首页 品牌 资讯 智能 人工智能 物联网 大数据 智能营销 数字营销 网络 视频 移动 电商 搜索 新媒体 管理 文化 专栏 职场 访谈 投资 创业 会展 成功故事 实战 终端 广告 解决方案 精准营销 用户战略 企业库 入驻

智能营销第3讲-策略要基于数据来评估预期

智能营销 2019/07/01 12:22:14

点此查看智能营销专栏系列文章


在本系列的第一篇文章中,我们谈到营销的第三个局限性就是营销的策略缺少预测和优化。


•    营销策略无法进行预测和优化


所有的营销策略落地实施的前提,是具备预测效果和备选的优化方案。然而我们看到的是,多数营销策略并没有告诉领导者预期的转化目标和效果,就更不用提优化方案。根本上的原因在于,由于过度依赖人工重复劳动来解决问题,大量的营销实践没有被积累和规模化的监测,这也就无从有benchmark作为参照来进行优化了。

 

•    营销数据没有参与策略的优化


即使此刻我们知道营销效果不好,却无能为力,也因此我们觉得下次不要做同样的事了,但却永远在造轮子。其实一年做几千个活动并不是好事,因为并不知道到底什么活动对用户来说是最有效的,关键在于没有形成真正有效而严谨可复制的营销模式和策略。导致这一切的其中一个原因,是并没有利用营销数据去回溯到最开始的策略模型,对其进行复盘和迭代优化。


上一篇我们谈到了专家经验,无论是依靠专家经验还是通过算法或者模型去迭代,我们必须要对所执行策略的预期做出预测,简单说就是要做到胸有成竹。我们知道,所有模型在计算结果落地时,都会计算响应的概率,即每一组或者每一个用户的评分,用于对模型的应用效果进行监控和评估。由此看,我们需要对所有营销策略都进行评估,不单纯是计算响应概率,同时面向应用人员和管理者提供预测结果,比如转化率、销售额、交易量等。


预测的目的是方便调整营销策略


当我们基于专家经验和模型构建了海量的策略之后,会存在一些问题,比如营销目标人群分组过细,多组、多渠道的营销交叉命中同一组人群。一方面我们可以采取冲突仲裁的机制来进行中转解决,另一方面则是基于人工经验进行最终的剪枝。但是此处的剪枝,不是纯粹的人工经验来实践,而是要通过对构建的营销策略进行预测分析,来计算每一组的预期转化率和效果。但是最终的尺度一大半是要通过人来完成审批和下发,而另一些则是通过整体营销平台的自学习能力,确立最后的执行策略。


我们需要有benchmark来辅助


Benchmark在整个营销策略构建的过程中,充当着专家经验的角色,只不过benchmark更多的是通过对营销结果数据进行监测、分析和回收,来获取相似策略或者相同策略的历史执行效果。这些Benchmark将为营销策略的制定、剪枝合并提供基本的数据支持。不过,现实的情况是,我们并没有有效的收集这些营销数据的结果、建立Benchmark体系。通常情况下,如果单次营销活动中形成的转化数据效果不佳,基本上就不再重复优化和再次投放尝试,而对于所谓的不佳评估缺乏准绳和尺度。


另一点需要注意的是,纯粹结果论,会忽略执行过程中的问题,比如因为页面或者出发体验的问题,造成了结果不理想,所以在Benchmark的积累过程中,要充分考虑过程转化的问题。因为营销策略所给出的预测转化,并不完全考虑在实际触达执行过程中存在的问题,只是对最终结果进行预测。举个例子,比如通过电销呼叫进行营销,则存在在客服团队执行期间受到外部政策和投诉的影响,造成效果有所折损;而如果不考虑这一点,则会发现预测与实际的效果有较大的差距,但如果Benchmark的存在考虑到了这些过程因素,则能很好的帮助解释和评判。


机器学习造就的策略比例增加是必须依赖于评估


我们希望,营销策略未来有极大比例是通过大量数据的输入,再结合机器学习的算法完成最终策略的制定。但是在此种情况下,我们会发现,这时候的策略不具备一定的解释性,人工经验无法直接来判断策略是否合理。


一方面,我们的选择是放任去执行,依托于快速实验形成的反馈数据进行自学习和迭代优化,注意这种情况一般是没有历史数据作为参照,预测的机制恐怕难以形成。在此种情况下,我们可以依赖于标签的作用来进行解释和迭代优化。因为即使再先进的营销策略,最终都是输出名单的,基于过往映射到这些名单上的标签,辅助认识机器构建的人群特点。而此时的标签不再是纯粹用于人群的筛选。而过去这些标签的响应和转化似乎可以是进行一定预测的基础。


另一方面,即使是通过机器学习算法实现的策略建设,通过过往的大量相同步目标营销达成的数据转化情况和营销数据,对这些策略进行修正。当营销逐渐有一定比例不完全是由人工经验生成时,我们没有必要知道过程原理,但是我们一定要知道和可以评估这种策略背后的预期达成效果。


算法模型很关键,但是营销数据收集更关键


营销策略的构建和优化是一个持续的过程,在营销开始阶段构建了原始的策略,这时候依赖的是目标输入、历史数据经验和模型算法本身的作用。而此后如果可以有效的收集营销数据,即完整的回收和还原营销现场,再将这些数据重新作用于算法模型,那么此时就形成了一次新的营销策略的优化和效果的预测。而这个过程是一直持续的进行,不断闭环迭代。


理想的营销效果,是在营销过程中通过不断的过程优化实现不断提升,一旦发现下一次的营销已经无法达到现在的营销效果水平时,迭代基本上就停止了,因为这可能就是目前最稳健、最好的效果,但是并不是整体营销的最佳效果。


所以从机制上讲,我们都清楚闭环迭代很关键,A/B 测试很关键,策略相关的模型算法很关键,但是更关键的基础就是能否将整体营销数据全部回收来,作为下一次迭代、预测的基础。所以一个无法忽视的最基本事实,就是要尽可能收集数据去还原每一次的营销现场。


关于这一部分,我们将在下一讲中详细讨论。