事件營銷 – event marketing，是整合營銷（imc, integrated marketing communication ）中，不可或缺的環節，也是近年來國内外十分流行一種公關傳播與市場推廣手段。
企業通過策劃、組織和利用具有名人效應、新聞價值以及社會影響的人物或事件，引起媒體、社會團體和消費者的興趣與關注，以求提高企業或産品的知名度、美譽度；同時也塑造情境、讓目标閱聽人體驗、試用，以達到樹立良好品牌形象，與促成産品或服務的銷售目的。
事件營銷20世紀90年代後期，網際網路的飛速發展給事件營銷帶來了巨大契機。通過網絡，一個事件或者一個話題可以更輕松地進行傳播和引起關注，成功的事件營銷案例開始大量出現。
一個人的生活體驗中，産生對事物的經驗，會随着周圍的環境，或者當下接觸到的人、事、物而改變。這裡通常會有一個周期，也就人們是在經曆事物中，會經過前期、中期、後期三個階段，進而影響人們最後的觀點甚至是決策。
同理，事件營銷也是需要經過活動前、活動中、活動後三個階段，甚至更長的周期，來實作營銷目标。一個成功的事件營銷，不僅僅要看重事件發生當下，更要從前期以及活動後期兩個階段，來檢視消費心理的全程演變。
而現今目标閱聽人的媒體接觸習性日趨多元化，消費行為的監測技術也日益成熟，當監測到的大資料與事件營銷的創意碰撞時，理性與感性交會，勢必産生新的化學作用，帶給營銷顧問或企業決策者新的靈感與啟發。
前期 (pre event)
事件營銷活動的前期，重在宣傳與尋找參會者，是以數量與品質，成為營銷資源投入的最重要名額。
到哪兒尋找目标閱聽人？除傳統的廣告、公關手段外，企業既存的資料庫，及與合作夥伴交換來的資料庫交錯運用，是現在普遍運用的方式。在當今網絡使用普及的環境下，透過社群媒體監測，及探索到受邀對象網站使用偏好，适時精準投放，會讓目标閱聽人順着平時的媒體接觸習性，收到更精确的邀請資訊。
接下來是如何有效探知有意參會者的期待、蘊釀參會的情緒，以及過濾非目标閱聽人的參與 ，讓策劃人将資源集中在參會者質與量的提升。除了過去傳統的直郵、電話、傳真，與現廣泛被使用的電子郵件、短信、彩信之外；微網誌、微信等新一代移動網絡與社交網絡等溝通（engagement）工具，都能将資料采集下來，有系統的歸類分析。讓活動創意更有政策性與、針對性，也能讓活動進行時的參與滿意度大幅提高。
活動進行中 (during event)
成功的活動是雙向交流的，參會者的參會體驗越來越被重視，因為參會者的體驗好與壞将直接影響他們的決策。
從媒體接觸習性的改變，電子閱讀占比越來越高；從人際溝通的模式來看，手機、平闆計算機越來越被倚重。這也讓事件營銷的活動設計時，有更多的與參會者接觸的機會（touch point）。從早期慣用的一維碼（barcode）、二維碼（qr code）、射頻識别（rfid，radio frequency identification）、到愈益成熟的人臉辨識技術。這些都能活化活動中的互動，活動創意中，如何巧妙運用o2o（offline to online）的設計，就能有效撷取參會者的行為資料。
後期 (post event)
高張力的活動結束，常會讓主辦方如釋重負般的大喘口氣。錯了，活動結束才是真正的營銷要開始。
事件營銷活動結束後，要如何分辨參會者是品牌喜好者、價格敏感群、還是能明确采購意向立即下單者？又如何評量活動設定的關鍵資訊（key message）被有效的傳播擴散？好不容易邀來的參會者，是會後品牌産品的推廣者，還是無動于衷，甚至負面資訊的宣傳者？活動結束後還要注意活動的聲量，與競争者的口碑對比是否有變化，都将影響活動的效果，要保持關注并作出相應調整。
善用無處不在的event資料
讓活動前期、中期、後期的資料貫穿，可以有系統的将目标閱聽人的互動指針、行為名額、基本資訊與采購意向指針，清楚記錄并做出評比分數，準确了解參會者dna以及活躍度，通過bi分析法，找到潛在目标客戶，再彙入業務開發系統（sales pipeline）中，提供銷售團隊找到銷售切入點，定期追蹤。
實作營銷目标，就需要營銷政策打動消費者。從前期的srm（social marketing management），捕捉參會者口碑與興趣偏好；到活動中的cem（customer experience management），從參會者關心的事情入手，精準互動，提高活動的完美體驗目的；到後期crm（customer relation management）的管理維護，讓參會者從陌生客戶成為企業的忠實客戶。對目标閱聽人在整體事件營銷過程中的資料采集、互動、分析，将會是決定營銷成果的關鍵。因為，整合營銷的所有環節中，隻有事件營銷（event）是唯一能有機會與目标閱聽人面對面溝通的機會，必須即刻開始實踐。
<b>原文釋出時間為：2013-10-03</b>
<b></b>
<b>本文來自雲栖社群合作夥伴“大資料文摘”，了解相關資訊可以關注“bigdatadigest”微信公衆号</b>