年薪翻倍：营销数据科学家比营销数据分析师高级在哪里？

原创： MarTechApe MarTechCareer

在营销分析的职位上工作了一段时间以后，如果你开始考虑职业晋升，想要在数据分析这一领域更加精进，并且实现薪水翻倍的话，可以考虑向营销数据科学家的职位发展。这一职位算是近年来很多大公司和互联网科技公司营销部门里的香饽饽。

今天的文章会向你介绍营销数据科学家的工作内容是什么？和营销数据分析师有什么区别？为什么这个职位近年来受很多企业欢迎？以及成为营销数据科学家需要具备哪些条件？

最近，我在领英上收到了一封来自Dell招聘官的邮件。对方正在寻找一位候选人来填补营销数据科学家这一职位的空缺。虽然工作地点不适合我，但是这封邮件却引起了我对营销中的数据科学的思考，究竟是我领英资料里的哪些内容引起了她的兴趣呢？

作为一名创业者，我身兼多职。实际上，在我每天做的事情中大约有三分之一的内容是与营销方面的工作有关，包括社交媒体营销、内容营销、邮件营销、社交内容分析、Google Analytics、Facebook广告等等。营销确实确实是件相当复杂和不容易的事情。而且由于我利用自己在数据科学和分析方面的技能来加强我自己品牌的营销工作，所以这就是为什么这位招聘官认为我很适合这个职位。这大概就是“营销数据科学”吧？那这个职位的具体工作内容是什么呢？这份工作的薪水高吗？营销数据分析师和营销数据科学家之间又有什么区别呢？我脑海中一下子浮现了很多关于营销数据科学家的问题...

在我和这位招聘官的交流过程中，我对营销数据科学的这一新领域以及其中涉及的所有内容都感到非常兴奋。我希望下面介绍的内容能帮助对营销数据科学同样感兴趣的朋友有更多的了解，并且知道可以如何着手进入这个在工作内容、市场需求和薪资水平上都非常吸引人的新兴领域。

营销中的数据科学是从何时兴起的？

营销数据科学家是从2015年起被逐渐确立为企业内的一个独立岗位。像Dun & Bradstreet（邓白氏，国际知名企业资讯和金融分析公司，美国最具权威的财务报告评估公司之），Venture Beat（知名互联网产业新闻博客站点）和Marketing Land（著名营销新闻网站）这样的知名组织开始发布许多营销中的数据科学题材相关的内容。这个主题的第一本书也是于2015年问世——《营销数据科学：预测分析中的建模技术》（Marketing Data Science：Modeling Techniques in Predictive Analytics），这本书在网上的评分也很高。

那，营销数据分析师和营销数据科学家有什么不同？

这是一个很多想往数据方面发展的朋友都会有的疑问。营销数据分析师相比营销数据科学家这一岗位拥有更长的历史。营销数据分析师的工作方式与商业分析师非常相似，只不过他们的工作是集中在营销上。营销数据分析师会收集和分析内、外部的数据，然后通过获得的信息来帮助企业衡量和策划营销计划。营销数据分析师通常会通过基本的数据监测和趋势分析来产生许多描述性和诊断性的营销洞察。这个角色的很大一部分是基于市场研究和媒介规划。就技术能力上的要求而言，这些专业人士需要长期使用Excel、SQL或者可能是SAS来完成工作。根据美国薪酬统计网站PayScale上的数据，2019年美国的营销数据分析师起薪的中位数在6万美金左右。

而营销数据科学则是近年来数据科学中的一个比较新的领域。这是一个专注于提高组织营销效率的数据科学家的角色。营销数据科学家同样会分析内部和外部数据集，利用从中获得的洞察向公司高层提供有关消费者行为方面的信息，并就市场营销策略和分析方法上的修改或补充提供建议。营销数据科学家的任务是根据高级的统计建模和机器学习方法，提供可靠的预测性和行动方案。该角色的另一个重要部分是对沟通表达能力有更高的要求——他们必须能够以简单的方式传达复杂的想法，以便不懂统计建模等专业概念的管理和相关支持人员能够理解并从中受益。

（Credit to consultyasser.com）

下面列出了对营销数据科学家工作内容、技能及背景要求的信息：

工作职能：

洞察：关于战术和战略上的见解，以提高企业营销效率
探索性的数据分析
指标和分析方法的选择
A/B测试
为管理层和其他专业人士提供处理和理解组织数据方面的咨询、培训和协助

所需技能：

SQL
数据可视化（Tableau等）
会用Python或R编写数据分析相关的程序语言
预测建模（通过统计和机器学习方法）
出色的“人际能力”——能够和数据工程师，商业管理层以及其他支持人员合作

所需专业和背景：

定量研究领域的学士/硕士学位
互联网营销经验
商业分析经验

营销数据科学家的薪资水平如何？

根据PayScale提供的2019年数据显示，营销数据科学家的年薪中位数几乎达到其姐妹职位——营销数据分析师的两倍之多。

为什么企业愿意支付几乎两倍的薪资给营销数据科学家？

为什么企业要为自己的营销部门配备专属的数据科学家并愿意支付其两倍于数据分析师的费用？答案很简单，通过营销数据科学方法产生的预测性和规范性洞察可以并且确实有能力提高当今企业的最大创收潜力；否则，企业将在未来几年继续陷于市场激烈的竞争僵局中。下面举几个营销数据科学为企业创造价值的具体例子：

预测消费者行为趋势

借助预测建模，营销人不必通过观察过去的行为来估测消费者下一步会做什么，而是可以更加准确地预测消费者的趋势。例如，通过分析购买历史记录，营销数据科学家可以预测一个人何时将用完洗衣粉或隐形眼镜液，从而通过提供折扣的方式提醒他们购买。或是在消费者购买了特定产品时向他们提供其他相关产品的介绍，比如如果某人在Netflix上看完了一部电影，可以给对方提供类似内容的其他影片介绍。

营销预算分配

现如今，营销人员总是处于严格的预算控制下，而每一位营销人员的主要目标都是从分配到的预算中获得最大的ROI。通过分析各个营销渠道的购买、支出和表现数据，数据科学家可以建立出能够更好利用预算的分配模型，即营销组合建模，帮助营销人员在各个位置、渠道、媒介和广告营销活动之间分配预算，优化关键指标。

匹配合适的营销策略

为了最大化营销投放效益，营销人员需要将不同的营销策略与合适的客户匹配。这一点跟营销数据分析师的工作内容很接近，但营销数据科学家会通过更加复杂的方式，比如营销数据科学家可以帮助创建一个预测潜在顾客的评分系统，计算潜在客户转化的可能性并细分，主要可以分为以下几类：热情的客户，好奇的潜在客户和不感兴趣的潜在客户。

此外，还可以创建一个客户生命周期价值模型。该模型可以按客户的行为表现对其进行细分。营销人员基于此模型应用的实例有：向高价值客户发送促销码或现金返还优惠，或是将一些留存策略应用于可能会流失的客户。

（Credit to disruptivedigital.wordpress.com）

以上只是部分应用的例子，总而言之，掌握了高级的分析和建模技能，营销数据科学家就可以帮助公司合理利用资源，制定科学的营销策略，最终实现更多收益。

对你来说意味着什么？

到目前来说，数据科学、大数据、机器学习这些词在市场营销中也存在几年了。许多人听到了，但仍然只有少数人看到了。这也是为什么营销数据科学还有很大的发展和需求潜力。新的营销方案层出不穷，关于渠道、关于消费者或受众的各类数据数以亿计。解码大量数据并给出科学的营销解决方案是一项艰巨的任务，这正是营销数据科学家可以发挥极大价值的地方。

如果你正在考虑将职业过渡到数据科学；如果市场营销是你感兴趣的领域；如果对数据科学技能上的要求还在让你产生犹豫，止步不前；如果你想知道营销数据科学中几大广泛应用的分析和预测方法，就来报名这门由MarTechApe联合美国一线营销分析经理和营销数据科学家们共同研发推出的《营销分析专项系列课》吧！归因模型、组合模型、增量模型、A/B测试、随机森林模型，一个专项横扫五大营销分析统计方法！

该专项系列课程已成功进行两期，自推出以后一直深受学员好评！现在《营销分析专项系列课》第三期正在火热进行早鸟优惠中！想在数据领域更上一层楼的你，赶紧来了解一下这套课程的具体信息吧！

1. 全面理解营销分析各类前沿方法、应用场景，美国知名公司营销科技专家亲自授课

《营销分析专项系列课》由以下美国名企管理层执教：

知名独角兽公司Airbnb硅谷总部，营销科技经理
苹果公司硅谷总部（前Ebay资深数据分析师），营销数据科学家
美国最大家具电商平台Wayfair，营销数据科学经理
美国电信巨头Verizon，营销效果经理
全球最大广告公司GroupM，营销分析经理

这门专项系列课由5个模块组成，涵盖了5种应用最广泛的营销和商业分析方法，课程大纲如下：

课程表

独角兽公司（共享民宿）

硅谷总部营销科技经理——《营销归因》

1. 什么是追踪？详细介绍不同的追踪方法：

URL Tracking

Pixel Tracking

Deep Linking

3. 什么是营销归因？企业为什么有必要做营销归因？

4. 单触点归因模型的不同种类与做法

5. 多点归因模型的不同种类与做法

6. 用户生命周期总价值（Customer Life Time Value）

7. 营销归因中涉及到的各类高阶分析：

预测LTV

用户细分（User Segmentation）

同类群组分析（Cohort Analysis）

增量测试（Lift Test）

跨设备追踪（Cross Device Tracking）

全渠道分析（Full Funnel Analysis）

全球最大媒介购买公司GroupM

纽约营销分析经理——《营销组合模型》

1. 营销组合模型（Marketing Mix Modeling）是什么，它为什么可以有效提高营销绩效？

2. 营销组合模型可以解释哪些业务指标？衡量哪些变量对业务指标的影响？

3. 如何评价一个营销组合模型的好坏？

4. 如何通过模型判断广告效果和营销收益？模型中的重要参数：Decay、Lag、Alpha都是什么？

5. 如何通过模型结果计算与比较媒介渠道效果？

6. 模型结果的解读：

模型分解

变量贡献

媒介有效性和媒介效率

7. 通过模型结果进一步获得商业洞察

8. 行业里流行的另一种解决方案——领先指标模型

9. 营销组合模型的典型面试问题

10. 营销分析师与营销分析经理的技能要求和典型一天

苹果公司Apple

硅谷总部营销数据科学家

1. 什么是媒介测试与学习（Media Test & Learn）？为什么我们需要在广告营销领域使用这种方法？

2. 在实际工作中会做哪些关于广告的实验？有哪些测试的对象？

3. 如何设计一个实验，实验设计的6个步骤，在A/B测试设计中的注意事项

4. 检验实验数据的可靠性和完整性

5. 如何分析实验结果

6. 如何根据样本来估计整体均值或比例的置信区间

7. 如何针对某一指标/metrics来判断实验组和对照组的区别在统计上显著

8. 如果想同时测试多个指标，应该注意哪些事项？

9. 什么是PSA，为什么我们需要PSA，PSA的劣势

10. 什么是Ghost Ads？PSA和Ghost Ads的区别

11. 营销战役的ROI与增量

12. 选择偏差

13. 因果影响分析

14. A/B测试的局限

15. A/B测试的延伸：Universal Control Group与Multi-Armed Bandit

美国最大家具电商Wayfair

波士顿营销数据科学经理——《增量模型》

1.什么是因果与因果推断？

2.有哪些因果研究方法？

3.增量在营销中指的是什么？什么是营销产生的收入（Incremental Revenue）？

4.增量模型将用户分成哪些类型？如何比较不同营销策略的效果？

5.什么是Heterogeneous Treatment Effects？

6.增量模型中的随机实验

7.增量模型与机器学习；增量模型要解决的挑战

8.增量模型的进阶技术

9.用一个案例来理解增量模型的完整流程

10.用Python来实现增量模型

美国电信巨头Verizon

纽约营销效果经理——《营销中的随机森林》

1. 什么是决策树？决策树在营销中的案例分析

2. 最常见的聚类分析：K-means与Hierarchical Clustering在营销中的应用。在R语言中实践两种不同的聚类分析方法与结果解读

3. 随机森林算法原理

4. 如何解读随机森林的结果，如何判断随机森林模型的好坏

5. 用一个案例来理解随机森林的完整流程

6. 在R语言环境中实现随机森林模型

7. 随机森林分类模型与随机森林回归模型

8. 其他机器学习算法在营销中的应用

9. 机器学习在营销分析岗位面试中的真题解析

五大营销分析方法代表了Marketing Analytics领域最前沿的主流方法，是营销分析师/数据分析师为了测量营销效果必须掌握的重要方法和商业分析手段。

（戳我可以了解课程设置详情）

报名方式

原价¥1399人民币
早鸟票（9/21 - 10/21）：立减¥200，仅需¥1199（相当于每门课85折优惠）
10月21日之后报名：恢复原价¥1399

*我们提供标准Invoice，可用于企业报销

如果你曾购买过本专项中任意一门课程，请咨询小助手获得购买方式（如果你买的课程不在这五门之列，请勿扰）

小助手

此外，MarTechApe宝藏级项目《营销组合模型训练营》（Marketing Mix Modeling Bootcamp）第六期将于本周末开讲！

《营销组合建模训练营》（Marketing Mix Modeling Bootcamp）自开办以来，一直致力于把数据驱动营销最前沿的分析流程与硬核技能全面地带给学员，并对内容一次次进行迭代，尽可能还原真实的商业工作场景，为学员带来针对数据分析岗位所需最硬核的技能传授。该项目由全球最大广告集团WPP美国办公室的数据总监以及营销分析经理共同授课。

至今该项目已经有五期毕业生了。在这些学员中，既有知名公司的数字营销高管，又有刚从学校毕业求职的学生，还有渴望职业上升或转型的上班族，每一位毕业生都满载而归，收获自己在职业上的进步。

这五期学生在参加了Bootcamp之后，拿到了全美顶级的面试机会以及全职工作OFFER，组成了Bootcamp的荣誉之墙：

Marketing Mix Modeling Bootcamp往期学员拿到的面试机会以及全职工作OFFER包括Google、Facebook、Twitter、LinkedIn、Uber、Wayfair、Accenture、Pepsi、Bloomberg、Square、Deloitte、Salesforce、AT&T、JP Morgan、Mediamath、Mediacom等互联网科技公司、咨询公司、广告传媒公司、金融机构。

训练营的学员收获了：

真正意义上的“用数据和模型解决营销中最重要的问题”的经历。
熟练掌握SQL、R、Tableau等时下最流行的数据处理语言，并用这些技能解决实际问题。
大大提高Media/Advertising Industry的商业意识，熟悉不同媒介渠道的广告活动对不同商业指标的不同回报率（ROI）与有效性（Effectiveness），学会用“营销效果”的视角看待营销活动，理解各大公司市场营销部门、消费者洞察部门的痛点。
跳出学校作业的框架，上手真正商业情境中、实际工作中的实战案例。让校园与实际工作无缝衔接。将学到的Analytics思维方式泛化到其他应用场景，面对Case Study建立系统性解决思路。
提升项目演示Presentation技能，学会如何从原始数据中挖掘具有意义的故事。为客户解决实际问题，提高Business KPI。
完成项目后，辅导老师将帮助你利用这一个惊艳的项目背景打造最引人注目的简历；所有学员获得内推机会，优秀学员获得一对一面试辅导。

如果你想咨询关于项目具体内容、获得课程大纲，请长按下方二维码，添加小助手为好友，回复“MMM”即可：

小助手