教你关于营销（如何才能事半功倍？）

数据抓取是第一架马车，首先要确立一个假设，或者说做分析的兴趣点在哪里？确立了假设以后，才可以知道需要对哪些数据进行抓取。第二驾马车是数据处理关于营销，对数据进行梳理、清洗、分类和归因。第三驾马车是对数据的理解，要看结果能不能验证假设，或者对现有的数据换一个角度处理一下，看能不能有新的收获，这叫做数据理解和阅读。数据分析的过程就是三驾马车并驾齐驱的过程，一直到获得有意义的、能够指导营销优化的结果。

举个例子，美库尔在今年首创了利用马尔可夫链进行归因优化来分配广告预算。它抓取每一个点击和购买的信息，对原始数据进行归因。然后看一下各个campaign的真实的投入产出比。分配调整后再进行投放，再收集回数据来看这样的决策是不是正确，有没有更进一步优化的地方，接着对投放预算进行再分配，再进行新一轮的投放。

我们经常将广告分成品牌广告和效果广告，听上去效果广告需要更多的数据分析师来参与，品牌广告只要Spray and Pray，差不多就好了。从去年开始，营销界有不同的声音，像宝洁、联合利华，大幅削减了营销预算，他们认为在数据、科技上花的成本太高了。

这种说法从结果上来说是正确的。有的品牌的产品可能并不局限于某一特定人群，并不需要花太多精力在精准定位上。消费群体的分析或者广告技术上不需要投入太多，只要把大量的广告分发给每个人就行了。他们觉得效果广告没这么重要，只要做好品牌广告就行。

但是这种说法从过程上却是错的。效果广告的目标受众不单是使用这些服务和产品的人，还包括了和真正在用这些产品的人能够产生共鸣的群体，能够影响那些人的群体，所以同样需要数据分析师的贡献。 群体增大只不过降低了难度而已。况且我们还需要利用分析来发现一些广告欺诈（Ad Fraud）、可见性（Viewability）、安全性（Brand Security）的问题。

比这种思潮更让数据营销者有危机感的应该是人工智能。人工智能的快速发展是对数据分析师的一大考验。去年乌镇AlphaGo大战柯洁等棋手，结果是完胜。完胜并不可怕，可怕的是AlphaGo的用时几乎是人类棋手的一半。

科技中的人工智能元素在未来的十年到二十年里关于营销，会让许多人失业。有人会说营销是研究人的科学，人当然更了解人，所以AI是不会代替人的，但是我认为这其中的差距已经非常小了。现在的搜索营销、程序化广告中AI的应用已经趋于成熟，会越来越难去钻AI的空子。

AI的进步又是由那些互联网巨头来推动的，它们通过提供营销服务和平台赚钱，而数字营销者离这些互联网巨头是非常近的，所以数字营销者是最快被影响到的。