第五节 数据营销的知识领域

以上我们了解了数据营销的发展历史、基本理论、主要职责，接下来看一下数据营销有哪些具体的知识领域，如图1-17所示是以数据营销的应用闭环的方式串接的知识领域，以方便理解。

图1-17中的36个知识领域，先按照数据架构（如何收集数据、处理数据、解决数据本身问题）和数据在营销中的变现（客户数据如何帮助营销）分为两个大步骤，之后按照数据操作的先后顺序分为数据收集、数据清理、数据平台、数据策略、数据应用和结果衡量六个小步骤。

如果按照数据营销在企业中的主要职责划分，数据营销的知识体系可以分为如表1-7所示的四大领域。

在这四大数据营销领域中，CRM和市场研究存在已久，模式基本成熟，有相当多的人才同时掌握这两个领域的知识。而数字营销和电商是十年前出现的新领域，其运行模式日新月异，人才跨界比例最高，而且由于这两个领域更贴近销售，能给企业带来更加直观的财务效果，因此人才的数量和质量会更多、更优秀，同时这两个领域也容易互相打通。

数据营销的发展是随着这四个领域的互相融合实现的，特别是打通基于CRM的传统客户数据和基于数字营销的数字数据，引入更多跨界的资源形成更新颖的营销方式，是可以预见的数据营销的未来。

一 数据收集：数据收集的种类及来源

数据收集可能是企业对数据营销首先关心的问题：能收集什么样的数据？客户数据从哪里来？

1．数据收集的种类

从数据类型来说，收集的客户数据可以分为传统CRM数据和数字数据两种，如表1-8所示。

传统CRM数据主要解决的是“客户是谁”、“客户买过什么东西”的问题，记录的是客户“真实”的信息。而数字数据解决的是“客户有什么互联网行为”的问题，数字数据中收集的客户行为可以分为以下几大类。

· 浏览行为数据：客户在不同终端（手机、电脑等）使用不同浏览器浏览网页的数据。

· 搜索行为数据：客户在搜索引擎上的搜索行为。

· 地理行为数据：客户的终端（特别是手机）出现的地理位置，因为手机是随身携带的，可以默认手机的位置就是客户本人的位置。

· 电商行为数据：客户在不同电商、团购、O2O平台上的浏览和购买行为。

· 社交行为数据：客户在社交媒体上的一言一行，以及社交媒体上的关系网数据。

· 互联网金融行为数据：在互联网上的借贷行为，以及综合相关数据后得出的信用数据。

在数字数据中，对客户的识别基于一个设备，而不是具体的人，只是默认同一个设备的使用者是同一个人（有时不能解决一个设备有多个用户的情况，如网吧里的电脑）。传统CRM数据中对客户的识别是通过姓名、联系电话、电子邮件、地址等实现的；数字数据则是根据客户的浏览器ID（Cookie ID）、电脑网卡的识别码（MAC）、手机的识别码（手机号、IMEI、安卓ID）等实现的。在现实中基于传统CRM数据的营销和数字数据的营销是割裂的，但从技术角度，可以通过识别手机号码的方式打通两部分数据，从而建立更加完整的360度客户视图，形成更多的数据营销模式，达到1+1远大于2的效果。

2．数据收集的来源

在实行数据营销过程中的数据来源有两种方式：一种是自己收集客户数据，该方式适合需要个性化数据营销方式、有大量预算的大企业；另一种是调用第三方的现成数据，该方式适合需要标准化数据营销方式、预算有限的中小企业。这里讲的是前种方式，让我们看看那些将建立自己的客户数据体系作为目标的企业是如何收集客户数据的。

如表1-9所示是客户数据的四种数据源，是按照数据收集平台的归属和数据源的归属来区分的。

（1）第一方数据

第一方数据可以简单理解为企业在自己的平台上收集的属于自己的数据。例如，订单系统中记录的交易数据；营销活动中收集的客户名片、手机号码；企业呼叫中心收到的客户咨询和投诉时留下的客户信息；通过网站分析技术收集的访问企业主页和APP的行为数据；银行、运营商行业收集的客户使用产品时产生的业务数据（如信用卡刷卡次数、通话对象等）。在企业收集的第一方数据中，只有网站分析数据是数字数据（通过营销技术采集），其他都是传统CRM数据。

第一方数据的优势是数据由企业自主采集，采集数据的广度和深度由企业自己做主，而且数据可信度相对高。收集的客户数据包括现有客户及已经与企业产生互动的潜在客户。

第一方数据的劣势是除了少数行业（如需要实名的银行、电信运营商等），大部分行业很难收集客户销售/商机之外的客户数据，如客户的年龄、收入、性别等，这些数据虽然可以通过用价格昂贵的调研和客户在申请会员时登记的信息等手段进行收集，但是数据完备度和准确率相当低。另外，由于企业收集的传统CRM数据和数字数据是割裂的，第一方数据最终的营销方式还是以传统的电子邮件、直邮、电话营销为主，新颖的数据营销手段应用场景较少。

第一方数据大部分的用途是根据现有客户的购买行为，判断潜在客户的销售机会或现有用户的交叉销售机会，最后通过传统的营销方式（电子邮件、直邮等）进行营销以增加收入。它还可用于老客户的维系，以及在B2B或B2C耐用消费品领域接近销售周期末端的潜在客户的营销。

（2）第二方数据

第二方数据可以简单理解为在外部平台上收集的属于自己的数据，主要包括社交媒体和电商数据两大类。社交媒体提供的API接口数据包括客户在企业所属社交媒体账号上的行为数据。以微信公众号为例，腾讯提供所有粉丝用户的ID、性别、注册地、发言等各种数据（具体请在搜索引擎上搜索“微信开发者手册”，有具体介绍）。电商数据主要是客户订单数据，包括电商给客户发货时快递单上记录的客户联系方式及购买商品的定价和品类等。

第二方数据能收集的数据类型完全取决于这些外部平台的开放程度。电商数据属于传统CRM数据，可以通过客户姓名、手机、地址与企业的第一方数据连通，而社交媒体数据记录的是客户的行为，但是企业通过引导客户注册。将登录密码发送到客户手机上，可以收集客户的手机号码，以此与第一方数据连通。微信作为最大的社交媒体，几乎每个月都会修改开放的数据类型，为企业提供新的数据类型，这些数据调取的方式是以实时API形式实现的，是实时营销的主要数据源。

第二方数据的优势是有最大的数据真实性，客户在社交媒体上的一言一行、在电商平台上购买的商品等数据的真实性很高，用第二方数据作为基础进行营销可以实现最大的精准度，并且由于通过实时方式采集数据，因此可以支撑实时的营销数据类型，能够产生足够多的营销场景。

第二方数据的劣势是数据采集源并不属于企业，当外部平台一旦停止提供数据，或者提出一个企业无法接受的条件时，企业就只能抛弃过去做的所有努力，之前基于第二方数据建设的数据设施和营销模式一夜之间就会失去作用。此外，这些为企业提供客户数据的平台往往还希望赚取企业的营销费用，会连同数据一起建立封闭的营销生态圈（如淘宝的直通车和钻石展位等引流体系、微信的广点通），并在企业数据连通环节和营销方式上设置很多障碍。例如，在微信中无法打开淘宝页面（为解决这个问题，淘宝变相做了淘宝口令），微信也颁布了严格的规则来限制微信圈里的营销类型。例如，某创业公司构思了一个病毒传播创意，用户在该公司的微信公众号输入自己的姓名和生日后，页面上会出现一张带有很多描述客户关键词的图片，并且可以让用户一键转发到朋友圈里，但由于该公司没有购买微信的营销工具，腾讯可以在短时间内宣布这个创意不合规而关闭其公众号，这个小小的创业公司之前努力收集的上百万名关注粉丝的数据瞬间作废。

（3）第三方数据

第三方数据可以简单理解为外部供应商拥有的数据，企业只能通过购买、交换、租赁等方式使用这些数据。这里需要强调的是，在中国，B2C领域的数据（个人数据）买卖是非法的，在几年前的“3·15”晚会上曝光了一些第三方数据公司销售车主、房主的信息，这些数据公司最终受到了法律的惩罚。不过，在B2B领域可以通过正规渠道购买企业名录、企业征信等客户数据，但这样的数据采购仍然走在法律的红线边缘。

第三方数据的收集包括以下几种方式。

· 直接采购客户数据（主要发生在B2B领域）。如全国所有三甲医院的名字、地址、总机电话等信息。

· 字段补充。这是指对企业已有数据中缺失的字段进行补充，有种供应商叫DMP，它们手上有通过各种渠道收集的客户数据。以美国著名的DMP Bluekai为例，它收集了数亿名美国人和千万个企业的数据，其中针对个人的标签有数千种，包括这些人的身高、年龄、收入水平、开车类型、家里是否养宠物等。通过一些识别码的匹配（如手机号码），企业可以通过外部数据补充自己数据库里缺失的字段。对于这种方式的数据合规，不同国家有不同的法律规定，在国外有严格的营销许可，储存在企业数据库里的数据对应的客户都同意接收企业的营销接触，企业获取的也只是现有客户的标签，而非具体的联系方式。

· 数据租赁。在电子邮件营销方式中，有些数据供应商拥有上亿份电子邮件地址和客户地址，作为企业无法承担全部购买的费用（当然也不一定合法），但是企业可以提出数据要求，将需要发送的电子邮件或直邮直接交给这些数据供应商，通过这些数据供应商的营销工具进行营销推送，然后按照使用数据量付费。在整个营销过程中，企业看不到底层的客户数据，但是通过电子邮件或直邮上备注的联系方式（如400电话、企业官网等），可以吸引客户主动与企业沟通，最后收集客户数据。

第三方数据的优势是获取的客户数据类型丰富（只要有供应商提供），只要经费充足，可以瞬间收集海量数据。

第三方数据的劣势是数据合规，在欧美国家有明确的数据合规规则，但在中国，这根红线相当模糊，企业很容易陷入法律风险。例如，在B2B行业，美国政府有明确的严禁销售名单，规定了美资公司在全世界范围内不可以进行接触的企业名单。但是，在国内没有成文规定，只有当企业的营销接触政府敏感部门和军工时，才会被政府严厉警告甚至处罚，但事前没有一个具体的清单可供参考。

（4）开放数据

以上三种方式获取的客户数据都需要很高的成本，那是否有廉价的数据源呢？开放数据就是成本最低的选择。互联网上存在大量的数据，这些数据有各种类型，并且会自动更新，配合不同的应用场景有相当高的价值。通过结合爬虫技术，可以把互联网上这些可见的信息扒取下来作为营销使用。

最常见的开放数据包括招聘网站上的信息（通过了解哪些企业在招人，能估算这个企业的规模和相关产品购买可能性）、企业信用信息（政府建设的相关信息网站，信息包括全国各企业的名字、注册资金、经营范围等）、社交媒体数据（虽然也可以通过API接口作为第二方数据采集，但是同样可以通过爬虫扒取API接口没有开放的数据）等。本书第三章有利用招聘信息进行商机挖掘的案例介绍。

开放数据的优势是廉价，一个懂爬虫工具的工程师（技术含量并不高）、一个爬虫工具（国内著名的标准化爬虫工具年费不过几百元，除了标准化工具，大部分统计工具如R、Python也有免费的爬虫模块）、找到拥有大量数据的网站加上一台电脑，一天就可以扒取上百万条数据。

开放数据的劣势是扒取的数据仍然有一定的法律风险，这些数据的归属会引来一些问题，另外开放数据的选择相对较少。

二 数据治理：数据使用前的清理工作

拥有了客户数据后，企业仍然需要对客户数据进行处理和加工才能使用。例如，CRM系统中存储了各种来源的客户数据，其中字段“城市”标明了这个客户所在的城市，但是这个字段填写的内容包括“上海”、“上海市”、“Shanghai”、“SH”等多种写法，当数据营销人员想从CRM系统中抽取上海的客户时，会发现因为字段的不标准而无法实现。如果再对应“电话”字段，发现一些城市标明“上海”的客户区号却是010，北京的区号，这样的数据会给数据营销带来极大的负面影响。如果不能保证数据的质量，结果就会使前后做的所有努力都变得没有意义。

要保证CRM系统中的数据质量，需要经过以下四个步骤。

1．数据标准化

先确认采集客户数据的数据源中，那些重要的、以后可以使用的数据字段，给这些字段进行数据标准的制定。例如，手机号码可能有不同的格式，如数字型的13812345678，字符型的+8613812345678，字符型的138-1234-5678。在确定一种格式后，需要对所有数据源的数据进行统一处理和转换，这种处理是通过ETL技术来实现的，典型的软件有Informatica、Datastage等。

除了以上数据格式和定义标准化外，还有针对客户行为数据的“非结构数据的结构化”，这个名词可能在大数据领域经常被提及，在数据营销中主要是针对社交媒体数据的。当一个企业想通过分析客户在社交媒体的发言，了解这个客户对产品的喜好和购买阶段，以匹配对应的营销内容时，最大的技术难点是客户在社交媒体上的发言都是随性的、无规律的，面对海量的客户发言时，无法简单地对客户进行分析和细分。解决这个问题的技术是“语义分析”，最早研究这个技术的是“冷战”时期的美国政府：在通过各种渠道收集苏联情报后，如何在每天数万份情报中发现有价值的内容呢？让数千个有判断力的资深人士用肉眼去看是不现实的，这时只能求助于计算机了。首先需要完成俄文到英文的翻译，然后预设一些关键词，当情报中提及“核武器”、“袭击”等这种指定关键词时就需要把这些情报挑出，最后将每天数万份情报压缩到几十份、让资深人士判断。如图1-18所示是数据营销领域语义分析的模式。

以下举例说明。某汽车公司想从数据相对开放的微博上找到目标客户。它首先设立了挑词词库，包括自己的品牌名字、主要竞争对手的品牌名字、“试驾”、“买车”等关键词。然后通过微博API接口抽取含以上关键词的客户发言（每天在微博上的发言有上亿条，无法全部下载分析，如果限定以上关键词，可以压缩到每天十万条左右），抽取数据后通过一些拆词工具（最常用的工具是免费的分析工具R，网上有许多开源的拆词词库，如中科院开发的中文字库，拆词词库和之前的挑词词库的差别是前者包含几乎中文中的所有词汇）把客户发言的整句拆成一个个词汇，之后对这些词汇进行分析，如图1-19所示。

从图1-19中可以看到，在客户50个字不到的发言中，真正有价值的是客户提及了“试驾”和“××款汽车”，而客户关注的词汇有“驾驶性能”（并且给出了评价“真不错”）和“价格”（评价是“贵”），因此企业判断客户的核心痛点是价格。由于从每条微博中都可以找到发言者的微博ID，企业可以以“价格”为核心营销内容针对客户进行推送。在全过程中，企业发现词汇“驾驶性能”不在最初的挑选词库中，但是由于在其他微博发言中都有所提及，因此企业会将这个词加入挑词词库。

相比其他数据营销的数据，客户在社交媒体上的发言数据更能表达其内心的真实感觉。语义分析是一个获取客户采购目标和采购阶段的核心技术，在营销上有很多适合的应用场景。但是，相比天然拆词的西方语言（如在英语中，每个整句由词汇组成，每个词汇不会有太复杂的多重含义），中文的整句由词汇组成，而词汇又由“字”这个更小的拼图组成，不同的拆词工具基于一堆字拆出来的词汇组成会有很大不同，再加上标点符号改变语气，对中文整句的拆词难度远大于西方语言，因此，语义分析技术在中文领域并没有西方语言走得这么远。

语义分析除了能挖掘目标客户外，还有更多的营销应用场景，如在第二章提到的“卖点提炼”，甚至更加前沿的“情感分析”，对客户发言的每个词进行打分，建立提及“好”是+1、“非常好”是+2、不好是“-1”的评分标准，最终判断客户对产品的定量喜好程度和定量的购买周期，从而更加精确地进行营销投放。

语义分析是笔者非常看好的一个数据营销领域，在国外，语义分析不仅能针对文字，甚至已经做到了语音层面，很多呼叫中心接听客户电话的已经不再是实实在在的一个个“人”，而是智能的程序，根据客户的发言判断回复的语句。在国内，由于中文的复杂程度，虽然还未出现这样的技术，但是随着这个技术的成熟，会出现更多有意思的数据营销方式。

2．数据清理

不同数据源收集的客户数据由于各种原因，会存在一些数据质量问题。例如，客户在调研问卷上填写的假姓名和联系方式；企业销售人员为了不让自己的公司了解真实的客户信息，在CRM系统中录入虚假的客户信息；营销供应商为了完成指标编造假数据；每天在各五星级酒店晃悠，参加产品推荐会，但目的是领取免费礼品和享受午餐的“会虫”给的虚假名片；在客户数据录入时出现的数据录入错误，等等。以上这些都是造成数据虚假的原因。在将这些数据录入数据系统前，数据营销人员需要对它们及时鉴别并进行清理，防止错误数据被营销部门使用。

首先，数据营销人员需要凭借经验对收集的客户数据质量进行评估，如长度只有10位的手机号码、不带@字符的电子邮件地址，都是错误数据需要清理（如原数据是abcsina.com，这是在录入数据时在“sina”之前缺失了@，而缺了一位的手机号码只能直接删除）。

其次，通过相关字段的对比了解数据真实度。例如，拿一张“全国城市名—邮编—电话区号—手机号段归属城市”的对照表，判断客户填写的数据是否有冲突，虽然可能存在一个客户在多个城市办公的情况，但如果这个比例超过1%就是不可接受的了。又如，利用“中文—拼音”的对照工具（有基于Excel的相关工具），将客户名字转换成拼音字母，查看电子邮件中是否含这些拼音（有些人愿意用名字的拼音作为电子邮件地址的一部分），如果匹配率不到20%，那就需要人工识别了，如果看到大量姓名是“张三”，但邮件地址是lisi@sina.com的数据，就需要找到数据源探查具体原因。

再次，通过一些工具对数据进行清理，清除数据中的空格、非法字符等，当数据量很大时，需要通过上文提及的ETL工具实现。

最后，通过测试工具对已经确认格式和逻辑正确的数据进行测试。例如，通过电子邮件发送欢迎邮件，通常电子邮件发送供应商都提供退回功能，列出发送失败的邮件列表和失败原因（邮件已满、邮箱不存在、邮件服务器拒收等）。而电话号码则是“信令”技术，批量对电话号码进行预呼，根据拨打时运营商系统的回复如“你拨打的用户忙”、“你拨打的电话是空号”、正常接通的“嘟嘟”声等情况进行罗列，了解电话号码的正确程度。

数据清理的大致逻辑如上所述，但是手法远不止以上这些，经过数据清理，可以保证之后录入CRM系统的数据是基本正确的。

3．数据匹配

同一个客户出现在同一个企业的多个数据收集渠道中是一个普遍现象，识别这个客户并拼合多个数据源的行为能帮助企业更加精准地了解客户，并且找到更加精确的营销推送渠道。下面以如表1-10所示的某奶粉的潜在购买者为例。

表1-10适用的场景是一个购买了某品牌孕妇奶粉（针对生产前的孕妇）的客户，在购买时留下了自己的联系方式，并且办理了会员卡，而在填写会员卡资料时留下了不太真实的姓名和地址（企业无法要求客户提供真实的身份信息），为了接收密码，客户不得不填写真实的手机号码，通过短信收到密码。作为奶粉企业，虽然收集了客户数据并录入了CRM系统，但仍然无法判断这个客户购买奶粉是自用还是送人，也无法判断这个客户具体的生育时间（一般来说客户怀孕三个月后会开始喝孕妇奶粉，但也许该客户之前已经购买过其他品牌的同类产品）。对奶粉企业来说，判断客户具体的生育日期对针对性营销是非常重要的，孩子出生后的第一口奶往往决定了之后接受的奶粉品牌，因此在孩子出生前1～2个月的营销至关重要。而孩子出生之后每几个月就需要更换不同配方的阶段奶粉，由于过敏等原因，客户有10%～20%的概率在每个阶段交界会更换奶粉品牌，因此奶粉企业仍可能在这些阶段通过营销赢回其他品牌的客户。要了解客户具体的生育时间，虽然可以让门店促销员在客户购买时对其进行问卷填写，但由于各种干扰因素的存在，最后收集的数据不一定真实。

除了依靠线下销售端收集客户数据外，奶粉企业还能收集客户在其开设的电商上的购买行为、基于Cookie技术的客户互联网行为、基于社交媒体的客户行为、客户是否进出生育相关场所的地理信息位置数据（由第三方提供，后文会详述）、客户是否安装了生育相关APP及具体安装时间等客户行为数据，来支撑判断这个客户的具体生育日期并指导营销，而不同数据源有不同的客户唯一识别码，同一个数据源也会有超过一个客户识别码。

数据匹配的责任就是收集同一个客户在多个数据源中的客户识别码，通过连通这些客户识别码来拼合数据，起到用户ID管理的作用。表1-11展示了在数据匹配过程中，传统CRM数据和数字数据的不同模式。

传统CRM数据的匹配过程相对容易理解（姓名、地址、电话即可），但是数字数据的匹配过程相当复杂。首先，客户识别码是基于不同体系的（终端、网页浏览器、路由器、操作系统等），很多识别码的有效性很短。其次，客户在同一个体系里的识别码非唯一，如同一个客户可能有多个微博ID。第三，客户识别码往往对应的是一个终端（如一部手机）而不是一个具体的客户，如一个家庭上网时客户识别码是基于路由器的IP地址，但这个路由器背后有几个客户却无法探知。最后，个体客户行为的差异性会造成数据的匹配过程中发生大量数据逻辑冲突。例如，如何理解一个客户花大量时间玩网络游戏、经常出现在国外、经常住宿高级酒店、在团购网络上经常购买人均20元的低端餐饮的行为？

传统CRM数据和数字数据之间的连通方式，现阶段最常用的是手机号码，因此，我们现在就理解了为什么下载一个很小的APP也一定要输入手机号码进行注册，这些免费的APP为用户提供免费服务的同时收集了用户的行为数据。要将这些数量不大的行为数据拿到市场上去销售，必须将其融入更大的数据体系，而在融入过程中必须有手机号码这个客户识别码才有价值。

4．数据整合

在对不同数据源的数据进行标准化、清理和匹配后，最后一步就是将其整合到一个数据库中，其中的操作包括不同数据表之间的映射、插入/删除记录、同一个字段数据源的优先级、数据备份等，这是一个偏数据库技术的知识领域，在此不再展开叙述。

三 数据平台：数据的存放平台和应用工具

有了数据后，还需要配套的存储数据和应用数据的系统环境，以及数据最终在数据库中的展现形式（360度客户视图）。在数据营销中，不可避免的问题是数据安全，企业花了高昂的成本得来的数据资源有时会被内外部的各种人或技术窃取，给企业带来潜在风险。

1．数据设施

前文也提及，现在的数据营销涉及复杂的IT技术，每个简单营销场景的实现背后都有许多IT系统和数据流管理，企业在数据设施上的投资也在大幅增加。因为这个领域的内容过于庞大，所以笔者会在本章的第六节单独详解。

2. 360度客户视图

随着大数据概念的兴起，很多人会把数据营销描述为大数据营销，虽然只有一字之差，但也体现了当前数据营销的趋势：随着营销技术的成熟，企业能通过更多数据源收集客户的行为数据（之前的“数据收集”部分提到了四种数据收集源和方式）。实行传统CRM的大型企业，十年的客户数据积累也就在T级别，而通过营销技术收集数字数据的中小型企业，也许每周就会产生T级数据。

问题是，企业收集如此大体量的数据的目的是什么？知道客户每分钟的地理位置，知道他们过去数年的购买记录，知道他们在网站上浏览了哪些网页，能如何帮助营销呢？

360度客户视图不只是一种营销技术或数据展现形式，更是一种数据营销的核心思维逻辑和客户数据建设的终极目标。盲目收集客户数据会消耗企业大量资源，在没有想清楚数据的应用场景前被“大数据”三个字误导，对客户数据进行大量投资是一种愚蠢的行为。一个正常的数据建设逻辑和线路图应该是从结果开始倒推的。

· 确定客户数据的应用场景、这些数据如何运用于营销中及收集数据的目的。

· 建立对应的360度客户视图。

· 寻找需要的客户数据来源。

360度客户视图如图1-20所示。

360度客户视图的建立是为了回答企业的六个问题（5W+1H）:Who（客户是谁）、What（客户买过什么，要买什么）、Where（哪种营销渠道对客户起作用，客户将通过哪些渠道进行购买）、When（客户的购买时间）、Why（客户的痛点和购买理由）、How（营销如何接触客户，什么样的内容能打动客户）。

为了回答以上六个问题，在360度客户视图中记录了四大数据类型：基本信息（包括年龄、性别等客户属性信息和统计学上的客户历史购买记录）、客户识别码管理（同一个客户在传统CRM数据和数字数据中的各种识别码）、接触方式（传统数据营销方式中的电话、电子邮件、家庭地址等和可进行数字营销的各类ID）和客户标签（根据企业需求建立的用于营销的客户特征）。

在这四类数据中客户标签是最有价值的，也是大量客户数据的最终应用出口。不同企业对自己的客户有不同的关注点，需要有丰富的行业经验的数据操盘手进入数据库，利用收集的客户数据，通过“算法”把复杂的客户数据简化成客户级的标签，对客户进行描述。这里的“算法”并不是深奥难懂的统计学语言，它首先是一种计算逻辑。例如，企业通过各种渠道收集了大量的潜在客户数据，希望建立客户“年收入”标签来甄别这些潜在客户是否有真实的购买力，以决定继续投入营销资源的具体潜在客户，但作为非政府性质的企业无法直接调取客户的纳税记录和银行存款数据，只能通过相关数据来从侧面判断。例如，企业收集了潜在客户一个月内每天以小时为单位的地理位置数据，通过把客户地理位置数据的时间限定在晚上11点到凌晨6点（这些时间点的客户位置理论上就是家庭住址），再通过外部数据匹配，知道这些家庭住址所在小区的平均单价，就能大致预测这些潜在客户的收入水平。在本例中，每个潜在客户每个月中产生的数据是30（天）× 24（小时）=720条，如果收集的潜在客户的数量是100万个（相比BAT上亿的用户数量只是沧海一粟），那总数据量就是7.2亿条，这个数据存储和运算量需要购买大量硬件。而简化成“年收入20万～25万元”这个标签后，只需要一列数据存储，数据量只在M级别。

在以上预测客户年收入的过程中，你可能会问，如果这是一个租户怎么办？如果这是一个高档小区的门卫怎么办？这里只能回答：基于不同数据的算法都会有偏差，除了客户的地理位置数据，还有很多数据源可以使用，如客户历史购买的金额、客户在电商上购买的产品类型等。对企业来说，把一个客户标签从70%的准确率提高到80%，也许需要投入一大笔额外资源，怎么找到让投入准确性达到平衡的数据源和算法，也是数据操盘手需要考虑的。

3．数据安全

在过去很多次“3·15”晚会上都曝光过各种客户数据泄露问题，有第三方数据公司专门销售各种车主、房主信息的，有银行泄露个人信息被用于诈骗的……很多企业投入大量资源建立的客户数据库，最大的收益者却是数据库的管理人员，他们偷窃自己公司的数据在市场上销售，这些技术人员能很轻易地赚到数倍于其年收入的钱。这些失窃的数据除了落到竞争对手手中，给企业带来收入损失之外，更可怕的是落到诈骗人员手中，造成声誉的损失和无穷的法律风险。

客户数据受到的威胁分为内部威胁（各种技术人员或能接触客户数据的业务人员）和外部威胁（外部人员通过技术窃取）两大类。从严格意义来说，“社工”（专业词“社会工作者”的缩写，可以简单理解为窃取数据的黑客）和数据安全是一场绝望的攻防，原因很简单，是先有疾病还是先有药物呢？大部分企业都不可能为了一个潜在的风险去花重金建立数据安全团队，就算企业愿意，市场上真正的数据安全高手数量也是有限的。那面对这场不可避免的斗争，收集客户数据的企业需要做什么从而尽量降低风险呢？

· 遵守国家法律法规。这点无须解释，但有几个数据营销人员的桌头有本被翻烂的《中华人民共和国个人信息保护法》？

· 专业数据安全软件。这些软件都是基于过去的经验开发的，但安装了这些价格高昂的软件离真正的信息安全还很远，它只能“防君子不防小人，防无知者不防高手”。

· 严格的数据管控流程。在企业内部，客户数据越重要，对业务发挥的作用越大，这意味着更多人可以接触客户数据。通过建立数据管控流程，可以让不同层级的人看到不同级别脱敏的数据（如一个呼叫中心的电话销售人员打开CRM系统后只能看到当天需要外呼或客户主动呼入的客户信息，并且客户的姓名只显示姓，电话号码也有几位被打上*号等）。另外，经常进行数据审计，也可以降低数据安全风险。

· 对核心数据操作人员的审查。大部分客户数据失窃并不是黑客攻击的结果，而是企业的内部技术人员造成的，因此，企业在使用或招募核心营销数据管理人员时，需要对其有远超一般水平的背景调查。在国外，当一个企业解雇一个品德有问题的员工时，会向同行的人力资源部发送“永不录用函”，警示使用此人的风险，一旦一个员工越过职业操守底线的事迹被曝光，他就无法再在此行业立足。而在国内，相关审查措施还不够健全，笔者仍然能看到很多品德有失的数据人员被赶出一个企业后，很容易在另一个大企业找到核心岗位的工作。

四 数据策略：利用数据进行营销和业务规划

之前的三个步骤（数据收集、数据治理和数据平台）都是回答如何帮助企业建立数据基础的数据架构问题，接下来将回答这些数据如何帮助企业的营销和业务。

1．数据创意

如果有人问，在数据营销领域哪方面的知识最有价值，哪方面的人才最稀缺，毫无疑问就是“数据创意”。

数据创意指的是数据操盘手根据自己的知识和经验，利用手上现有的和外部可利用的数据资源进行整合，创造数据变现的方式。同样的数据在不同的数据操盘手手中会产生千变万化的营销模式，如同样的基于手机的地理定位信息：

· 利用晚上所在位置的小区单价预测客户的收入水平；

· 把数据对应到不同的商场的每个门店，从而了解客户对品牌的偏好，以推荐相关产品；

· 把不同的人的位置相结合，了解哪些手机信号经常在一起，以猜测客户和客户之间的关系；

· 找到在妇幼保健院出现的手机号码，以推送婴幼儿产品的广告；

……

看完前文讲述的发生在真实世界的案例，你也许已经想到了几个利用地理位置信息的应用场景。

不只在数据营销领域，在所有与数据相关的领域，数据创意人才都是稀缺的。经过这么多年营销技术的发展，在数据治理这一技术节点上的人才已经不再特别稀缺，而数据创意基于深刻的行业理解和项目经验，因此一个好的数据操盘手不一定有好的数据创意，但是一个好的数据创意肯定出自好的数据操盘手。

数据创意对客户数据变现的方式有两种。一种是应用到数据营销产品中。例如，百度每天都有上P（106GB）的搜索数据，百度分析了同一个客户不同搜索词之间的关系后，开发了“百度司南”工具，它可以告诉企业，搜索其品牌的人还会搜索什么样的关键词，帮助企业了解什么样的广告词能打动自己的客户等。关于“百度司南”的具体内容将在后文介绍。

另一种方式是帮助企业营销，构建不同的营销场景。例如，如图1-21所示为某快餐品牌与某地图合作的樱花甜筒酷跑案例。

当客户打开这个手机地图APP时，APP会收集客户的地理信息位置，然后推送最近的快餐门店地址，并且规定当客户在规定时间内跑到这个指定的门店时，就能从这个地图APP上获得一张免费樱花甜筒的优惠券，在门店免费领取甜筒。

在这个案例中，APP使用了实时的客户地理信息位置，还调用了所有有樱花甜筒设备的快餐门店的地理位置，进行了实时匹对，最终进行了优惠券推送。最妙的是这个快餐品牌的目标客户群是15～30岁的年轻人，爱运动是这个客户群的一个重要特性。这个地图APP也可以根据数据进行筛选，只让在这个年龄范围内的客户参与，而且最终的优惠券也需要客户通过运动这种方式获得，从而提高了客户的参与度。

2．营销策略

前文对此已经有详细介绍，营销策略是数据营销的六个主要责任之一，在营销策划阶段，需要数据营销人员帮助市场营销人员进行客户细分，以及对现有客户数据进行评估，此处不再赘述。

3．商业智能

商业智能作为数据营销的六大职责之一，前文同样已详细介绍，此处也不再赘述。

五 数据应用：数据营销的落地应用

拥有了客户数据，并在数据策略层面想清楚如何运用后，接下来就是具体的数据落地变现，为企业的营销产生价值了。数据应用涉及18个知识领域，占数据营销知识领域的一半以上，大部分人谈及的数据营销指的其实是数据应用这个层面。

1．数据产品

每年投入大量预算建设自己的数据营销完整闭环的大企业毕竟是少数，大量中小企业甚至都无力招募专业的数据营销人才，对这些没有知识、数据、人才储备的中小企业来说，一个有效的标准化数据产品是最有效的。在过去，最常用的数据产品组合方式如图1-22所示。

中小企业通过各种途径获取客户数据后，通过短信或电子邮件发送工具进行覆盖，之后通过外呼工具对客户进行点对点的营销。在这种方式中，短信发送工具只是简单地起到营销接触的作用。电子邮件发送工具除了能发送电子邮件外，还能提供客户是否查看了电子邮件、是否点击了邮件中的链接等行为，帮助企业在上万份邮件发送中筛选出几百个查看邮件的客户。而专业的外呼工具也不只是一部电话这么简单，它涉及的领域很宽泛，以下介绍其中五种技术。

· 信令系统。该系统根据固定电话/手机号码被批量拨打后运营商给出的正常接通、空号、忙音等信号，来判断电话号码是否实际存在。该系统会在人力拨打电话前，批量地对电话号码进行预扫，从而减少拨打错误号码带来的损失。

· 网络电话。网络电话是指通过互联网带宽和工具进行电话拨打，而不是使用实际的电话。相比一根电话线、一个月几十元的话费，一根百兆宽带的包月费用不过200元，却能带动20～30根电话通路，从而减少通话费用支出。

· 话术系统。电话访问员往往是对着一台电脑与客户进行沟通的，沟通的内容也不是随意的，而是需要标准的话术来引导，电脑上的话术系统可以让电话访问员及时获取正确的回答内容。

· 录音系统。录音系统可以记录访问员与客户的沟通过程，帮助呼叫中心的管理者了解与客户沟通时出现的问题和改进点。

· 模拟号。模拟号是指利用交换机技术结合网络电话后，模拟任何电话号码。但是，由于过多的诈骗行为使用该技术（如诈骗模拟110这样的警务号码），因此此技术在国内是被禁止的。

除了以上传统数据营销的三种数据产品外，数字营销带来了更多的基于数字数据的标准化产品，这些工具整合了各种数据源和营销技术，基于某些应用场景将数据变为可用于营销推广、电商引流和数据分析的标准化产品，中小企业只需要投入少数专业要求不那么高的人才就可以精通数据营销。如表1-12所示是市场上常见的数据产品，并且这些产品不需要企业一次性大量投入，可以按照推广次数或包年方式付费。如表1-13所示是数据产品的常规付费模式。

2．营销自动化

这是一个针对大企业的营销工具，也是最近几年新出现的技术。在大企业内部做一次营销活动要比中小企业复杂得多。以一个电子邮件营销为例，涉及活动预算审批、营销总监审批、供应商提供营销物料（如电子邮件内容的图片设计）、数据营销人员提供数据、营销操作人员把数据和物料导入邮件发送系统、发送等诸多步骤和各个责任方，整个营销流程的执行都是以周为单位实现的。营销自动化可以把这些通过人工完成的操作通过系统完成。

（1）营销自动化的流程

如图1-23所示是营销自动化的大致流程。

· 第一步：市场经理在活动审批工具中输入活动策划案，经过市场总监在系统中审批后，产生营销代码。

· 第二步：市场经理通知数据营销人员这次营销活动的目标客户群筛选条件，数据营销人员在客户数据库中对符合条件的客户数据打上活动标签。市场经理同时通知创意供应商需要提供的物料。

· 第三步：创意供应商向营销自动化工具中导入营销物料后，数据营销人员在营销自动化工具中找到营销活动审批工具产生的营销代码，写入营销活动流程，设置活动时间点和营销接触点方式（如电子邮件或短信），选择活动所使用的物料，从客户数据库中抽取客户数据。

· 第四步：营销自动化工具在设置的营销活动时间点，发送客户数据和营销物料到营销接触点工具（如电子邮件或短信发送平台），如果是实时营销就对接到DMP。

· 第五步：通过营销接触点工具或DMP对接实施营销工具，将营销内容发送给客户。

· 第六步：营销接触点工具或实时营销工具往往能追踪客户对营销推送的反馈行为（如是否打开了电子邮件等），如果之前在营销自动化工具的流程中设置了某种营销反馈对应的客户，可以直接把数据传递给电话销售人员进行跟进，或者通过二次营销进行跟踪。例如，某电商有上百万种商品，为了搞清客户当前痛点产品，该电商向所有客户发送了某促销活动的电子邮件（只提及促销商品大的分类），根据追踪发现有10万个客户点击了食品类的内容，通过营销自动化的设置，这10万个客户在点击食品类内容的第二天，会收到另一封食品类商品的专项促销电子邮件。电商通过追踪，又发现这10万个客户中有2000人点击了清真食品，8000人点击了软饮料的内容，则第三天这1万个客户又会分别收到清真食品和软饮料的营销。这种层层剥茧，根据客户的各种不同行为决定下一步营销内容，通过漏斗筛选客户具体需求的方式，只能通过营销自动化工具来实现。

（2）营销自动化工具的核心作用

营销自动化工具主要有以下四个核心作用。

· 营销协同。在营销流程中涉及的责任方可以同时在系统中进行属于自己的操作，如表1-14所示是一个简单的营销活动可能涉及的不同角色。

· 个性化营销。向不同的客户推送不同的内容，以提升营销的效率是数据营销的出发点。以前受限于营销执行（向100个人发送100封不同内容的电子邮件意味着需要人工向邮件发送平台上导入100次数据和营销内容），往往是基于客户细分层面的营销（把所有客户分为几个细分，向不同细分提供不同内容），而有了营销自动化工具后，只要有足够的营销物料，可以通过系统自动做到“千人千面”的个性化营销接触方式。

· 实时营销。通过营销自动化流程，可以设定客户不同标签或不同行为触发的不同营销活动。例如，银行可以根据客户的年龄、收入、是否有房产等信息判断客户是否有房贷的可能性，当这些优质客户登录了银行官网查询房贷利率等信息时，就可以触发银行的呼叫中心对这个客户的电话销售。

· 接触管理。当一个企业市场部规模达到一定程度时，就存在客户被“过骚扰”的情况，特别是那些购买了大量产品的客户。由于他们在CRM系统中留下了大量信息，在任何一个“啤酒与尿布”的数据挖掘中，这些大客户都会被打上一个高分，因此就会出现大客户被圈定在任何一个营销活动中的现象。笔者遇见过的极端情况，是一个大客户在一个季度中被发送了103封电子邮件，平均每天1.5封以上，直到这个大客户直接找到企业的高层进行投诉，过度营销的结果非但没有产生任何商机，还造成了客户的严重不满。

如图1-24所示是笔者针对某行业每季度上百万封电子邮件发送的频率进行的研究，当一个客户每季度收到的电子邮件在18封以下（平均一周1.2封）时，邮件打开率稳定在4%左右。一旦超过18封，邮件打开率就直线下降到2.8%，因此在该行业，客户的接触频率控制在一周一封电子邮件是比较合适的。

在营销自动化工具中，可以在流程中设置接触频率和优先级。例如，电子邮件每周接触一次，电话每个月接触一次，当超过这些次数时，营销自动化工具在往营销接触工具导入客户数据时就会自动进行屏蔽。

除了防止过骚扰外，接触管理的另一个作用是控制客户营销内容。当企业的产品线过长，特别是自身产品线有冲突时，向客户传递的营销信息不可避免地会使客户迷惑：今天收到的电子邮件说产品A好，一周后又接到推销产品B的电话。当收到自相矛盾的营销内容时，客户很容易对企业的营销内容失去信任。在营销自动化工具中通过设置“兴趣图谱”，再建立兴趣图谱间的互通互斥关系，最后把所有营销活动归类到兴趣图谱中，可以通过营销自动化工具在某一段时间内让客户只听到一种声音。例如，某IT行业企业在CRM系统中记录了某客户现有X86服务器的商机，这条客户数据就会被打上“X86服务器”的兴趣图谱标签，并且在营销自动化工具中设置其他类型的服务器兴趣图谱与“X86服务器”互斥，客户就不会收到“UNIX服务器相比X86服务器的20个优势”之类的营销内容了。

3．计算广告

计算广告是一个和程序化购买（本章第八节有讲述）挂钩的偏技术领域。在传统数据营销中，客户接触的付费方式相对简单，一条短信或一封电子邮件几分钱，因为成本低廉，很多企业甚至都懒得去做客户筛选而对所有数据进行群发，一个千万级别电子邮件群发的成本不过相当于邀请一线明星做代言的代言费的千分之几，而初级的互联网广告，如知名网站的首页置顶广告条的价格也是恒定的（如十万元/天）。但是，随着数字营销方式和互联网营销技术的发展，互联网广告的变现方式出现了竞价、实时、场景三种属性。

（1）竞价

由于优质客户的数量是有限的，能提供给优质客户展示广告的机会也是有限的，这些广告展示机会被大小企业通过竞价来争夺，例如，像百度关键词或淘宝直通车这样的数据产品，企业设定一种客户行为（如客户搜索了某个关键词或浏览了某个商品等）后，当有客户的行为符合这些设定时，企业就需要互相出价来确定这个客户最终能看到哪个企业的广告。这个竞价过程使单次客户广告展示的成本迅速上升。对于热门商品，企业需要为每次客户点击广告支付几元的成本，再也没有一个企业能承担购买所有客户的点击成本。而且令企业担忧的是这个价格也不再是可预期和可控的，完全取决于竞争对手的报价。

（2）实时

由于互联网广告的推送都是以秒为单位发生的（最明显的场景，是客户在淘宝上搜索了某些知名产品，数秒后当他打开新浪首页，大概在第三页就能看到一个广告条，里面列出客户刚才搜索的商品图片，这种营销模式是“实时竞价”，后文会讲述），在广告竞价过程中只能通过机器和程序完成，这就需要融合统计学、IT技术、心理学等多方面的知识和技术。

（3）场景

同样的一次广告推送，在不同平台会有不同效果，如一个出现在养生网站上的网游广告会让客户非常诧异而不感兴趣。而不同的广告推送平台价格也会相差甚远，在一个访问量很小的网站，也许包一天广告只需要几十元，而竞价之后可能发生一次广告点击就需要支付数元。

计算广告解决的问题是如何在秒级时间中，完成识别目标客户、找到最有针对性的广告内容和针对性的场景，以最佳投资回报率进行广告展示的全过程。具体的实现方法涉及过多统计学方法和营销技术，在此不再详细叙述。

4．营销接触点

当企业掌握客户数据和针对性营销内容后，把内容传递给客户，其使用的传递方法统称为营销接触点，如电子邮件、短信、社交媒体、展示广告等。在不同的理论体系中，营销接触点有不同的分类方法，从数据营销的角度分为四大类，如表1-15所示。

这四类营销接触点无法一一详述，其中需要解释的是生态营销。随着企业在营销接触点上的投入越来越大，如何减少营销接触的成本是企业所关心的。当两个大企业符合一定的条件（拥有大量客户基础和客户数据，能连通双方客户数据，双方客户画像类似，双方品牌定位类似，有共同的应用场景连接双方产品，产品线互相不冲突）时，就会考虑整合双方的资源进行联合营销，形成生态营销的模式，如信用卡和航空公司联名卡。生态营销模式在营销接触时，通过互相分担营销接触点的费用来降低成本。这种联合看上去是一种商业模式的合作，背后却是双方客户资源以数据形式的连接，第二章第六节会有相关案例描述。

上述四类营销接触点的付费模式也有差异，传统营销因为无法追踪过程和结果，只能通过按时长付费和按展示付费的方式报价，而数字营销的这些方式通过技术手段能看清楚客户的整个行为模式，理论上支持任何一种甲方提出来的模式。而社交媒体接触自带病毒传播的功能，在营销内容传播层面优于其他接触点，但由于和电商离得有点远，所以其营销结果距电商的销售还有一段距离（虽然有微信和微商的连通，但是应用场景并不多），无法通过按销售付费报价。

在这四类营销接触点中，传统营销用的是传统CRM数据，数字营销用的是数字数据，生态营销和社交营销介于两者之间，因为CRM数据和数字数据的使用方式有很大的不同，在大企业内部这些营销接触点的资源往往散落在CRM部门（传统数据）、市场部或品牌部（数字数据）手中，无法很好地整合资源。在过去一段时间也出现了“社会化客户关系管理”（Social CRM, SCRM，它可以打通传统CRM和社交营销数据，以传统CRM的模式进行营销）的概念，可以预见数据营销所有领域中变化最快的将是营销接触点这个领域。

5．用户忠诚度平台

（1）用户忠诚度平台概述

每次营销活动结束后，企业都会把营销接触过的客户分为“产生销售或商机”和“没有销售和商机”两大类，通过在CRM系统中追踪那些“产生销售或商机”的客户来衡量营销结果，对于“没有销售和商机”的客户，因为企业无法追踪而不愿意花很大力气去跟进，只是在宏观层面建立“客户旅程”去引导这类客户走向销售的下一阶段，而不关注具体单个客户的行为。

在广告铺天盖地的今天，打动客户进行消费是一个漫长的过程，而且不同客户之间的行为也有很大的差异性和随意性，就算客户忠诚度较低的快速消费品领域，要更换客户原有的产品喜好也需要很长时间的努力，现在已经很少有单支广告或单次营销活动能瞬间打动客户产生立即的消费了。

用户忠诚度平台的定位就是将销售漏斗中没有立刻产生销售，但可能在未来产生销售的客户引导到一个互动平台，这个平台同时具备收集客户数据—客户互动—客户推荐—引导销售的功能，并且通过积分制度来激发客户持续的关注度。例如，家乐福的会员卡、中国国航的国航知音卡、洲际酒店集团的优悦会（IHG® Rewards Club）都是各行业中比较大的用户忠诚度平台。

（2）用户忠诚度平台架构

如图1-25所示是用户忠诚度平台的架构简介，客户来源包括营销活动（各种广告、营销推广等，通过二维码或URL，吸引客户进入平台注册）、已有客户（对于已经购买商品的客户，通过验证商品真伪、奖励积分等手段，吸引客户进入平台注册）、客户推荐（在社交媒体上使用病毒传播的方式，让已经在用户忠诚度平台上注册的客户通过在朋友圈中散播信息，吸引新的客户进入平台注册）。

完整的用户忠诚度平台会有三个主要平台：官网（针对互联网端）、APP（针对移动互联网端）和社交媒体（最佳会员入口，如微信公众号）。三个平台的数据需要连通，当客户在一个平台上注册时，同样的用户名和密码也需要在其他两个平台上使用。这三个平台各有优劣和不同的定位（见表1-16），最佳的客户路径是通过扫描二维码进入微信公众号成为会员，再把一些复杂的应用场景放在APP或官网上，吸引客户进入其他两个展现形式更丰富的平台。

（3）用户忠诚度平台的四个功能

用户忠诚度平台包括四大功能。

· 营销管理。用户忠诚度平台自带和客户营销活动的功能，在这个平台上可以进行营销内容的导入、管理、策划和目标客户的筛选，最后也可以收集哪些客户浏览了营销内容这样的营销反馈数据。另外，用户忠诚度平台也可以对接外部第三方的营销资源（如短信、电子邮件等）进行营销活动。

· 数据分析。用户忠诚度平台往往需要连通客户的销售数据，当客户进行采购时按照采购额进行积分，因此企业可以基于客户的采购额和预测的客户潜力进行客户细分。另外，企业可以通过追踪营销活动的效果（如微信公众号中图文的点击、转发数量）进行营销结果的分析。用户忠诚度平台也会涉及一些积分兑换功能（如优惠券、实物等），因此企业可以进行投资回报率的财务分析。最后通过一些布码等方式，了解平台的运营情况，如每天的浏览页数等运营指标。

· 数据报表。相对于个性化的数据分析，在用户忠诚度平台上，相关运营团队需要标准化的数据报表体系，包括会员统计（各维度的注册客户数据）、营销结果（各维度的营销活动结果数据）、业务支撑（给公司业务层面带来的销售分析，往往通过优惠券的使用情况来追踪）和财务分析（平台使用的成本和收益计算）。

· 客户管理。这是用户忠诚度平台的核心功能。对客户来说，积分制度是吸引他们的最大因素点，客户获取积分的方法通常有五种（购买商品、平台注册、平台客户认证、推荐朋友和营销活动），而消费积分的方式有三种（优惠券、兑换商品、营销活动），平台需要从财务角度计算积分价值，一般来说积分相当于1%～3%的商品价格（每100元商品的消费带来的积分，相当于1～3元的兑换价值）。同时，平台还会设计会员等级（如航空公司的金卡、白金卡等），为客户提供不同的服务内容和积分兑换比率（如低等级客户每消费100元获取1积分，高等级获取2积分）。此外，还可以设计荣誉标签，它可以给客户带来炫耀的资本，不直接与积分挂钩（如手游行业，对连续登录数天的客户颁发勋章，可以让客户在游戏时佩戴而带来炫耀效果）。

用户忠诚度平台除了自身体系的循环外，还可以与第三方用户忠诚度平台（如平安集团的“万里通”，连通了不同企业的积分体系进行自由兑换）和第三方营销平台（如短信、电子邮件等形式）连通，从而产生更加丰富的营销场景。

在B2C领域，用户忠诚度平台是一种很好的增加客户黏性的工具，对此第二章第一节会进行具体案例介绍。

6．第三方流量

对开设了电商的企业来说，无论是开设在淘宝、京东这样的第三方平台上，还是各航空公司、酒店的自营电商，都需要有坚实的客户流量来支撑销售。虽然企业可以掌握大量的客户数据直接进行营销，但是很少有企业能达到垄断，掌握市场上绝大部分目标客户的数据。因此，如何利用好第三方流量是每个电商平台企业的主要任务之一。如表1-17所示是电商的主要第三方引流方式。

电商工具在前文有所介绍，每个进入电商平台的客户都是有目的或有预算进行浏览的，电商工具能通过分析客户的历史购物和当前浏览行为来判断其可能的目标商品，对客户进行广告展示，或者在客户搜索时对产品进行排序，优先让客户看到企业投入营销资源的商品。

在所有电商工具中需要特别解释的是淘宝系的淘宝客，少数成体系的按销售付费支付模式的电商引流工具之一。淘宝客的模式是淘宝建立交易平台，任何卖家可以将自己的商品销售页URL放在上面，并且指定每卖掉一个商品可以给中间商的提成比例。中间商（被称为“淘客”）可能是公司，也可能是个人，手上的资源体量也有很大差异，当它们在交易平台上搜索到与自己手中的资源匹配的商品销售页面后，就接受任务，交易平台会给中间商一个唯一URL，中间商通过自己的营销资源把这个URL散布出去，当客户在各种场景中看到这个唯一URL，最后连接到淘宝商品销售页进行购买时，这个中间商就能从交易平台上获取提成。

例如，一个有数万名粉丝的女“网红”以化妆技术出名，她在淘宝客接受某化妆品的任务后，把这些化妆品URL传递给自己的粉丝并自己制造营销内容进行推广，当粉丝因为信任这个网红购买了相关商品后，该“网红”就可以从交易平台上自动获取销售提成。在整个过程中，商品卖家没有创建营销内容（在营销过程中内容的创建是最痛苦的），并且跳开了所有营销的闭环，通过提成这种简单的方式进行推广。而中间商（淘客）在销售环节中不需要投入资金去压货，只需要看清楚自己资源的客户画像，并且找到对应的销售商品。对客户来说，由于有中间商作为信任背书，比起单纯在电商平台上购买自己搜索的商品，他们会更有安全感。

笔者之所以特别提及淘宝客这种按销售付费的电商引流方式，除了因为它作为“网红经济”的一个主推手值得研究之外，更重要的是它给了那些手上掌握了少量客户数据的资源方（如网红、一个只有几千名用户注册的细分网站、一个关键意见领袖）一个数据变现的方式。在第五章的“数据营销的未来”一节，笔者会对数据营销和自媒体连通的未来预期进行阐述。

除了电商工具，还有很多大量客户存在的平台可以利用，如客户画像比较明显的论坛、贴吧、问答类社区（如上海本地人聚集的“宽带山”、女生婚庆的“篱笆网”、汽车相关的“汽车之家”等）。当这些平台完成了原始客户的积累，企业在评估这些平台的客户画像与自己产品吻合之后，会非常愿意在这些平台上进行营销。

7．销售渠道

营销的目的之一是给企业直接带来销售，在各种绚丽的营销效果背后，企业都希望能产生实际的销售，使其在营销上投入的每分钱都产生最大的效益，销售渠道就是数据营销最终的落脚点和变现方式。数据营销在这个节点的主要职责是将通过各种营销手段得到的客户流量或商机引入最能实现销售的渠道中去。从数据营销的角度来看，销售渠道可以分为四类，如表1-18所示。

（1）电商

前文也描述过引流是电商最大的成本，当电商千辛万苦把有真实购买需求的客户引到电商平台或产品销售页时，客户却没有最终购买，这时电商就需要搞清楚原因从而进行优化。例如，在天猫平台上访问销售页面的客户中，平均不到5%的人会进行购买，如果能通过分析将比例提升1%，对企业来说就节省了20%的引流成本。

在这个类型的销售渠道中，数据营销能做三件事情。

第一，如果这个销售平台是自营的，企业通过网站分析技术能在页面上进行布码，追踪客户点击、停留时间等行为，最后判断客户为什么跳出网络而没有购买。但是，在第三方电商平台（如天猫、京东等）上并不支持企业自己布码。

第二，通过爬虫工具（前文有解释），对电商平台上自己商品的价格（主要是代理商销售的价格）和竞争对手商品的价格进行实时扒取，知道当前价格层面的竞争情况，能支持企业实时地调整价格，在销售和利润之间找到一个好的平衡点。

第三，在自营的电商平台上通过布码，获取只看不买的客户识别码（如cookie ID），再通过对接外部的营销接触点，对客户进行二次营销，吸引客户再次回到销售平台进行购买。有的第三方电商平台会提供数据工具针对在第三方平台上只看不买的客户进行营销推送（虽然企业看不到具体客户数据），起到同样的效果。

（2）O2O

这里提及的O2O并不是简单的线上下单，线下取货或享受服务的概念，更恰当的解释应该是“多渠道整合”。大企业往往掌握各种线上线下的销售资源（如电商平台、社交媒体、线下实体店等），而在客户采购周期的最后环节，客户仍然需要经过“看—试—买”的过程。针对不同商品，客户有不同的渠道倾向。数据营销需要做的是通过Cookie追踪、优惠券、用户忠诚度平台等方式来追踪客户数据和引导客户按照预设的路径，以企业成本最小、对客户最可控、客户体验最优的方式最终消费，建立最佳的客户历程。

如表1-19所示是针对不同商品，客户在“看—试—买”过程中选择的渠道，其中耐用消费品（汽车）客户会比较偏向线下一站式在4S店解决；快速消费品和价值不高的商品（手机话费充值和视频）客户会偏向线上一站式冲动型消费解决；而个性化商品（衣服、化妆品）是一个需要结合线上线下的整合渠道销售过程。在这三阶段的转换过程中，客户随时可能受到竞争对手的影响而没有进行最终购买，如被企业A完成了前期的产品教育的客户最终购买了企业B的同类产品。而快速消费品的购买由于往往是一站式解决，三个阶段无缝衔接，在销售过程中客户不愿意花更多时间成本去做更多的研究和尝试，因此客户在转换过程中丢失的可能性相对较小；而在个性化商品领域客户决策周期可长可短，受价格因素影响大，很多渠道都能影响客户的购买，这就需要数据营销建立最优的客户历程来引导客户进行最终销售。在第二章第四节，笔者会对零售业的O2O模式进行介绍。

（3）线下

线下销售渠道往往是传统企业的销售主战场，由固定店面销售、流动摊位销售和代理商销售组成，数据营销能在这三个层面帮助线下销售。

固定店面销售是一种等待客户上门的“坐商”，一个店面的销售量往往取决于店面的选址。数据营销的作用是连接客户和店面的关系，让每个门店都知道在自己所辖范围内有多少客户，这样门店除了等待客户上门式销售的定位外，还增加了作为主动出击的销售人员据点的功能，这些销售人员可以将门店作为产品演示的基地，手握附近的客户数据进行登门拜访式的销售。

在店面销售的过程中，也会产生大量对产品有兴趣但没有立即采购需求的潜在客户，企业通过二维码等方式，可以将客户引流到类似微信公众号平台的用户忠诚度平台上，对CRM数据进行反哺，再经过一段时间的二次营销，推进客户的需求后再引入销售渠道。

线下的最后一个渠道就是代理商（并不只限于线下销售），这些代理商往往掌握着客户资源和最终出货价，并且有能力引导客户使用不同厂商（企业）的品牌和产品。在传统的代理商渠道模式中，厂商（企业）通常对客户没有控制力，它们与代理商博弈的筹码只有产品的价格。数据营销的作用是将客户数据（商机）作为筹码，和代理商进行交换，帮助厂商（企业）提升对客户的控制力。第三章第一节对此会有介绍。

（4）电销

呼叫中心是数据库营销时代数据营销的核心，在呼叫中心的成本计算中，通常将电话销售的时间作为成本计算单位。统计每天产生的各种成本（人工费、场地费、电话费、水电煤气费等）摊分到电话销售一天8小时的工作时间中，可以得到每分钟的成本，因此如何有效利用电话销售人员的每分钟是帮助企业提升投入产出比的核心关键。如表1-20所示是数据营销帮助电销提高数据精确度从而增加外呼成功率和销售比率的主要手段。

8．市场研究

市场研究也是数据营销的一个主要职责，当企业经营遇到问题时，需要通过初步研究（通过客户调研等方式获取一手资料）和次级研究（通过现有数据或外部已有分析进行研究）对这些问题进行分析。在营销领域，市场研究的常规课题如表1-21所示。

市场研究的主要方法包括电话调研、面访、街头问卷、在线调研等手段，其中初步研究中的调研目标包括客户、潜在客户、代理商、业内资深人士等。市场研究和数据营销一样也是一个庞大的领域，涉及问卷设计、项目控制、结果撰写等多个领域，它和数据营销并非包含而是互相交叉的关系。数据营销对传统市场研究的支撑包括以下几部分。

（1）客户数据提供及质量控制

市场研究的调研中所需要的客户数据，需要由数据营销人员提供。由于市场研究人员对CRM系统和客户数据的口径不甚了解，经常会发生B2B市场研究人员直接从CRM系统中抽取收入最高的前100个客户的情况，结果这些客户一大半都是代理商（CRM系统中经常将渠道收入归入代理商名字的记录）；或者按照行业字段“金融”去抽取金融业客户，但他们不知道类似支付宝这样的互联网金融客户被归入互联网行业而不是金融行业。对于CRM数据，相比市场研究人员，数据营销人员对客户数据更有感觉。

（2）调研的执行

市场研究中涉及的调研部分，如果不需要深刻的行业知识，往往由数据营销人员执行和管控。

（3）客户数据之外的数据支撑

除了与客户相关的调研，还有大量市场研究会用到其他数据，如通过爬虫获取自己和竞争对手电商平台的销售量。

对客户评价的研究除了以上提及的数据营销对传统市场调研的支撑外，随着营销技术的成熟，还出现了一些大数据拥有方建设的标准化市场研究工具，这些工具针对企业通常会提及的问题，提供标准化的研究结果，企业不再需要投入大量成本通过调研等形式，雇用专业的市场研究人员或供应商进行市场研究。例如，百度建设的市场研究工具“百度司南”，使用了百度自身的搜索数据、百度地图数据和百度生态圈中各合作伙伴的数据、到目前为止有五个主要版本，如表1-22所示。

举一个在百度司南官网（sinan.baidu.com）上使用的案例。基于每天在百度体系中发生的海量搜索行为数据，司南列出了三个汽车品牌（宝马、奔驰、奥迪）的客户搜索行为分析（见图1-26），可以看到搜索奔驰的客户群经常会关注旅游、金融财经和奢侈品类的内容，搜索宝马的客户群会关注孕婴育儿、美容美体、体育健身、3C产品和休闲爱好等内容，而搜索奥迪的客户群会关注求职教育和影视娱乐的内容。根据这些客户群的搜索行为，企业可以明显对三个汽车品牌的目标客户有个清晰的客户画像：宝马的目标客户更趋于年轻化，奥迪的目标客户更趋于职业人群，而奔驰的目标客户则更趋于年龄更大的商务人士。对三个汽车品牌的市场部门来说，该分析可以指导不同媒体渠道上的投放优先级。

9．数据驱动业务

客户数据对企业的作用除了在营销层面，还可以进一步推动企业业务层面的深度结合，在电信、金融、零售等行业，客户数据已经作为企业的核心资产，如何利用好客户数据这个金矿来帮助企业的业务推进是众多企业的共同诉求。虽然很多企业对待客户数据的态度仍然是“投资回报率很低的麻烦东西”（很多拥有强大品牌或产品的企业觉得数据营销并非不可或缺，在实行数据营销的同时带来的数据安全、团队建立、初期投入等问题让企业更加不愿前行），但对尝到数据营销甜头的企业来说，当其真正了解数据营销的运转体系后，会惊喜地发现客户数据是一个“复利”非常高的投资领域：当企业花了大量成本收集的客户数据只有少数应用方式时，投资回报率并不会让人满意，但是随着符合企业运作体系的新方式的出现，企业的二次投入会逐渐减少，数据价值密度不断发生飞跃，特别是当数据与业务相连接形成数据驱动业务，而不只是数据驱动营销时，才是企业真正拥抱数据营销的那一刻。

数据驱动业务包括两个层面：业务优化（通过客户数据将原有业务模式优化，提升效率）和业务创新（以客户数据为核心资源建立新的业务模式）。数据驱动业务的模式有以下几种。

（1）销售渠道的扁平化

在企业传统的销售渠道和经营管理模式中，会碰到如图1-27所示的诸多问题。

通过客户数据来切割渠道，将销售端和营销端的资源进行重组后，形成“销售单元体”的阿米巴经营模式，如图1-28所示。在该管理经营模式中，客户数据起到职责划分、资源划分、指标分摊、数据统计统一口径等作用，对此第四章会有具体案例。

（2）产品设计及定价

在某些行业，企业利润中有相当部分来自价格体系和服务内容的信息不对称，当客户看到复杂的产品和定价介绍后，往往只会听取少数卖点就进行了采购。企业为了保持这块利润，会尽量将产品和定价做得复杂，客户数据能帮助企业针对不同的客户推荐不同的最优化套餐，在客户需求和企业利润之间找到好的平衡点。

（3）细分市场的整合营销

一个大企业会有很多类型的营销和销售资源，在面对不同细分市场时，可以以客户数据为中心，在时间维度上对这些资源进行整合，形成标准化的营销—销售模式，再迅速将在少数细分市场上得到验证的模式和经验迅速推广到大量市场上。对此，第四章第一节会介绍相关案例。

六 结果衡量：数据对营销和业务的衡量和优化

数据营销闭环的最后一个环节是利用营销技术获知客户行为和营销各个节点的过程量，来定量地证明营销的投入产出比，以及优化营销和业务流程，这也是随着数字营销技术和统计方法的成熟，最近发展最快的一个领域。百年来困扰营销人员最大的梦魇就是约翰·沃纳梅克的那句名言：“我知道在广告上的投资有一半是无用的，但问题是我不知道是哪一半。”虽然现阶段结果衡量领域的各项技术远非完美，但它们已经开始对营销人员进行资源的定量决策提供依据。

如果你是营销人员，你可能非常希望读懂这个领域的知识，帮助自己优化现有营销资源并在公司内部争取更多资源。事实上，在结果衡量节点，数据营销虽然能起很多作用，但是拿数据来定量考核结果，尚不能达到大部分人期望的高度。你可能听过一个理论：大数据带来了“全量”数据的洞察而非个体，基于“全量”数据能更真实地了解事实真相。在其他领域也许是这样，但在营销领域，由于涉及过多利益方，各种营销技术带来的数据往往受“甲方考核指标”这根指挥棒控制，甲方市场部的市场经理怎么被营销总监考核，这些数字的压力就会被传递到乙方变成各种相应的作假手段来迎合这些考核指标，并且由于大数据是更加偏向技术领域的学科，这就意味着可以通过程序批量进行造假，因此大数据并没有带来更加精准的结果考核数据。

但是，你也不用对数据营销在结果衡量环节起的作用完全失去信心，如果合理设置目标，的确有很多技术手段能帮助改善日常的营销和运营模式，帮助企业节省营销成本。

1．网站分析

当企业的商业模式高度依赖网站（官网如自有电商网站，APP如O2O应用），企业花了大量营销费用进行推广和网站设计时，就会希望有数据支撑来判断以下问题。

· 网站的流量从哪里来，不同渠道的投入产出比。

· 不同流量来源的真实可靠性，是否有作假的流量存在。

· 客户在网站上的体验，是否客户会因为不好的网站设计不再继续浏览。

· 客户在不同页面的跳转逻辑，网站的设计是否能正确引导客户进行最终购买。

· 流量来源的最终转换率及带来的直接受益。

· 客户对官网和APP的留存和忠诚度。

在过去，网站的负责人通过日志分析来完成一小部分的分析工作，现在通过第三方的网站分析工具（如Google Analytics、Omniture及各种基于APP的软件开发工具包等）在网站的页面上进行布码，来追踪如图1-29所示的数据体系。

网站分析的技术实现，是通过工具提供的标签埋在相关的网页上。例如，当企业在不同渠道投放了广告时（如门户网站的图片广告），在图片背后的URL中埋入个性化代码，当客户打开投放广告的页面时，就被记录“浏览”一次；当客户点击图片跳转到企业网站对应的落地页时，就被记录“点击”一次，以上被称为“点击前”的客户追踪。由于网站分析工具可以为不同第三方推广平台提供不同代码，因此在工具的后台系统，企业可以看到不同第三方推广平台的流量数量和质量，如图1-30所示。

当客户来到企业网站时，网站的每个页面背后都被埋了工具提供的代码，因为网站是属于企业自己的，相比投放广告的第三方广告平台，企业可以在自己的网站上埋入更多类型的代码来追踪客户“点击后”和“购买后”阶段的各种行为，在不同行业的网站中，可以针对以上参数进行排列，组合建立“转换漏斗”，据此看清楚客户访问网站后的行为。如图1-31所示是一个理想化的O2O订餐类APP客户路径分析，选用了“访客数”和“跳出率”两个参数来进行分析。

从这个案例中可以看到，APP的主要流量来源是社交媒体（7万人次），口碑传播是主要的客户来源，APP给客户提供了两条订餐路径：第一条是先选餐厅后选菜品，客户的跳出率只有20%；第二条是先选菜品后选餐厅，客户的跳出率达到惊人的90%。当客户到了支付页面，跳出率达到80%，说明大部分客户在最后一刻放弃了支付，最终，对这个APP来说，转换率是6%（0.6万个订单/10万人次访客）。以上这些数据分析对APP运营团队带来了如下启示。

· 结合不同渠道的营销投入，分析投入产出比，从总量来看社交媒体是最有效的路径。

· 检查“菜品选择”页面设计，是否由于菜品分类不合理或页面设计技术问题造成客户不愿意继续浏览。

· 检查“支付”页面设计，是否存在支付方式单一或页面设计技术问题，造成客户不愿支付。

除了以上横向追踪客户历程来优化网站设计提升用户体验外，网站分析工具还可以追踪纵向的客户转换，通过Cookie分析等手段，连接客户从首次访问网站到最终购买、重复购买的所有行为，建立客户角度的转换过程。如表1-23所示是不同引流渠道的转换追踪，从表中可以看到五种不同引流渠道以最终销售为参数的投资回报率，其中A、C、E三个渠道各有局限性，但仍然是不错的渠道；B是低成本低效果的渠道；D的收入来自客户的首次购买，需要更多数据支撑来研究原因。

网站分析工具埋的代码能追踪客户的具体行为，包括访问时间、停留时间长度、客户所在城市、使用操作系统版本等很多数据，通过分析这些客户行为能对作假流量进行识别。前文也提及当前数字营销的付费方式（也就是考核模式）大部分是按照浏览、点击等客户行为量计算的，狡猾的供应商可以通过很多方式对这些客户行为动作进行造假。例如，使用电脑屏幕右下角的弹窗强迫客户浏览广告，使用一张带色情内容的图片吸引客户点击，通过木马程序控制电脑和手机进行互联网操作……但是无论什么样的作假手段，在网站分析工具上产生的客户行为数据都是有破绽的。例如，客户发现受骗访问了某网站后会迅速离开，通过“客户停留时长”就可以判断这种欺骗手段；通过客户的访问时间（是否符合正常人的作息时间去浏览广告）、客户所在城市（客户来源是否符合广告投放地域比率）、使用操作系统和输入法是否都是中文等数据的结合，可以从逻辑上识别木马作假手段。

2．资源最优化

除了网站分析，还有一些技术和数据算法在不同的应用场景能帮助营销资源进行最优化配置。

（1）A/B测试

这是针对微观营销执行层面的营销技术。过去，在每次营销活动中供应商都会递交给企业多个内容设计方案，那企业是如何选择蓝色或红色作为电子邮件背景色的呢？大多数情况下是资深的市场经理根据自己的经验来做判断，但是这种凭经验做出的断定不一定准确，而且如果涉及细分市场，也许真实情况是某些客户喜欢蓝色，某些客户喜欢红色，企业又不可能把所有方案全部执行一遍，否则客户将收到两份内容一致、只是背景色不同的电子邮件。

A/B测试正是从技术上解决了数字营销中的选择问题，如果营销的设计有多个方案，可以通过对所有方案的小样本实践，基于页面上埋入的追踪代码，了解客户对不同方案的反应，最后在不同细分市场选择最优化的方案。

例如，企业准备发送10万封电子邮件，但当前有A、B、C三套不同的配色和布局方案。企业首先选取1万封作为样本发送后收集客户的反馈比率，发现不同细分市场对不同方案的反馈后（如北方人喜欢A、南方人喜欢B、年轻人喜欢C），就可以决定将剩余9万封电子邮件按照不同细分市场发送反馈率最高的设计版本。

对电子邮件的A/B测试由于是非实时的，企业仍然可以通过手工完成，但在网页设计、优惠券选择等需要实时判断的领域，就需要一些专业的工具，比较常见的包括Google Website Optimizer、Adobe Target、AB Tester等。

（2）市场营销组合

这是利用统计学中的归因分析来计算在不同领域营销投入最优化的技术方式。前文举过一个例子，一个4S店观察到大量客户都是乘坐1路公交车来购买汽车的，那是否意味着所有营销投入都应该放在1路公交车上做车身广告呢？答案当时是否定的，大部分客户的购买历程都是一个非常复杂的过程，在购买前接受的众多广告对客户的最终选择都只起了一部分作用，但很难说哪部分作用是决定性的，对耐用消费品和B2B产品来说更是如此。虽然在数字营销领域可以通过营销技术追踪客户的反馈，据此了解营销的效果，但是大部分企业只会把不到30%的预算投入数字营销领域（它们会认为数字营销虽然可追踪、可优化，但传统营销方式效果更好），那如何来切分不同营销方式的预算比例呢？

如图1-32所示是一个理想化的市场营销组合模型样本，在横轴上放入时间（这里以周为单位），左纵轴放入不同渠道的营销投入，右纵轴放入本周的实际业务收入，在样本中可以看到业务收入和营销投入是成正比的，投入越多收入越多，但是不同渠道的投入效果也有上限。例如，当投入小于10万元/月时，渠道A有最好的投入回报比，当投入增加到高于50万元/月时，渠道C开始发挥显著作用。市场营销组合模型的最终产出就是在不同预算总量下，不同营销渠道的投入最佳比率。

3．销售漏斗

销售漏斗的性质更加倾向于一个数据营销方法论而非技术，前文也提及销售漏斗模型是数据营销的三个主要理论之一，用于帮助企业在结果量之外，建立梯度的过程量衡量体系，了解整个营销过程的健康程度。以B2B为例，除了将销售量作为最终考指标核外，还可以追溯到客户商机量—客户反馈量—客户接触量—客户数据量，建立五层逻辑的漏斗，每层漏斗的转换都有相关负责部门（如客户接触量到客户反馈量的转换取决于营销活动的质量，需要市场经理来负责这个节点），在企业内部就能把营销活动的管控作为指标定量地分解到不同部门中去。

脱离客户数据，企业的高层同样能从运营部门得到这些过程的统计量，但是由于涉及考核，每个转换节点的责任部门和对应供应商都会通过一些手段保证自己完成考核指标，因此会出现很多虚假数据。例如，客户反馈量到客户商机量转换的负责部门是企业的业务拓展部门，因为业务拓展部门不负责商机的最终销售，它们就可能在CRM系统中建立很多虚假的商机信息，这些商机会让考核数字看上去很好看，但对真实销售没有任何用处。

解决这个问题的根本是在CRM系统中建立客户级的代码追踪体系，对于每次客户接触、反馈、商机都通过同一个营销代码来追踪，最后了解漏斗不同层次上下级转换是否为同一批客户。以B2B的一个电子邮件营销为例（见图1-33），市场经理从CRM系统中抽取了10万条数据进行电子邮件发送，其中有2000人通过邮件里的URL来到网站递交了自己的商机需求，通过呼叫中心访问人员的电话跟进，确认了100个商机并在CRM系统里新建，最终达成了10单销售。

在整个漏斗转换中，只有顶层的客户接触量和底层的客户销售量是不可能作假的，通过客户级代码的追踪能识别没有接触（没有收到电子邮件）却有反馈（电子邮件点击和数据在线递交）的1000条数据，以及没有营销接触或反馈却在CRM系统中建立了商机的70条记录。对企业来说，看清楚真实转换率的价值首先是能进行真实的考核，其次是节省呼叫中心访问人员跟进作假反馈数据、销售人员跟进假商机的时间成本（如果只计算呼叫中心的成本节省，按照一个正规呼叫中心访问员每天能进行20～30个电话沟通，每通电话的成本为30元，少打1000个电话意味着在这个营销活动中为企业节省了3万元），最后能真实地指导企业将有限的经费投入最需要改进的转换节点中去。