营销团队已经被数据团队取代了吗？
在过去五年里，数据的价值被广泛验证。从拉动销量到推动更好的决策，数据让任何行业中的任何团队都受益匪浅。而驾驭大数据的权力通常被交给数据科学家们。公司们也正在争相雇佣那些具备搭建数据和分析数据的人。
营销人员现在依靠数据驱动的广告战役来更好地满足客户目标并更有效地触达目标市场。因此，营销人员也正在被推动着去学习更多关于数据和分析相关的内容以提高广告战役并保持他们在市场中的竞争力。
一项研究发现，公司计划调整分配营销预算——将更多资源投向分析。在接下来的三年里，分配给分析的营销预算百分比将从5.8%增加到17.3%，增幅达到198%。这应该不足为奇，因为只有1.9%的营销负责人表示他们目前拥有合适的人才来利用营销分析。
由于营销负责人们目前缺乏合格的候选人来充分借助数据的力量，并且由于公司也计划将更多的营销资源分配给数据分析，因而这引发了一个问题：数据科学家是否会取代营销团队？
Image source: funnel.io
数据在营销活动中的哪些地方最有用呢？
在回答这个问题之前，重要的是先分解清楚数据在营销战役中的哪些地方能起到最大帮助。在营销战役中，以下是数据可以起到改进作用的常见领域。
Image source: Accenture
1. 用户画像
在市场营销领域里发生了一个重大的转变——即从“我认为”到“我知道”。客户和公司高管们不再想听到营销人员毫无根据的猜测或是经验之谈。他们想知道的并且了解买家的唯一方式是通过数据。
了解用户群体画像的一种方式是通过社交媒体倾听。考虑到社交网络上发生的大量公开的交流，营销人员有能力分析到大量的数据。数据工具可以收集消费者的想法，并按人口统计来对这些想法分类。这个过程将“我认为”快速转变到“我知道”，并为营销人员了解社交网络上的消费者心理和行为提供了真正的洞察。
Image source: sproutsocial.com
2. 效果测量
目前，常见的营销分析主要应用在广告战役结束后衡量广告战役的结果。那时，营销人员要么达到了客户目标，要么没有。然而，这种做法已经过时，并且通过运用数据工具，营销人员可以衡量广告战役的实时运作效果并迅速作出调整策略。
举个例子，相比之前的在营销战役结束时达不到目标而让客户失望，营销人员现在可以通过衡量先前的广告战役效果而设定预期。如果某个项目旨在获得X个目标客户，营销人员可以在不同阶段衡量他们离战役目标还有多远，而不是简单地盯着结果。
数据还可以帮助营销人员创建更强大的内容，从而将潜在客户转化进销售漏斗，最终生成更多高质量营销线索（MQL-Marketing Qualified Leads)。通过大数据，营销人员可以衡量战役内容，例如号召性用语和阅读率，了解哪些内容有效，而哪些内容是无效的。然后，团队可以更多地复制有效的帖子来推动潜在客户完成他们的目标。
3. 预测分析
如果要将营销战役推动到新的高度，营销人员必须使用预测分析。预测模型可以更准确地预测消费者趋势，而不是观察过去的行为来预测消费者接下来会做什么。营销人员可以利用这些信息并围绕它制定广告战略活动。
预测分析在各种营销策略中都有不可忽视的价值，例如广告，内容策略和社交媒体。当然，这种类型的建模非常复杂，需要富有经验的数据科学家来创建，实施和分析。
营销活动中数据的价值和必要性是显而易见的。那么，谁来负责管理这些数据呢？
营销人员会训练自己变得精通数据吗？或者高管是否会跳过培训并聘请数据团队来开展营销活动？
答案很可能都是两者兼而有之。那些擅长阅读和分析数据的营销人员显然很重要，因为他们可以将传统营销方法与创新技术相结合。数据科学家，在数据分析和数据分析方面受过专业培训，也非常可能会加入营销团队，领导数据驱动，改善广告战役结果。
当然，对于大公司来说，同时培养具有数据意识的市场团队和高水平的数据科学家是小事一桩。但是对于许多中小型企业和代理商，管理层则更希望营销人员能自己去学会数据技能，并懂得如何将大数据整合到现有的战役中。
营销人员必须时刻关注数据驱动决策和广告战役的转变趋势，并此做好准备。那些对数据分析没做好充分准备的人将会以后的市场广告团队中失去竞争力。
MarTechApe精品课程《营销分析专项系列课程》专注于提高营销人员的数据分析能力，提高营销人职场竞争力，已被1000+学员验证有效。
《营销分析专项系列课程》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
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 硅谷总部营销数据科学家——《A/B测试》 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 |
报名课程请戳下图：
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。
朋友会在“发现-看一看”看到你“在看”的内容