数据对营销人员来说既是福也是祸。
客户数据从未如此丰富。消费者注册忠诚度计划，在网上购物并将产品送到他们家门口。营销人员可以快速直接或间接收集这些数据，并使用它来个性化与他们的品牌互动并优化他们的营销活动。
但所有这些数据也让营销人员感到不知所措。他们花了很多时间试图弄清楚这一切。根据 Gartner 对 400 多名营销领导者和分析从业者进行的 2020 年营销数据和分析调查，64% 的分析从业者表示，数据管理、数据集成和数据格式化是他们消磨时间的一些主要方式。
但通常进行分析的人并不了解营销投资策略。环境中到处都是 DIY 分析出错的墓碑，因为许多人没有意识到构建整体程序的挑战。最大的障碍之一是如何整合衡量数字营销的每一个细节所需的大量数据。根据我的经验，DIY 营销分析的陷阱很多。让我们讨论一些以及如何避免它们。
缺乏知识和经验
在这个数据驱动营销的新时代，营销组织的范围发生了巨大变化。营销领导者知道需要什么样的人才和技能才能将他们的组织提升到一个新的水平。但找到技术、商业和创意专业知识的正确组合是另一回事。一个 2020年的调查 由该CMO俱乐部的400个多名首席营销官德勤发现，引用最多的重要技能缺口围绕着数据。数据科学以 78% 排名第一，其次是分析以 68%。
随着分析工具变得更加强大和不透明，技能差距可能会扩大。例如，依赖于神经网络的算法足以检测变量之间复杂的统计关系。但是这些深度学习系统很复杂，而且很多用户并没有很好地理解它们。这会增加盲目相信算法揭示的任何结果的倾向，而不是批判性地思考结果以及它们是否提供有意义的见解。
缺乏复杂的工具
虽然高级分析提供了增加增长和营销投资回报的能力，但我发现组织似乎几乎被他们提供的选择所瘫痪。因此，营销领导者倾向于依赖一种规划和绩效管理方法。
品牌长期以来一直在进行自己的营销组合建模 (MMM)，以深入了解特定的营销策略。但是简单的 MMM 模型总是有局限性。通常，模型假设所有媒体都与模型中的其他媒体无关，我们知道这不是真的。MMM 在现代营销中仍然占有重要地位，但我发现模型经常出现不足的原因有很多，例如它们过度简化了非营销变量（如经济或竞争活动）的影响。而且它们通常不包括行业基准数据，这使营销人员能够将结果置于上下文中。
有限的数据访问
现在，越来越多的广告费用已经转移到网上，营销人员希望了解消费者在何时何地与他们的信息互动。由于 MMM 不是以消费者为中心的模型，因此出现了称为多点触控归因 (MTA) 模型的测量技术。最初，数字归因是基本的，营销人员主要依靠“最后一次点击”或“最后一次接触”衡量，将所有购买功劳归于客户最后看到或做的事情。不用说，这不是衡量营销工作的一种非常聪明或微妙的方式。但较新的模型可以帮助确定每个客户接触点在转化过程中的价值。品牌可能已经投入巨资建立强大、复杂的数据科学团队来构建自己的 MTA 模型，但许多品牌仍然缺少衡量整体支出所需的数据。
这让营销人员何去何从？为了加强他们在所有渠道（包括传统和数字渠道）的能力，他们应该提升他们的数据。他们可以通过以下方式做到这一点：
• 访问正确的数据源，以帮助他们优化对其业务至关重要的所有渠道。随着 Apple 对第三方 cookie 和广告标识符的限制以及谷歌在 2023 年逐步停止在 Chrome 上使用 cookie，营销人员担心他们进行受众级别定位的能力。他们应该仔细查看他们的第一方数据，看看它是否准确。他们应该消除过时或重复的记录，填补空白并用可靠的联系信息丰富他们的记录。
• 将他们健康的数据集连接到更广泛的广告生态系统。发布商可以关注他们的第一方数据，并相应地更新他们的营销技术和策略以吸引广告商。零售商可以分析交易数据以加深对客户的了解。品牌应与出版商和零售商合作并共享敏感数据，同时维护消费者的隐私。请记住，细分和受众洞察与您提供给它们的数据一样好。
• 确保数据和分析的稳健性，因为这对于将数据科学有效地融入营销活动至关重要。数据科学可以帮助企业预测未来的消费者行为。但根据我的经验，很多预测模型都无法产生任何积极的影响。营销人员可以通过让他们的数据科学团队访问所有数据（包括半结构化和非结构化数据）并确保他们拥有强大的数据治理策略来解决如何保护敏感的客户数据，从而加强他们的预测分析方法。
当您正确执行它们时，营销分析可以让品牌更全面地了解其营销活动和绩效，以便他们可以在正确的时间通过正确的渠道影响客户。