第二节 数据营销的架构

通过以上三个数据营销阶段，大家看到的更多的是企业如何利用客户数据进行营销，最后导致销售的发生，用客户数据来驱动整个营销模式。但是，“数据营销”这个词覆盖的范围远大于上述领域，如图1-5所示是从基础理论、数据基础、知识领域、主要职责和商业目标这五个领域的架构对数据营销进行的简单介绍，在之后的章节将以此展开论述。

一 基础理论

数据营销涉及的基础理论很多，作为基石的是高德纳（Gartner）提出的客户关系管理理论，它强调的是当一个企业的组织架构、产品设计、销售模式等商业模式的各个环节都是以客户为中心时，能明显地增加企业的赢利能力、收入水平和客户满意度。之后人们对客户关系管理的概念又有了不同的理解和更新。

此外，数据营销还会经常使用分别针对老客户维系的“客户生命周期”和新客户挖掘的“销售漏斗模型”这两个比较常见的执行层面的理论。

· 客户生命周期。它回答了在运营商、银行等契约型销售行业，如何根据老客户在产品使用的不同阶段的表现进行针对性营销，提升老客户的维系效率。

· 销售漏斗模型。在新客户获取过程中，通过整合不同的营销资源，对客户进行多波次营销，做到不同营销资源在整合营销中的最优化。

以上三个理论会在之后的章节进行详述。

二 数据基础

要进行数据营销，首先要建立一套系统用来存储客户数据，这就是CRM系统。小到输入了客户名片信息的工作表，大到价值千万美元的Siebel和Salesforce等标准化的解决方案都可以被称为CRM系统。对企业来说没有“最好”的CRM系统，只有针对当前业务难点“最适合”的CRM系统。各种CRM系统中存储的数据具有以下共性。

1．以客户数据为中心

在不同行业开展数据营销所需的客户数据量和规模有很大的差异，但是所有客户数据都是围绕“客户表”而建立的，通过整合客户的历史消费、社交媒体行为、营销反馈等各种数据，最终建立“360度客户视图”（将在之后的章节阐述），把海量的客户数据整合成业务类人员能简单理解的客户标签，帮助营销人员在正确的时间，以正确的方式、正确的促销策略，推送正确的营销内容。

2．数据类型

数据类型分为传统CRM数据（非实时的，客户姓名、手机号等基本不会变化，并且数据是唯一的）和数字数据（实时的，基于Cookie ID、MAC、IP地址的行为，是大数据和营销技术的产物）两种，两种数据的整合目前仍然是数据营销待解决的核心问题之一。关于不同的营销数据类型和整合问题会在之后的章节叙述。

3．可用数据

有了大数据技术，现在有更多的渠道收集客户不同类型的数据，并且数据量呈几何级增加，在具体使用时，客户数据贵在精而不在多。可用于营销的数据有以下几种。

· 联系方式：客户的姓名、电话等。

· 历史购买：客户以前的购买记录，包括产品、金额、渠道等。

· 现有商机：多用于B2B领域，包括客户当前的待采购项目情况。

· 连接关系：客户和客户之间的相互关系。

· 营销反馈：当一个客户收到企业的营销后，是否有一个反馈动作，如打开邮件、参加线下会议等。

· 客户属性：性别、所属城市、收入水平等客户固有属性。

· 客户行为：通过营销技术收集的客户在互联网上的行为，如是否浏览了某网站、停留时长、线下是否出现在某些地理位置等，这是大数据带来的最大变化。

· 业务数据：不同行业的企业收集的客户的个性化数据，如电信运营商收集的客户拨打电话对象、银行收集的客户账户余额等信息。

三 知识领域

由于数据营销涉及领域广，对数据营销人员的要求是多方面的。作为一个合格的数据营销人，至少需要以下四个方面的知识架构。

1．统计学

在不同行业的营销数据库里，往往有太多维度去描述每个客户的行为，如年龄、收入、性别、身高、职业等，客户的购买行为特征与这些描述维度之间的关系无法通过简单的分析完成，因此需要运用统计学从数学角度来发现客户行为与各维度之间的复杂关系。

最著名的例子是沃尔玛的“啤酒与尿布”。在沃尔玛超市中有成千上万种商品，沃尔玛希望了解客户当前最感兴趣的产品以进行精确推送（如果沃尔玛并不知道客户的兴趣点，只能在营销活动中列出超市里所有的商品和折扣，这份直邮或电子邮件大概需要几百页，客户完全不会花时间去看）。沃尔玛通过统计学手法，对上亿份客户的购买清单记录进行数据挖掘，判断客户在同一次购物行为中所购买的众多商品之间的关系，最后得出一幅客户画像：购买某中高端啤酒的客户有很大的可能性会同时购买婴儿尿布，这幅客户画像的业务逻辑是30岁左右，有一定的消费能力，已婚且有了第一个孩子的爸爸，会购买价格不算便宜的中高端啤酒，同时会为自己刚出生的孩子采购尿布。基于这个结论，沃尔玛可以对所有30岁左右的男性进行啤酒与尿布的捆绑销售策略，营销的效果会明显高于尿布或啤酒的单品促销。

另一个例子是国外某非营利性组织的募捐活动。该组织掌握了上千万份人口数据，其中包含上千个客户属性字段，包括年龄、性别、家中是否养狗、狗的品种、狗毛的颜色等，那哪些属性会影响客户的募捐行为呢？通过对已有募捐者的分析，最后出来的客户画像是：40～50岁，黑人，女性，收入在贫困线上下，有宗教信仰。通过已捐款人群的画像分析，该组织可以针对更大的符合客户画像的未捐款人群进行相似性营销。这幅客户画像的产生是通过运用统计学，在上千个字段里挑出对客户是否热衷于捐款敏感性最高的因素，这与我们常规的认为有钱人会多募捐或中产阶级更有爱心的认识不符，但是这个结论在之后的推广活动中证明了其有效性。

2．业务

相比可以学习的统计学，对业务的理解只能通过长期磨炼而获得，它是数据营销人员最珍贵的才能，没有三至五年的行业经验，一个数据营销人员无法真正对这个行业的数据营销有一个比较深刻的理解。

例如，在IT行业有一场高规格的大客户答谢会，主办方在CRM中抽取了历史收入最高的100个客户进行邀请，最后来到现场的除了像中国银行、中国电信这样的大客户外，还混杂了类似神州数码这样的代理商（从IT厂商购买产品并非自己使用，而是分销到各个IT大卖场，销售给客户）。在大部分IT企业的CRM系统中，由于各种原因，代理商数据和真正的客户数据往往是分不开的，只能通过外部名单的匹配来排除这部分并不真正使用产品的代理商。

又如，在大部分行业，客户收入是容易获得而且非常清晰的数据，但在运营商行业，由于收费模式是后付费（先使用商品，之后邮寄账单，客户再支付），因此收入被分为应收、实收、欠款等科目。再加上有些一线销售人员为了完成指标，可能在CRM系统中做各种假收入（制造一个假客户，签订真合同，开出真账单，最后按照坏账处理），看清楚真实收入并找出目标客户，在运营商行业反而是一件很难的事情。

3．营销

数据营销虽然复杂，但仍是营销的一个部分。要实行数据营销，首先要了解营销的逻辑和模式，考虑清楚营销的4P（产品、价格、促销、渠道）后才能制定更加贴切的数据营销策略，最后嵌入企业的整合营销环节中。

例如，一个医疗设备厂商要针对全国的医院进行影像归档和通信系统的营销，在制定数据营销策略时，该厂商需要先了解自己的产品与竞争对手的优劣、在不同细分市场的强弱、营销跟进的销售资源能力等，最后可执行的数据营销模式如下。

· 从外部获取全国二级以上医院的名单。

· 获取每家医院的X光片室主任、设备科主任、主管采购的副院长名单和联系方式。

· 针对以上目标医院进行一轮直邮。

· 在直邮上印制一个400开头的电话号码，由专人接听客户的呼入电话。

· 在直邮一周后，针对所有华北地区的医院进行电话外呼，邀请客户参加将在北京举行的产品推荐会。

· 针对华南、华东地区的三甲医院进行外呼，直接进行销售。

· 将华南、华东地区的其他医院名单交给当地的代理商，进行上门拜访。

在以上的整合营销流程中，数据营销起到的是客户细分、提供客户联系方式、打通各个营销节点及优化资源的作用。

4．技术

这是数据营销人员的基本功，要想精通数据营销，必须会操作数量超过百万条的数据库，其中的基本技能包括以下几个。

· 营销数据设施相关硬件和软件的技术：如何从零开始搭建一个数据库，市场上各种主流解决方案的对比。

· 数据工具：如结构化查询语言（Structured Query Language, SQL）、爬虫及ETL工具、商业智能（Business Intelligence, BI）工具（如Tableau、Cognos）等。

· 分析工具：数据挖掘工具（如SAS、SPSS、Matlab等）和大数据工具（如Hadoop、R、SPARK等）。

· 营销工具：包括营销自动化、用户忠诚度平台等。

·大数据营销工具：包括数据管理平台（Date Management Platform，DMP）、用户忠诚度平台、需求方平台（Demand-Side Platform, DSP）、网站分析、计算广告等。

很少有人能掌握数据营销涉及的所有工具和技术，但是作为数据营销人员一定要知道这些技术领域的存在，并且知道这些领域中各产品的对比、优秀实施供应商，以及针对当前需求最适合营销产品的鉴别能力。

四 主要职责

数据营销对企业的作用不只是在营销执行层面，在企业内部，数据营销人员的定位是“最懂数据的营销人”，一切与客户数据相关的领域数据营销人员其实都可以参与，主要集中在以下六个领域。

1．市场研究

相比传统意义上解决战略战术层面问题的市场研究，数据营销更加关注内部分析和传统市场研究结果的落地工作，两者并不是各自孤立的，而是互补的关系。如表1-2所示是两者的对比。

在一个大型企业内部往往有市场研究团队直接向总裁或市场总监汇报，这些市场研究的专业人士需要看得懂宏观经济，了解行业的最新走势，对当前业务有定性的认识。他们对公司的价值是能提供宏观到中观层面的指导意见。

相比专业市场研究人员，数据营销人员需要更加了解企业内部的运营情况（收入分析）和营销现状，帮助市场研究的结果进行“最后一公里”的落地。数据营销更加关心的是市场研究提出的一些重点细分行业（如制造业）及定义是什么（如建筑业算不算制造业，有多个业态的大型集团中哪几种业态算制造业），最后产出的是落地的客户清单和企业内部能落地的销售组织。本书第四章关于数据驱动的业务模式重构中会有相关案例介绍。

2．营销策略

通过前期市场研究的职能，数据营销人员对企业宏观层面的策略有了一定的了解，当市场部制订营销计划时，数据营销人员需要配合市场经理完成这些业务策略与营销计划的结合。一般企业是按照季度来制订营销计划的，而市场经理的角色是按照细分市场来配置资源（如对某重点行业、重点地域配置对应级别的市场经理）。在营销计划中，市场经理需要根据公司给出的业务策略，明确当季度自己所辖领域的重点覆盖细分市场（因为没有任何一家企业有足够的资源对全市场进行重模式的覆盖，与其在全市场进行轻模式的覆盖，不如将资源集中在少数几个重点细分行业，反而能产生更好的效果），数据营销人员需要从数据上给出市场细分和客户细分，看清楚这些细分市场的现状（当前收入、已有客户数量等）和市场容量（所有目标客户的数量等），并且评估现有CRM系统的数据是否能支撑针对细分市场的营销落地，以及支持市场经理的营销计划落地。

例如，某大区化妆品行业的市场经理策划在其所辖范围内进行某产品的推荐，数据营销部门需要告诉这个市场经理，在其所辖大区中所有城市的购买潜力、市场份额和历史收入状况，帮助市场经理在上百个城市中挑选出最有价值的少数几个城市，并且列出CRM系统中现存的客户数据数量，以帮助市场经理判断如何对这些城市进行覆盖：是通过无差别的广告推广，还是利用CRM系统的客户数据进行点对点的数据营销。同时，数据营销人员还要评估CRM系统中的数据质量（如数据的更新时间），使市场经理能提前预期营销效果。

3．商业智能

市场上很多讲数据库营销的书籍都会大篇幅地讲述商业智能和营销数据的挖掘，商业智能本质上是一种将CRM系统中复杂的数据转变为企业业务层面可用的洞察技术，它包括数据挖掘和数据可视化两个领域。

（1）数据挖掘

如前文所述，CRM系统中记录了客户各类复杂的信息，从个体来说，每个客户的行为都会有差异。要对复杂的客户进行简单化分析，只能通过统计学方法和数据挖掘工具，去繁就简，把海量数据浓缩成少数“标签”，帮助企业完成客户画像、交叉销售、产品定价等商业目标。

（2）数据可视化

对与数据常年打交道的营销数据人员来说，看到电脑屏幕上出现的一堆数据时能迅速提出见解，但是对业务类人员（如市场经理、部门总监、公司管理层等）来说，他们没有任何数据操作经验，他们对CRM系统的诉求就是一个简单的答案。例如，两个细分领域都投资50万元进行营销，产出都是500万元，哪个细分领域的营销做得好？这个问题只有通过与历史收入的同比和环比，与竞争对手业绩的对比，才能找到答案，而且这些答案需要通过一些饼图、柱状图展现才能让业务人员更加直观地理解。

4．营销执行

大部分的人提到数据营销时，说的就是营销执行这个环节，它为营销活动直接提供客户数据。这些数据按照又分为传统CRM数据和数字数据两种。

（1）传统CRM数据

利用CRM系统中存储的客户数据进行营销，这些客户数据来自历史订单数据、营销活动的积累、外部采购等，有清晰的客户姓名、联系方式，传统的营销方式（直邮、电话营销、电子邮件等）会用到这些传统CRM数据。例如，在我们常见的直邮中，数据营销人员先通过一定条件（包括姓名、联系电话和邮寄地址等字段）抽取目标客户名单，之后将客户数据交给市场经理进行营销执行。在营销活动结束后，数据营销人员还需要对营销中辨别的错误数据（错误信息删除、新信息更新等）在CRM系统中进行更新。

（2）数字数据

不同于传统CRM数据，客户的数字数据不会涉及客户的具体姓名、联系电话、地址等敏感数据，更多的是基于一些设备（如电脑、手机）通过营销技术采集的客户互联网行为。数字数据对客户的识别是基于这些设备的编码，如Cookie ID、IP地址等。例如，客户在电脑上浏览了某电商网站的商品，Cookie分析可以帮助企业通过客户的Cookie ID（一串数字和字母形成的乱码，基于浏览器，默认每个浏览器产生的Cookie ID背后是同一个客户）识别客户在互联网上查看的商品种类。数字数据被应用于数字营销领域（程序化购买、社交媒体营销等），虽然企业不知道这个客户具体是谁，但是基于这台识别了客户行为的设备，企业可以推送各种新型的、实时的、个性化的互联网广告和营销方式。

5．电子商务

过去十年电子商务的兴起和成熟改变了企业的营销和销售模式，特别是那些销售额缓慢增长的零售业。如图1-6所示是来自eMarketer的调研，电子商务的销售额每年都有10%以上的增长。以美国为例，按照eMarketer的预测，电子商务占总零售市场的6%，在服装、食品、图书、玩具等细分市场，增长率超过15%。

在中国，电子商务占零售市场的比例远超美国，在2014年已经达到10%以上。而且由于物流成本比美国低得多，在过去几年，国内的线上线下（On line to Off line, O2O）模式引来了大小互联网公司的疯狂投入。对数据营销来说，关注点也从传统CRM数据转变为数字数据。在电子商务领域，数据营销的主要贡献是电商引流和运营分析。

（1）电商引流

正如前文所说，由于大量电商的出现，电商的最大优势“流量红利”已经非常稀薄，对企业电商运营团队来说，最大的挑战是找到投资回报率最大的引流路径。不同于传统的销售过程中，企业无法掌握客户购买历程的全过程，电子商务通过各种流量分析工具，可以将客户历程追溯到更远，给予更精准的、定量的营销渠道投入指导。

例如，当一个客户进入一家4S店购买了汽车，传统数据营销只能追溯到这个客户是乘1路公交车来的，但这是否意味着汽车企业需要将所有营销资源都投入到1路公交车上做车身广告呢？答案必然是否定的。但是，由于缺乏数据的支撑，企业只能盲人摸象似地将资源投入凭经验“可能起作用”的营销渠道中。

现在，有了营销技术和大数据，当一个客户在电商平台上购买商品时，企业可以追踪到这个客户过去对各类商品的购买历史、在社交媒体上的行为等各种数据，通过以上数据能判断这个客户的全购买历程中每个节点受什么样的渠道和内容影响，最后决定将营销资源投入对客户购买影响最大的节点上。

（2）运营分析

虽然电子商务的最后交易体现在电商平台上，但是社交媒体平台（如微信公众号）、企业官网、APP、线下地推的二维码等也是电商引流的主要渠道。相比过去只能看到页面浏览量、访问人数等简单的运营数字，营销技术中的网站分析（在网页上埋设追踪代码）和各平台开放的API接口（如微信公众号、微博）可以追踪这些平台上的客户行为，帮助企业进行这些平台的营销内容优化，指导资源投入。

例如，在微信公众号运营中，可以在线下使用的二维码中埋入个性化代码，当客户在线下扫描这个二维码进入微信公众号时追踪客户来源；同时利用微信提供的API接口追踪线上流量来源，当客户点击线上链接进入公众号并关注时，企业能知道哪个渠道起了作用。除了以上客户来源追踪，当客户在微信公众号中接受了足够的产品教育，进入购买阶段，并通过公众号领取二维码形式的电商优惠券，在电商平台使用时，企业同样可以追踪到微信公众号对电商销售的引流贡献度。

6．数据设施

传统数据营销涉及的系统相对较少（CRM系统、外呼系统、数据仓库等），这些系统一般由企业的IT部门统一进行建设。随着营销技术的发展和营销场景的丰富，所需要的数据设施日新月异，营销系统也越来越复杂，一般隶属于市场部的数据营销人员需要代表业务层面（市场部）与IT部门进行沟通，指导和参与企业的数据设施建设。

以一个看似简单的企业微信公众号为例，在2015年微信公众号还只是作为品牌推广的主阵地之一，到了2016年，很多零售业企业开始打通微信公众号与电商平台、ERP系统、会员积分体系、线下店面销售体系的连接，把微信公众号作为串接内部运营流程和外部客户销售服务流程的关键环节，为企业建立以客户为中心的“营销—销售—运作”体系，在企业内部，这样的微信公众号项目往往由同时具备业务知识和IT能力的数据营销人员牵头实施。

五 商业目标

对大部分企业来说，数据营销是复杂且投入巨大的领域，那企业高层是如何看待数据营销的呢？

1．数据驱动营销

企业高层往往是带着复杂的感情来看待“营销”这个词的，从正面意义来说，营销的确能带给企业持续的收入，此外，不同于强烈本位主义的前端销售和后端产品部门，营销人员能告诉企业高层一个相对真实的市场情况。但是从负面意义来说，营销的高成本往往会压缩一个企业的利润。世界上第一个真正意义上的广告主约翰·沃纳梅克（John Wanamaker）说过：“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。”往往只有少数大企业才有资源去尝试不同的营销方式，试出哪些是有效的。而大部分企业资源有限，如何得到利益最大化的营销结果是高层最关心的。对数据营销来说，整个营销过程都是围绕着客户数据发生的，一个营销活动是否接触了正确的目标客户、客户对营销内容是否有好的反馈、最后带来多少收入等，这些衡量节点都能通过数据来定量分析。相比无法衡量结果的电视广告、户外广告，数据营销至少能看到定量的投入产出比。

此外，当企业完成了客户数据的积累后，会产生个性化的、以客户数据为中心的营销模式（本书第二章和第三章介绍了相关案例），能将营销更好地融入销售和运营体系。

随着电商的发展，企业会发现“数据”已经成为比资金更重要的企业核心资源，通过客户数据可以形成如联合营销这样的模式，改变传统的“企业—供应商—客户”的单线关系，形成更大的生态圈；通过资源整合，在大幅度降低营销成本的同时还带来了更好的营销结果。第二章的第六节“跨界合作”中将对此进行介绍。

2．数据驱动业务

纵观企业前端销售和后端服务的各个环节，在很多行业都能通过客户数据将它们进行串联，特别是在电信、金融、零售这些产品高度同质化的行业，客户数据已经被视为企业实现新的商业模式、提升自身竞争力的核心资产。客户数据除了应用于营销，还可以应用于企业内部资源整合、收入考核、架构重组等业务模式重构等领域。第四章介绍了三个业务模式重构案例，这些案例的最后落地都需要基于客户数据。