點此查看智能營銷專欄系列文章

在本系列的第一篇文章中，我們談到營銷的第三個局限性就是營銷的策略缺少預測和優化。

?    營銷策略無法進行預測和優化

所有的營銷策略落地實施的前提，是具備預測效果和備選的優化方案。然而我們看到的是，多數營銷策略并沒有告訴領導者預期的轉化目標和效果，就更不用提優化方案。根本上的原因在于，由于過度依賴人工重復勞動來解決問題，大量的營銷實踐沒有被積累和規?；谋O測，這也就無從有benchmark作為參照來進行優化了。

?    營銷數據沒有參與策略的優化

即使此刻我們知道營銷效果不好，卻無能為力，也因此我們覺得下次不要做同樣的事了，但卻永遠在造輪子。其實一年做幾千個活動并不是好事，因為并不知道到底什么活動對用戶來說是最有效的，關鍵在于沒有形成真正有效而嚴謹可復制的營銷模式和策略。導致這一切的其中一個原因，是并沒有利用營銷數據去回溯到最開始的策略模型，對其進行復盤和迭代優化。

上一篇我們談到了專家經驗，無論是依靠專家經驗還是通過算法或者模型去迭代，我們必須要對所執行策略的預期做出預測，簡單說就是要做到胸有成竹。我們知道，所有模型在計算結果落地時，都會計算響應的概率，即每一組或者每一個用戶的評分，用于對模型的應用效果進行監控和評估。由此看，我們需要對所有營銷策略都進行評估，不單純是計算響應概率，同時面向應用人員和管理者提供預測結果，比如轉化率、銷售額、交易量等。

預測的目的是方便調整營銷策略

當我們基于專家經驗和模型構建了海量的策略之后，會存在一些問題，比如營銷目標人群分組過細，多組、多渠道的營銷交叉命中同一組人群。一方面我們可以采取沖突仲裁的機制來進行中轉解決，另一方面則是基于人工經驗進行最終的剪枝。但是此處的剪枝，不是純粹的人工經驗來實踐，而是要通過對構建的營銷策略進行預測分析，來計算每一組的預期轉化率和效果。但是最終的尺度一大半是要通過人來完成審批和下發，而另一些則是通過整體營銷平臺的自學習能力，確立最后的執行策略。

我們需要有benchmark來輔助

Benchmark在整個營銷策略構建的過程中，充當著專家經驗的角色，只不過benchmark更多的是通過對營銷結果數據進行監測、分析和回收，來獲取相似策略或者相同策略的歷史執行效果。這些Benchmark將為營銷策略的制定、剪枝合并提供基本的數據支持。不過，現實的情況是，我們并沒有有效的收集這些營銷數據的結果、建立Benchmark體系。通常情況下，如果單次營銷活動中形成的轉化數據效果不佳，基本上就不再重復優化和再次投放嘗試，而對于所謂的不佳評估缺乏準繩和尺度。

另一點需要注意的是，純粹結果論，會忽略執行過程中的問題，比如因為頁面或者出發體驗的問題，造成了結果不理想，所以在Benchmark的積累過程中，要充分考慮過程轉化的問題。因為營銷策略所給出的預測轉化，并不完全考慮在實際觸達執行過程中存在的問題，只是對最終結果進行預測。舉個例子，比如通過電銷呼叫進行營銷，則存在在客服團隊執行期間受到外部政策和投訴的影響，造成效果有所折損；而如果不考慮這一點，則會發現預測與實際的效果有較大的差距，但如果Benchmark的存在考慮到了這些過程因素，則能很好的幫助解釋和評判。

機器學習造就的策略比例增加是必須依賴于評估

我們希望，營銷策略未來有極大比例是通過大量數據的輸入，再結合機器學習的算法完成最終策略的制定。但是在此種情況下，我們會發現，這時候的策略不具備一定的解釋性，人工經驗無法直接來判斷策略是否合理。

一方面，我們的選擇是放任去執行，依托于快速實驗形成的反饋數據進行自學習和迭代優化，注意這種情況一般是沒有歷史數據作為參照，預測的機制恐怕難以形成。在此種情況下，我們可以依賴于標簽的作用來進行解釋和迭代優化。因為即使再先進的營銷策略，最終都是輸出名單的，基于過往映射到這些名單上的標簽，輔助認識機器構建的人群特點。而此時的標簽不再是純粹用于人群的篩選。而過去這些標簽的響應和轉化似乎可以是進行一定預測的基礎。

另一方面，即使是通過機器學習算法實現的策略建設，通過過往的大量相同步目標營銷達成的數據轉化情況和營銷數據，對這些策略進行修正。當營銷逐漸有一定比例不完全是由人工經驗生成時，我們沒有必要知道過程原理，但是我們一定要知道和可以評估這種策略背后的預期達成效果。

算法模型很關鍵，但是營銷數據收集更關鍵

營銷策略的構建和優化是一個持續的過程，在營銷開始階段構建了原始的策略，這時候依賴的是目標輸入、歷史數據經驗和模型算法本身的作用。而此后如果可以有效的收集營銷數據，即完整的回收和還原營銷現場，再將這些數據重新作用于算法模型，那么此時就形成了一次新的營銷策略的優化和效果的預測。而這個過程是一直持續的進行，不斷閉環迭代。

理想的營銷效果，是在營銷過程中通過不斷的過程優化實現不斷提升，一旦發現下一次的營銷已經無法達到現在的營銷效果水平時，迭代基本上就停止了，因為這可能就是目前最穩健、最好的效果，但是并不是整體營銷的最佳效果。

所以從機制上講，我們都清楚閉環迭代很關鍵，A/B 測試很關鍵，策略相關的模型算法很關鍵，但是更關鍵的基礎就是能否將整體營銷數據全部回收來，作為下一次迭代、預測的基礎。所以一個無法忽視的最基本事實，就是要盡可能收集數據去還原每一次的營銷現場。

關于這一部分，我們將在下一講中詳細討論。