营销策划公司方法论：小微企业如何实现智能营销？

科特勒提出营销4.0，营销的发展趋势已经从核心产品的聚焦点转移到了核心用户的聚焦点，场景化、定制化、个性化、社群化的营销成为当下更有效的营销模式。

同时，营销策划发展的路径已经从产品驱动营销发展到广告驱动营销发展到现在的数据+技术驱动营销。

传统营销模型，我把它归纳为“手工数据分析+策略创意输出+广告渠道传媒+美陈物料搭建”，这是传统营销核心四板斧，在技术上CRM可能成为传统营销模型里“最”具技术性的工具。 

而数字营销模型，我把它归纳为“智能数据分析+策略创意输出+数字媒介传播+深度技术工具”，技术平台由CRM迭变为DMP，例如APP联盟、魔盒广告等均属于大数据类DMP平台。我把它叫营销策划的“新四板”。 这与传统四板斧已大相径庭，消费升级和用户疲劳以及用户群体的变革给当下营销带来了不少的挑战，所以营销策划已经越来越与深度技术结合应用。

什么是大数据营销？

用说人话的语言概括，就是根据企业需求的精准用户，通过技术平台、工具对互联网及线下一切可挖掘的数据进行分析筛选，开展智能化、个性化、定制化、精准化的营销应用场景的营销过程。

简单理解就是“深度数据分析+智能营销模型”。

这里要区分两点：

第一，大数据营销不同于数据营销和数据库营销，数据营销与数据库营销是指把可挖掘的用户数据通过分析整理然后开展营销活动，而大数据在这个基础上更偏重多元数据，即一切可挖掘的用户数据；

第二，大数据营销偏向结合技术应用场景，更加智能化。

头部数据公司已经大力研发投入大数据营销平台。

阿里巴巴在2016年就发布智能营销引擎OCP-X，腾讯在2017年就发布“智能+”腾讯营销云，百度在2018年推出Omni Marketing智能营销平台。

头部4A公司应用也并未落后：蓝色光标早在2015年就开始研发BlueView智能营销系统，品有互动在2018年也联合京东云共同打造AI营销决策平台Matrix智麦。 

在企业营销过程中，老板都有一个大痛点：

流量稀缺、流量贵、获客成本高、有效流量少。

那我们怎么解决？如何低成本传播，如何精准引流？

大数据营销就是一剂良药，但是大数据平台开发成本高、技术与营销的结合深度不够，也会同样造成流量稀缺、流量贵、获客成本高、有效流量少，这就是一个多数在营销上不专业企业对于营销投入的恶性循环事实。

那现在第二个大痛点又来了：对于上市企业、集团公司或许他们财力允许，拥有强力营销和技术团队就可研究大数据营销平台，但是对于我们中小微企业，或许从财力、人力、时间成本上都不允许。

传统行业如何通过大数据分析企业营销策划？

昨天与5年前的营销策划心目中的“大咖”聊了聊营销策划，殊不知，聊的这一套还是5年前的思维、5年前的打法。做营销策划，必须得与时俱进。大数据分析，就是营销策划很重要的一个新工具。对，他是一个工具，更是一种思维。所以还是强调那一点：客户分析很重要。

数据分析本身是一个过程。数据分析是企业的一种能力；数据分析本身是一个过程；数据分析的本质是一种思想。

首先，想要分析数据你要获取数据。获取数据这个过程如果是线上还相对容易，如果是线下就非常复杂，这也是为什么现在实体行业推进“互联网+”如此缓慢的一个原因。

其次，得到数据之后，如何整理才能让数据变成信息，也是个“技术活”。这里涉及到数据的清洗、整理、关联等等问题，最麻烦的还不是做这些工作，而是随着我们对数据认识的加深，这些工作总是不定时地就要返工修缮一遍——这也是没有办法的事情！

再次，数据整理得到的信息是海量的，需要经过加工、提取、抽象等操作，提炼成为各项知识被人脑理解、吸收，这个过程就涉及到各种分析方法的使用，而且这也是个随着对业务认识的加深而逐渐复杂的过程，金融领域的风控模型、宏观经济领域的福利模型等等，都是发展多年并逐步演进的例子。

最后，人们在各个业务领域通过数据得到知识，在很多情况下可以重复应用在不同的领域，并与其他领域的知识相融合，形成新的生产生活方式。每个领域的知识内容如何相互融合，也是一个需要长期实践和探索的过程，“产品”这一概念从诞生到现在的发展过程，就是一个很好的例子。

把上述过程做了一个简单的比喻帮助大家理解：

采集到的原始数据就像是一个一个的沙砾，在没有任何整合的情况下都是“一堆一堆的”；

数据处理的过程就是把沙堆中的杂质去掉，把每种颜色的沙砾区分开，再通过不同的工艺使其成为不同的砖块；

每个砖块在建造数据大厦的过程中都有不同的用处，我们会按照图纸（就是数据分析体系）将不同的砖块用在适当的建筑位置上；

数据大厦构建完成后，每个房间里面要完成的工作都各不相同，到底如何运用，就要看大厦使用者的安排了。

那么，我们就来看看企业到底要做些什么，才能完成从数据采集到智慧积累的这一过程。

企业营销策划或者活动策划时具体怎样操作来实现？我们有几个层级需要搭建。

“基础IT系统”，这里主要指的就是我们各个企业在实际生产中使用的软件系统及其配套的硬件设备，如：网络世界中的一串串抓取代码，真实世界中的诸如医院里的医学影像设备和其他传感器、探测器，财务使用的财务管理软件等等，这些系统解决了我们口中的“数据采集”问题，正是因为有了这些基础的IT系统（包括软件和硬件），我们才能将生活中的所有一切数字化、可度量。

解决了最基本的“数据采集”问题之后，是不是意味这我们就有数据了呢？NO！从数据采集系统中拿到的信息有这样几个特点：割裂的、碎片化的、无序的，它们必须经过处理之后才能用于使用，因而我们需要进入到下一个阶段“数据集中与标准化”。

在“数据集中与标准化”这一层级中，我们要实现的是数据的集中管理与相互融合，打破数据壁垒，让数据能够正常地在企业内流动。如果把数据比作企业运营的血液，那么我们要做的就是打通所有的血管，让血液自由地流动。

因而，这一阶段的工作并不只是“数据集中”和“数据标准化”两件事情，需要做的内容大概包括：

 1、数据清理。这个步骤解决的问题是将系统采集到的内容转化为人类能够理解的数据内容，主要有两个方面：一是清理原始数据，使之完整、干净无杂质；二是将采集到的一些编码信息转化为人能看懂的文字、数字等数据。

2、数据逻辑和数据结构的搭建。每个系统中的数据描述的都只是企业业务流程中的一部分，因此梳理业务流程，按照业务流程找到各个系统之间数据的衔接点，从而实现多领域数据的关联。

根据业务逻辑，需要将数据分别划分为多少类？每一类的字段、纬度、统计周期等都是什么样的？每一类数据需要多少层汇总？……这些问题首先将数据从采集的清单分离出来，成为一个个数据体系；

解决了数据关联和标准化的问题之后，我们下一步要解决的问题是：如何能让大家看到数据？

最简单直接的方法是“数据报表”。对，就是按照日常业务使用习惯，构建各种表格，在表格中填写大量的数据。有的企业是手工制作报表，有的企业使用IT工具制作报表，有的企业则进入到了数据可视化的阶段，什么方式实现的不重要，重要的是将数据报表做出来呈现给用户进行使用。

数据可视化是随着数据图形化展现技术发展起来的，它的功能不仅仅是展示数据，它还将很多数据分析的方法、维度、样式与基础数据相结合，以更加形象和贴近业务应用场景的方式向用户展示数据要表达的内容或问题。

产品和运营分析，首先要满足的就是日常数据的监控：高了？低了？为什么高？为什么低？数据的变动能否说明我们的产品和运营在往好的方向变化？如果变化是好的，我们如何继续保持？如果是不好的，那是什么原因造成的？如何改正？——这些是日常数据监控过程中，业务人员最常问的一些问题，解决这些问题是日常分析报告最主要的工作。

其次，当日常分析已经成为例行工作的一部分之后，企业的产品和业务人员就会发现简单的日常分析无法解释很多复杂的现象和问题，这就需要对用户、产品、渠道、市场、需求等等方面进行深入的分析和研究。在这个过程中，很多针对具体业务情况的分析专题和数据模型应运而生，这些专题和模型帮助企业更好地认识我们的市场，扑捉客户和潜在的商机。这其中最具代表性的例子就是“用户画像”。 

最后，根据日常分析和各种深入分析的结论，我们能知道诸如：这个营业厅发展的用户质量很差，需要核实这些用户行为的真实性；在XX环节中，耗费的人工工时较长，需要看看是改进该环节的人员配置还是存在其他问题……如此种种从数据中反映的问题，最后都会归结为各种管理、运营、营销等方面的问题。如何应用数据结论去解决问题，则需要依靠业务人员的经验了。

在“产品和运营分析”层级中积累的分析思路和分析方法，大多是分散的、点状的。在“精细化运营”这一层级，所有的分析不再相互孤立，而是更多地以一个实际业务场景为基础，在该业务场景下从“如何感知识别”，到“如何筛选用户”，再到“如何营销配合”，从而实现该场景下全部过程的统筹管理。

在这个过程中，数据分析不再只是分析报告、数据图表，它成为人们构建这个流程的一种贯穿始终的思想，流程中的每个环节都会有数据分析甚至数据挖掘的内容存在，以数据的结果驱动产品、渠道、投入资源等等内容的配合，共同构成该业务场景下的完整业务流程。当然，这一流程不能是靠手工来完成，一定是自动化的，人只是这一流程中起决策作用的节点而已。

更有甚者，将多个业务场景下的数据驱动过程进行组合，就形成了诸如“用户生命周期管理”、“会员运营体系”这样的数据应用集合。

如果企业中每个领域都能建设起来多个数据应用集合，那么这些集合就基本能够支撑其企业的主要运行管理工作。

数据产品在我看来不是企业数据能力建设最终要实现的目标，它只是企业将内部数据价值变现的众多方式中的一种。

实体行业的数据产品很多时候是因为企业内部的数据能力成长到一定阶段，企业某些内部数据及分析方法已经具备了独立变现的条件，因而被企业单独拿出来作为一类产品提供到市场，从而形成我们所理解的数据产品。

那什么样的适用中小微企业类型的大数据营销模型呢？

营销策划公司怎样通过大数据营销解决上述流量稀缺、流量贵、获客成本高、有效流量少营销难题呢？

大数据营销基本模型图谱-大瀚营销整理

一 数据源收集

数据收集是源头。营销策划，策划先行；大数据营销，源数据先行。数据源解决的营销策划的流量稀缺问题。

用户数据源收集不一定是局限于有效电话号码，Mac、网页Cookie、IP地址、社交ID账号均为有效数据源。 

1、四大数据源

1）第一方数据收集，即甲方自由平台及历史数据；

2）第二方数据收集，用户量大、可挖掘价值高的第二方平台，如天猫、京东、阿里巴巴、爱奇艺、携程等；

3）第三方数据收集，如百度、易观大数据等专业数据公司；

4）开放数据平台，如中商研究院、产业信息网、艾瑞以及利用抓取工具在搜索引擎可抓取数据平台。 

2、抓取工具

Python、ETL等。

二 数据分析与匹配

1、数据转化

有了数据源，我们得将数据源转化成可识别数据。例如，Mac、网页Cookie、IP地址、社交ID账号转化为有效字符串就是一种最常用方式。

数据转化工具：Datastage等。 

2、数据分析

数据转化完成后，要开始市场人的重要工作了：数据分析。

数据分析我们提供两个工具：3C9宫格用户画像、360°客户全景图。 

1）3C9宫格用户画像

用户数据我们可拆分为用户元数据、用户行为数据、用户态度数据三大数据类型（文内不详讲）。

2）360°客户全景图

5W1H模型：What、Where、When、Who、How（文内不详讲）。

分析工具：SAS、Matlab等。 

3、数据匹配

数据匹配就像找对象配对一个道理，要找到咱们的精准目标用户，这才是关键。所以用户匹配解决了获客成本高的问题。数据匹配是通过精准用户画像分析后的算法实现，根据用户3级标签匹配出企业目标用户群体。

三 数据策略创意

数据策略即营销策划的策略，我们有了精准数据，如何输出创意、内容的表现形式、内容的承载工具、内容的推送场景在这个时候就要发挥重要作用了，策略策划是营销策划环节中至关重要的环节。关于营销策划的策略层面可参考深圳大瀚营销策划公司前期推文，在此不详术。

策略辅助工具

A/B Tester、百度脑图等。（注：策略层面更多靠人，而非工具。）

四 数据应用

数据应用即开展相应营销活动，此营销活动并非活动营销，而是一切以达成营销目标为目的营销传播过程。

应用方式有软文、H5、开屏、贴片、Feeds、视频、Banner、表单等多种形式及组合。

例如我们通过LBS技术抓取到用户Mac，我们Mac转化为微信ID，然后进行用户3级标签的匹配，然后在利用广点通传播平台精准推送，推送内容为视频H5，那这个用户就会精准在设定时间范围、设定的场景范围内收到营销内容，这就是一个简单的程序化应用例子。

五 坪效监测及优化

广告界和营销策划公司有一个理论：媒体广告的投放费用，有一半是无效的。没错，为什么有一半一直是无效的，问题就在于没人知道无效的到底是哪一半。大数据营销就能解决这个问题，这就解决了刚才说到的有效流量少的问题。

坪效监测即针对数据源、有效触达率、关注度、流量精准度、流量转化率进行全方位评估和监测，如声量诊断、舆情监控、舆情传播路径、传播节点、节点调性、情感提炼等数据，再根据监控数据得出优化解决方案的一个过程，但是这是很多企业在做营销投入后被忽略的环节。

监测辅助工具：

百度司南、Webtrends（WEB/WAP/APP均可）、Webtrekk Suite（WEB/WAP/APP均可）等。

大数据是一个庞大的系统化营销工程，营销策划公司大瀚营销并非一朝一夕就能解决企业营销难题，但是对于中小企业，我们需要不断探索，不断利用数据和技术的力量驱动企业营销的推进。

部分图片来源于网络，若有侵权请联系删除。

深圳营销策划公司大瀚营销著作权所有，如需转载请注明出处。