如果在制定營銷策略之前，沒有進行詳細的復盤和數據分析，而直接啟動營銷工作，就無法知道策略是否合理，是否可以達到預期的效果。
在第0講中，我們提出了關于智能營銷的十個突破點，本文將就第一點進行闡述。
? 缺少詳細的原始數據分析環節
所有的營銷都需要在一開始展開系列的數據分析，來挖掘商機、尋找營銷目標，然而目前多數情況下是由營銷人員篩選標簽或者制定規則來直接構建營銷的目標。但這其實少了關鍵的一步，就是無論是否有歷史的類似營銷存在，都需要對本次營銷的目標進行詳細分析或者通過模型計算機會。比如未注冊客群就是營銷的目標，也應該對其數據進行合理分析，然而多數情況下是我們會把這些作為規則直接開始營銷。
在整體數據營銷的大框架上，我們一般將智能營銷分成四部分：
第一部分是關于多元渠道數據如何收集和匯集；
第二部分是關于匯集之后的數據如何進行處理加工，形成基本的原材料用于營銷和分析；
第三部分是如何基于這些數據通過算法、模型等形成文件的策略，指導營銷活動；
第四部分是如何基于營銷策略有效的選擇通道、時間、內容、權益、產品進行觸達，同時完整的進行數據回收、監測。
談到這個話題，我們首先看到的是多數互聯網企業，比如電商平臺，基本上均實現了推薦引擎的大規模應用，即基于用戶的大量實時反饋數據、基于商品或者人群形成個性化的推薦，而整個過程中，人工干涉和調整的比例在不斷減少。在算法配置、方案配置、分桶策略、目標達成、政策規定幾個方面可能仍需要人工調配的，但這些更多的是政策限制，比如首頁的banner最后一屏廣告只能放置手機類內容，但是內容本身并不完全受制于人工。因為這是面向的十萬、百萬、千萬、億萬的用戶來推薦。引擎本身解決了分析、策略輸出、客群觸達、用戶反饋、閉環優化的大環節。但是這里我們看到的是，除了數據的回收和整理，最關鍵的是數據的分析和加工使用，而這個過程是高度自動化的。
也就是說，當營銷要具備渠道實時性和數據應用能力，那么就需要角度敏捷的對于原始數據進行快速的分析和應用。但這里也涉及到一些問題就是模型算法的熱部署和調優，這在推薦引擎方面已經得到了驗證，關于在生產環境應用方面的內容將在后續文章講述。
回到剛才的問題上，我們已經看到了通過推薦和重定向的服務能力（比如我們在淘寶剛看完的一個商品就會出現在首頁推薦位置），可以提升整體的轉化和營銷效果。但是在此之外，我們并沒有看到如今的大規模營銷應用此種能力，因為多數情況下我們的渠道并不是在線網絡渠道可以實時反饋數據。
然而這不代表我們不需要和推薦引擎一樣的能力，我們的智能營銷需要向推薦引擎一樣具備高度的自動化和詳細的對數據的分析和使用。
現實的情況是，我們在開展營銷時，一種方式是基于人工經驗進行規則或者標簽的篩選以制定營銷方案；另一種是創意性的營銷，一般是覆蓋所有客群；再有的就是拍腦袋制定人群策略，進行投送。
而且我們習慣在策略執行未達到預期效果時，因考慮到成本問題，放棄后續執行或者實驗，而無法繼續進行下一步的方案或者優化建議。
產生以上問題的根源，在于我們只關注純粹的營銷結果數據，而沒有深度復盤營銷全流程情況，單純以ROI導向，而不再追求迭代和優化，這樣就出現了無數的營銷方案和規則，卻始終找不到長期可持續的戰法。另一點是對于在營銷策略初期的工作中，缺少了詳細的數據分析，我們過度依賴于規則和標簽的邏輯來制定策略，如果沒有類似AAARRR這樣的方法論指引，則很快就容易走偏方向。
規則也好，標簽也好，本質上因為經過了業務或者IT的抽象和封裝，并不完全適合于業務執行人員。而業務人員則只能在沒有詳細分析的情況下，基于制定的標簽或者規則邏輯組織營銷策略。可想而知，這是一種毫無準備的策略制定，而且這種策略將會越來越多，卻毫無繼承性和優化余地。
數據分析必須參與到營銷策略的制定過程中，無論是機器自主還是人工。現在看來，在我們每一次營銷策略展開之前，我們需要界定我們的目標，這個目標一方面可能是數據分析得來的，另一方面可能是本來就存在的。
比如信用卡在獲取用戶時，總有一批用戶是被審批拒絕的，那么這批用戶是企業在營銷中必須考慮的營銷目標，比如通過回撈這批人、重新授信，這是已經存在的目標。另一種是要經過挖掘才會發現，比如通過對在線渠道用戶的逾期數據發現，整體的逾期率比其他渠道高，那么就需要基于該發現去制定針對性的營銷目標。
再比如今天企業從自有業務收集了用戶的數據，但是由于參與度和業務達成率低，沒有獲取客群的更多信息，此時就會借助外部數據進行信息的補全，豐富客群的營銷內容。這種就是典型的需要補充數據后，通過分析，才能尋找到用戶的興奮點和訴求點；如果缺少這個過程，只是簡單進行剛性的渠道內容觸達，則沒有任何效果。
但是在通過數據分析支持營銷動作方面，首先要滿足業務人員對數據的可獲取性和可分析性，業務人員不能像過去簡單的基于標簽或者規則篩選，這只能是第二步，第一步是企業需要一個綜合各方面數據的環境，形成數據的Catalog，并在此基礎上，提供可用于數據分析的工具，比如報表、數據處理工具、建模工具，這使得業務人員可參與到數據的加工分析過程中，形成事前的基本分析要素和結果。
當然，更加直接的方式，是提供更多基于原始數據分析呈現的報表，而這些報表不只是提供一些結果數字，而是提供和展現需要跟進的營銷機會和線索，這些機會和線索實際上就是經過分析而達成的營銷目標，比如逾期率、審批未通過的用戶等，而此時一些標簽的意義才會顯現出來。
數據分析參與營銷過程的另一點，則是在營銷執行過程和營銷結果方面，也需要進行快速的復盤和分析，目標是在過程中調整和優化策略、降低損失。比如經過執行發現了營銷策略或者規則中的漏洞，那么就要實時分析，及時阻止策略產生的漏洞造成更大的損失。以推薦引擎為例，可以做到在實時的數據分析中調優策略、調整客群的推薦服務內容。
在營銷結果方面的數據分析，實際上是希望大家在關注ROI的同時，通過數據分析，挖掘更多的潛在價值和機會，比提取響應人群的特征與原始策略制定的人群進行比對和分析，這有助于調優方案和迭代執行。
總的來說，大道理上每個人和公司都明白，但是在執行環節，我們其實沒有做到事前、事中和事后的深度分析。在方面我們需要向銀行的信用卡業務學習，面對風險問題，他們將貸前風控作為第一道關卡，嚴格控制準入門檻，降低后續的麻煩；密切監測貸中風險，及時阻斷和降低損失，預測能力和風險預判在這個過程中是極為關鍵的；同時在逾期、催收等問題上，通過對結果的復盤和回溯，反饋至貸前審批環節，優化準入策略，有力的避免風險。這一套邏輯在營銷場景下同時具備參考意義，畢竟這都是對于人的經營。
