数据分析，让营销管理科学化

数据分析对营销有三大意义，其实前面的课程也讲了一些，但这里还是要再总结一下三大意义，分别是决策优化、体验优化、预算优化。

决策优化

决策科学化一直以来是我们所强调的，我们知道Marketing的大部分从业者比较偏重经验主义，他们比较倾向于会议式决策，也就是大家很多时候可能会用一些会议室讨论的方式来去决策一件事情要不要做、一个产品要不要去执行。那么这种基于经验主义的判断有两个问题：

①很难保证成功率：有些时候很成功，有些时候可能不成功；

②不可复制：有些时候在没有一个科学决策依据的情况下，可能这次成了，下次用同样的方式再做的时候肯定不成。

这就是为什么我们在整个系列课程里面反复强调要建立以数据为中心的决策模式，只有这样才有可能形成一种科学化的管理，因此在决策上我们始终记住都要以数据为依据。

体验优化

前面课程也有也有提到过，因为没有进行一个精准营销就可能会让你的非主流人群或者非目标人群收到一些他们本来不应该收到的信息、本来不应该收到的互动，那这就是一种骚扰。

所以这个只有依托于数据分析来筛选目标人群来形成每个营销战役都可以精选目标人群，才可以让目标客户获得比较好的体验，减少对非目标客户的一种“骚扰”；

预算优化

数据分析可以帮助你去找到不同环节的转化率，得出ROI(投资回报率)。当然如果你资源无限的情况下，你可以花钱在任何事情上去做任何事情，其实是不需要考虑这一点的，但是绝大部分企业的资源是有限的，在有限的预算前提下，你就需要进行一些取舍，取舍的依据就是通过数据去找到最佳的一种预算分配方式，然后筛选出ROI最高的一种营销方式，

数据分析的基础

我们再梳理一下数据分析的基础，想要做好数据分析就一定要先做好一下四个基础工作：数据采集基础、标签体系、评分体系、数据分析工具，这后面才有可能去做未来的数据分析。

数据采集基础

技术方面其实我们前面几堂课也都讲了，我们需要做的事情有以下三点：

①收集第一方数据：用营销自动化系统去收集所有的营销互动行为，也被称作第一方数据；

②收集埋点数据：埋点就是在这个网站微站这些所有能够触及到用户的前端应用里边去埋设一些代码，这个叫数据埋点，再通过数据埋点来采集用户在这些前端应用上的行为；

③获得第三方数据：可以通过一些外部数据链接的接口来取得。

以上都是数据采集的基础，这之后肯定就是要进行数据处理，这是非常成体系的一件事情，在这堂课里面是没办法成体系的跟大家讲的，但反正大家要保证四点：第一要数据具有一致性，就是要统一的ID体系，字段名要一致；第二要确保数据有效，也就是说时间比较及时；

第三就是数据要完整，形象点来说就是肯定不能缺胳膊少腿；第四就是数据要准确，要用记录准确的数据来代表用户行为，这4个点你要去确保的。

标签体系

那数据采集完毕且处理好以后，大家需要做的事情就是建立一个基础——标签体系，这也是整个用户画像、用户分类的基础，没有这个标签体系整个用户画像都没办法做，所以在数字营销开始之初，每个企业就需要建立自己的标签体系。那这边我把标签体系再细拆一下，分为四种：

静态标签：不以时间的改变而改变的标签，比如说你的性别，假如你不用做一些特殊手术的情况下，是男的就是男的，一辈子都不会变的，也就是说凡是一辈子不会变的属性都属于静态标签。

当然也有静态标签是基本不变的，甚至可能有些会时不时改变，比如说你的家庭住址、单位地址，可能每隔几年会有个变化，但我们也把它归在静态标签中，比如说某某小区或者说静安区等等，这些都是可以把它进行标签化的。

动态标签：随着时间的变化而变化的标签，比如说你参加了某一场研讨会，那你应该会被贴上这场研讨会相关主题的标签，还有你参加了汽车配件的一个研讨会，那么你身上就应该贴上汽车发动机或者汽车内饰这样一个标签，表示你对这个事情是感兴趣的，对这个内容曾经关注过，但是它是因为你的某个行为而产生的，动态标签就是根据用户行为所产生的标签。

值得一提的是，我们一般现在不做行为标签，因为都是隐藏在背后的，就比如说你点击阅读购买这些都叫动作行为，动作行为现在我们建议是不要标签化处理，而是都做成动作。

模型标签：就是根据企业自定义去做一些模型，比如说活跃度、兴趣度就是企业根据自己的模型去定义的一个，我们可以把它触发到某种类型的做一些标签。

预测标签：就是你可以对未来的行为做一些预测，比如说购买的复购时间这些方向可以做一些预测类的标签。

标签体系要强调的是一定要在做数字营销一开始就设好，但是一开始肯定没法做到非常完美，所以你可以先设好一个基础之后，再不断进行优化扩充，这个主要方向是可以实现360度视角下的用户洞察和管理。

评分体系

按照市场调研的行话来说：标签是定性，评分才是定量。大家都知道做一个市场调研，要有定性分析跟定量分析，定性分析只是知其然，不知道程度有多深，比如说知道你喜欢跑车，但是你喜欢跑车的程度是多少，这就需要一个定量分析。所以在标签这个数据分析的基础上，定量的基础就是评分。

就比如说给你贴了一个标签，是汽车发动机，目前只知道你经参加过汽车发动机的活动，证明你曾经关注过，但是关注度是多少就要用评分了。我们是用每次互动行为来进行评分的，比如说参加会议是10分，他只要参加了一次汽车发动机的研讨会就给他打10分，那他参加第二次就再打10分，也就有20分了。但是分数是打标签上的，就跟刚才的标签是关联的。

评分基础为什么也要一开始来做，是因为每个企业的评分标准是不一样的，权重是要根据每个企业的不同特点来决定，很难说我们一开始就在系统里给你一个统一的标准，有些行业可能下载白皮书就是个非常感兴趣的标志，有些行业又将必须要参会作为一个比较积极的行为，或者说是一个比较有权重的行为，所以我们可以看到不同行业不同企业对于行为维度的标准是不一样的，所以这个就需要你对评分有自己的标准。

数据分析

数据云分析的工具是一定要去采购的，要是没有数据分析工具的话，后面的基础也没法建立了，这里就不推荐了，前面都有课程讲过。

数据分析的类型

这四大基础建立好之后，就可以去做数据分析了，但是在做数据分析过程中，可能会遇到采集了大量数据却不知道选择什么样的分析角度。这里边就非常有窍门了，先稍微帮大家梳理一下，但是每个企业的分析角度也是根据自己的特色要去定的，接下来讲的也只是给大家一个参考。

但是有一点指导思想是要去注意的，就是你不能够什么都分析，当你把所有的数据都进行分析的时候，实际上会形成一种“信息噪音”，造成决策者就不知道该怎么决策了，所以数据分析的根源或者说最终目标都是帮助决策者进行决策分析，所以我们要以这个方向来考虑问题，有助于决策判断的才去分析，无助于决策判断的就不要让它形成噪音了。

宏观数据维度

这里是把长期有效的，或者说一段时间一个或者多个行为来观察得到的称作宏观数据,比如说三个月里边的所有行为的一个判断，也许更多给市场总监来看，有以下几种类别：

品牌认知度：整个市场对你品牌的这个认知的程度，但是它很难直接获得，往往是通过间接数据来的。比如说可能你发出去1万封信有1000个人打开了，这1000个人在打开的过程中一定是知晓了你这个品牌的，这是从邮件打开来反向推理，这些人会是对你的品牌有所了解。

排行数据：需要把你跟第三方数据放在一起，所谓第三方就是因为其他人家的数据，是不可能从第一方采集的。就比如说你是A公司，你要跟B公司C公司去比的话，只有从第三方数据里面去比，从第三方数据调个接口，然后看b公司的数据是什么、c公司数据是什么，跟他们进行横向比较。

用户路径：就是用户到我站点普遍都做哪些事情、使用哪些功能，很多用户行为分析系统的软件都是可以去做这样的路径分析。

用户分析：也可以叫用户画像，把这个用户的这个整个宏观体系放在一起来看，比如说大概是怎么组成、都是哪个地域的人、他们普遍的行为是什么样的。但如果你到了微观、个体的时候，用户分析应该到微观分析来这了，所以宏观路径分析里边有客户分析，那微观里面也有用户分析，包括用户画像，也就是用户的兴趣和喜好。

趋势分析：宏观分析里面很重要一点就是趋势分析，要看它整个的发展趋势走向是怎么样的，这是要去考虑到的一个维度。

微观数据维度

细到具体某一个事件或者涉及到某一个维度里就叫微观分析了，这部分给某个运营来看会更好一点，也分以下几个种类：

事件分析：就某一个事件来看，所以可能是运营的会比较多，可能单个事件里面有很多可以去分析的。比如说每场直播、每场活动、每一个邮件都是一个事件，每个事件都可以就某个事件的一个效果进行一个单事件分析。比如说到达率、响应率、客户反馈、单活动的收入、单活动的转化分析都可以形成一个单事件分析维度。

运营分析：就是从某一个阶段客户运营这个角度、单维度上去进行的分析，比如说活跃的会员数量、会员换礼品的一个数量、会员流失的数量、会员分级的一个数量，这些都是针对某一个维度，也就是会员运营这块单独去分析。

常用分析角度

看完了类型接下来便到角度了，也就是你用什么方向去分析这个角度，这里推荐用三个角度先来进行分析：

对比分析：就是固定变量然后看数据跟变量之间的关系，比如说①时间对比：可以锁定时间的长度做对比分析，去年第一季度跟今年第一季度的同比分析或者第一季度跟第二季度的环比分析；②渠道对比：渠道的不同也可以进行对比，比如说A渠道跟B渠道的有效性的对比；③位置对比：比如说山东人跟广东人之间的一个对比，不同地理位置上的人群的行为习惯的变化；④状态对比：先来举例看看什么叫状态，比如说新用户、老用户是一种状态，所以可以看一下新用户跟老用户之间在行为上有什么差异。

趋势分析：主要是看结果随时间的一个变化，主要的变量是时间，跟着时间走的长期变化就是曲线，这就叫趋势分析。

分布分析：主要专注在不同类型上，比如说10岁到20岁的人、20岁到30岁、30岁到40岁不同的人的行为落在什么样的区间内，这个大家就很容易理解就，是分析分布情况。

报告维度标准化

在实际操作中间，其实传声也在不断地摸索地标准化报告维度，以供大家参考，接下来介绍三个模板：

直播数据分析维度

我们现在搞出来给客户做标准化报告的直播维度上，推荐这样几个可以作为每一场直播的分析维度，大家可以参考一下变成在自己直播的数据分析维度：

①直播的数据概览：总报名人数、总观看人数、总报名企业、总观看企业、直播留言、直播提问人次、问卷调查填写次数、观看进出的次数、报名到观看的转化率、企业报名到观看转化率，还有Top three的这个公司里哪三家公司参与报名和观看的人数最多；

②报名渠道分析：报名的数量分析、观看的数量分析，这里大家由于会分不同报名的渠道，这些渠道的有效性也是可以分析一下的；

③直播数据分析：观看者地域分布、观看者职位分布、直播时段观看人数分析、直播观看的时长分析，包括平均观看时长、观看人数最多最集中的时长所对应的直播内容；

④直播建议：这部分是用来为下次如何改进做参考的，

比如说宣传怎么提升有效性、直播内容跟主题要不要优化、直播流程包括互动设置和场景设置要不要进行改进、直播讲师助教在环节中哪些方面可以去变化，然后通过推送的会后问卷的填写结果进行数据分析。

周报数据维度

在周报里又该如何去做数据分析，首先要知道因为周报不像月报一样那么完善，就是要快、要每周可以调整一些营销策略，所以在每周帮客户做分析的数字营销层面上，可以给这样的一些数据维度：

①数据概览：微信粉丝总数、每周的新增数量、会员总数、线索总数、粉丝到会员的转化率、微信推文的情况；

②会员分析：会员来源分析是参考引流第三方引流渠道合作的有效性、还有会员地域的分布、会员行业的分布、会员职业的分布、活跃度排名前10名的会员，因为活跃度非常高的会员可能是潜在的销售线索，当然也可能是竞争对手，所以你可以每周向销售部输送高质量销售线索的情况下，就需要分析这个最活跃的会员；

③内容分析：就是微信推文发布中的数据，有阅读人数、每篇转化粉丝的数量、还有微站里边每一个页面的阅读人数、还有就是每篇微站的文章可以吸引粉丝的数量。

月报数据维度

月报因为有一段时间的数据积累的，所以这段时间可以更好的分析一些用户的活跃度、趋势分析、数据模型的构建以及销售线索。

①数据上月报比周报多：多出来的这部分东西有我们现在有每月发Newsletter的情况，它的点击情况也可以加到这个月报里面，还有就是这个会员行业分布、会员职位分布也是可以加进来，那这时候我们就可以推荐一个第三方合作渠道投放策略了；

②会员行为方面：月度活跃度可以排行了，做前10也好、前50也好，月度活跃度都比周活跃度更具有代表性，把这个东西推荐给你的销售部也是要有模型的，这个模型如果能形成也就更棒了；

③内容分析：可以更多去做的是什么样的内容对什么样的人群、什么阶段的人群更有吸引力，然后还有兴趣度排行，也就是内容标签跟活动标签合起来，看一下这个用户对什么样的事情他有新高兴趣度的，或者每个用户的兴趣度，比如说张三对A事件最感兴趣，李四对B最感兴趣事件，这些都是通过这个前面我们说的这个标签加积分这两个事情共同作用来得出来的一个分析；

④线索分析：因为大家做这个数字营销都是为了更好的去做线索，所以这一块的线索值它的模型是可以通过这个传声的推荐、客户的行为模型、客户建议共同构成的一个线索筛选模型，这个如果建立好以后，那么每个月都可以根据这个线索筛选模型进行一些筛选，这样一个月度里可以做更加深度的分析，所以我们可以看到在月度分析里这块可能会比周分析多一些，有更加深度的一些排行。