营销量化革命: 前世，今生，与未来-技术圈

也许你还没有注意到，对营销人而言，一场革命正悄然上演。

有人要问了，这是一场怎样的革命？这是一场量化革命。过去数十年，量化革命就像一场完美的风暴，彻底改变了职业体育、投资等诸多行业的面貌。同样的革命，今天正在我们的行业里风卷而行。

在证券投资行业，数据一直非常重要，对价值型投资人而言尤其如此。获取尽可能多的标的数据至关重要，因为数据可用于判断估值是否过高、过低还是刚好。作为一种投资策略，价值型投资牵扯到一个基本的判断：一只股票的交易价格是否大幅低于其内在价值?

投资量化革命始于上世纪70年代末、80年代初，但直到90年代才出现重大突破。与价值投资不同，量化投资在很大程度上不会对内在价值进行基本判断，而是利用市场低效，或根据对短期交易走势的预测来试图获利。

虽然比量化投资落后了大约20年，市场营销也一直遵循着类似的变革轨迹。量化革命在如何改变我们的行业？量化革命的优势和局限性在何处？这场变革又将走向何方？

要回答上述问题，需将营销的量化革命分为三个阶段，分别对应前世、今生，与未来（见表）。

阶段一 | 前世：量化革命的孕育

市场研究时代

上世纪初，市场研究的兴起首次让企业能够做出有据可依的营销决策，同时也在一定程度上带来了以消费者为中心的理念。与其出售自身所产，不如出售消费者所爱。今天看来再易懂不过的常识，在那个“想要什么颜色的福特汽车都可以，只要是黑色的就行”的年代，确实是理念上的重大突破。

虽然有据可依的决策比起无据可依的决策往往更胜一筹，但在这个阶段，数据要么充当知识基底，要么用于验证决策是否正确。人类的智慧，纵然光芒万丈，也有诸多缺陷。一般来说，当数据与决策者的想法互相矛盾时，决策者对数据往往吹毛求疵，或者置之不理，甚至直接将其作为橡皮图章，用来“验证”任何决策。

此外，市场研究数据的两大限制——数据范围和数据颗粒度，深刻影响着数据可以产生的作用。大多数问卷调查时长约20分钟，涉及数百个样本，收集到的数据十分有限，这就意味着数据的来源过于狭隘或流于表面；而基于小样本获得的研究成果又无法可靠地推而广之，因此几乎所有的结论都只囿于PPT报告，一旦试图践行，就发现往往是“纸上谈兵”。

因此，市场研究行业从不缺乏笑料。

阶段二 | 今生：量化革命的曙光

营销效率提升

显而易见，鉴于市场研究数据的局限性，需要一种崭新的数据类型来召唤新时代的曙光。是的，这个新的数据类型只能是大数据。

在中国，任何营销历史学家（如果有的话）或许都会同意，阿里巴巴在2018年推出“全域营销”，标志着这一阶段的开始。借助“数据银行”(DataBank)和“策略中心”(StrategyCenter)，营销人首次掌握了大量翔实的电商消费数据，因此带来了前所未有的洞察，这些洞察不仅仅是停留在PPT上的理论，它们可以用来帮助品牌精准圈选目标人群；更有意义的是，凭借消费者洞察及目标人群圈选，内容与触点的精准投放变为可能，并且可以用包括购买转化率在内的各种KPI进行测试，从而确定更有效的组合。很快，营销人仿佛发现了一个神奇的武器，可以实现ROI翻番，降低浪费和欺诈，提升商品GMV。

有史以来，营销人员第一次能够从大量有广度、有深度的数据中获取洞察，将策略直接转化为可检验、可优化的执行方案。同时，营销人员也是第一次能够将特定的策略和活动与短期的GMV联系起来，因此ROI成为了合理、可衡量的KPI。

虽然大数据提供了前所未有的强力有效的解决方案，但目前可供使用的大数据和数据平台的局限性还是给行业带来不少困扰。

首先，大多数可用的大数据都是行为数据。尽管数据颗粒更细，也可以用于打标真实消费者，但主要的缺点在于：行为数据只反映了消费者的行为，却无法揭示他们为何如此——换句话说，我们知道“是什么”而不知道“为什么”。因此，根据相关性或A/B测试来确定哪一类目标群体或哪一种沟通方式的ROI更高是一种常态。在极少数情况下，一些分析师会利用传统的市场研究来挖掘“为什么”，然后利用这份洞察来指导大数据分析，但这是例外而不是常态。很多人可能会问，不是有“大师”说过相关性就是一切吗？如果只是预测股票在未来72小时内的走势，那么相关性就足够了。但如果想弄清楚下一个重磅产品是什么，消费者兴趣走向是什么，或者是否有所向披靡的品牌沟通，这些仅凭相关性是完全不够的。

另一大限制则与现有营销数据平台使用权限有关。这些平台基本不支持嵌入第三方基于算法的自动分析，也不能在没有大量人工干预的情况下无缝地进行A/B测试、TA圈选、媒体投放等等。除了极少数二方非常有限的自动化尝试外，人类依然是营销决策的唯一思考者和最终拍板的决策者。从这个意义上说，营销自动化仍然遥不可及。

阶段三 | 未来：革命的范式转变

改变游戏规则，超越人类认知

如果有一个科幻作家特别无聊，想要写写市场营销的未来，她很可能会这么写：

大部分常规营销决策，尤其是落地执行的决策，比如媒体计划、目标群体圈选、传播效率提升等等，将基于算法自动执行、自动优化。这里的一小部分在今天已经成为现实。

人工智能 (AI) 将生成大多数广告、社交媒体内容。AI已经可以创作出以假乱真、让专家难以分辨的巴赫式音乐。同样，机器学习可以基于现有营销创意内容，由此产生的黑盒算法可用于生成崭新优质品牌传播内容。已经有公司在这条路上前行了。至于何时AI可以像一个顶尖的创意人一样，大量输出优质内容，这只是时间问题。
同样，机器学习将梳理消费者历程数据，设计个性化措施，确定最佳干预时机或场合。无论在品牌种草、品牌建设、购买转化、旧客留存还是新客裂变阶段，都将使用最有效的信息/活动触达特定消费者，实现营销目标。
除了人工智能和算法的常规部署外，阶段三比起阶段二有很大的不同：大多数情况下，阶段二更注重在现有的消费行为和决策模式下提升效率，而阶段三则是要通过重新设计消费历程、重组消费者决策来改变消费者行为模式。因此，仅仅依靠机器学习和历史数据是不够的。以行为科学为指导的实验设计将打破市场营销的新边界，揭示重塑消费者决策的崭新洞察及解决方案。

为了充分发挥阶段三的潜力，它需要尽可能完整的消费者全链路数据。如今的数据孤岛（例如数据银行）功能非常强大，但在广袤的数据宇宙里，只是一个极小的角落。既然完整的全链路数据库具有如此大的转换价值，它的出现只是个时间问题。

拥有神奇的数据库后，营销专家的境况会越来越像量化基金人士的现状：出身商科的人数会越来越少，而数学家、程序员和行为科学家等会越来越多。

这个阶段的营销将充满刺激、奇迹和魔力。从某种意义上说，拥有数据和算法的营销，在塑造消费者行为方面将比以往任何时候都更加强大。但消费者和政府会容忍吗？消费者会不会因为收到并不需要的推送而反对营销，就像Facebook所经历的那样？政府是否会感到担忧，因为这个行业就像剑桥分析 (Cambridge Analytica) 及类似公司一样操纵大众？

显然，身处量化革命风口的营销人员需要遵循两个原则：1.最大限度尊重消费者隐私；2. 只有当消费对消费者来说是有价值的，才鼓励消费行为——也就是让消费者能够做出充分知情、明智的、可持续的消费决策。毕竟，如果有一天营销人员醒来的时候意识到她拥有影响消费者的能力，她最好先问自己这个问题：我是否希望生活在这样一个世界，营销人员可以自由运用数据和算法来操纵我的决策，却几乎从不考虑这样对我是否真正有益？

量化革命的舞台已拉开序幕，这对今天的营销人员有什么启示？意略明相信，一个行业的重大变革将会带来前所未有的机遇：

数据资产：数据是新的石油。任何可以补充（当然，能取代就最好不过了）数据孤岛的独特数据集都将具有巨大价值。
算法和应用：可以代营销人员做出决策的算法，无论是简单的还是复杂的，都将被嵌入自动化应用程序中。在不久的将来，这些应用程序将用于日常定位目标人群、决定消息传递类型。假以时日，应用程序会做出优于人类的战略营销决策。
系统间集成：可以链接和促进各种数据孤岛、算法、数字媒体渠道、电子商务平台、数字化线下接触点和其他利益相关者之间协作的集成系统。
行为科学和社会/文化力量：与量化投资不同，品牌方无法通过套利低下的市场效率获取高额利润。因此，仅使用纯粹的统计方法是不够的。我们需要深入了解消费者如何做决定，从而得知怎样才能推动他们做出决定。行为科学，尤其是行为经济学，再加上影响消费者思维方式的社会和文化力量，将成为数据科学家竞相构建更为精彩绝伦的算法和应用程序的航标灯。

当然，阶段三是否会出现以及走向何方仍是未知数。然而，此时此刻，我已经迫不及待想知道，阶段四会长成什么样。

近期文章
视频专栏课 | Python网络爬虫与文本分析
如何在DataFrame中使用If-Else条件语句创建新列
BERTopic 主题建模库 | 建议收藏
Top2Vec | 主题建模和语义搜索库
案例实战 | 企业信息数据采集
KeyBERT库 | 自动挖掘文本中的关键词
SmartScraper | 简单、自动、快捷的Python网络爬虫
SHAP | 机器学习模型解释库
ashares库 | A股市场历史行情数据
Backtrader库 | 均线买入卖出策略实现
读完本文你就了解什么是文本分析
文本分析在经管领域中的应用概述
综述:文本分析在市场营销研究中的应用
在会计研究中使用Python进行文本分析
文本分析方法在《管理世界》（2021.5）中的应用
hiResearch 定义自己的科研首页
SciencePlots | 科研样式绘图库
Wow~70G上市公司定期报告数据集
漂亮~pandas可以无缝衔接Bokeh  
YelpDaset: 酒店管理类数据集10+G

营销量化革命: 前世，今生，与未来

近期文章

添加附言

相关文章推荐