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(yù)測和優(yōu)化。

?    營銷策略無法進行預(yù)測和優(yōu)化

所有的營銷策略落地實施的前提，是具備預(yù)測效果和備選的優(yōu)化方案。然而我們看到的是，多數(shù)營銷策略并沒有告訴領(lǐng)導(dǎo)者預(yù)期的轉(zhuǎn)化目標和效果，就更不用提優(yōu)化方案。根本上的原因在于，由于過度依賴人工重復(fù)勞動來解決問題，大量的營銷實踐沒有被積累和規(guī)模化的監(jiān)測，這也就無從有benchmark作為參照來進行優(yōu)化了。

?    營銷數(shù)據(jù)沒有參與策略的優(yōu)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(guān)鍵在于沒有形成真正有效而嚴謹可復(fù)制的營銷模式和策略。導(dǎo)致這一切的其中一個原因，是并沒有利用營銷數(shù)據(jù)去回溯到最開始的策略模型，對其進行復(fù)盤和迭代優(yōu)化。

上一篇我們談到了專家經(jīng)驗，無論是依靠專家經(jīng)驗還是通過算法或者模型去迭代，我們必須要對所執(zhí)行策略的預(yù)期做出預(yù)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(jié)果落地時，都會計算響應(yīng)的概率，即每一組或者每一個用戶的評分，用于對模型的應(yīng)用效果進行監(jiān)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(yīng)概率，同時面向應(yīng)用人員和管理者提供預(yù)測結(jié)果，比如轉(zhuǎn)化率、銷售額、交易量等。

預(yù)測的目的是方便調(diào)整營銷策略

當我們基于專家經(jīng)驗和模型構(gòu)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(zhuǎn)解決，另一方面則是基于人工經(jīng)驗進行最終的剪枝。但是此處的剪枝，不是純粹的人工經(jīng)驗來實踐，而是要通過對構(gòu)建的營銷策略進行預(yù)測分析，來計算每一組的預(yù)期轉(zhuǎn)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(fā)，而另一些則是通過整體營銷平臺的自學(xué)習能力，確立最后的執(zhí)行策略。

我們需要有benchmark來輔助

Benchmark在整個營銷策略構(gòu)建的過程中，充當著專家經(jīng)驗的角色，只不過benchmark更多的是通過對營銷結(jié)果數(shù)據(jù)進行監(jiān)測、分析和回收，來獲取相似策略或者相同策略的歷史執(zhí)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(shù)據(jù)支持。不過，現(xiàn)實的情況是，我們并沒有有效的收集這些營銷數(shù)據(jù)的結(jié)果、建立Benchmark體系。通常情況下，如果單次營銷活動中形成的轉(zhuǎn)化數(shù)據(jù)效果不佳，基本上就不再重復(fù)優(yōu)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(jié)果論，會忽略執(zhí)行過程中的問題，比如因為頁面或者出發(fā)體驗的問題，造成了結(jié)果不理想，所以在Benchmark的積累過程中，要充分考慮過程轉(zhuǎn)化的問題。因為營銷策略所給出的預(yù)測轉(zhuǎn)化，并不完全考慮在實際觸達執(zhí)行過程中存在的問題，只是對最終結(jié)果進行預(yù)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(zhí)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(fā)現(xiàn)預(yù)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(xué)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(shù)據(jù)的輸入，再結(jié)合機器學(xué)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(fā)現(xiàn)，這時候的策略不具備一定的解釋性，人工經(jīng)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(zhí)行，依托于快速實驗形成的反饋數(shù)據(jù)進行自學(xué)習和迭代優(yōu)化，注意這種情況一般是沒有歷史數(shù)據(jù)作為參照，預(yù)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(yōu)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(gòu)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(yīng)和轉(zhuǎn)化似乎可以是進行一定預(yù)測的基礎(chǔ)。

另一方面，即使是通過機器學(xué)習算法實現(xiàn)的策略建設(shè)，通過過往的大量相同步目標營銷達成的數(shù)據(jù)轉(zhuǎn)化情況和營銷數(shù)據(jù)，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(jīng)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(yù)期達成效果。

算法模型很關(guān)鍵，但是營銷數(shù)據(jù)收集更關(guān)鍵

營銷策略的構(gòu)建和優(yōu)化是一個持續(xù)的過程，在營銷開始階段構(gòu)建了原始的策略，這時候依賴的是目標輸入、歷史數(shù)據(jù)經(jīng)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(shù)據(jù)，即完整的回收和還原營銷現(xiàn)場，再將這些數(shù)據(jù)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(yōu)化和效果的預(yù)測。而這個過程是一直持續(xù)的進行，不斷閉環(huán)迭代。

理想的營銷效果，是在營銷過程中通過不斷的過程優(yōu)化實現(xiàn)不斷提升，一旦發(fā)現(xiàn)下一次的營銷已經(jīng)無法達到現(xiàn)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(wěn)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(huán)迭代很關(guān)鍵，A/B 測試很關(guān)鍵，策略相關(guān)的模型算法很關(guān)鍵，但是更關(guān)鍵的基礎(chǔ)就是能否將整體營銷數(shù)據(jù)全部回收來，作為下一次迭代、預(yù)測的基礎(chǔ)。所以一個無法忽視的最基本事實，就是要盡可能收集數(shù)據(jù)去還原每一次的營銷現(xiàn)場。

關(guān)于這一部分，我們將在下一講中詳細討論。