TalkingData与中华联合财产保险达成战略合作,开启智慧保险新篇章

7月12日,北京腾云天下科技有限公司(简称“TalkingData”) 与中华联合财产保险股份有限公司(简称“中华财险”)战略合作正式启动,双方将作为彼此大数据业务的主要合作伙伴,发挥各自在保险和大数据领域的优势,围绕保险全业务周期展开多维度战略合作,为用户提供专业化、差异化、智能化的保险服务。

中华财险副总经理沈华表示,中华财险作为一家历史悠久的国有控股保险公司,具备着很强创新的驱动力,一直在积极实践互联网保险创新模式,在谋求自身变革的同时,也不断与业内领先的高新科技企业合作,努力实践线上价值连接和决胜移动端的战略目标。希望以本次战略合作为契机,依托TalkingData先进的大数据技术优势与数据生态能力,持续推进在场景保险、智慧营销、智能核保等创新领域的共同探索和深度合作。

TalkingData合伙人&高级副总裁蒋奇表示,TalkingData从2012年开始一直致力于大数据和人工智能技术的探索和实践,专注数据的深耕和数据价值挖掘,为企业提供数据+技术的智能化解决方案。已在金融、零售、互联网、智慧城市等众多行业和领域数字化进程的实践中积累了丰富经验。此次与中华财险的合作,TalkingData愿意发挥自身长期积累的数据和技术优势,助力中华在保险领域实现数字化转型,期待大数据在保险领域带来厚积薄发的创新。

TalkingData成立于2011年,是国内领先的数据服务提供商。TalkingData秉承“数据改变企业决策,数据改善人类生活”的愿景,围绕TalkingData SmartDP数据智能平台(TalkingData数据中台)构建“连接、安全、共享”的数据智能应用生态,致力于用数据+科技的能力为合作伙伴创造价值,帮助商业企业和现代社会实现以数据为驱动力的智能化转型。

据悉,双方已经在智慧场景保险领域开始了积极探索合作,共同打造的首款智慧保险产品“出行宝”即将面世,即将登陆深度合作的头部智能手机合作伙伴的智慧服务平台。“出行宝”是为智能手机用户打造的智慧保障快应用,利用情景感知技术对手机用户的出行场景进行智能识别,在适当的时机和场景把客户出行保障的需求与保险产品进行匹配和推荐。

技术债务,到底应该怎么还?

几乎所有的技术团队,都会经历或多或少的技术债务。技术债务虽然是实现快速收益的一种捷径,但是为了修复那些为了快速收益而不得不为之的技术问题,企业往往需要花费大量的金钱、人力等。那么如何有效地避免技术债务,使得开发人员能把更多的精力投入在有效的工作,从而产生额外价值、提高企业的产品竞争力呢?

技术债务的产生有着很多原因,但其中更多的是由于要在短时间内匆忙完成原本耗时较长的工作,导致部分业务逻辑没有完整的设计等,使得产品在短时间内有效,但是长远来看,却是一颗不稳定的炸弹,一旦触发,对产品、对企业都有可能造成无法挽回的损失。总而言之,技术债务会带来很多麻烦,有些甚至是“致命”的。

什么是技术债务?

技术负债(英语:Technical debt),又译技术债,也称为设计负债(design debt)、代码负债(code debt),是编程及软件工程中的一个比喻。指开发人员为了加速软件开发,在应该采用最佳方案时进行了妥协,改用了短期内能加速软件开发的方案,从而在未来给自己带来的额外开发负担。这种技术上的选择,就像一笔债务一样,虽然眼前看起来可以得到好处,但必须在未来偿还。软件工程师必须付出额外的时间和精力持续修复由于之前的妥协所造成的问题及副作用,或是进行重构,把架构改善为最佳实现方式。——摘自 维基百科

很多人将技术债务类比于金融债务,但是和金融债务不同的是,技术债务可能不会承担利息。例如当需要快速验证产品的某个特点的时候,带有一定技术债务的产品可能是个好的选择;当验证之后,无需该特点的时候,即可以直接移除等,此时可能不会承担债务利息。但是大多数时候,此类情况较少,就算仅仅是为了验证产品,也不建议使用技术债务的方式去实施。类似这样的技术债务可称为有意的技术债务,另一种更加危险的技术债务称为无意的技术债务,无意的技术债务就像是前文说到的隐藏在代码中的炸弹。

无论是那种技术债务,在未来的产品迭代过程中,都需要开发人员去界定债务边界,不能任由技术债务滋生,否则在迭代过程中,面临的困难会越来越多,甚至需要被迫承担更多的技术债务。基本上,你承担的债务越多,项目的进度就越慢,项目的后续阶段就会更加困难。

但是需要清楚的是,技术债务是无法消除的,你必须随时做好承担技术债务的准备。因为在有的项目场景中,一些解决方案可以针对性解决某些具体问题,但是该方案可能不是全局有效或最佳的,于是在系统的其他方面就形成了一个不可避免而必须承担的技术债务问题。一个好的工程师团队,应该是能够最小化技术债务影响,并对技术债务进行合理管理的团队。

上文提到,技术债务分为有意的技术债务和无意的技术债务,两种形式的技术债务形成的原因和带来的结果是不同的。在某些情况下,有意的技术债务相比无意的技术债务更好,有意的技术债务会让团队意识到问题,从而有意的去进行优化改进等;而无意的技术债务可能在项目中潜伏很长一段时间,可能导致严重的问题,然而,无意的技术债务在项目中是无法避免的,只能通过在工程师团队中强化编码规范、业务理解等来对技术债务进行管理或者减弱其出现的可能。

另外还可以将技术债务分类为鲁莽型技术债务和谨慎型技术债务。一些谨慎型的技术债务在项目进程中是可取的,但是不论是哪种技术债务,都需要每个人勇于承担。理想的情况下,承担的债务应当是那些有意的和谨慎的技术债务,而那些无意的和鲁莽的技术债务应当不惜一切代价去避免。

为什么要关心技术债务?

技术债务如何影响开发

在开发阶段,开发人员不可避免会遇到技术债务,应当直面技术债务,并积极处理技术债务问题。虽然处理技术债务可能会使得开发周期变长,但从长远来看,开发人员及时处理技术债务是有益的,一方面处理技术债务是一个技术经验积累的过程,另一方面及时的处理可以在之后的迭代中减少技术债务产生的可能等。每一个开发人员都应当有意的或者尽力地避免那些无意的和鲁莽的技术债务。

技术债务如何影响客户

虽然乍看起来,技术债务和客户并无联系,客户也不太关心产品的代码质量等,客户只需要在成本没有增加的情况下,产品能够按时交付使用。然而,一个背负无意或者鲁莽的技术债务的产品在开发过程中,往往需要花费更多的时间、精力和资源,导致成本增加而收益却减少的情况等。

技术债务如何影响用户

即使是间接的,用户也会受到技术债务的影响。他们可能不关心软件开发所需的工作量或资金,但他们确实关心它的可靠运行,以及快速添加的新功能,这两者都可能受到大量技术债务的影响。用户越快乐,客户越快乐,开发者越快乐。

技术债务最佳实践

解决技术债务的最大问题是,它无法真正被量化。这使得开发团队很难跟踪技术债务并让管理层向客户展示为什么要投入更多的资源和时间。

但是这里有一些事情是你可以做的:

保持最新状态

不言而喻,工具、框架和库应该始终保持最新状态。并不是每个人都能意识到这一点,所以这里再强调一下也无妨。

文档

记录需要修复或更新的所有内容,这是确保实际修复和更新的最重要步骤。

如果存在技术债务,最好了解它并确保团队或未来的开发人员也了解。文档减少了定位和修复问题所需的工作量,如果债务记录良好,甚至能在业务层面上可见,将有助于获得客户承认并提供额外资源。

代码审查

另一个强大的工具是在sprint期间定期审查代码。代码审查可以捕捉到可能导致问题的隐患,并找到解决方案。代码审查确实需要一些时间,但在整个项目的背景下肯定是值得的。

但是,代码审查也有其缺点。开发人员往往太忙,无法深入挖掘他人的代码,因此他们只会发现明显的错误,而吹毛求疵可能会导致团队内部紧张。因此,它可以成为减少技术债务的有力工具,但应该谨慎应用。

自动化测试

自动化测试是一种非常强大的工具,但是经常被忽视。自动化测试被忽略后,可能会无法察觉出代码中的隐藏问题,往往导致产品发布后需要投入不成比例的人力和时间来应对,使得成本变高甚至不可控。在开发阶段,有必要实施测试驱动开发,编写完善的测试用例,以清除代码中的许多不易察觉的问题等。

敏捷架构

敏捷架构具有很多优点,在构建软件的过程中对更改更加开放,这基本会发生在任何项目上。但是,它确实要求代码具有灵活性和可维护性,因此敏捷方法自然会使开发人员保持良好的代码,这有助于防止技术债务的大量积累。

有效地复盘

如果出现问题,应该勇于面对,当问题解决后,需要进行有效地复盘。但是要注意的是,复盘是为了提高工作效率,而不是为了找人背锅。复盘的重点应放在了解问题及产生问题的原因上,以便团队可以采取必要措施防止同样的问题再次发生。

管理技术债务的最佳做法

即使你做了以上所有事情,并尽可能避免技术债务的堆积,仍然会有一些债务需要去处理。这是无法避免的,因此应该执行最佳实践和流程以防止技术债务失控。

高利息(高代价)技术债务优先

并非所有技术债务都是平等的,因此应该优先考虑在特定时间内要解决的问题以及先不解决的问题。存在于经常使用和更改的部分代码中的“垃圾”,就比在几乎没有使用或更改过的部分代码中的“垃圾”要严重得多。

高息债务往往是那些在项目中起重要作用的核心部分,通常围绕它进行了很多工作并以此为基础。如果此部分的技术债务没有解决,就会妨碍所有的工作,并可能迫使其他部分的代码背上更多的技术债务。因此,如果有可能,首先应优先考虑这些问题,并在后续使一切变得更加顺畅。

童子军规则

“要始终保持营地比你发现它的时候更清洁”也是适用于软件开发的:“提交的代码要比检出的更好”。鼓励团队成员,以积极减少技术债务 ; 例如,当他们发现了为了功能增加或错误修复的代码时,激励他们重构这部分代码。

当然,它不能没有边界,否则它可能会无止境的消耗时间。但是,如果你在每个sprint中留出一定比例的时间,专门用于修复开发人员发现的任何技术债务,那么它可以在很大程度上保持产品尽可能无债务。

在履行有价值的客户工作时偿还债务

在项目的整个sprint阶段修复技术债务不是一个好主意。一方面,客户往往不喜欢延期,对他们来说,看起来你似乎花了他们的时间和金钱来解决你的错误。另一方面,它也表明你已经因技术债务所累而做了大量工作,所以你可能已经为了债务付出了超出必要的代价。

最好限制在每个sprint中偿还技术债务所花费的时间,并用它来解决高优先级或突然遇到的问题。让客户满意,并使技术债务处于可控水平。

忽略

同样重要的是,要注意并不是所有技术债务都应该偿还。当产品接近其使用寿命时,如果它是短期使用或者只是一次性原型时,技术债务不是主要问题。这些实例很少见,但是当它们出现时你可以节省一些时间和精力。

结论

技术债务是伴随着项目出现而且无法避免,但是如何保持其在可控范围之内,是我们应该思考的问题。技术债务的避免和消除都需要优秀的开发人员,人始终是软件开发中最重要的因素。作为一名普通的码农,不断地提升自己是非常必要的。

本文主要译自:

  • TECHNICAL DEBT: EVERYTHING YOU NEED TO KNOW, AND HOW TO MANAGE IT (https://codingsans.com/blog/technical-debt)

作者:Gábor Zöld

编译:TalkingData Robin

其他参考资料:

  • 技术负债(https://zh.wikipedia.org/wiki/%E6%8A%80%E6%9C%AF%E8%B4%9F%E5%80%BA)
  • 技术债治理的四条原则(https://insights.thoughtworks.cn/managing-technical-debt/)
  • 解析技术债务(https://www.infoq.cn/article/2009/10/dissecting-technical-debt

购买一台装大象的冰箱需要几步?

​​把大象装进冰箱需要几步?

第一步——你需要有一台冰箱。

盛夏到来,酷暑难耐,冰箱、空调、风扇、洗衣机等电器成了救命的必备品。以前,我们购买这类商品基本只有一种渠道——走进商场家电区→挑选→购买→再雇车送到家。

但现在,这一流程已经发生了巨大的变化。

当我们今天再想购买一台冰箱这样的家电,更有可能的流程是:

  1. 在手机、智能电视或其他平台上,看到了某款产品的广告或推荐种草
  2. 在手机、电脑上,搜索和研究这款产品以及类似产品的参数和评价
  3. 在线下门店,查看产品实际外观,试用产品功能
  4. 在多个平台上,对比备选产品的价格,发现在某电商App端折扣更大、价格更低
  5. 通过该电商App,下单付款购买
  6. 通过电话联系商家,预约具体时间送货上门以及沟通售后服务

Forrester的研究提到,现在65%以上的在线购物涉及在多个设备之间切换。而据麦肯锡的《2017年中国数字消费者研究》,全渠道已经成为消费者的常态。

以消费电子品类为例,93%的消费者会先在线上研究再到实体店体验,96%的消费者会在线下渠道体验或购买。同时,消费者对线上下单线下取货、线下体验商品线上查看研究详情、线上查询线下门店库存、线上购物线下退货等跨渠道的需求也越来越普遍。

也不只是家电,大到衣柜沙发、小到柴米油盐等实物商品,以及从金融理财、到房产中介再到家政保洁、旅游签证等无形商品,在与客户交互的营销、销售、服务等渠道上也都出现了线上与线下间、线上跨设备间的切换。

为了适应消费者触网渠道和行为偏好的多元化与碎片化,让消费者选择并且留下,企业必须转变思路,尝试去做好多渠道的消费者交互体验。

于是很多企业开始快速布局多种渠道,既有官方App、公众号、小程序等,也有媒体方、分销商、代理商等。这样虽然触达客户的渠道更多了,但问题也随之而来——有的渠道在企业内部、有的渠道在企业外部,有的渠道在销售部门,有的渠道又在运营部门。各种渠道散落在各处,成为一座座孤岛,难以进行统一管理和协同,很容易发生冲突甚至失去控制。

在多渠道的营销上,企业面临着三大挑战:

1. 全渠道的频次控制

即企业对所有触点和客户交互频次进行统一管理,避免因过度接触客户而损害客户体验。

比如,客户可能会接到某银行不同部门打来的电话,推荐相似的理财产品,即使拒绝了推荐,依然阻止不了新的来电。这是因为跨部门的客户触点之间缺少对接触频次的统一协调,也缺乏对客户抑制的统一认识。这里面还存在跨部门冲突仲裁的问题,比如怎样将有限的交互频次分配给不同部门。

2. 跨部门的数据打通

以保证企业所有部门都能看到一致的360度客户档案,以形成一致的客户洞察。

比如客户会收到某银行储蓄卡账户余额变化的短信,这是正常的提醒服务,但该短信的贴尾信息中还推荐办理信用卡,而客户可能早已是该银行的信用卡客户了。究其原因,还是由于跨部门的客户数据未打通,导致从各自数据平台提取出来的人群都无法精确。

3. 多渠道的营销效果优化

以最大化某个指标,包括转化率、成本、触达率等。

比如客户会对渠道有一定的倾向性,有的喜欢用微信、有的喜欢用移动App或网站等。精细选择适合的渠道触达客户可能带来更好的转化,于是企业可以把人群按照渠道亲和性分组,优先从最有可能转化的渠道接触客户。另外,为了降低活动的成本,有时候也可以优先从低成本的渠道触达客户,触达失败后会再使用成本次低的渠道,比如微信触达渠道是免费的,而短信是有成本的,所以优先从微信渠道触达客户可以大大节省成本。

在前面提到的购买家电的旅程中,无论是负责投放广告的市场部门,还是负责发布信息物料的产品部门,还是负责电商平台对接的新兴渠道部门,还是负责送货安装的物流部门,或者是提供售后服务支持的客服部门等,这些客户接触点都应该目标一致且互相协同,向客户提供无缝的交互体验。

对客户来说,无论从何种渠道与企业交互,都只有对企业的整体感受,并不会去关心本次交互背后是哪个具体部门在负责。每个有可能和客户产生交互的渠道,都是客户体验的承担者和执行者,都需要纳入到统一的管理中来。如果搞不定全渠道的管理,最终带来的就是对客户体验和业务成长的双重负面影响。

这两年人口红利不再,移动互联网对社会的渗透率已基本达到顶峰。CNNIC数据显示,截至2018年12月,我国手机网民规模已达8.17亿,其中手机上网人群占比达98.6%。流量增长减缓,流量成本持续提升,拉新成本也不断走高。据估计,目前获取一个新客的成本是留存一个老客的成本的三倍,这迫使企业开始重视对老客价值的挖掘。

这样的背景下,“私域流量运营”成为颇受关注的概念,希望以数据和技术的手段做好已有客户的运营,挖掘企业内生流量的价值。而为了应对交互渠道分散带来的客户体验问题,“统一营销”的概念也应运而生,目的在于整合各部门、各产品的客户交互渠道和交互策略。

只有概念还远远不够,企业需要找到适合的、可执行的MarTech解决方案,来实现多渠道营销的数据管理、策略管理和渠道激活。

2018年,Gartner提出了MMH(Multi-Chanel Marketing Hub,多渠道营销中枢),并发布了对应的魔力象限。MMH可以在企业中扮演起“营销策略中台”的角色,站在企业全局角度看待与客户之间的交互——这是最大化客户全生命周期价值的前提。

MMH有怎样的能力?如何针对性解决企业多渠道营销的各种挑战?如何帮助企业形成更优质、更一致的客户体验?

《企业智能营销技术白皮书》给你指路!

这本《白皮书》对MMH是什么、能做什么进行了解读,同时还对CRM、DMP、营销云等目前主流的MarTech进行深入分析,厘清其中的定位差异与能力侧重,帮助企业了解并选择最适合的营销技术方案,为企业做好数据驱动的智能营销提供参考。

下载方式:点此即可下载此报告(约26.2M)

图片来源:www.pexels.com,如有侵权,请联系删除

推荐阅读:

CRM、DMP、MMH、CDP…都是啥?怎么选?

营销黑话鉴赏,giao一下?

听大佬说营销⑥丨营销策略的风险评估应该怎么做?

营销的策略平衡是风险、成本、效果、人工经验等综合考量,之前我们探讨的营销策略优化和评估是站在最优解的角度考虑的,今天我们则站在最稳健的角度来考虑营销策略问题。

营销策略缺少调整和动态平衡

当你有2000万用户,依据策略圈出来了1000万人进行营销,其实这是低效且无用的。因为可能真正值得去营销的只有5万人,但是对1000万人触达还是基于平衡和调整,控制到20万人去触达,这就是智能营销能力的体验。营销策略的第一步是怎么保证策略情况下,不断剪枝或者扩散,却可以平衡成本和效果,比如那1000万人中,可能有800万是羊毛党和低质量的用户。

营销存在的风险是核心问题

但凡是对用户的运营,避免不了的就是参与者会存在欺诈、风险问题。营销策略形成的过程中,在最终一个环节,我们通常会考虑到一定的风险,这个风险一般是通过某些标签或者黑名单或者灰名单形式来加以过滤。但是更多的风险是营销流程设计的缺陷,导致了即时的情况,而这些风险无法事先通过名单的方式进行过滤。

当然营销包括了效果营销和品牌营销、存量和增量两部分。无论是从哪个角度去看待营销策略的问题,风险都是在过程中不断涌现的。而绝不会单纯的通过一个名单或者一个库就能解决问题。风险的种类很多,但是它却是所有营销策略制定和执行中应该始终保持警觉的部分,基于规则、基于数据、基于算法、基于目标都是解决该问题的方法,是营销执行中必须完整考虑的要素。

营销前风险评估策略是基础

套用在金融业对于信贷风险的三阶段评估逻辑,在营销的前中后三阶段,营销的风险策略对于营销大闭环起到了关键作用。在营销策略构建初期,由于没有参照数据,更多依赖于政策和各种名单库,但是我们发现这些库其实并不是为某一次营销策略的人群定制的。因为除了非常明显的黑名单人群之外,其他名单不具备定向场景的营销属性。

当然这也看具体情况,比如在通过广告的获新营销时,监测平台和广告主本身会界定什么较多欺诈或者风险,抑或不计算为转化的人群,这是政策导引,或者名单机制决定。

在营销策略构建初期,对于风险的把控,除了上述的已知办法之外,实际上,除了建设响应率的概念之外,也需要风险的评分卡,来综合判定,哪一些是高响应却又是高风险,哪些是属于高响应却是低风险,而这的评分卡实际上可以是针对人群,可以是针对媒体等等。

这一点如同银行在信用卡获客时的信用卡风险审核是类似的,最终也会来评估不同渠道的风险情况,获客规模等数据,综合判断未来要推广的渠道和风险之间的关系,不过这时候会借鉴用户的信贷行为数据加以判断,不断调整准入名单和客群渠道选择。因此,同样的营销前的风险评估策略是基础,也意味着在绝对规模和风险成本间要做平衡。

营销中风险监测反馈是阻断

当策略一旦进入执行过程,有诸多超出可控范围的因素,并且会因为过程设计问题,出现新的不可知风险,比如电商平台存在反复退货下单的用户,再比如通过一些漏洞不断进行操作,营销策略模型在很多情况下因为都是离线的形态,因此在过程中开启时难以起到对过程的分析和监测作用。而风险欺诈等模型或者策略,则更是很少应用在过程中。

而这里可以说明的一点是,电商平台已经可以基于用户在营销参与过程中的行为,及时侦测并阻断用户的欺诈行为,比如反复推退订单。那么推广开来,首先应保障未来的营销策略模型可以在线实时的处理决策,另一点,可以形成针对营销过程的风险监测,比如对异常流量、点击、转化以及冲突人群的处理。

营销场景下的过程风险具备较为突出的明显特征,因为是典型的利益驱动的行为。最终要形成的是阻断能力,以降低成本。比如对羊毛党人群的识别,就是典型的对过程的详细监测和分析。再比如广告监测中的反欺诈,这在营销活动开始前是很难识别的,也需要在营销过程中进行监测和阻断。

营销后风险总结还原是调优

营销后风险,一方面是对过程中风险的验证和确认,另一方面,由于营销需要在线快速敏捷的迭代优化,也是对每一个营销小闭环验证的风险问题进行及时的策略补充。简单的说,就对营销过程风险进行验证,对营销前风险评估提供数据和评估。这就像信贷业务的负样本是很好的种子数据,可用于优化信贷模型和监测,调整信贷整体的获客和执行策略。

我们使用的黑名单就是这一类的典型,是对原始策略的调优,不同的是,这是真实发生的数据,而不是纯粹的策略制定。

很多时候,我们在营销的过程中很容易忽略风险问题,或者只重视过程中的开发、配合、沟通等风险,而一旦发生营销群体的风险问题,就只剩下最后的总结,却没有良好的监测和优化。

由此,我们也将在下一讲讨论实时化的监测和模型策略对于防控风险和营销策略调整的重要性。

听大佬说营销系列文章共计10篇,后续文章将持续在每周二连载更新,欢迎转发关注哟!

作者:TalkingData 于洋

本文转载自:中国营销网

封面图来源于网络,如有侵权,请联系删除

往期回顾:

听大佬说营销①丨10大突破点助力你的智能营销

听大佬说营销②丨没有数据分析的营销?怕是不行​​​​​​​​

听大佬说营销③丨营销策略需要专家经验,但不能只靠专家经验

听大佬说营销④丨缺乏预测和优化的营销策略只是造轮子

听大佬说营销⑤丨制定数据指标,规范还原你的营销现场

上一讲结尾我们谈到营销现场还原的问题,其核心就是营销数据要完整的回收。

首先明确一下,什么是营销数据?所谓营销数据就是从营销目的开始到最终结束全周期中形成的所有数据,涉及用户的达成、交易、销售、参与反馈行为、内容设计、权益补贴、通道时间、初始营销策略、监测指标等一系列的详细数据,力求还原营销现场。

在本系列的第一篇文章中,我们已经探讨了关于营销的局限性问题。我们重视营销结果的数据指标制定和监测,但却很少把营销全过程和反馈数据回收用于策略的迭代和优化。本文将重点探讨关于营销数据的制定、回收和使用的问题。

营销数据没有形成详细的收集

我们重视结果数据的收集,也就是与直接结果相关数据的监测收集,却忘记应该像收集用户行为数据一样详细收集用户在营销互动中产生的所有过程数据。所以你无从知道哪些用户在离开,用户又为何会离开,更无从知道对于这样一个糟糕的结果,该如何解决。因为我们缺少一面镜子来还原用户的详细旅程。

营销的数据评估指标是具备人为选择性和无法优化的

过去我们重视的是ROI和转化率、销售额、交易规模等结果性的营销指标,并作为评估效果好坏的尺度。但是这个尺度是相对的,因为我们没有Benchmark作为参照。Benchmark不是拿某一次营销的结果作为Benchmark,也不是所谓的平均法则,而是建立在长期稳健的营销策略基础上的基准。数据指标也是营销数据的一部分,但这部分数据作为结果性数据,无法作为策略或者模型的输入数据,重新进行营销策略的优化。

此外,营销数据的指标更多是基于人为选择的需要,制定了部分的数据指标来评估整体的效果。而这是远远不够的。

营销数据需要制定完整的规范

制定营销数据的规范,其价值在于向营销相关的策略模型或者决策算法提供输入的大量数据,这些数据包含过程数据、结果响应数据、原始策略规则数据等等。我们需要建立一套规范或者范式,来制定标准的整个营销数据的采集规范。比如营销的时间、频次、权益、触达时间、通道选择、客户规模、客群特质(标签)、每个客群响应概率、达成概率、成本价格、流程转化等等一系列与此相关的要素,都需要依据规范整理出来。

在规范的确立方面,有一套业务原则可以作为整体的营销数据采集指导,这套原则叫做OGSM。在营销数据的规范化采集时,力求通过这样的一套原则,将整个营销通过数据完整还原。

O(Objective)是最为核心的要素,因为所有现行的营销智能决策的平台和模型,都无法做到在没有业务输入的情况下开展决策机制,输出策略去营销。所以营销数据的规范和收集是贯穿整个全营销体系的,而不是只去收集结果数据的。O的核心是描述一个营销的战略诉求,比如对新客户形成转化,对存量客群进行促活,而这些也需要编辑到营销数据中,作为所有重要的营销数据的索引来使用。当营销决策模型或者专家经验进行策略输出时,我们需要知道的是过去有没有针对这个战略目标进行过数据收集和建设分析。

而G(Goal)的收集可以直观的从想提升或者转化的指标出发,数据化的标注和记录目标。这一点上,是将战略意义落实到具体行动上,具体指标的出现,其意义就是整个营销驱动要达成的指标。

而S(Strategy)则是营销的中台,营销策略在输出的时候确实只有营销目标人群ID,但是附属的信息是很多的,比如权益、通道、时间、冲突等等信息。如果营销数据可以对这部分的数据细化到对于客群的记录层面,那么将有利于在后续营销活动开展时获取更多要素,进行策略的升级。

M(Measure)其实解决的不单单是对于目标的监测,更重要的是如何将用户参与的过程、时间、波次等一系列行为完整记录下来。举个例子,我们通常在营销最后会获取到用户是否响应了该活动或者营销内容,但是没有把该响应或者未响应人群在此次营销过程的参与数据也一并获取,作为补充内容来分析和调整策略。

电商平台一般会监测用户的购物车,这一点其实就是对于过程数据的利用。因为通常电商平台向用户发送权益或者消息时,最初的目标是要产生购买转化,也就是交易额。但是电商平台去复盘和整理了用户参与营销的流程,比如重复浏览、加入购物车、选择收藏加入心愿单,则都是过程性的数据,并不是我们一般认为的结果响应数据。

而电商平台则会根据这些过程数据调整策略,比如会在购物车中提示商品现在比加入购物车时便宜多少,或者推送消息提示购物车中的商品降价了。而这部分并不是传统意义的结果导向的ROI数据,也被包括在监测的范围中。

不过也有人会提出质疑,说刚才所列举的场景是针对一个事件行为去做营销,这一点是正确的,但是和刚才所述的情况并不冲突。从每一个营销整体去看,我们设计的流程中客户反馈环节很多,我们需要把全流程的所有数据以一个营销整体的维度去看待。因为事件行为的营销属于枚举范畴,是在专家经验角度提升和提炼。但实际操作时,是要考虑原来的营销策略与该事件行为营销之间是否存在冲突和不合规的问题。

营销数据就是力求完整还原营销现场

在前面制定营销数据规范的部分已经提到了还原的问题,在此处强调的目的在于,还原是为了向人工专家经验提供支持,或者为模型算法提供数据。OGSM是方法的其中一种,从业务指导原则上也可以使用比如AAARRR方法论、增长理论、UGD等等。营销数据将在未来的营销自主决策中扮演着试金石的角色,它将为通过机器和人工形成的大量决策提供依据和测试基础。

此外,这些数据也将和最开始所收集的各个渠道、各种形态的数据混合到一起,作为原材料进行深度加工和策略支持。

最后还需要谈到一点,营销数据将在应对多渠道和角色之间发生的冲突仲裁方面扮演重要角色,也是重要的决策依据。营销一致性、体验一致性、实时性等问题也都赖于营销数据本身是否可以完整收集,以发挥决策价值。

下一讲中,我们将讨论营销数据如何参与策略优化的问题。

听大佬说营销系列文章共计10篇,后续文章将持续在每周二连载更新,欢迎转发关注哟!

作者:TalkingData 于洋

本文转载自:中国营销网

封面图来源于网络,如有侵权,请联系删除

往期回顾:

听大佬说营销①丨10大突破点助力你的智能营销

听大佬说营销②丨没有数据分析的营销?怕是不行​​​​​​​​

听大佬说营销③丨营销策略需要专家经验,但不能只靠专家经验

听大佬说营销④丨缺乏预测和优化的营销策略只是造轮子

活动邀请 | 《思变数说海内外·探索游戏渠道新机遇》

2018年游戏凛冬的到来,使无数游戏小公司倒下。随着版号重新开放,又让很多游戏厂商看到了春天。但即便拿到版号,还将面对游戏发行、渠道买量及推广等问题。国内寡头效应显著,核心流量聚集在头部媒体,零散流量又模糊不清。在此情形下,出海淘金成为越来越多游戏公司的选择。但海外市场游戏产品生存也并不乐观,面临着本地化困境、流量成本提升与变现压力增加等问题。

8月1日,TalkingData将在上海举办《思变数说海内外·探索游戏渠道新机遇》为主题的线上沙龙。诚邀TalkingData 游戏业务负责人 霍佳 、Facebook 游戏/App业务拓展负责人 周锐、游道易副总裁 孙可  、Newzoo 中国市场分析师 黄金金和17173 媒体集团  Analyst 黄诺,站在行业和出海的角度与来宾们分享前沿观点和实战经验。

活动详情

时间:8月1日(周四)13:30~16:30

地点:上海市·静安区  南京西路1649号静安公园8号楼2楼【好处MEETBEST】

报名方式

名额限量,即刻扫码报名

分享内容

①《思变数说海内外 探索游戏渠道新机遇》

分享人:霍佳    TalkingData 游戏业务负责人

前沿报告  实战案例

②《Facebook游戏全球化》

分享人:周锐  Facebook 游戏/App业务拓展负责人

出海趋势  实战案例

③《疯狂动物园三周年2亿用户,老游戏的新尝试》

分享人:孙可  游道易副总裁 负责游戏发行业务

营销推广  实战案例

④《海外游戏市场的现状与未来》

分享人:黄金金 Newzoo 中国市场分析师

出海趋势  前沿报告

⑤《类型游戏市场营销策略分享》

分享人:黄诺  17173 媒体集团  Analyst

营销策略  实战案例

嘉宾介绍

点此即可报名

机器学习无从下手?这份清单可以让你事半功倍

​​近来,愈来愈多的有趣应用让机器学习这个新兴的技术,进入了广大人民群众的眼帘,而且,越来越多的同学,也想学习机器学习的相关知识,但是却无从下手,本文罗列了一些机器学习的基础概念知识,方便大家入门哟。

数据挖掘流程

source:https://github.com/FavioVazquez/ds-cheatsheets

此网址还提供了其他众多涉及数学科学的cheat sheet,非常推荐。

算法的选择

source: https://scikit-learn.org/stable/tutorial/machine_learning_map/

source:https://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/

source:https://hackernoon.com/choosing-the-right-machine-learning-algorithm-68126944ce1f

SIGAI算法地图

source: http://www.tensorinfinity.com/paper_18.html

sklearn使用

source:https://www.datacamp.com/community/data-science-cheatsheets

此网页也提供了numpy,pandas, matplotlib,PySpark,Keras等module的使用方法。

有监督学习

source: https://github.com/afshinea/stanford-cs-229-machine-learning

无监督学习

source: https://github.com/afshinea/stanford-cs-229-machine-learning

模型评估指标

source: http://www.damienfrancois.be/blog/files/modelperfcheatsheet.pdf

更多关于数据科学的cheat sheet,可以参考:

  • https://github.com/FavioVazquez/ds-cheatsheets
  • https://github.com/soulmachine/machine-learning-cheat-sheet
  • https://www.analyticsvidhya.com/blog/2017/02/top-28-cheat-sheets-for-machine-learning-data-science-probability-sql-big-data/
  • https://medium.com/machine-learning-in-practice/cheat-sheet-of-machine-learning-and-python-and-math-cheat-sheets-a4afe4e791b6
  • https://static.coggle.it/diagram/WHeBqDIrJRk-kDDY/t/categories-of-algorithms-non-exhaustive

作者:程虹升

本文转载自: 数据分析1480

封面图来源于网络,如有侵权,请联系删除​​​​

如何称霸粉丝圈?牛人教你预测爱豆的歌曲热度

​​

各大音乐软件都有自己的排行榜,大多数通过播放量、分享、下载等进行计算排名,那么热门歌曲是不是有一定的规律?是旋律优美,还是歌词感人?我们看下Dorien是如何利用数据科学从不一样的角度——音频属性预测热门歌曲的。

正文

算法可以预测热门歌曲吗?让我们来探索如何使用音频特征构建热门歌曲分类器,正如我的文章Dance Hit Song Prediction所述(文末有链接)。

在我的博士研究期间,我看到了Pachet&Roi(2008)的一篇题为“热门歌曲科学还不是一门科学”的论文。我觉得很有趣,这使我开始探索是否可以预测热门歌曲。关于这个主题的研究非常有限,更完整的文献综述,请参阅Dance Hit Song Prediction(2014年)。我们觉得该模型的有效性可以通过专注于一个特定的流派来优化:舞曲。这对我来说是很直观的,因为不同的音乐类型的热门歌曲有着不同的特点。

数据集

为了进行热门歌曲预测,我们首先需要一个热门歌曲/非热门歌曲的数据集。热门歌曲的列表是很好找的,但不热门歌曲的列表却很难找。因此,我们决定改为对热门列表中的高排名和低排名歌曲进行分类。我们进行了一些实验来看哪种分割效果最好,如表1所示,这产生了三个数据集(D1,D2和D3):

表1 - 来自Herremans等人的热门数据集(2014年)表1 – 来自Herremans等人的热门数据集(2014年)

每个数据集类的分布都有略微的不平衡:

图1 - Herremans等人的类分布(2014年)图1 – Herremans等人的类分布(2014年)

热门歌曲列表的两个来源是:Billboard(BB)和Original Charts Company(OCC)。下表显示了收集的热门歌曲数量。请注意,歌曲会在排行榜停留数周,因此独特歌曲的数量要小得多:

表2 - 来自Herremans等人的热门数据集(2014年)表2 – 来自Herremans等人的热门数据集(2014年)

现在我们有了一个歌曲列表,还需要它们的音频特征。我们使用The EchoNest Analyzer(Jehan和DesRoches,2012)来提取一些音频特征。这个漂亮的API允许我们根据艺术家姓名和歌曲标题获得许多音频特征(Echo Nest由Spotify收购,现已集成到Spotify API中)。看看我们提取了什么:

标准音频功能

包括持续时间,速度,时间戳,模式(主要(1)或次要(0)),Key,响度,可舞蹈性(由回声巢计算,基于节拍强度,节奏稳定性,整体节奏等等,能量(由回声巢计算,基于响度和段持续时间)。

新的时间特征

由于歌曲随时间而变化,我们根据Schindler&Rauber(2012)添加了许多时间上聚合的特征。它们包括~1s段的平均值,方差,最小值,最大值,范围和80百分位数。这是为了以下特征:

  • Timbre:音频音调色的PCA基向量(13维)。一种13维的矢量,它捕获歌曲每一段的音调颜色。
  • 节拍差异:节拍之间的时间。

好哒!现在我们有一个很好的音频特征集合,以及他们的顶部图表位置。像任何一个好的数据科学项目应该开始一样,让我们做一些数据可视化。我们注意到的第一件事是点击量随时间变化。十年前的热门歌曲不一定是今天的热门歌曲。随着时间的推移,当我们将我们的特征形象化时,这就变得明显了:

图2 - Herremans等人的交互式气泡图。(2014)图2 – Herremans等人的交互式气泡图。(2014)

有趣的是,我们看到舞曲的热门歌曲变得更短,更响亮,并且根据EchoNest的“舞蹈”特征,不是那么让人可以跳起舞来!

图3 - Herremans等人随时间推移的热门特征的演变(2014年)图3 – Herremans等人随时间推移的热门特征的演变(2014年)

有关特征完整可视化,请查看我关于可视化热门歌曲的简短文章:

http://dorienherremans.com/sites/default/files/dh_visualiation_preprint_0.pdf

http://musiceye.dorienherremans.com/clustering.html

模型

我们探索了两种类型的模型:可理解模型和黑盒模型。正如预料,后者更有效率,但前者让我们可以深入了解为什么一首歌可以成为热门歌曲。

决策树(C4.5)

为了使决策树适合页面,我将修剪设置为高。这使得树很小且易于理解,但是在D1上的AUC低至0.54。我们看到只有时间特征留下来了!这意味着他们一定很重要。特别是Timbre 3(PCA音色矢量的第三维)反映的重点(锐度),似乎对预测热门歌曲有影响。

图4 - Herremans等人的决策树(2014年)图4 – Herremans等人的决策树(2014年)

基于规则的模型

使用RIPPER,可以得到一个与决策树非常相似的规则集。Timbre 3再次出现。这次,我们的AUC在D1上为0.54。

表3 - Herremans等人的规则集(2014年)表3 – Herremans等人的规则集(2014年)

朴素贝叶斯,Logistic回归,支持向量机(SVM)

有关这些技术的简单描述,请参阅 Dance Hit Song Prediction

最终结果

在进入结果之前,我应该强调在这里使用一般分类“准确性”是没有意义的,因为这些类是不平衡的(见图1)。如果要使用准确性,则应该是特定于类的。这是一个常见的错误,但要记住这一点非常重要。因此我们使用ROC和AUC和混淆矩阵来正确评估模型。

10折交叉验证

我们获得了数据集1(D1)和数据集2(D2)的最佳结果,没有特征选择(我们在遗传搜索中使用了CfsSubsetEval)。所有特征在训练前都已标准化。由于D3在热门和不热门之间具有最小的“分裂”,因此这种结果是有意义的。总体而言,逻辑回归表现最佳。

表4 - Herremans等人的 AUC结果(2014年),有/没有特征选择(FS)表4 – Herremans等人的 AUC结果(2014年),有/没有特征选择(FS)

看下面的ROC曲线,我们看到模型优于随机预言机(对角线)。

图5 -来自Herremans等人的 Logistic回归的ROC (2014年)图5 -来自Herremans等人的 Logistic回归的ROC (2014年)

通过查看混淆矩阵可以看出分类准确性的细节,这表明正确识别不热门的歌曲并不容易!但是,热门的正确识别率可达68%。

表5-来自Herremans等人的 Logistic回归的混淆矩阵(2014年)表5-来自Herremans等人的 Logistic回归的混淆矩阵(2014年)

超时测试集

我们还使用了按时间顺序排列的“新”歌曲作为测试集,而不是10折交叉验证。这可以让性能进一步提升:

表6-来自Herremans等人的分裂与10倍CV的AUC (2014年)表6-来自Herremans等人的分裂与10倍CV的AUC (2014年)

有趣的是,该模型可以更好地预测新歌。导致这种偏斜的原因是什么?也许它学会了预测趋势是如何随时间变化的?未来的研究应该着眼于,随着时间的推移音乐偏好的演变。

结论

仅关注音频特征,Dance Hit Song Prediction预测了,如果一首歌的AUC达到80%,将会进入热门歌曲前10名。我们能做得更好吗?可能的!我们在本研究中所看到的特征是有限的,因此要通过使用低级和高级音乐特征来扩展它,可以实现更高的精度。此外,在后续研究中,我研究了社交网络对热门预测产生的重大影响(Herremans&Bergmans,2017)。


相关链接

  • Data science for hit song prediction

https://towardsdatascience.com/data-science-for-hit-song-prediction-32370f0759c1

  • Dance Hit Song Prediction

https://www.tandfonline.com/doi/abs/10.1080/09298215.2014.881888?casa_token=w0GGhjQd194AAAAA%3AV_YGtWJeIR869x4fYUfyyfFrPiCWhb56ddybPADsO9s9D-k8WaTZI4ADKxgILlufl3UbICsVZEWB5Q&journalCode=nnmr20


参考文献

  • Herremans, D., Martens, D., &Sörensen, K. (2014). Dance hit song prediction. Journal of NewMusic Research, 43(3),291–302. [https://arxiv.org/pdf/1905.08076.pdf]
  • Herremans, D., & Bergmans, T.(2017). Hit song prediction based on early adopter data and audio features. The18th International Society for Music Information Retrieval Conference (ISMIR)—Late Breaking Demo. Shuzou,China [preprint link]
  • Herremans D., Lauwers W.. 2017.Visualizing the evolution of alternative hit charts. The 18th InternationalSociety for Music Information Retrieval Conference (ISMIR)—Late Breaking Demo. Shuzou,China [preprint link]
  • Jehan T. and DesRoches D. 2012. EchoNestAnalyzer Documentation, URLdeveloper.echonest.com/docs/v4/_static/AnalyzeDocumentation. pdf
  • Pachet, F., & Roy, P. (2008,September). Hit Song Science Is Not Yet a Science. In ISMIR(pp. 355–360).
  • Schindler, A., & Rauber, A. (2012,October). Capturing the temporal domain in echonest features for improvedclassification effectiveness. In InternationalWorkshop on Adaptive Multimedia Retrieval (pp. 214–227).Springer, Cham.

作者:Dorien Herremans博士 – dorienherremans.com,新加坡科技与设计大学助理教授,负责人工智能音乐和音频实验室。

本文选自:towardsdatascience

本文转载自:TalkingData数据学堂

封面图来源:pexels by Rene Asmussen


点此阅读英文原文​​​​

CRM、DMP、MMH、CDP…都是啥?怎么选?

​​听说上周我们发的营销黑话,就和大上海的垃圾分类一样,让人摸不清头脑,也让不少营销人员“翻了车”,每天都有很多童鞋通过后台问CRM、DMP、MMH、CDP更加准确的定位是什么……今天,答案揭晓!想知道,就请继续往下阅读吧!

线上流量增长见顶、人口红利褪去、消费者需求日益多元化,时代演进已引发一系列连锁反应。企业营销究竟是更难做了,还是价值空间更大了?面对层出不穷的营销新概念与新技术,企业该如何选择?

今天,TalkingData正式发布《企业智能营销技术白皮书》(以下简称《白皮书》),对目前主流和新兴的营销技术概念进行深入解读,分析市场背景与发展现状,厘清定位差异与能力侧重,并对企业营销数字化转型路径给出专业建议,为企业选择匹配自身需求的营销技术方案、做好数据驱动的智能营销提供重要参考。

各种营销技术间的关系如何?《白皮书》用一张图进行了概括:

图片来自:《企业智能营销技术白皮书》整理图片来自:《企业智能营销技术白皮书》整理

从CRM一枝独秀到MarTech百花齐放

CRM(Customer Relationship Management,客户关系管理)诞生于近40年前,最初只是单一产品,在很长时间里是面向销售、营销的技术能力的唯一选择。

进入21世纪,技术发展突飞猛进,数据来源、数据维度、营销渠道、营销场景等极大丰富,为了满足不同需求演变出众多更为智能化、精细化的技术能力,营销云、DMP、MMH、CDP等纷纷出现。

2011年,Scott Brinker提出了“MarTech”概念,将所有与营销相关的技术能力概括其中,也成为营销领域最受关注的市场之一。《白皮书》中提到,据2019年最新MarTech全景图,全球MarTech服务商已超过7000家,整体生态在不到10年间成长了近50倍。

图片来自:Marketing Technology Landscape Supergraphic (2019) 高清大图请查看:htt图片来自:Marketing Technology Landscape Supergraphic (2019) 高清大图请查看:htt

MMH的兴起与私域流量运营

目前,很多供应商会将多种MarTech能力打包成一整套技术解决方案,称之为营销云(Marketing Cloud)。而所涉及的多渠道营销中枢、数据管理、统计分析、渠道触达等MarTech能力又可以作为独立平台方案单独提供。

《白皮书》分析,近两年获客成本持续提升,迫使企业将营销重点从“拉新”转向“运营”。侧重已有客户运营、挖掘企业内生流量价值的“私域流量运营”成为颇受关注的概念,也为国内MMH市场的兴起提供了土壤。

图片来自:《企业智能营销技术白皮书》整理图片来自:《企业智能营销技术白皮书》整理

MMH(Multi-Chanel Marketing Hub,多渠道营销中枢)是针对多渠道客户交互的应用领域,由Gartner在2018年提出,并日益受到重视。《白皮书》认为,MMH扮演了企业“营销策略中台”的角色,帮助企业将纷繁的MarTech应用与碎片化的客户体验统一起来,最大化客户全生命周期价值。而CDP(Customer Data Platform,客户数据平台)则是MMH的基础,负责管理多渠道的客户数据和客户细分,支持营销策略的构建、执行、分析和优化。据《白皮书》估计,MMH在国内面对的市场规模可能达到500-700亿人民币。

企业营销数字化转型之路

《白皮书》认为,企业数字化转型的核心目标其实在于实现“数据和智能驱动的决策”,并将企业营销数字化转型路径分为业务数据化、数据资产化、资产场景化、场景智能化四大阶段。同时也提到,这四个阶段并非一定依次递进,而可能针对不同的业务场景同时存在,企业需要根据自身的实际情况和对未来发展的规划,选择相匹配的营销数字化解决方案。

通过近年来与各行业企业的合作,TalkingData深刻感受企业在营销实践中遇到的各种困难与挑战,也积累了助力企业营销数字化转型的丰富经验,该《白皮书》正是在基于此撰写而成。希望通过《白皮书》为企业提供参考,探索适合自身情况的以客户关系为核心、以数据为基础的智能化营销道路。

点击这里下载《企业智能营销技术白皮书》​​​​

听大佬说营销④丨缺乏预测和优化的营销策略只是造轮子

​​

在本系列的第一篇文章中,我们谈到营销的第三个局限性就是营销的策略缺少预测和优化。

营销策略无法进行预测和优化

所有的营销策略落地实施的前提,是具备预测效果和备选的优化方案。然而我们看到的是,多数营销策略并没有告诉领导者预期的转化目标和效果,就更不用提优化方案。根本上的原因在于,由于过度依赖人工重复劳动来解决问题,大量的营销实践没有被积累和规模化的监测,这也就无从有benchmark作为参照来进行优化了。

营销数据没有参与策略的优化

即使此刻我们知道营销效果不好,却无能为力,也因此我们觉得下次不要做同样的事了,但却永远在造轮子。其实一年做几千个活动并不是好事,因为并不知道到底什么活动对用户来说是最有效的,关键在于没有形成真正有效而严谨可复制的营销模式和策略。导致这一切的其中一个原因,是并没有利用营销数据去回溯到最开始的策略模型,对其进行复盘和迭代优化。

上一篇我们谈到了专家经验,无论是依靠专家经验还是通过算法或者模型去迭代,我们必须要对所执行策略的预期做出预测,简单说就是要做到胸有成竹。我们知道,所有模型在计算结果落地时,都会计算响应的概率,即每一组或者每一个用户的评分,用于对模型的应用效果进行监控和评估。由此看,我们需要对所有营销策略都进行评估,不单纯是计算响应概率,同时面向应用人员和管理者提供预测结果,比如转化率、销售额、交易量等。

预测的目的是方便调整营销策略

当我们基于专家经验和模型构建了海量的策略之后,会存在一些问题,比如营销目标人群分组过细,多组、多渠道的营销交叉命中同一组人群。一方面我们可以采取冲突仲裁的机制来进行中转解决,另一方面则是基于人工经验进行最终的剪枝。但是此处的剪枝,不是纯粹的人工经验来实践,而是要通过对构建的营销策略进行预测分析,来计算每一组的预期转化率和效果。但是最终的尺度一大半是要通过人来完成审批和下发,而另一些则是通过整体营销平台的自学习能力,确立最后的执行策略。

我们需要有Benchmark来辅助

Benchmark在整个营销策略构建的过程中,充当着专家经验的角色,只不过Benchmark更多的是通过对营销结果数据进行监测、分析和回收,来获取相似策略或者相同策略的历史执行效果。这些Benchmark将为营销策略的制定、剪枝合并提供基本的数据支持。不过,现实的情况是,我们并没有有效的收集这些营销数据的结果、建立Benchmark体系。通常情况下,如果单次营销活动中形成的转化数据效果不佳,基本上就不再重复优化和再次投放尝试,而对于所谓的不佳评估缺乏准绳和尺度。

另一点需要注意的是,纯粹结果论,会忽略执行过程中的问题,比如因为页面或者出发体验的问题,造成了结果不理想,所以在Benchmark的积累过程中,要充分考虑过程转化的问题。因为营销策略所给出的预测转化,并不完全考虑在实际触达执行过程中存在的问题,只是对最终结果进行预测。举个例子,比如通过电销呼叫进行营销,则存在在客服团队执行期间受到外部政策和投诉的影响,造成效果有所折损;而如果不考虑这一点,则会发现预测与实际的效果有较大的差距,但如果Benchmark的存在考虑到了这些过程因素,则能很好的帮助解释和评判。

机器学习造就的策略比例增加是必须依赖于评估

我们希望,营销策略未来有极大比例是通过大量数据的输入,再结合机器学习的算法完成最终策略的制定。但是在此种情况下,我们会发现,这时候的策略不具备一定的解释性,人工经验无法直接来判断策略是否合理。

一方面,我们的选择是放任去执行,依托于快速实验形成的反馈数据进行自学习和迭代优化,注意这种情况一般是没有历史数据作为参照,预测的机制恐怕难以形成。在此种情况下,我们可以依赖于标签的作用来进行解释和迭代优化。因为即使再先进的营销策略,最终都是输出名单的,基于过往映射到这些名单上的标签,辅助认识机器构建的人群特点。而此时的标签不再是纯粹用于人群的筛选。而过去这些标签的响应和转化似乎可以是进行一定预测的基础。

另一方面,即使是通过机器学习算法实现的策略建设,通过过往的大量相同步目标营销达成的数据转化情况和营销数据,对这些策略进行修正。当营销逐渐有一定比例不完全是由人工经验生成时,我们没有必要知道过程原理,但是我们一定要知道和可以评估这种策略背后的预期达成效果。

算法模型很关键,但是营销数据收集更关键

营销策略的构建和优化是一个持续的过程,在营销开始阶段构建了原始的策略,这时候依赖的是目标输入、历史数据经验和模型算法本身的作用。而此后如果可以有效的收集营销数据,即完整的回收和还原营销现场,再将这些数据重新作用于算法模型,那么此时就形成了一次新的营销策略的优化和效果的预测。而这个过程是一直持续的进行,不断闭环迭代。

理想的营销效果,是在营销过程中通过不断的过程优化实现不断提升,一旦发现下一次的营销已经无法达到现在的营销效果水平时,迭代基本上就停止了,因为这可能就是目前最稳健、最好的效果,但是并不是整体营销的最佳效果。

所以从机制上讲,我们都清楚闭环迭代很关键,A/B 测试很关键,策略相关的模型算法很关键,但是更关键的基础就是能否将整体营销数据全部回收来,作为下一次迭代、预测的基础。所以一个无法忽视的最基本事实,就是要尽可能收集数据去还原每一次的营销现场。

关于这一部分,我们将在下一讲中详细讨论。

听大佬说营销系列文章共计10篇,后续文章将持续在每周二连载更新,欢迎转发关注哟!

作者:TalkingData 于洋

本文转载自:中国营销网

封面图来源于网络,如有侵权,请联系删除

推荐阅读:

听大佬说营销①丨10大突破点助力你的智能营销

听大佬说营销②丨没有数据分析的营销?怕是不行​​​​​​​​