没有数据分析的营销？恐怕不行

  如果不在制定营销策略前进行详细的回顾和数据互联网营销工具，直接启动营销工作，就无法知道策略是否合理，能否达到预期效果。

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

所有的营销都需要从一开始就展开一系列的数据分析，以发掘商机，找到营销目标。然而，目前大多数情况下，是营销人员筛选标签或制定规则来直接构建营销目标。但实际上，关键的一步是缺失的，即历史上是否有类似的营销，我们需要对营销目标或通过模型计算机进行详细的分析。以未注册客户群为营销目标，对其数据进行合理分析。然而，在大多数情况下，我们会把这些作为直接开始营销的规则。

在数据营销的整体框架中，我们一般把智能营销分为四个部分：

说到这个话题，首先我们看到的是，大多数互联网企业，比如电子商务平台，基本上已经实现了推荐引擎的大规模应用，也就是说，个性化推荐是基于用户的大量实时反馈数据，基于商品或人的个性化推荐，在整个互联网行业取得巨大成功的过程中，人工干预和调整的比例正在下降。在算法配置、方案配置、bucket策略、目标实现、策略规定等方面可能还需要人工部署，但这些都是更多的策略限制。例如，主页上最后一个横幅屏幕只能放置移动内容，但内容本身并不完全受制于手动部署。这是因为它被推荐给10万、数百万、数千万和数十亿的用户。引擎本身解决了分析、策略输出、客户群覆盖、用户反馈和闭环优化等大环节。但我们在这里看到的是，除了数据恢复和整理，最重要的是数据分析和处理，这个过程高度自动化。

也就是说，营销要想拥有渠道实时性和数据应用能力，就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，并在推荐引擎中得到了验证。在生产环境中应用的内容将在下面的文章中描述。

回到刚才的问题，我们看到推荐和重定向的服务能力（比如我们刚在淘宝上看到的一款产品会出现在首页的推荐位置）可以提高整体的转型和营销效果。但除此之外，在今天的大规模营销应用中，我们看不到这种能力，因为在大多数情况下，我们的渠道不是在线网络渠道，它可以实时反馈数据。

但是，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与推荐引擎一样具有高度的自动化和对数据的详细分析和使用。

现实情况是，我们在进行营销时，一种方法是根据人类经验筛选规则或标签，制定营销计划；另一种方法是创意营销，一般覆盖所有客户；另一种方法是制定人群策略和交付。

当策略的实施没有达到预期效果时，我们习惯于放弃后续的实施或实验，因为成本问题，我们无法继续下一步的方案或优化建议。

上述问题的根源在于，我们只关注单纯的营销结果数据，而不关注深度再营销的全过程。我们只以ROI为导向，不再追求迭代和优化。这样一来，营销方案和规则数不胜数，但我们永远找不到一个长期的、可持续的策略。另一点是在营销策略的初始阶段没有详细的数据分析。我们过于依赖规则和标签的逻辑来制定策略。如果没有像aaarrr那样的方法论指导，我们很容易误入歧途。

规则和标签不适合业务主管，因为它们是由业务或it抽象和封装的。商务人员只能根据市场需求来组织营销策略