听大佬说营销②丨没有数据分析的营销？怕是不行

  如果在制定营销策略前，没有详细的评审和数据营销平台直接开展营销工作，就不可能知道该策略是否合理，能否达到预期效果

  第0课，我们提出了智能营销的十大突破。本文首先阐述了第一点

  缺乏详细的原始数据分析链接

  所有营销需要在开始时进行一系列数据分析，以探索商机，寻找营销目标。然而，目前，在大多数情况下，营销人员会筛选标签或制定规则，直接构建营销目标。但这实际上是一个关键的步骤，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进行详细的分析，或者通过模型计算机进行分析。例如，未注册客户群是营销的目标，其数据也应进行合理分析。但是，在大多数情况下，我们会把这些作为规则，在数据营销的整体框架内直接开始营销，一般将智能营销分为四个部分：

  在讨论这个话题时，我们首先看到的是大多数互联网企业，如电子商务平台，基本实现了推荐引擎的大规模应用，即在用户大量实时反馈数据和基于商品或人员的个性化推荐的基础上，在整个过程中，人工干扰和调整的比例在下降。算法配置、方案配置、bucket策略、目标实现和策略规定可能仍需要手动部署，但这些策略限制较多。例如，主页上的横幅最后一个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。因为它被推荐给10万、数百万、千万、数亿用户。该引擎本身解决了分析、策略输出、客户触摸、用户反馈和闭环优化等主要环节。但我们在这里看到的是，除了数据回收和排序，关键是数据分析、处理和使用，这个过程高度自动化

  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。但是，本文还涉及到一些问题，即模型算法的热部署和优化，在推荐引擎方面得到了验证。生产环境中的应用将在后面的文章中进行描述，回到刚才的问题，我们已经看到通过推荐和重定向的服务能力（例如，我们刚刚在淘宝上看到的产品将出现在主页的推荐位置），可以提高整体转型和营销效果。但除此之外，我们在今天的大规模营销应用中并没有看到这种能力，因为在大多数情况下，我们的渠道不是一个在线网络渠道，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能力。我们的智能营销需要高度自动化，对数据进行详细分析和使用，作为推荐引擎

  现实情况是，在进行营销时，一种方式是根据人类经验筛选规则或标签，制定营销计划；二是创造性营销，一般覆盖所有客户群体；二是拍掌头脑，制定人群策略，交付

  而且，我们习惯于在战略实施未能达到预期效果时，考虑成本放弃后续实施或试验，我们无法继续下一个方案或优化建议

  以上问题的根本原因在于我们只关注纯营销结果数据，而不是整个过程的深入重复营销。我们纯粹是面向ROI的，不再追求迭代和优化。这样，营销方案和规则无数，但我们永远找不到一个长期的可持续战略。另一点是营销策略的前期工作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AAARR等方法指导，很容易快速偏离

  规则和标签，因为这些规则和标签已经被业务或it抽象和封装，因此不完全适合业务主管。业务人员只能根据制定的标签或规则逻辑组织营销策略