一文读懂中国营销数据市场〡数字营销产业分析专栏(四)

栏目：幼儿教育时间：2022-12-01

　　自2020年起，中国商务广告协会数字营销专业委员会、虎啸奖组委会及秒针营销科学院三方合作陆续发布了，受到行业各方的关注与热议。

　　为帮助广大营销从业者更清晰的了解各产业的核心能力、现状及未来趋势，我们以双周为周期，推出《数字营销产业分析》专栏，聚焦《中国数字营销生态图（2021版）》三大板块深度分析十六大赛道，为您解读各产业赛道的核心能力、现状及未来趋势，助力企业营销数字化战略布局。

　　数字营销产业分析专栏第四篇，聚焦《中国数字营销生态图（2021版）》“数据和工具”版块的“营销数据”。

　　如果说创意是营销的灵魂，那么数据就是营销的血液，生命之源。

　　但我们口中的大数据也并不是数据量越大越好，数据本身其实是一种负担，需要花钱买空间进行存储，需要持续维护，需要进行数据挖掘。所以真正的大数据有几个基本特征：

　　一、数据量大，不是普通电脑能打开的数据；

　　二、纬度丰富，单一维度并不能称为大数据；

　　三、快速计算和调用，能在短时间内进行计算和调用，而不需要跑一年半载；

　　四、准确性高，很多数据在采集时很混乱，计算的时候也很随意，造成准确性过低，失去了数据的意义；

　　五、要有“价值”。

　　今天我们就来探讨一下营销领域有哪些对我们更有价值的数据，以及我们该如何利用这些数据。

　　我们从营销触点中能采集到的数据类型很多，会涉及到不同技术和渠道。（如下图）

　　这些数据如果按照采集难易度和销售相关度来看，是企业能收集的数据中技术最简单，成本最低，数据量最大的数据。（如下图）

　　在使用这么多纷繁的数据之前，我们一定要对数据的使用权有个整体的概念和分类。对于营销数据来说，整体行业内可以将其分为第一方、第二方和第三方数据。另一个维度，也可以把它分为公域和私域数据。

　　产供销过程中所产生的数据都属于第一方数据。其中营销常用的第一方数据来源有以下几种：

　　CRM

　　即客户关系管理系统产生的数据，用于记录已经购买产品，或者表达了采购意向的消费者的信息。

　　SCRM

　　SCRM可以被视作是CRM的一种延展，主要是基于社交系统，比如微信生态等所构建的一套客户管理体系。很多广告主把CRM直接构建在微信公众号上，消费者可以在公众号上实现浏览历史采购记录、会员积分、换取优惠券等。

　　CDP

　　集成数据采集、数据打通、统一ID体系化、分析发掘等功能的数据平台。会二次加工数据，使数据能快速地被业务方使用起来。

　　用户忠诚度平台

　　会员管理体系，往往也被视为CRM的进阶版。

　　业务运营数据

　　业务运营过程中所产生的数据，如银行的刷卡数据等。随着我们对非结构化数据和半结构化数据的采集和处理能力的提升，与消费者运营中的会话数据可以被我们大量的采集和分析，比如文字和音频的对话记录，通过智能识别和加密技术之后，可以进行大量的分析。

　　第一方数据和私域数据的差别

　　我们可以简单的理解私域数据是第一方数据的子集，主要针对“人”相关的数据。在某种程度上，企业能拿到的“人”相关的数据，即使不在自己的系统上产生，也可以看作是私域数据，比如在自己的抖音、小红书、电商账号下的数据。也不是所有“人”相关的数据都被视为私域数据，我们通常只把企业与人交互的数据看作是私域数据。

　　私域数据的重要性

　　高潜力

　　私域数据是企业与消费者交互的数据，无论是现有消费者还是潜在消费者，互动本身就代表着活跃性很高，可以实现更多的转化和二次营销；

　　公私域结合

　　媒体巨头们的私域体系部分是可以与公域数据打通关联的，以实现规模获客、精细跟进和二次转化；

　　安全

　　随着《个人信息保护法》的推进，公域数据的使用会越来越谨慎。每一个私域体系都是相对独立的，私域数据在一定范围内可以保护消费者的数据在不出站的情况下被充分利用。

　　如果整体来看第一、二、三方数据，第一方数据通常更贴近企业的生意，但第一方数据的质量非常有限、数据宽度不够（数量）、数据厚度不足（字段保有率）、数据刷新速度不够（更新频率）。为了得到更好的数据模型结果，通常需要依赖外部数据。

　　第二方数据通常是跟自己企业相关，但自己没有能力或者无权采集，需要委托或依托其他方采集或提供，跟本企业相关的数据只提供给本企业使用。

　　例如，微信体系内的账号运营数据，电商上的运营数据，借助第三方采集的监测数据等。

　　可以公开获取或交易的数据。跟营销相关的，比如行业报告、第三方DMP平台、外部数据提供商、数据交易平台、数据交易区块链等。

　　体现的的是数字营销的实时性。不是所有的东西都需要实时呈现。全场景下的四个动态是为了满足程序化购买的需求而产生的。

　　案例一：

　　集团内动态预算动态分配

　　背景

　　超大型客户的采购通常是集中采购，并且企业存在多品牌多目标人群的问题。在程序化购买的环境中如何把采购的量科学的分配给同期的不同品牌，如何区分人群和标签的优先级成为一个挑战。需要找到一个科学、合理、动态的方式及时对集团内的流量进行分配管理。

　　策略

　　利用Ad Serving技术实现流量动态分配

　　确认多品牌策略关系

　　分析标签获取难易度、客户价值、标签准确性等，进行优先推荐。比如母婴人群，客户价值高，判断准确度高，获取难度大，所以优先于其他标签，进行相应品牌展示。

　　当以reach为目标时，超频的部分会有别的品牌接替

　　（示例：品牌策略）

　　效果

　　整体流量效率提升15-30%

　　案例二：“量身定做”的

　　精细化用户触达，动态人群沟通

　　背景

　　某汽车品牌新车上市阶段，希望扩大新用户认知，让更多核心消费者了解并对产品产生兴趣。

　　解决方案

　　分阶段结合人群+创意素材的实时动态调优级素材轮替

　　针对潜在兴趣人群的实时投放重定向

　　项目结果

　　案例三：

　　量身全网内容动态管理

　　背景

　　作为高端工业品，汽车品牌对于产品销售影响深远，某车企实践中发现，车企消费者—尤其是作为购车增长主力的年轻一代—对品牌与营销内容并没有清晰的认知：车企不了解其内容创意本身是否符合目标消费者偏好；车企不知该内容是否被精准投放给了目标消费者。

　　解决方案

　　提供了一套工作体系（全数据运营+全流程智能）以及两个管理平台（社交内容分析平台+内容管理平台），以实现内容管理和匹配的优化：

　　首先进行内容的数据治理，建立管理内容的基础；

　　有了基础，持续探索和挖掘，通过洞察分析与预测分析，解决内容与客户偏好匹配的问题；

　　最后通过内容生成和推荐实现内容管理的流程智能，有助于实现运营闭环。

　　基于用户信息，在受访页面（官网/媒体）展示动态生成的创意内容

　　结果

　　通过项目实施，该车企实现多触点的精细运营，大幅提升消费者体验与客户忠诚度，具体体现在：

　　通过社交网络舆情洞察分析，实时对车企品牌形象进行监测，整体净好感度上升；

　　针对不同消费者，实现某车型官网创意的千人千面的营销方案后，通过A/B测试估算该车型的留资数量大幅提升40%左右。

　　我们所说的数字化通常是把流程中的各个点以数据的形式呈现和收集。在这个过程中也伴随着内外数据的打通，智能的决策。一些头部的广告主已经建立了一方的BTD（Brand Trading Deck），并根据自己的流程将所有的上传和下达环节打通。实现从计划、下单、评估的全流程在线。并且通过历史数据和模型的运用，可以进行智能的分配，决策和预测。

　　案例一：AI辅助决策，

　　智能分配媒介预算

　　背景

　　客户有大量的数据散落在不同的代理和供应商手里，缺乏统一管理；流程里涉及的内外部门众多，缺少权限管控的能力；历史排期修改版本多，无法复盘决策；缺乏监督管理，透明度不够；缺少科学的决策依据，凭借个人经验无法满足日益复杂的媒介变化。

　　应对

　　全流程在线，对接各个环节的API做到统一系统，统一视图；

　　权限管理系统重新梳理；

　　对接媒体库存系统，客户自己的历史数据导入，制作可落地的模型；

　　API+Email的方式混合实现策略自动下发；

　　经验决策与模型决策并存分配线上线下预算。

　　结果

　　完成了媒介资产的数据化；

　　建立了可回溯的透明决策流程机制；

　　媒介整体成本降低5%（本身价格已经是行业最具竞争力的）；

　　媒介运营周期缩短了70%。

　　全流程智能是对数据的深度挖掘，通过算法和模型实现数据价值的最大化。它可以在营销闭环的各个环节发挥价值。

　　在策略优化阶段，可以基于知识图谱进行探索式的洞察挖掘；在事前分析阶段，可以通过对过往数据的分析，对营销目标进行预测；在投放阶段根据对人群的智能判定推送最合适的内容，并且可以持续的优化。其中智能探索是一个比较新的领域，也是未来可能影响整个咨询和营销行业技术。

　　知识图谱（Knowledge Graph）本身是一种结构化的语意知识库，用符号形式描述物理世界中的概念和相互关系。基本的组成单位是“实体-关系-实体”三元组。在营销领域有几个使用方向。比如探索式主动推荐。我们传统的搜索都是被动的关联，比如你搜手机，那么出来的结果是各种手机或者手机壳。而探索式推荐是分析了各种信息之间的相关性和关系强弱之后，主动的探索最佳答案。

　　营销本身也是一种探索创新的过程，如果机器可以通过大数据给出更准确的关联结果，那么对于广告和咨询行业将会带来一场革命。曾经（于2022年2月19日停止服务）有一个基于知识图谱技术的检索网站叫Magi（如图）。

　　它的出现让百度为之恐慌，主动的探索式推荐方式，对人、事、物、概念进行了重新的关联，颠覆了百度的付费排名和关联度排名的模式。除了探索式推荐，我们还看到一些利用知识图谱技术的营销应用，比如通过社交网络发现消费者需求从而转换成新产品的研发。自动的生成文字创意，自动的分析消费者意图等等。

　　案例一：

　　利用知识图谱分析客户需求

　　知识图谱直接在营销中的应用可以帮我们探索消费者的潜在需求，更好的匹配相应的沟通和产品。比如下图，利用消费者各个触点行为探索消费可能性和可能消费的产品类型。

　　案例二：智能预测，

　　通过模型算法对CTR进行预测优化

　　案例三：

　　市场预算分配模型

　　案例四：美妆客户通过，

　　Lookalike模型提升销售转化

　　（美妆客户运用Lookalike模型后效果的提升）

　　案例五：

　　汽车客户对潜在人群进行智能优化

　　背景

　　该车企日常投放体量较大，在程序化投放的过程中已通过不同渠道触达了大部分网民。其中不乏潜在意向人群，但是无法精准的识别他们并再次触达。

　　目标

　　整合多方数据，构建一套ID评分模型，从而区别不同的潜在人群，提升留资效率。

　　方法

　　第一步，收集所有被广告触达过的人群设备ID，筛选出其中已经留资的（未来可以用车主APP等渠道的数据），作为正样本进行训练；

　　第二步，通过模型学习识别出这些人群的媒体接触习惯，比如爱上哪个网站，一般看几次后转化。品牌网站行为，比如一般会看多少页，停留多久以后的人群，留资意愿比较强。匹配外部的兴趣标签，看哪些兴趣爱好的人更有倾向；

　　第三步，将人群进行区分，进行差异化沟通，低质量的人群避开，高质量的人群高频次跟进。

　　结果

　　高倾向人群的效率比对照组高了28倍。

　　这个部分看的是企业构建自己数据平台的能力。对于业务和营销部门来讲，自身一般不是技术出身，对于这种数据平台来说都存在着选择障碍。我们给大家提供一套分类和选择的方式供大家做参考。

　　数据平台的选择

　　对于很多企业来说，选择搭建什么样的数据平台直接决定着项目甚至整个公司战略的成败。我们可以简单的总结为三种技术四种模式。这三种技术就是DMP、CDP、数据中台（数据湖）。我们先用下图从三个角度把大家最容易混淆的三种技术平台做一个简单的区分。除了最容易理解的功能维度和数据维度外，应用场景也是非常重要的。它影响着这个平台所需要的时效性，数据的准确性等，差距非常大。

　　什么部门适合牵头

　　做相应的平台

　　Data Lake或者数据中台，更适合做整体的公司数字化转型，而DMP和CDP更适合营销和业务部门使用。

　　什么类型的行业和阶段适合

　　做相应的数据平台

　　了解了应用场景，还要看客户自身所处的行业特征和阶段。

　　四种模式的选择

　　选完了三种技术，我们要看在落地时用什么样的模式。这里要考虑的因素有公司现有技术平台的情况、公司的期待、公司的技术政策、公司的预算、相应的人才储备等。

　　我们提供三种建设思路供大家做参考：

　　数据平台面临的挑战

　　ID无法打通造成数据中台的数据孤岛

　　ID无法打通是今天大数据平台面临的最大挑战之一。造成的原因有几大类，一方面是技术原因。多源异构数据之间难以相互打通识别。另一方面是政策原因，比如国家禁止隐私数据之间的相互转译打通，比较典型是手机号和设备ID。各大平台和客户内部也都有各自的政策数据不能随便。还有一个是流程组织的问题。各部门协作不好，各自为政，重复造轮子，数据不统一。还有流程缺失，数据采集时没有设计好的握手机制导致数据割裂。

　　ROI陷阱，不合理的预期

　　一方数据平台的搭建是营销精细化运营的一个标志。初期无法像粗放式营销那样快速收到回报。而是需要用产品经理的思维来构建一方的数据平台。它不仅仅是头疼医头，脚疼医脚的一个工具，更多的是面向未来所构建的数据壁垒，因此它要具备整体的规划，要有足够的时间做前期的设计，并逐步实现它的价值。很多项目往往牺牲在期望过高上。因此我们要看到ROI的拐点效应，用合理的预期来对待数据平台的成长。

　　人才资源跟不上

　　一方营销数据平台是一个，业务和技术都需要有所了解的领域。大部分的甲方IT部门还是扮演一个支持者的角色，无论从业务需求的理解还是人员的水平和数量上都有严重的不足。优秀年轻的技术人员大都被互联网大厂高薪挖走了，造成有系统没人维护和使用的尴尬场景，最后只能选择 SAAS模式或者依赖供应商。