没有数据分析的营销？恐怕不行

  如果在制定营销策略之前，没有进行详细的回顾和数据营销分析工具，就无法确定营销策略是否合理，是否能达到预期效果。

在第0讲中，我们提出了智能营销的十大突破点。本文将阐述第一点。

缺乏详细的原始数据分析环节

所有营销都需要在一开始就进行一系列的数据分析，挖掘商机，寻找营销目标。然而，目前大多数情况下，营销目标是由营销人员通过筛选标签或制定规则来直接构建的。然而，这其实是关键的一步，也就是说，无论历史上是否有类似的营销，我们都需要对营销目标或通过计算机模型进行详细的分析。例如，未注册客户是市场营销的目标，他们的数据应该得到合理的分析。但是，在大多数情况下，我们会把这些作为规则直接开始营销。

在整体数据营销的框架下，我们一般将智能营销分为四个部分：

说到这个话题，我们首先看到大部分的互联网企业，比如电子商务平台，已经基本实现了推荐引擎的大规模应用，即：，基于用户的大量实时反馈数据，基于产品或人的个性化推荐，并且在此过程中，人工干预和调整的比例在下降。在算法配置、方案配置、bucket共享策略、目标达成、策略规定等方面可能仍需要人工部署，但这些都是更多的策略限制。例如，在主页上的最后一个横幅屏幕广告只能放置移动内容，但内容本身并不完全由人工操作。这是因为它面向10万、数百万、数百万、数十亿的用户推荐。引擎本身解决了分析、策略输出、客户范围、用户反馈和闭环优化。但是，我们在这里看到的是，除了数据恢复和排序之外，最关键的是数据的分析和处理，这个过程是高度自动化的。

也就是说，当营销需要具备实时渠道和数据应用能力时，需要从敏捷的角度快速分析和应用原始数据。但也存在一些问题，即模型算法的热部署和优化问题，并在推荐引擎方面得到了验证。生产环境中应用的内容将在下面的文章中描述。

回到上一个问题，我们看到通过推荐和重定向的服务能力（比如我们刚在淘宝上看到的一个产品会出现在首页的推荐位置），可以提高整体转型和营销效果。但除此之外，我们看不到今天这种能力的大规模营销应用，因为在大多数情况下，我们的渠道不是在线的，在线渠道可以实时反馈数据。

然而，这并不意味着我们不需要与推荐引擎相同的功能。我们的智能营销需要有高度的自动化和详细的分析和使用数据作为推荐引擎。

现实情况是，我们在进行营销时，一种是根据人类经验选择规则或标签来制定营销计划；另一种是创意营销，一般覆盖所有客户群；另一种是拍拍脑袋，制定人群策略并交付。另外，我们习惯于当策略的实施未能达到预期效果时，由于成本问题而放弃后续的实施或实验，因此无法继续进行下一个方案或优化方案。

以上问题的根本原因在于我们只关注单纯的营销结果数据，而没有对整个营销过程进行深入的回顾。我们只是以投资回报率为指导，而不是追求迭代和优化。因此，出现了无数的营销计划和规则，但我们从未找到一个长期可持续的战略。另一点是在营销策略的早期，我们缺乏详细的数据分析。我们太依赖规则和标签的逻辑来制定策略。如果没有像aaaarrr这样的方法论指导，很容易偏离。

规则或标记不适合业务主管，因为它们是由业务或it抽象和封装的。商务人员只能根据establi组织营销策略