Instagram团队是怎么做营销分析的？
本文作者：Chris Dowsett，Instagram的营销分析与决策科学总监
翻译：Yi | MarTechApe
任何全球范围级别的营销项目，都离不开营销分析这块基石。但很少有人真正了解营销分析包涵了什么。一些人错误地将营销分析（Marketing Analytics）简单地等价于数字营销分析（Digital Analytics），也就是跟踪用户访问次数、点击量、转化率。诚然，营销分析师的一部分工作内容确实涉及Digital Analytics，但这远远不是我们工作的全部内容。此外，我还听说过有人将营销分析与市场调研（Market Research）混为一谈。虽然我和市场调研部门的同事合作紧密，但我并不做调研。
我在Instagram担任营销分析与决策科学总监。我喜欢营销分析这份工作，主要有三个原因：
第一，我每天接触不同的方法与工具——从SQL编码到机器学习算法。
第二，这个角色充满多样性，并且具有十足的影响力——我的分析能推动数百万美元的决策制定。我有机会见到每个人，从公司CFO到充满活力的实习生。
第三，这项工作性质让我得以查看整个生态系统的数据、审查每个产品领域的数据，并深入探讨产品行为、人口统计信息和文化潮流之间的关系。我称这项工作为——应用计算社会科学。
为了阐明营销分析这个专业领域到底每天都在做什么，我写下这篇“营销分析工作者的一天”，综合了我在Instagam做过的多种分析项目。每项工作内容被我浓缩为平均45分钟的时段，以确保我能在一篇文章里，对我经常处理和交涉的各类项目提供一个具有代表性的概述。
那么，欢迎来到我作为一名营销分析从业者的一天！
7.30 am——运行数据繁重的SQL查询
我喜欢早点进入状态。早餐，咖啡，然后是SQL代码。数据库在早上运行得最快，因为这时候同时在运行SQL查询、榨取服务器资源的分析师比较少。我启动了一些需要大量计算能力的大型查询。跑起来跑起来，我亲爱的数据库！
8.15 am——邮件
我为我们公司全球各地的营销人员提供数据支持，所以我要尽早检查我的收件箱并回答他们发来的各类问题。尤其是那些在欧洲、中东和非洲的同事们，他们马上要结束一天的工作了，我希望在他们下班前能回答他们的问题。
9am——聚类分析
到了聚类分析的时间啦！我打开R Studio，开始编码。我正在为一场以教育用户为目的的营销活动寻找产品使用率低于平均水平的用户。聚类是一项机器学习技术，可以帮助我找到“自然”的用户分组。在这个项目中，我用机器学习来确定出“低于平均水平”的自然定义，它会在特定指标上给出从高到低的一组组用户群。被它定义为低于平均值的用户就成为我要找的受众。
Cluster example; Source: CSSA
9.45am——为营销部门的同事提供咨询
我与营销团队的成员们会面，帮助他们为即将到来的战役明确营销策略和方式。我们讨论潜在受众、KPI、战略以及预算。这过程很有趣，我享受这份创造力和头脑风暴的感觉。
10.30am——查看数据可视化报告和未来趋势
回到我的办公桌，现在是“查看仪表板和写电子邮件”的时间。我为整个营销团队维护四个自动化仪表板。这些仪表板涵盖了人口统计、营销绩效、区域数据细分和营销基准数据。我会每两周发送一封简短的电子邮件，报告仪表板中的趋势走向。今天，我正在撰写一封关于区域数据趋势的更新邮件——通过查看特定国家的趋势来帮助那个国家的营销团队。
Tableau example; Source: Analytics Vidya
11.15am——营销活动结果分析
一项在法国进行的为期两个月的营销战役刚刚结束，那里的团队正在迫不及待地期待结果。我把Media Impressions的数据拉出来开始分析。我们用测试组与对照组的方法来测量几乎所有的营销活动——测试组的受众收到来自我们的营销，而相似的对照组用户则没有收到任何营销。我使用SQL和R来比较测试组和对照组的行为。我的目标是查看出两组用户在产品行为指标上是否存在统计上的显著性差异。最终的结果会被整理成报告，也会放入我们的基准（benchmark）数据库中。
12pm——和产品分析师开会
午餐会议。和我一起开会的是提供产品分析的数据科学家，他们负责分析具体产品领域的深度趋势与细节。他们用Hive建立和维系具体产品领域的主要数据库表。作为一个营销分析师，我负责考察所有产品领域的相关性与互动性。所以我会依赖产品分析师的深度洞察，并用他们各种各样的数据表格来测量营销对用户行为的影响。
12:45pm——合作建立机器学习工具
我和我团队中的数据工程师开会。我们一起建立一个能够自动化运行营销战役、帮助我们大范围测试与学习的机器学习工具。这是个让人兴奋的项目。我们花时间来讨论算法、将我的R代码翻译成Python，找出我们需要建立的数据库。
1:30pm——预测ROI
我回到我的办公桌。我的下一个项目是聚焦于预测一个规划中的营销战役的ROI。目标是要搞清楚这个战役是否值得投入。如果ROI较高，那么数百万美元将会被投入，三个不同的团队将要一起在这个项目上工作，所以我得确保我的数据与判断准确。我关心的指标有潜在的触达量、估计的点击率和近似的CPA（cost per acquisition）。我会权衡准确度与速度，因为需要我快速做决策。我用多元回归来运行预测模型。
2:15——广告活动的地理制图
地点，地点，地点。我需要在下午花一部分时间来聚焦于地理数据与地图制图。营销团队决定在英国的不同城市里做一些快闪活动。他们希望在那些午餐时间人流量较大的地方运行活动， 但他们不知道哪些城市符合这样的条件。于是我就用地理数据与R语言的地图神器——Leaflet for R来建立一个足迹热力图。我挑出排名最靠前的三个地点，把它们发送给了营销部门。
Heat map example; Source: Stack Overflow
3pm——为营销战役撰写测量计划
接下来，我需要写一部分营销战役的测量计划。所有的战役规划都必须有一个测量的部分，在这里我会列出KPI、第二指标、商业目标、目标受众、地理和测量方法。如果要涉及品牌意识和品牌情绪的调研的话，我的研究部门的同事就会在这一部分也加入他们的研究计划。我所在的公司强烈推崇测试文化（test and learn），所以，几乎所有的营销规划都会配备数据分析人员与研究人员。
3:45pm——第二轮邮件
马上就要接近一天的尾声了。我会花一点时间来检查我的邮件回复当天的问题。每天我都会收到很多很多的问题，时间久了，我就学会了如何在邮件回复里做到简介和直接。闲聊和礼节可以留给当面的对话以及咖啡约聊，而不是邮件里。
4:30pm——检查日本的数据趋势
这是我一天中最后一个会议——我会和我们的日本营销经理一起讨论我在Tableau上建立的行为数据趋势。我试图每两个月就和负责其他国家的营销经理开会，告诉他们我在数据可视化报告上看到的最新趋势。这也是一个很好的机会来倾听他们认为重要的事情，这样我就可以在这些事情上给他们提供额外的洞察。
5:15pm——设立好SQL查询，让它连夜运行
到了我一天的最后时刻。我的最后一项任务就是建立一些SQL查询，让它连夜运行。它会为我明天要做的分析项目建立数据表格。我让SQL在晚上跑是因为当所有人下班后就会空出更多的服务器资源。当你处理的表格有十亿甚至万亿以上行数据时，你就需要争抢一切你可以抢到的服务器资源。
正如你看到的，营销分析职业远远超越了点击量和转化率。这是混合着数据可视化、算法、编程、内部咨询等等的综合性工作。这种多样性就是我在工作中最享受的部分。对我来说，很少有一模一样的两周。
希望这篇文章可以让更多人知道营销分析工作中的多样性。如果你希望你的工作结合了数据、多样性与影响力，那营销分析就太适合你了。
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 |
第三期报名方式
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
扫一扫下载订阅号助手，用手机发文章
朋友会在“发现-看一看”看到你“在看”的内容