探索企业营销数字化转型的路径

  营销服务公司做“数字化转型”，其核心目标一般是要实现“数据和智能驱动的决策”，以适应不断变化的市场环境。如果聚焦在营销领域，企业的营销数字化转型也会经过从业务沉淀数据、从数据精炼资产、从资产支撑场景、从场景催生智能、再循环迭代产生更多的业务数据的过程，最终激活客户的价值：

  同时也要注意的是，这四个阶段并非像“瀑布模型”一样依次递进（虽然图上看起来是这样），每个阶段也并非有一个“完美”的转折点标示企业进入下一个阶段。实际上，这四个阶段很可能会同时存在，因为数据资产的累积是一个循序渐进的过程，当一部分数据达到应用要求的时候，就可以用于支持业务场景。同样，当数据积累到一定程度并且场景能够闭环的时候，就可以应用相应的数据科学能力，对场景进行智能的优化。企业需要根据自身的实际情况和对未来发展的规划，选择相匹配的营销数字化解决方案。

  企业的日常经营需要依赖不同的业务平台——CRM、ERP、SCM、POS、分析系统……这些业务平台在运转的过程中不断产生数据。但是因为部门缺乏协同、平台缺乏开放、口径缺乏统一等原因，这些数据像竖井一样并没有横向互相打通，很难形成完整的数据全景视图。

  客户相关的数据一开始也是分散沉淀在企业不同的系统中——ERP存放了客户订单数据、CRM存放了客户交互数据和基本的会员数据、SCRM存放了客户在社交平台的评论和分享数据、呼叫中心存放了客户售后和投诉数据、电商平台存放了客户的浏览和搜索数据、移动统计分析平台存放了客户在App上的登录数据和控件点击数据等，这些数据都是为了特定的业务目标而采集的。对于移动统计分析平台，提供了包括点击热力图分析、路径分析、漏斗分析、断代分析等能力，帮助产品部门优化App的交互体验，降低客户跳出率，提升留存。对于电商平台，提供了推荐商品和搜索相关商品的能力，帮助电商部门提升销售额。甚至对于运动品牌比如Nike，可以通过Nike Plus的传感器来记录每个人的步数、速度、距离相关的信息，以用于评估个人健康状况。每个平台都有自己需要优化的业务目标，并不关注以客户为中心的完整和一致的体验。

  在企业与客户交互方式比较简单、客户数据来源比较单一的情况下，选择单点平台（针对单一渠道的运营管理平台）并没有太大的问题。比如，有的企业偏向于微信平台的营销运营，更加关注客户交互执行层面的效率，比如交互内容（包括抽奖等小游戏）和交互形式（包括砍价、助力、拼团、老带新等），对于其他客户数据并没有太强的依赖，那么引入一个SCRM可能是一个简单且直接的选择。还有的企业偏向于天猫平台的营销运营，关注阿里体系内特定流量（比如钻展）的优化，利用的也只能是阿里体系的数据，那么也可以直接引入阿里生态体系内的第三方工具服务商，帮助做垂直的营销优化。

  但是随着客户消费习惯的日益个性化和交互渠道的日益丰富，客户开始跨多个渠道与企业进行交互，单点平台和单一数据来源并不能适应环境的变化，限制了企业的发展，企业开始出现对客户数据进行汇聚并打通的需求，也就是“数据资产化”的需求。

  低质量的数据除了浪费存储和计算成本之外，毫无价值。更完整、更及时、更准确、更一致的数据才能称得上是资产，并能创造更高的业务价值。所以需要把分散在企业内部和外部、线上和线下的各个平台中碎片化的数据聚集起来，互相打通和增强，推动企业变得更加智能。无论是数据仓库还是数据中台，企业都在尝试利用各种技术来处理量级日益增大、类型日益增多、格式日益变化的数据碎片，以积累和提升企业数据资产的价值。

  企业中与客户相关的每个系统都掌握着客户的一部分数据，只有整合起来，才能形成企业完整的客户洞察，才谈得上为客户提供跨渠道的完整和一致的体验。鉴于此，企业逐步开始把所有自身可以访问的客户数据汇聚到CDP中，进行打通和增强，构建企业以客户行为、特性、细分（人群）、档案为形式的客户数据资产——这些客户数据资产是企业执行和优化营销策略最重要的“燃料”。也要注意的是，企业一方数据依然只覆盖了客户全景视图的一小部分，为了进一步了解客户的全维度信息，企业也需要适当引入第二方和第三方的数据，以补充自身数据的缺失。这就要求企业构建以客户为核心的融合多方数据的生态体系，寻求符合自身需求的高质量数据源，比如数据市场。

  客户数据也是动态的，需要主动和有计划的运营才能维持其价值，如果只是存储起来听之任之，那么数据的价值也会退化。据数据调查机构Counterpoint Market Pulse的研究结果，2018年中国智能手机用户的平均换机周期约为22个月。也就是说，每过22个月，企业客户的智能手机跟踪标识都会更新一遍，这就需要通过与客户交互来保持对新设备的连接。同样，随着时间增长，客户的人生阶段、社会经验、个人喜好都可能发生变化，也需要企业在不断与客户的交互中，主动感知和更新客户相关的数据，维持数据资产的质量和价值。

  每个企业所处领域、发展阶段和客户交互模式的不同，使得客户数据资产的内容也可能不同。银行关注理财产品购买相关的行为，证券关注入金和股票购买的行为，零售关注线下到店访问和消费转化的行为，品牌关注购买和复购的行为……符合企业自身需求的数据资产，能够让企业的客户运营事半功倍。明智的企业善于寻找有数据资产运营经验的供应商合作，在构建CDP的同时，也引入经过验证的数据资产最佳运营实践，加速自身数据资产的积累过程。

  场景产生数据，数据激发新的场景。数据必须结合业务场景，才能真正呈现价值。新的时代要求企业改变过去拍脑袋的决策方式，逐步以数据作为科学决策的核心驱动力。通过对业务数据的分析来产生洞察，指引业务上的行动，并再一次采集和汇聚业务行动产生的数据，触发新的分析和洞察，优化新的行动。这是一个数据闭环驱动的螺旋提升的过程，而高质量的数据进一步加速了这个过程。

  CDP能够帮助企业构建客户数据资产，其核心应用在于增强企业在多渠道环境下各种客户交互场景的营销策略构建能力：

  以CDP为基础，MMH能够充分激活企业的客户交互渠道，为客户提供卓越的场景化体验，并通过营销活动的执行跟踪产生更多的客户数据，进一步优化营销策略——这就是数据闭环驱动营销闭环的过程，每一个业务场景都需要尽可能的做到数据回流，才能产生持续提升的效果。

  CDP解决的是企业客户数据碎片化的问题，而MMH则进一步通过中心化的营销策略协同（包括跨渠道触达频率控制、跨渠道排重、跨渠道交互优先等），来解决企业客户交互渠道碎片化的问题。如果企业只是客户数据比较分散，而并没有多样化的客户交互渠道，或者这些客户交互渠道之间并不需要协同，那么未必需要过早引入MMH，而是可以选择先落地CDP来积累客户数据资产。但是如果企业从长期发展来看不可避免的会和客户多渠道交互，那么更早引入MMH可以积累更多的营销策略以及效果数据，应对因为渠道增长给营销策略协同带来的挑战。

  数据的积累和数据科学的发展，互相促进，相辅相成。数据是数据科学的燃料，当业务场景中的数据积累到一定程度，会带动数据科学的应用，让场景变得更加智能。同时，智能化的场景也会制造更多的数据，反过来驱动智能变得更加“聪明”。

  CDP的客户交互数据和MMH的营销闭环场景，为营销智能提供了生长壮大的环境。比如客户行为价值模型，能对客户的综合价值进行分级，以便企业有针对性的提供优惠；比如客户生命周期模型，能通过对客户生命周期阶段的分析，判断最适合的推动转化到下一个生命周期的交互方式；比如新品推荐模型，可以在新品上市的时候找到最合适的种子人群进行试用；比如预测模型，可以提前预判客户的流失，并提供强化的折扣策略进行召回……

  在实践中，每种场景可以使用的数据量级、维度、类型、质量都不尽相同，数据科学的应用未必能够一蹴而就。针对每种场景，需要妥善选择适用的模型，并通过效果分析持续调整和优化。