营销数据分析助力科学决策，实现精准营销

作者：盒子菌

数字营销浪潮下，广告主漫天撒网式的广告投放已然失效，因此，我们听到了很多有关于精准营销、精准传播的概念。

事实上，做到广告的精准投放，并没有想象的那么难，但前提是要掌握一定的数据分析能力，从数据分析中查看营销效果，发现问题、分析问题、解决问题，不断调整营销策略，只有这样，广告费才真正是“把钱花到刀刃上”。

一、数据分析对营销的意义

企业所有营销活动的开展都需要建立在一系列的数据分析基础上，数据分析对营销具有以下3大意义：

1、预算优化

数据分析可以帮助你去找到不同环节的转化率，得出ROI（投资回报率）。比如，用户是从线上线下的哪些渠道转化而来，用户使用产品或服务的体验如何，每一个环节都应该监测流 量、转化率和用户行为特征，以形成全周期的渠道ROI分析。有的渠道流量大，但转化小或转化后不活跃，这样的渠道引来的用户价值也不高。有的渠道流量一 般，但转化和复购率都很高。

当然我们在资源是有限的情况下，就需要在这些渠道上进行一些取舍，取舍的依据就是通过数据去找到最佳的一种预算分配方式，然后筛选出ROI最高的一种营销方式。

2、体验优化

精准营销力争所有的子弹都打在靶子上，也就是说我们要把信息推送到目标用户和目标群体的面前，而不是让非目标用户或者非目标群体收到一些他们本来不应该收到的信息、本来不应该收到的互动，那会给他们造成一种骚扰。

所以我们要依托于数据分析来筛选目标用户和目标群体，有针对性地向不同的用户推送个性化的信息，只有这样才可以让目标用户获得比较好的体验，减少对非目标用户的一种“骚扰”。

3、决策优化

决策科学化一直以来是我们所强调的，但目前大部分营销从业者比较偏重经验主义，比较倾向于会议式决策，也就是大家很多时候可能会用一些会议室讨论的方式来去决策一件事情要不要做、一个产品要不要去执行。那么这种基于经验主义的判断有两个问题：

①很难保证成功率：有些时候很成功，有些时候可能不成功；

②不可复制：有些时候在没有一个科学决策依据的情况下，可能这次成了，下次用同样的方式再做的时候肯定不成。

伴随数据驱动和精细化运营时代的到来，营销人员必须转变以往那套决策模式，建立以数据为中心的决策模式，形成一种科学化的管理，因此在决策上我们始终记住“以数据分析指导营销决策”。

二、数据分析的基础

想要做好数据分析必须先做好4个基础工作：

1、多渠道数据采集

数据采集是按照确定的数据分析和框架内容，有目的性的采集、整合相关数据的一个过程，它是数据分析的一个基础。

由于用户触达渠道的不断增加，企业采集数据的难度也不断增强，所以这里主要和大家说下营销自动化数据采集，这是一个有效的多渠道数据采集方法。以2020年金远奖“年度自动化营销平台”盈鱼MA为例：

该系统支持一键开启对接多渠道，如PC、Mobile Web、APP、微信公众号、小程序、成员推广、二维码渠道和企业第三方平台。通过全渠道的数据整合，进行有效的用户行为分析，精准捕捉用户的内容、触达渠道喜好情况。

另外，该系统还可以通过唯一识别ONE-ID定位用户，打破时空、模式化的限制，让用户不再是在多渠道里的分散数据。这就意味着用户可以从一个沟通渠道无缝转向另一个沟通渠道，并且在这个过程中沟通不会被打断。

在ONE-ID超级ID体系的支撑下，可构建全维度经营指标体系，对运营、销售、营销、客户维系、水平业务进行全局分析与监控，真正实现数据驱动业务发展，辅助运营者通过数据指标进行科学决策，及时进行业务预警和创新改善。

2、建立标签体系

数据采集完以后，大家需要做的事情就是对数据进行处理，即建立一个基础——标签体系，这也是整个用户画像、用户分类的基础，没有这个标签体系整个用户画像都没办法做。所以在数字营销开始之初，每个企业就需要建立自己的标签体系。标签体系可以在营销中起到的作用有：

（1）用户生命周期的自动化管理

根据用户行为和状态特征，制定用户生命周期管理模型，监控用户在不同阶段的变化，并针对不同周期的用户进行对应的营销活动，这是标签体系的初级应用。

但实际上，营销策略的变化永远赶不上用户兴趣迁移的速度，用户的来源，退出的节点都是动态的。因此，给用户打标签的过程也应该是动态的，当我们设置一个标签条件后，所有满足条件的用户会自动纳入这一标签，并进入此类标签人群的营销活动。

这样的自动化管理可以让运营人员实时掌握用户的变化，将运营人员从繁复的数据处理工作中解脱出来，真正释放营销创意。

（2）个性化的营销活动配置

标签体系的搭建，为个性化的营销活动打下了基础。通过多维度的用户标签，精准把脉不同群体的需求，对不同目标群体采用不同类型的个性化推送、个性化推荐、个性化实时营销等运营策略和服务方式，从而实现用户个性化诉求的挖掘与满足，提升用户体验。

①推送渠道个性化

基于短信、邮件、APP push、公众号模板消息等主流触达渠道用户的互动反馈情况，在用户偏好的渠道上推送信息，提升体验的同时节约推送成本。

②推送内容个性化

根据用户历史订单/浏览数据，实现基于用户消费/兴趣偏好的个性化推荐，并在文案中适当加入一些强烈的用户个人属性，在千人千面的基础上增加互动亲密度。

③推送时间个性化

基于用户历史点击/购买时间，判断用户最易被营销触动的时间点，在黄金时间点给用户发送营销信息。

3、用户权重管理

大家都知道做市场调研要有定性分析和定量分析，定性分析只是知其然，不知道程度有多深，比如说知道你喜欢包包，但是你喜欢包包的程度是多少，这就需要一个定量分析。所以在标签这个数据分析的基础上，定量的基础就是评分，也就是用户权重管理。

用户在平台上的不同行为，对用户权重的影响不同，比如用户购买某商品的行为权重要比用户添加购物车、收藏某商品、浏览某商品行为权重依次要高。

在用户评分过程中用户画像建模人员与业务人员需要密切沟通，结合业务场景制定不同行为类型和权重。盈鱼MA中确定权重的方法是根据用户属性、行为、订单，设备属性的条件叠加、组合后，自动给用户增减权重分数，通过评分衡量用户活跃度、忠诚度等以及高价值潜在客户。

就不同分值的潜在用户群体实施针对性的营销活动方案，可以有效提升产品复购率。

4、数据监测与效果分析

与任何活动一样，最后一步便是数据检测和效果分析，通过对数据的监控，可以得出各种各样的经验总结，帮助进行优化，比如吸引用户关注的内容有什么共性、流量比较多的渠道有哪些、渠道的ROI情况等。

而传统的广告监测主要提供曝光量和点击量两个维度的衡量指标。但是在自动化的数据监测中，除了对曝光量和点击量进行监测，更重要的是打通了之后的转化数据，即，用户点击后有多少人经过引导并成功激活，多少人完成注册，有多少人转化成真正的投资用户，又有多少人完成首投，多少人留存，每个留存用户在整个生命周期中为企业创造了多少价值？

从曝光到点击，到激活，到转化，到付费，每一个环节的转化率都能够清楚地查看。通过衡量分析来指导广告优化策略，明确广告投在哪个渠道上能获得的付费用户更多，采用何种形式用户更愿意付费。显然，这一完整分析，通过曝光数和点击数是无法评估的。

三、数据分析的形式

这4大基础建立好之后，就可以去做数据分析了，但是在做数据分析过程中，可能会遇到采集了大量数据却不知道选择什么样的分析角度。这里边就非常有窍门了，接下来，帮大家列举下数据分析的3种形式：漏斗分析、用户行为分析和整体分析。

1、漏斗分析

在介绍漏斗分析之前，我们先引入一个概念，叫转化。什么是转化？当用户向着产品的业务价值点方向进行了一次操作，就产生了一次转化。以电商为例，一次成功的购买行为要依次设计搜索、浏览、加入购物车、修改订单、结算、支付等多个环节。那用户在浏览商品后，完成了加入购物车这个动作，就叫完成了一次转化。每一次大的转化都包含了若干个小的转化环节。

为了让整个过程更加直观，我们通常使用转化漏斗来描述这个过程。转化漏斗描述了一个有序的多步骤过程，整个过程中，用户会不断流失，最终形成一个类似漏斗的形状。这个模型就是一个经典的漏斗分析模型。

通过这个模型，可以帮助企业做好3方面的工作：

（1）企业可以监控用户在各个层级的转化情况（降低流失）。

聚焦用户选购全流程中最有效转化路径；同时找到可优化的短板，提升用户体验。降低流失是运营人员的重要目标，通过不同层级的转化情况，迅速定位流失环节，针对性持续分析找到可优化点，如此提升用户留存率。

（2）多维度切分与呈现用户转化情况，“成单”瓶颈无处遁形（提高转化）。

科学的漏斗分析能够展现转化率趋势的曲线，能帮助企业精细地捕捉用户行为变化。提升了转化分析的精度和效率，对用户决策流程的异常定位和策略调整效果验证有科学指导意义。

（3）不同属性的用户群体漏斗比较，从差异角度窥视优化思路。

漏斗对比分析是科学漏斗分析的重要一环。运营人员可以通过观察不同属性的用户群体（如新注册用户与老用户、不同渠道来源的用户）各环节转化率，各流程步骤转化率的差异对比，了解转化率最高的用户群体，分析漏斗合理性，并针对转化率异常环节进行调整。

2、用户行为分析

企业的精细化运营、数据驱动都是基于大数据分析来进行的。

在大数据分析中，对用户行为进行分析挖掘又是一个重要的方向，通过对用户行为进行分析，企业可以了解用户从哪里来，进入平台后进行了哪些操作，什么情况下进行了下单付款，用户的留存、分布情况是怎样的等。

在这些数据的指导下可以完整地揭示用户行为的内在规律，进而帮助我们分析建模，或者是对一些商业决策提供支持。

基于用户行为分析的模型有两个显著的特点：

第一，可视化用户流程，全面了解用户整体行为路径；

通过用户行为分析，可以将一个事件的上下游进行可视化展示。用户即可查看当前节点事件的相关信息，包括事件名、分组属性值、后续事件统计、流失、后续事件列表等。营销人员可通过用户整体行为路径找到不同行为间的关系，挖掘规律并找到瓶颈。

第二，定位影响转化的主次因素，产品设计的优化与改进有的放矢。

用户行为分析对产品设计的优化与改进有着很大的帮助，了解用户从登录到购买整体行为的主路径和次路径，根据用户路径中各个环节的转化率，发现用户的行为规律和偏好，也可以用于监测和定位用户路径走向中存在的问题，判断影响转化的主要因素和次要因素，也可以发现某些冷僻的功能点。

3、整体分析

整体分析可以预测整个营销的发展趋势走向是怎么样的。一般而言，整体分析适用于产品核心指标的长期跟踪，比如，点击率、GMV、首次交易数、活跃用户数、复购数等。多维度查看用户数据，全面了解用户、预测订单趋势。

一般来说，整体分析的分类方法主要有两种：一是按照分析目的分类，可以分为预测趋势分析和现状分析；二是按照分析方向分类，可以分为纵向分析和横向分析两种。

如果想要做单一数据的纵向趋势分析，最核心的分析要点就是找拐点，然后结合不同维度数据进行原因分析，最后进行有效预测，得到趋势分析结果。

如果你想对多个数据进行横向趋势分析，核心点就是找差异，然后针对所有指标进行分析，最后根据拆分出来的数据趋势图，就能看出整体的趋势。最终，我们可以得到一个产品分类和管理的模型，作为我们的分析结果。

四、结语

总的来说，数据分析参与营销的全过程的，因此在营销执行过程和营销结果方面，都需要通过数据分析，挖掘更多的潜在价值和机会，以提取相应人群的特征与原始策略制定的人群进行比对和分析，这有助于调优方案和迭代执行。

比如在执行中发现了营销策略或者规则中的漏洞，那么了解不同投放渠道引入的流量，掌握流量转化、转化用户的活跃度、属性、行为、购买力等全方位的信息，做到全周期的渠道ROI分析，在实时的数据分析中调优策略、调整客群的推荐服务内容，从而实现极致的精准营销。