数据赋能：数字化营销与运营新实战

　　《数据赋能：数字化营销与运营新实战》围绕数据为企业数字化营销和业务增长赋能的两大主线——数据驱动和数据分析展开，详细介绍了企业应该如何利用目前先进的数字化技术，合规获取消费者在数字世界中的各种数据，并将这些数据应用于更前沿的数字广告投放、消费者的个性化触达、数字渠道效果的评估与优化、消费者数字体验优化、消费者转化优化、消费者深度运营等领域的诸多关键方法，同时辅以近几年在中国企业界实际应用的真实案例进行生动讲解。

　　我一直觉得人们对于“数据”二字，有莫名的喜好。

　　应用数据，似乎总是能够带来很多神奇的改变，把那些隐秘的角落里面藏着的东西展现出来，颠覆人们的认知，或是如同魔法，让一个眼看就要行将就木的事情重新焕发新生。

　　“化腐朽为神奇”，这往往是人们渴望数据又仰慕数据的原因。

　　各种数据解决方案的提供商则尽力渲染了这种氛围，毕竟，创造一种神通广大的数据“观感”，对自己很有利。

　　可是，与之相对的，当企业真的想要用数据做些事情，却发现与自己一直以来的数据感觉，有着天渊之别。

　　2010 年，我在犹他州的Orem——一个风光旖旎的小城，Adobe Omniture 当时的总部——接受关于商业咨询业务的培训。我的导师，一个刚刚到了40 岁却已经升级为外公的热情洋溢的家伙，告诉我与客户打交道的十个“诀窍”，其中一个我深深记得。

　　“不要询问你的客户在数据上的需求。”然后，他故弄玄虚地说：“永远询问他们在业务上的需求，永远。”

　　那时我认为他不过是在故弄玄虚。

　　但随着时间的推移，我很快意识到这句话背后真切的现实。在这之后，反映企业种种数据困惑的问题不断向我涌来。比如，我怎样才能获得自己电子商务旗舰店里面的数据？我手上有几亿设备ID，我要怎么用它？我应该如何用数据找到潜在消费者或者生意机会？我应该采用什么样的数据战略？我应该用什么解决方案或选什么数据供应商？我该配置什么样的团队，以及到哪里找人才？

　　我忽然意识到，无论是企业，还是企业中的营销与运营的从业者，可能还远远没有准备好，还不能够用数据创造新的数字化的生意，甚至很可能无法描述自己具体的数据问题，因此也就无法准确提出自己的数据需求。

　　一方面，与数据相关的技术和方法在不断地被革新；另一方面，企业对3个层面的数据理解非常薄弱。这3个层面分别是：对数据本身的理解、对数据和业务之间关系的理解、对应用数据的理解。

　　阻碍因素有很多，但常见的阻碍是如下一些根本性的问题。

　　第一个问题，你真的拥有数据吗？

　　例如，那些常常认为自己手握上亿数据的企业，当你凑近查看，就会发现他们几乎并没有拥有什么数据。这亿万规模的数据，往往只是单纯的数据条目的数量，但每个条目下所包含的属性极少，甚至根本就是“光杆数据”，这样的数据除了徒占存储空间，其他的作用就太少了。

　　第二个问题，你对数据的理解客观吗？

　　数据究竟是什么，一千个人心中有一千个哈姆雷特。“数据”二字不过两个音节，但每个人对它具体代表什么的理解却千差万别。这些不一致的理解，充斥在每天的业务工作中，造成了诸多误解、困扰，甚至摩擦。

　　阻碍我们对数据客观理解的因素是数据的多样性和复杂性：什么是数据？什么是可获得的数据？什么是可利用的数据？什么是可分析的数据？这些数据又有什么结构和具体类型，以及从哪里获得……

　　完全就是一门专业的科学，很多人难免望而却步。

　　第三个问题，你是否了解数据得以应用必需的前提？

　　例如，过去服务商“忽悠”甲方客户说，我们能搞定阿里的数据。但他没告诉你前提条件——数据的应用都必须且只能在阿里的生态内。这个条件其实是很“严苛”的。

　　今天大家都明白了围墙花园这种“自然现象”，不至于再被上面的说法所迷惑，但新的“迷惑”仍然不断萌生。最典型的，数据连接和打通。很多数据工具都有这个功能。

　　但数据的打通需要条件，而不只是靠技术。条件具备了，技术不会成为阻碍，但若条件不具备，光靠技术直接去搞定，今天没有这样的可能了。

　　例如，基于数据打通的“全链路”营销是当下的“时髦”。但前提是，营销环节的全部链路上都需要有一个统一的数据获取解决方案，并且每个链路上用户都得留下电话号码。

　　又比如，标榜自己的推荐算法（推荐引擎）如何智能，如何“天下无敌”。其实，这个功能今天也很成熟，但是也需要在一定的条件下才能工作。其背后是监督学习，要“喂给”机器靠谱的数据，并且要认真告诉机器哪些是正确的结果（正样本），哪些是不正确的结果（负样本）。这些条件，都得靠企业自己去创造，而与数据系统和算法无关。

　　这些看起来似乎都是“常识”。但要掌握的常识太多了，却又缺乏一个系统的让人们能够掌握这些常识的渠道和方法。

　　第四个问题，上马了很多工具，但驾驭工具的人在哪儿？

　　这恐怕也是最常见的问题之一了。

　　前两年是DMP（数据管理平台）火了，这两年CDP（客户数据平台）火了，还有让人感觉“可远观不可亵玩”的数据中台也火了。但是赶着潮流上工具的，可能会惊慌发现，“车”都造好了，但似乎没有几个人会“开车”。

　　一种解决方法是，让工具供应商也顺便提供“开车的司机”。但问题来了，造车，可以是流水线，可以复用代码，或者直接用SaaS，但“开车”，却得实打实地靠人。

　　供应商也没有那么多人。况且，供应商派来的“司机”，虽然懂“车”，却未必懂你的“路”，也不懂你的“交通规则系统”，所以，这“车”很不容易开好。

　　企业迟早总会意识到，培养自己的人学会“开车”是最可靠的方法。但招什么样的人，以及如何培养，仍然是难以得到答案的问题。

　　第五个问题，如何将数据匹配于业务？

　　这或许是最核心的一个问题。如果我有了数据，或者有了应用数据的工具，我该如何将它匹配于业务呢？

　　比如，一种乐观的想法是：有了CDP 和MA（营销自动化）系统，就能让我实现过去从不曾有过的“千人千面”或“One on One（一对一定制化）”的消费者沟通与运营。

　　但企业期待的变化似乎完全没有随着数据和工具的丰富而发生。例如，我们数据赋能数字化

　　发现，就算一个企业有极好的CDP 系统，并且拥有可以熟练操作CDP 的员工或服务商，“千人千面”之类的好事也并未随之实现。

　　究竟给什么人以什么面，或者对不同的人传达什么信息，以及在什么时机和场合下传达，都不是工具能自动实现的，而需要靠企业自己，基于自己的目标和约束条件进行设计。CDP 或MA 不可能预知这些设计，也不会自动产生这些设计。

　　而在执行所谓“千人千面”的过程中，也需要不断调整优化，这一过程只有在企业自己的运营团队的主导下才能实现。

　　换句话说，将数据匹配于业务，企业欠缺的是靠谱的营销策划和深入的客户运营，而这些都需要依赖靠谱的团队和个人。团队和个人要做到这一点，要具备两方面的能力：一方面，要能够熟练掌握数据和工具能够为企业赋予的新能力，并将这些能力运用在营销或者运营的策划中，创造出新的玩法和效果；另一方面，也要能够在策划营销活动的过程中，把引导消费者主动提供数据以及获取、处理、治理、保存这些数据纳入策划之中。

　　这两个能力对团队和个人来说，都很不容易具备。

　　因此，这本书，希望针对上面的问题给出答案，无论是知识上的，还是方法或经验上的。我觉得，唯有给出直接的、不含糊的，并且与业务实战真正结合的答案，才是真正能够为读者朋友们，以及为那些真正希望利用数据实现数字化营销和运营转型的企业们起到帮助的内容。

　　因此，撰写这本书，我不想有什么保留。虽然学识难言精专，才华可能有限，视野未必广阔，但我想为读者朋友们尽绵薄之力！

　　不过决心虽大，当真的开始写这样一本书时，却着实感到不容易。因为这个领域所包含的知识太广，所用到的方法太多，而我也不敢说自己的经验足够。

　　为了迎接这个挑战，我给自己定下了几个要求：

　　● 这本书必须我一个人撰写，每一段都要是我亲身的思考，每一个字都得是我亲自打出。让公司的小伙伴代为捉刀之类的，我绝不会做。

　　● 不能用我过去写好的现成的内容，如果确实跟我博客或者课堂里的内容重合的，我也会重新更新内容，重新行文。

　　● 要非常有系统性：从基础到前沿，都要涉及，且章节和章节之间，也要丝丝入扣。

　　或者，根本只有一个要求——我要尽我最大的努力。

　　我紧张地期待着读者朋友们看出这本书的诚意，但，或许我的能力永远无法跟上读者朋友们的期望，因此不足和疏漏难免。这么说不是俗套的开脱，而是真诚的自省。殷切地希望读者朋友们多多批评指正。

　　这或许不是一本能带给大家轻松欢愉的书。但一定是一本能够带给大家系统知识的书。这本书里没有耸人听闻的东西，也没有要故意炫耀的技巧，只是平实地，记录并复述我认为重要的那些东西。

　　我只是希望，当有一天，人们回想这个行业有什么书值得读的时候，会想到，有这么一个“家伙”，还曾经挺认真地写过一本书。

　　那于我便是最大的慰藉和胜利。

　　　　宋 星

第1章 从正确的数据观开始 001

1.1 数据的两个核心价值：优化与驱动 001

1.1.1 数据优化 001

1.1.2 数据驱动 003

1.2 如何开始行动 004

1.2.1 实现数据赋能最重要的是什么 004

1.2.2 商业意识 006

1.2.3 建立数据能力 007

1.2.4 勇敢去做 007

1.2.5 警惕“伪数据主义倾向” 008

1.3 企业组织维度上的匹配 013

1.3.1 经验还是数据 013

1.3.2 企业数据化成熟度模型 015

1.4 不变的基本逻辑：从前到后的营销与运营 017

第2章 数据从何而来——数据的获取 021

2.1 数据的“方” 021

2.1.1 第一方数据 022

2.1.2 第二方数据 022

2.1.3 第三方数据 023

2.2 公域数据与私域数据 024

2.2.1 定义 024

2.2.2 私域数据的重要性 025

2.3 前端数据与后端数据 027

2.4 数字化运营中个体数据的结构 028

2.4.1 标定个体的ID 028

2.4.2 个体的属性数据 030

2.5 个体数据与人群数据 031

2.6 私域数据的获取 033

2.6.1 私域数据的来源：消费者触点 033

2.6.2 消费者触点上的私域数据的获取（1）：广告端 034

2.6.3 消费者触点上的私域数据的获取（2）：网站端 041

2.6.4 消费者触点上的私域数据的获取（3）：事件监测（埋点） 048

2.6.5 消费者触点上的私域数据的获取（4）：App 端 058

2.6.6 消费者触点上的私域数据的获取（5）：公众号和小程序端 062

2.7 公域数据的来源、获取和接入 065

2.7.1 公域数据的来源 065

2.7.2 公域数据的获取 067

2.7.3 公域数据的接入 069

第3章 数据驱动的数字化推广 073

3.1 合约广告与非合约广告 073

3.1.1 合约广告 073

3.1.2 非合约广告 075

3.2 从合约到非合约：数字广告生态的重大转变 075

3.2.1 广告网络 075

3.2.2 广告交换平台 078

3.2.3 实时竞价广告 080

3.2.4 RTB 广告的竞价方式 085

3.2.5 程序化广告的特点 089

3.3 数据驱动的品牌广告投放 091

3.3.1 品牌RTB 广告投放 091

3.3.2 RTB 在品牌营销上的悖论 094

3.3.3 品牌PMP 之一：程序化合约广告 096

3.3.4 品牌PMP 之二：优先交易 102

3.3.5 品牌PMP 之三：私有竞价 105

3.3.6 选择合适的品牌程序化广告投放方式 107

3.3.7 品牌程序化广告投放的操作系统 109

3.4 数据的应用与DMP 114

3.4.1 DMP 的本质 114

3.4.2 在DMP 中选择人群 116

3.4.3 利用DMP 衡量品牌广告的投放效果 117

3.4.4 真实的DMP 案例 118

3.4.5 DMP 的Look-alike 功能 125

3.5 数据驱动的效果广告投放 128

3.5.1 再营销 129

3.5.2 效果营销所用的RTB 130

3.5.3 私有RTB 133

3.5.4 oCPM 与oCPC 138

3.5.5 效果类程序化广告投放的操作系统 143

3.6 无处不在的数据驱动 151

3.6.1 私域数据驱动的程序化广告投放 152

3.6.2 RTA 广告 155

3.6.3 基于公域数据的程序化广告投放 157

3.7 个人信息保护：红线、悖论与前景 163

3.7.1 什么是个人信息 163

3.7.2 个人信息使用的合规 167

3.7.3 去特征化 170

第4章 流量效果的数据分析 173

4.1 流量渠道的效果分析与优化的工作内容 173

4.2 流量渠道的数据采集 174

4.2.1 流量标记的Link Tag 方法 174

4.2.2 对搜索竞价排名流量使用流量标记 179

4.2.3 信息流广告用Link Tag 做标记 182

4.2.4 App的推广来源问题 184

4.2.5 流量标记不能实现的地方 191

4.3 细分渠道的评估与分析 193

4.3.1 流量渠道的衡量指标 193

4.3.2 流量渠道的产出分析 195

4.3.3 流量渠道的质量分析 196

4.3.4 衡量流量质量的标准指标与Engagement 197

4.3.5 流量质量与产出的结合分析 206

4.4 整合渠道效果评估和归因分析 208

4.4.1 归因，一个名词之下的多个理解 209

4.4.2 线上全域归因可以实现吗 210

4.4.3 线上局部归因 211

4.4.4 单触点归因：流量覆盖问题 214

4.4.5 一个转化背后所有可能的努力 215

4.4.6 归因中的助攻和进球 218

4.4.7 归因：一个实际的助攻案例 222

4.4.8 曝光归因和点击归因 223

4.4.9 归因的时效性 225

4.4.10 更详细的归因关系——归因路径 226

4.4.11 归因模型 230

4.4.12 自定义归因模型与智能归因模型 236

4.5 流量渠道分析的总结案例 243

4.6 异常流量与作弊识别 248

4.6.1 流量作弊情况严重吗 249

4.6.2 常见的作弊方法 251

4.6.3 作弊流量的流量特征 254

4.6.4 识别作弊流量 255

4.7 线上推广对线下转化效果的评估 268

4.7.1 追踪购买意向 268

4.7.2 追踪线上推广带来的线下销售 270

第5章 数字化的流量运营与消费者交互 273

5.1 流量的落地优化 273

5.1.1 落地体验“五原则”与反面案例 274

5.1.2 着陆页的跳出率 281

5.1.3 热力图 283

5.1.4 热力图的替代 288

5.1.5 着陆页分析与优化 290

5.1.6 智能着陆页 298

5.2 A/B 测试 300

5.2.1 A/B 测试应该怎么使用 300

5.2.2 A/B 测试如何确保均匀分流 302

5.2.3 A/B 测试的统计学意义与辛普森悖论 303

5.3 用户交互的分析与优化 307

5.3.1 体验失效 307

5.3.2 内容交互 317

5.3.3 社交内容分析 326

5.3.4 用户引导 333

5.4 利用数据优化微观转化 342

5.4.1 转化的宏观漏斗和微观漏斗 343

5.4.2 转化漏斗分析 345

5.4.3 微转化元素 353

5.4.4 关键转化环节的优化 360

5.5 利用数据优化宏观转化 382

5.5.1 转化的周期 382

5.5.2 商品的分析 391

5.5.3 消费者忠诚 399

第6章 数字化的消费者深度运营 413

6.1 消费者深度运营的逻辑 413

6.1.1 什么是消费者深度运营 414

6.1.2 产品、市场与消费者运营的策略矩阵 414

6.1.3 两个障碍 416

6.1.4 诱饵、触点与规则方法 418

6.2 私域流量与消费者深度运营 425

6.2.1 私域流量不过是博人眼球的概念？ 425

6.2.2 私域与公域，一枚硬币的两面 426

6.2.3 私域流量运营的4 种形态 428

6.2.4 私域流量运营的模式一：DTC 430

6.2.5 私域流量运营的模式二：B2C2C 434

6.2.6 私域流量运营的模式三：B2B2C 438

6.2.7 私域流量运营的模式四：B2B 441

6.3 消费者深度运营的数据解决方案 442

6.3.1 CDP 442

6.3.2 利用CDP 进行消费者数据的管理和应用 450

6.3.3 如何衡量CDP 的价值 461

6.4 消费者深度运营的常用解决方案 464

6.4.1 单一触点上的自动化运营 465

6.4.2 单一生态内的数据化运营 474

6.4.3 跨生态的数据化运营 485

6.5 未来已来 495

6.5.1 人工智能正在升级数字化运营 495

6.5.2 5G也会带来巨大的变化 497

6.5.3 数字化营销与运营从业者的变化与应对 505

索引 511