1704273140
1704273141
1704273142
1704273143
客户旅程究竟将我们引向何方？
1704273144
1704273145
客户旅程是一个客户所有“触点”的集合。大数据在市场营销方面许下的最大诺言是：基于充足的数据，我们可以估算出每一个客户在“客户旅程”中的行为顺序，并引导这些行为向有利于我们的方向发展。谷歌和苹果宣称它们可以做到这一点，并宣称这样对它们的数字产品有好处。此外，就没有人再能够做到这样了，就连亚马逊也不行。
1704273146
1704273147
在可预见的时期内，在大多数市场领域，我们并不认为单一客户的“客户旅程”是可以全然被预测并操纵的。不同客户的“客户旅程”是完全不同的，它与情境密切相关，且十分复杂，已经超越了我们当下能够近似模拟的程度。甚至连客户自己也不清楚自己“客户旅程”的下一步是怎样的。每一个客户在每一次购买决策之前，都越来越频繁地改变选择方向和购买目标，走了未预见到的捷径或者弯路，迷失在决策逻辑中，或者选择了其他种类的商品。总之，详细地去分析个人的“客户旅程”的效果低于预期，且与运营费用投入无关。很快就会产生边际效应。
1704273148
1704273149
然而，如果把“客户旅程”概念作为总体方向性框架或者至少是一种思维模式来看，却是十分有价值的。它可以帮助我们确定，在每一次我们与客户具体接触时，客户处于“旅程”的哪一个阶段。某一客户是刚开始对一个商品感兴趣，还是对某一个商品的兴趣已经逐渐增强；是已经开始考虑购买，还是说仅需再营销一下就肯购买了。它能够帮助我们建立与客户新的“触点”，检测这些“触点”在“旅程”中的意义与作用，同时，随着时间的推移，我们可以更好地了解客户喜好。更重要的是，通过早期并持续地关注“客户旅程”概念，我们得以对“客户旅程”与“触点”概念有更好的理解，不会因无知而在新的数字化或者固定“触点”（例如App或者分支机构）方面大量投入，致使企业遭受损失。目前，企业在理论层面发现了很多“客户触点”，并在从理论向实践转化方面进行了大量投资。但遗憾的是，这些投资决策并没有考虑到这些“触点”是不是客户所希望的，这些“触点”在“客户旅程”中发挥什么样的作用，同样，也没有衡量这些“触点”的效用。举个例子，如果我是一个汽车生产商，只有当我清楚了，固定的贸易基地将来会在“客户旅程”中发挥怎样的作用，我才会知道如何去安排和设计这些基地（可以将贸易基地与数据化“触点”相结合，例如在贸易基地中使用“组态程序”来测算汽车贸易商的到店频率，还可以在贸易基地中安装电话会议设备），才会知道我需要保有多少基地才够用。我们并不是通过在方案设计阶段不停地思考来获得这些问题的答案的，而是通过在一开始就智能地利用数据，不断进行试验，同时分析试验的结果。
1704273150
1704273151
以智能数据为基础的市场营销会分析每一个“触点”的数据，在策划市场营销手段的时候会参考分析结果。我们需要始终去关注，采取某种市场策略是否值得。我们不需要去满足每一个我们认为有价值的客户需求，因为这样做成本太高。聪明的企业会为客户提供多种选择，去塑造客户的“客户旅程”，使之向企业所期望的方向发展。
1704273152
1704273153
根据简单的逻辑，团队就可以将已有及可能的“触点”划分先后顺序：
1704273154
1704273155
1.哪些“触点”对哪些目标客户群体是真正重要的？
1704273156
1704273157
2.哪些因素会加速或延缓“客户旅程”，且客户会在后续“旅程”中仍然需要这些因素？
1704273158
1704273159
3.在一个客户聚类中，在每一个“触点”，哪些因素可促成购买？
1704273160
1704273161
4.在每一个“触点”，我们可以通过采取哪些措施提升市场营销效果？
1704273162
1704273163
就这样，就是这么简单！此外，还有一个关键点：
1704273164
1704273165
5.需要为在每个“触点”上采取的每个措施界定一个衡量效果的标准。只有在一个“触点”起到的作用很清晰的情况下，我们才能够理解它在“客户旅程”中的功能定位。如果我们无法去界定在某个“触点”上采取的一个或多个措施有效与否，那很可能是这个“触点”本身的认定有问题，或者建立这个“触点”是多余的。
1704273166
1704273167
智能数据流程是一个自学习系统。我们最终采取的各种市场营销措施，其实质是一种假说。如果我们认真地践行了智能数据流程的第1~4阶段，那么这些假说的命中率将会很高。我们在每一个层面都秉持着效率优先的原则，因此这些措施的投入产出比会相对较高。但是，这些措施是否真正起作用，我们也只有在尝试过之后才知道。就如同我们必须去尝试投放不同的产品组合一样，我们也需要通过尝试来检验各个“触点”的效率和作用。最终，我们才会认识到，在哪个“触点”、针对哪些客户、通过采取何种措施能产生最大效果。
1704273168
1704273169
智能数据流程是一个自学习系统。
1704273170
1704273171
“尝试”在此处是一个无害的行为。在智能数据范畴内，“尝试”具体可理解为：我们需要将想法付诸实践，并评价实践的效果，否则的话，我们就无法兑现承诺并发现其他潜在可能性。
1704273172
1704273173
具有数据基因的市场参与者区别于普通市场参与者的一点是，他们具有衡量“触点”实际效用的能力，能够将有效的措施移植到同类或者他类客户群体中去，并且他们会迅速终止无效措施。
1704273174
1704273175
通过这样反复的迭代更新，我们将能够更好地满足更多客户的需要。
1704273176
1704273177
智能数据市场营销的“黑盒子”
1704273178
1704273179
物理学家和统计过程控制的创始人威廉·爱德华兹·戴明（William Edwards Deming）曾说过：“我们只信仰上帝，其余的人都得拿数据说话，我们才会相信他。”
1704273180
1704273181
数据本身对市场营销是没有价值的，只有通过统计学过程去处理分析数据，才会带来有益的认知。不同的分析目标，需要的统计学流程也是差异化的。在此，我们大概介绍一下：
1704273182
1704273183
☆如果需要去发现数据中潜藏的范式，在市场营销过程中，大都是希望去识别同质化或潜在的客户群体，那么可采用聚类分析流程。
1704273184
1704273185
☆如果需要去分析并评价已确定的KPI（即关键绩效指数，例如ROMI，市场营销投资回报率）的驱动因素，统计学家大多会采用验证性因子分析方法，特别是回归分析。这种分析流程的目的是，尽可能地通过其他因素去解释一个目标变量，并且揭示出不同因素对这个变量的重要性及作用强度，以期能够实现对KPI的有效管理。验证性因子分析方法最常见的应用是用于市场营销有效性研究项目。
1704273186
1704273187
☆如果需要去评价多渠道的效用或者去评价企业市场营销效率的标杆管理情况，那么可以采用数据包络分析方法。这种致力于绩效优化的分析方法是基于一种理念，即为不同的公司或者众多渠道的投入变量设置相应的产出水平。这个分析方法的优点之一是，每一个分析流程仅需为数不多的数据点。
1704273188
1704273189
☆在数据驱动的市场营销中，最常见的分类问题是将人分配至既存的聚类组中。借助决策树可以建立起最优分类原则，尽可能地将人员分配至恰当的分组中。决策树是最有效的分组方法之一，应用方式极为灵活，易于理解接受，并且通过算法的不断优化，例如随机森林算法，决策树也适用于较大量的数据分析。