企業圍繞數據的應用有三個重要的方面，一個是營銷，一個是風險，一個經營。

以銀行業為例，如何獲取更多新客戶，如何促活存量客戶，如何向客戶推廣更多業務，形成轉化、產生收益，這些都是屬于營銷的范疇，一般而言我們稱之為“全生命周期管理和營銷”。

而對于如何審核用戶信用，評估用戶購買產品風險承受能力、是否存在違約等，則屬于風險領域。

而縱觀整體業務，銀行網點的開辟和優化，以及客服效率和話務量等則是屬于經營范疇。

基于以上的企業對數據的應用，針對銀行業，相繼誕生了智能營銷、智能客服、智能投顧、智能審計、智能風控等一系列的應用；針對零售場景，又誕生了智能選址、智慧零售等應用。

但利用數據開發的應用，核心目標在于提升效率、降低成本、提高轉化。 而這其中，智能營銷則是企業在效率、成本、轉化三方面都均有訴求的探索方向。

營銷的智能化是由來已久的命題，先后演變出CRM、營銷CRM、多渠道活動管理（MCCM）、數字營銷中樞（DMH）和多渠道營銷中樞（MMH）等概念，強化在終端的渠道分發、訪問執行、審批、權益對接等方面的能力。

不可否認的是，在大多數企業來看，營銷發展已逐漸上升到了數據應用階段，以及客群構建的能力、多渠道分發能力。簡單來說，多數企業通過CRM、標簽或者規則構建了基本的營銷策略實踐，這也是目前大多數營銷的現狀。也有一些領先的企業已經在下游的營銷觸達、分發、審批階段實現了高度流程化和體系化。盡管如此，我們發現依舊存在極大的局限性。而這些局限性也恰恰是突破點。

?    缺少詳細的原始數據分析環節

所有的營銷都需要在一開始展開系列的數據分析，來挖掘商機、尋找營銷目標，然而目前多數情況下是由營銷人員篩選標簽或者制定規則來直接構建營銷的目標。但這其實少了關鍵的一步，就是無論是否有歷史的類似營銷存在，都需要對本次營銷的目標進行詳細分析或者通過模型計算機會。比如未注冊客群就是營銷的目標，也應該對其數據進行合理分析，然而多數情況下是我們會把這些作為規則直接開始營銷。

?    營銷策略依賴于專家經驗模式

在剛才談到的場景中，通常更多依賴于我們的經驗和方法論，但是我們的策略并不見得那么細致和準確。營銷策略是應注入客戶內心的，有限的專家經驗無法解決全部營銷問題。同時，營銷被深度關聯在了某些人員的身上，一旦出現了人員變動，這些經驗也就丟失了。

?    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模化的監測，這也就無從有benchmark作為參照來進行優化了。

?    營銷數據沒有形成詳細的收集

我們重視結果數據的收集，也就是與直接結果相關數據的監測收集，卻忘記應該像收集用戶行為數據一樣詳細收集用戶在營銷互動中產生的所有過程數據。所以你無從知道哪些用戶在離開，用戶又為何會離開，更無從知道對于這樣一個糟糕的結果，該如何解決。因為我們缺少一面鏡子來還原用戶的詳細旅程。

?    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。

?    營銷策略缺少調整和動態平衡

你有2000萬用戶，依據策略圈出來了1000萬人進行營銷，其實這是低效且無用的。因為可能真正值得去營銷的只有5萬人，但是對1000萬人觸達還是基于平衡和調整，控制到20萬人去觸達，這就是智能營銷能力的體驗。營銷策略的第一步是怎么保證策略情況下，不斷剪枝或者擴散，卻可以平衡成本和效果，比如那1000萬人中，可能有800萬是羊毛黨和低質量的用戶。

?    營銷策略模型的嚴重離線化

營銷的核心輸出就是ID，ID背后是策略、權益、通道、時間等。但是我們習慣于離線異步的跑批結果，然后送到觸達通道，但這也許喪失了有限的機會。最嚴重的是你的模型從未有評估和優化的可能，因為都是離線的模式，即席的調整和優化是不存在的。

?    營銷策略的一致性和沖突仲裁

沖突仲裁，是如何做到多部門和角色的相互交叉不影響體驗，如何不引起反感，如何解決仲裁。現在營銷不是很少，而是太多了，這是核心的一環，尤其是策略制作出來。

?    營銷策略的共享性和專家經驗

多渠道、多部門、多角色之間，如何將反復實施的經驗和模式共享出來，供集體參考和使用。未來的營銷大量的是模式輸出，如果營銷無法逐步的體系化和規范化，反復計算和探索則是對資源的極大浪費。共享能力是必須解決的。

?    數據的混合使用與業務輸出不足

我們強化了在終端的多源觸點的分發能力，但是卻沒有很好的利用這些數據，營銷的進化不應只依據一方的結構化數據來進行營銷策略制定。對于企業來說，用戶接觸到企業產品或者服務的通道形態非常多元，比如門店、三方渠道、App、PC web、微信、客服等等，用戶參與企業營銷的觸點不同，而產生的數據也是不盡相同的。僅僅是賬戶和交易數據，難以挖掘出更加深入的機會和線索；混合多元數據，形成用戶數據的綜合管理和加工分析，才有可能增加對于業務的輸出。

所謂的智能營銷，核心在于避免大量基于人工專家經驗而構建營銷策略。當針對超大范圍的客群挖掘和尋找商機時，有限的人工策略構建也一定程度上建立在數據開發上，比如標簽或者規則。這就會導致后續產生的人工專家經驗是在前人經驗基礎上的產物，繼而造成一些無法避免的問題發生，比如規則與規則之間的邏輯錯誤和交叉覆蓋，專家經驗的不可繼承性和難以優化問題。

此外，由于A/B測試技術的興起，我們希望有更多且合理的分組來進行營銷策略構建和實驗，而這一點是人工無法做到的。在大多數情況下，基于人工經驗的分組只能做十幾組，并且純粹的人工策略是無法及時更新和即時反饋的，這會喪失很多的商機和優化空間。當針對大規模、多渠道協同營銷時，不是簡單解決分發和審批的問題，更重要的是在策略方面實現多組營銷的獨立，從海量的策略中挖掘不能完全被人工經驗所尋找到的最穩健方案。

以上提出的十點問題，也恰恰是解決營銷智能化的突破點。在接下來的文章中，我們將繼續探索可能的實施路徑和方向。