Microsoft与Oracle高级经理谈「美国数字化营销」20年
本文作者李芳，拥有近20年数据营销经验。在世界一流软件公司，包括微软总部（Microsoft），甲骨文（Oracle）总部担任大数据分析与营销高级经理。擅长全球市场相关的大数据挖掘与分析、统计模型建立与预测，并将之广泛应用于100多个国家的产品开发及市场推广。曾创建Oracle第二个全球市场服务及大数据分析中心，负责微软全球市场及销售大数据平台的建立。
本文介绍了美国近20年数据营销行业经历过的从数据营销到现今营销自动化的演变。
美国的数据营销可以划分成四个阶段：
第一阶段：数据基础设施的构建
我曾在旧金山一家网络保险公司做数据营销，当时叫决策科学（decision science）或营销分析（marketing analytics），软件用的多是SAS, SPSS及早期的BI工具。日常的工作就是写代码，做分析报表和统计预测模型。但是，由于公司的数据来自各种渠道，数据往往不能拿来就用，在做分析及建造统计预测模型之前，很多时间需花在数据的清理和整合上。
之后，我去了甲骨文总部和微软总部做资深数据营销经理。早期也需要将来自各种不同渠道的数据进行匹配、清理和整合，才能进行分析和统计模型建造。
因此，数据基础设施的构建，数据清理和整合是数据营销必不可缺的基础。
第二阶段：数据营销与业务紧密结合
当数据基础设施的构建比较完善，数据营销部门做的数据分析及统计预测模型越来越多、越来越复杂的情况下，数据营销是否能证明有效，即ROI (return on investment)便成为公司重要的衡量指标。
在微软和甲骨文这样的大公司，想让数据分析及统计模型真正发挥作用首先是需要数据营销经理与营销项目经理之间进行沟通合作。数据营销经理需说服营销项目经理， 让他/她在市场营销项目中能用你的数据分析及模型来指导；
另一个重要的方面是与销售的沟通，一定要让分析和统计模型嵌入到销售的渠道，真正为销售提供有用的信息，这样才能看到数据营销对销售的持续作用。在此阶段，市场贡献报告（marketing attribution report）会经常被用来评估数据营销的绩效。与业务脱节的数据营销不会成功。
第三阶段：实现全域数据营销
全域数据营销实际上不是什么新概念。
全域数据营销可以从两个层面上来理解和实现。一个是从营销的对象也就是客户的角度来讲，把客户看作一个有生命的生命体，从而对客户的全部生命周期进行分析，根据客户在不同生命周期的不同需求来做相应的营销策略，量体裁衣。
另外一个层面是从整个营销的流程来讲，在每一个步骤，从营销策略、制定计划、具体的运营、一直到最后的评估和报告，都要用数据来指导决定。
第四阶段：实现营销自动化
全域数据营销需要足够的人力和财力的投入。
在过去的10年, 由于计算能力的大力提高以及云产品的快速发展，在硅谷出现了许多创新公司旨在将全域数据营销自动化。数据营销只有完全嵌入营销及销售的实际运营过程，从统计抽样预测到全量人工智能，加上机器学习动态预测，才能最大程度地发挥用数据指导营销及销售的作用，同时可以大力提高数据营销的效率。
这个阶段也被称为现代营销（modern marketing）。
营销自动化的特点包括：
1. 将各种营销方式都与营销自动化的平台进行连接和整合（见下图 Marketing Technology Stack），从而大幅度提高了数据营销的效率。
2. 数据营销自动化还应用了斯坦福大学设计学院的设计思维理论 （Design Thinking）,实现了两个营销意识演变：
从企业自身的目的出发演变到注重从客户的需求出发
关注点从策划系列活动到以消费者为中心的购买旅程（campaign journey to customer journey）
3. 由于人工智能和深度学习的发展，预测模型也逐渐地从统计抽样预测到全量人工智能的实时动态预测。
数据营销自动化是一个非常复杂的体系。
实现从数据营销到营销自动化的演变，需要完善的数据基础设施。美国大公司经历了近20年的长期积累。在中国，数据营销和营销自动化均有极大的成长空间，现在许多大公司都在加速数据营销的进程，从而实现更高效的数据营销自动化。
随着中国新零售模式的发展，数据已成为一个品牌最大的资产，传统营销已无法取胜。
好学的你也许错过了
关于MarTechApe
MarTechApe是一个来自纽约、专注MarTech领域的知识分享|技能学习|求职服务的终身学习平台。我们提供最专业的Marketing Technology课程。
