没有数据分析的营销？恐怕不行

  如果在制定营销策略之前，没有详细的反馈和数据整合营销工具，直接开始营销工作，就不可能知道策略是否合理，是否能达到预期的效果

在0讲座中，我们提出了智能营销的十大突破点，而本文将阐述第一点

没有详细的原始数据分析环节

  所有的营销需求都要从一系列的数据分析入手，发掘商机，寻求营销目标。然而，大多数时候，营销人员筛选标签或制定规则，直接建立营销目标。但这其实是关键的一步，无论有没有类似的营销历史，都有必要对营销目标进行详细的分析或通过模型计算机进行分析。比如，未注册客户是营销的目标，也应该对他们的数据进行合理的分析，但是在大多数情况下，我们会以这些为规则直接开始营销

在整体数据营销的框架下，我们一般把智能营销分为四个部分：[/p>

  说到这个话题，我们首先看到，大多数互联网企业，比如电子商务平台，基本上都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，基于商品或人的个性化推荐，在整个过程中，人为干扰和调整的比例逐渐降低。在算法配置、方案配置、分桶策略、目标实现、策略提供等方面可能还需要人工部署，但这些都是更多的策略限制。比如头版横幅的最后一个屏幕广告只能放置手机内容，但内容本身并不完全受人工限制。因为这是要被十万、百万、百万、百万的用户推荐的。引擎本身解决了分析、策略输出、客户群接触、用户反馈和闭环优化等主要环节。但我们在这里看到的是，除了数据恢复和整理之外，最重要的是对数据的分析和处理，这个过程是高度自动化的

换句话说，当营销部门希望拥有渠道实时性和数据应用能力时，它需要从敏捷的角度快速分析和应用原始数据。但是在模型算法的热部署和优化方面也存在一些问题，已经在推荐引擎中得到了验证。生产环境中的应用内容将在下面的文章中描述

回到前面的问题，我们已经看到了通过推荐和重定向的服务能力（例如，我们刚刚在淘宝看到的一个产品会出现在首页的推荐位置），从而提高整体转型和营销效果。但除此之外，我们现在还看不到使用大规模营销的能力，因为在大多数情况下，我们的渠道不是能够实时反馈数据的在线渠道

然而，这并不意味着我们不需要与推荐引擎相同的能力，而我们的智能营销需要有高度的自动化和详细的数据分析，并作为推荐引擎使用

现实是，我们在进行营销时，一种方法是根据人类经验选择规则或标签来制定营销计划；二是创意营销，覆盖所有客户；更重要的是，打头阵，制定人群策略和交付

我们习惯于在策略实施达不到预期效果时，由于成本问题放弃后续或实验，而无法继续下一步的计划或优化方案

以上问题的根本原因在于我们只关注纯粹的营销结果数据，而没有深度再营销的全过程，仅仅遵循ROI指导，而不追求迭代和优化。因此，有无数的营销方案和规则，但我们无法找到长期可持续的作战方法。二是在营销策略的早期阶段，缺乏详细的数据分析。我们依靠规则和标签逻辑来制定策略。没有aaaarrr这样的方法论指导，很快就会走向错误的方向

规则和标签不适合业务主管，因为它们是由业务或it抽象和打包的。业务人员只能根据既定的标签或规则逻辑来组织营销策略，而没有进行详细的分析。可想而知，这是一种毫无准备的策略制定，而且这种策略会越来越多，但没有继承和优化的余地

数据分析必须涉及到这个过程