。
社交网络的数据带有几个特点：海量、非结构化和无序。企业要从社交网络运营中转化价值，关键在于对社会化数据的转化处理，其中包括相关性检索和过滤、信息结构化和智能排序。这需要企业级的应用来实现，而在微信当前的通道中，微信传递的用户数据比较简单，那么用户的数据从何而来？可以考虑从交互的索引和标签中来，也可以考虑绑定其他的社交网络账号或者线下系统的账号，进行数据的聚合。
尽管拥有数据的公司并不少，但百度的数据是没有数据库的，因为搜索引擎并不知道是谁在搜索，即使有Cookie，清空之后也会消失；而腾讯积累的庞大数据只是娱乐数据，并非具备足够强的商业价值；在这一点上，相比较下阿里的数据养料则更加充分。
在互联网和社交网络中，大数据可以分为三个主体模型：一个是人性数据，以Facebook、腾讯的社会网络为代表；第二是内容数据，以谷歌、百度的内容搜索为代表；第三是物性数据，以亚马逊、阿里的物品交易为代表。这些都可以从不同维度来聚合和展现用户的行为特征，只是物性数据大多是事后数据，但同样具有价值，内容数据可能会有需求数据，再结合人性数据的属性分类，可以进行需求预测分析。
在企业的社交网络运营方面的大数据分析有三个层次：一是初级大数据聚合后的组合复杂查询，这可以进行消费者分级分类；第二是聚类，根据不同维度和权重，对消费者进行聚类分析，进行客户细分；第三是关联性分析，对物性数据、内容数据和人性数据结合时间、空间等因素进行关联性分析。
社交网络的数据聚合，尤其是跟兴趣相关的标签，可以有效地组合成一个消费者的兴趣图谱。比如根据用户 SNS 账号、微博账号等的标签、关注、好友、评论／转发、收藏等数据，以及用户的手机、位置、使用时间等数据，同时聚合可视的（兴趣爱好等）和不可视的（文艺清新等）两大主题，以及上万个维度的数据，最终形成用户的兴趣图谱。
但是，正如前文所言，社交网络的数据需要聚合，有时候还需要绑定，才可以获取如此多维度的社会化数据。而这类似于在用社交网络上的信息对一个人进行信息画像。而这个画像的形成，最关键的是一个合适的社会化信息模型，它可以有效地聚合人的各种属性信息，并可以进行相似项和频繁项分类、聚合和关联分析的运算，同时可以设计实现即时响应和联合促销，这是社交网络的大数据的基础。
