第十一章 数据驱动的新媒体营销

第十一章数据驱动的新媒体营销前言不管是诸如淘宝、抖音的互联网平台，还是传统的企业以及DTC的新品牌，都以用户数据为重要资产。内容和数据是新媒体营销的两个基石，在新媒体营销中扮演着类似于人类大脑右脑和左脑的角色。为了确保内容的有效性和吸引力，营销人员需要数据来支持和指导营销决策。两者相辅相成，共同构成新媒体营销的核心。数据驱动的新媒体营销，本身是一个系统化的复杂营销活动的总和，一方面数据的驱动作用贯穿整个营销活动的全流程，另一方面在新媒体营销的过程中，还会根据数据结果的反馈，进行营销活动的动态调整，最终的内容营销成果也会以数据化的方式精准呈现。目录CONTENT数据带来的新营销工具用户数据分析的流程03常用的营销数据分析方法02案例分析

盒马X数字化：零售的新生命线0401数据带来的新营销工具第一节数据为新媒体营销提供了洞察力、个性化、性能优化、预测分析和声誉管理等多个方面的支持，从而为企业创造价值和优势。在一个日益数字化和竞争激烈的世界中，利用数据的力量成为企业成功的关键。目标受众洞察个性化内容和广告性能监测和优化增强社交聆听和舆论危机管理ROI评估预测分析和趋势识别一、用户画像1.用户标签统计类标签这类标签是最为基础也最为常见的标签类型，可以从用户注册、访问、消费中统计得出相应信息。用户属性：用户的年龄、性别、设备型号、安装／注册状态、职业等刻画用户静态特征的属性。用户行为：包括用户的消费行为、购买后行为、近日的访问、收藏、下单、购买、售后等相关行为。偏好细分：用户对于商品品类、商品价格段、营销渠道、购买的偏好类型、营销方式等方面的偏好特征。风险控制：从用户征信风险、使用设备的风险、在平台消费过程中产生的问题等维度考量其风险程度。业务专用：应用在各种业务上的标签，如A/B测试标签、Push系统标签等。营销场景：以场景化进行分类，根据业务需要构建一系列营销场景，如差异化客服、用户场景、再营销用户等，激发用户的潜在需求。地域细分：标识用户的常住城市、居住商圈、工作商圈等信息，应用在基于用户地理位置进行推荐的场景中。用户分层：对用户按生命周期、ＲＦＭ模型、消费水平、活跃度等进行分层划分。一、用户画像1.用户标签规则类标签该类标签基于用户行为及确定的规则产生。例如，对平台上“消费活跃”用户这一口径的定义为“近30天交易次数≥2”。机器学习挖掘类标签该类标签通过机器学习挖掘产生，用于对用户的某些属性或某些行为进行预测判断。需要通过算法挖掘产生。例如，根据一个用户的行为习惯判断该用户是男性还是女性，根据一个用户的消费习惯判断其对某商品的偏好程度。一、用户画像2.用户分层模型RFM模型针对付费用户，利用交易行为数据进行用户分层的经典模型一、用户画像2.用户分层模型RFM模型每项指标在进行数据处理时被分成高低两档，得到8类用户一、用户画像2.用户分层模型基于5A模型的用户分层企业在不同阶段需要在5A模型中关注不同的重点，以满足品牌的特定需求和实现相应的目标。一、用户画像2.用户分层模型基于5A模型的用户分层阿里巴巴AIPL模型二、程序化广告精准广告（targetedadvertising）精准广告是一种广告策略，它依赖于收集和分析大量的用户数据（如地理位置、浏览历史、购买行为、兴趣等），以便将广告精确地投放给特定的目标受众。比如刚刚点击过、搜索过、浏览过的商品相关的广告会精确出现在你面前程序化广告（programmaticadvertising）帮助实现精准广告策略的广告购买方式，工作原理主要基于实时竞价和需求方平台。二、程序化广告程序化广告（programmaticadvertising）重塑展示广告购买模式，从买广告位到买人群缩短广告投放优化周期，实时的动态优化得以实现精准人群定向技术提高媒体的长尾流量价值，实现双赢。带给网络广告业的变化问题：隐私；广告欺诈；品牌安全三、推荐算法算法被广泛应用，是各大平台实现个性化内容分发的基础①基于用户的协同过滤给用户推荐和其兴趣相似的其他用户所喜欢的内容主要思想是利用已有用户群体的行为来预测当前用户偏好。根据对象的不同，协同过滤算法可以分为以下几类：协同过滤算法②基于物品/内容的协同过滤给用户推荐和其之前喜欢的物品／内容相似的物品／内容③基于模型的协同过滤基于用户喜好的样本数据训练一个推荐模型，然后根据实时的用户喜好信息进行预测和推荐限制：没有新用户的数据时，无法通过协同过滤算法进行推荐；根据产品关联性进行产品推荐，无法关注一些用户的小众爱好，也很难识别出用户所处的场景；当用户兴趣、物品／内容量过大或更新速度很快时，维护相似度矩阵所需的计算资源会呈几何级增加三、推荐算法算法被广泛应用，是各大平台实现个性化内容分发的基础通过算法分析用户的历史行为（如搜索、点赞、评论等）所反映出的用户偏好，然后给其推送偏好的内容。基于内容的推荐算法的依据非常多，结果上看主要可以分为两种：基于内容的推荐算法限制：对于产品的属性拆解，需要确定哪些属性更重要，需要积累大量的用户数据才能优化；每个消费者往往会在多个属性之间权衡这种对属性的权衡较难在这种推荐算法中体现出来①完全的个性化推荐完全面向用个人进行内容呈现②热门／主题推荐以榜单的形式进行内容呈现（同城榜、热门榜等）三、推荐算法算法被广泛应用，是各大平台实现个性化内容分发的基础将用户需求作为知识源，从而向用户推荐物品。直接由用户指定需求，然后根据需求给出推荐列表。基于知识的推荐算法①基于约束的推荐需要用户指定自己的最初偏好，当收集到有关用户需求和偏好的足够信息时，算法会提供给用户一组匹配的产品，在结果呈现上，系统可以解释为什么推荐某个产品。比如微博推送。②基于实例的推荐有效整合了基于查询和基于浏览的物品检索方式。当用户输入需求时，算法一方面会基于相似度的实例检索来识别最相似的物品，另一方面则会通过评价有效地引导用户选择。常用的营销数据分析方法第二节一、A/B测试A/B测试是一种统计学上的假设检验方法，用于比较两种或多种不同的版本（如网页设计、广告文案、促销优惠等），以确定哪种版本的性能更好。主要优势在于其能够在真实环境中，通过收集部分用户的行为数据来对比和验证不同的设计方案，服务于解决营销人员的实际工作问题。网站设计比如测试不同的布局、颜色、字体等对用户行为的影响。广告文案比如测试不同的标题、描述、图片等对点击率和转化率的影响。电子邮件营销比如测试不同的主题、内容、发送时间等对打开率和点击率的影响。产品定价比如测试不同的价格对销售额和利润的影响。一、A/B测试A/B测试策略制定

科学分流

策略投放和数据监控

测试目标、样本的选择A/A测试策略结果分析与执行局限：比较适用于细节的优化，而较难以揭示企业营销的整体状况或更大范围的战略问题针对要解决的问题有明确的策略后，才能找到验证策略是否有效的用户群，并用合理的指标进行评估。即评估指标的选择。在运营中评估指标的选择更关注核心业务目标。A/B测试设置不同的实验组，每个组需要导人用户，进行测试，累计实验数据。科学分流以平衡样本可以尽量误差。在同一实验条件下，设置多组进行预测试，以排除样本、埋点或数据统计中可能存在的问题。开始A/B测试的同时建立一套数据看板来观察数据。数据看板不必过于复杂，目的是快速展现每组关键指标的变化趋势，以及是否满足统计显著性。完成A/B测试后，显著有效的策略会被投放应用到更大人群中，并进一步进行优化迭代。二、营销组合模型

数据收集建立模型模型应用数据清洗

模型验证优势：能够量化各种营销活动对销售该零售商的影响，可以根据行业和企业的特点融入多种外部、宏观因素，帮助企业优化营销策略。局限：数据需求量大，需要大量的历史销售和营销活动数据，模型的准确性依赖于数据的质量和完整性。收集过去的销售数据和营销活动数据，以及可能影响销售额的其他因素的数据。清理和整理数据，处理缺失值和异常值，进行必要的数据转换，使其适合用于分析。使用多元回归分析或其他统计方法，建立销售额与营销活动之间的关系模型。通过统计检验方法如狋检验和犉检验，评估模型的显著性和拟合度。应用模型预测未来的销售额，或者优化营销活动。该模型用于量化不同营销活动对销售额或市场份额的影响。三、营销归因模型

收集数据建立模型清洗数据应用模型收集用户的触点数据，如点击、浏览、搜索等。清理和整理数据，处理缺失值和异常值，进行必要的数据转换，使其适合用于分析。根据业务需求，选择合适的营销归因模型，如最后点击模型、线性模型、时间衰减模型等。应用模型分析各个触点的贡献，优化营销策略。该模型用于确定各种营销触点对用户转化（如购买、注册等）的贡献。该模型可以帮助营销人员深入了解用户转化路径，分析内容广告或销售渠道对用户转化的促讲作用，从而优化营销投放策略。三、营销归因模型首次归因模型在回溯期内给首次触点分配100％的转化贡献，给其余触点分配0。最终点击模型在回溯期内给最后一次触点分配100％的转化贡献，给其余触点分配0。线性归因模型在回溯期内，给每个触点平均分配转化贡献。例如，用户的一次购买转化接触了5个触点，那么给每个触点都分配20%的转化贡献。位置归因模型在回溯期内，给用户首次触点分配40%的转化贡献，给末次触点分配40%的转化贡献，给其余触点平均分配剩下的20%的转化贡献。时间衰减模型在回溯期内，给离转化事件之前越近的触点分配越多的转化贡献，给时间较早的触点分配的转化贡献越少。这种模型非常适合于用户行为路径较长的情况，它可以给予路径中所有触点适当的认可。数据驱动模型使用复杂的算法和机器学习来确定最有影响力的触点。它会查看所有数据，并确定每个触点对转化的影响，以找到最有影响力的触点。当拥有大量的数据并希望作出数据驱动的决策时，该模型较为合适。三、营销归因模型营销归因模型是一种工具，用于量化各个营销触点对转化的贡献，但它们都是基于一定假设和简化的模型。在实际情况中，消费者的购买决策过程可能非常复杂，受到多种因素的影响，这些因素可能难以被完全捕捉和量化。在这种情况下，单一的营销归因模型都可能无法完全准确地描述每个触点的贡献。但它们仍然可以提供一些有用的洞察，帮助营销人员理解和优化营销策略。例如，如果一个触点在多个营销归因模型中都显示出较大的贡献，那么这个触点可能非常有效。用户数据分析的流程第三节一、数据规划一、数据规划数据本身是分层的，在确定目标、策略和度量之后，还需要对度量指标进一步分级。二、数据采集数据规划之后，紧接着就要进行数据采集。只有采集的数据足够准确，才能进行准确的数据分析和数据应用。数据采集常见的问题是营销业务人员和技术人员之间存在沟通障碍，这一方面来源于专业分工，另一方面来源于两者负责的绩效指标存在差异。02无埋点前端自动采集全部事件数据并上报，即采集全量、事实的用户行为数据。无埋点弥补了埋点的劣势，适合运用在探索性研究中，但其缺陷在于数据存储消耗过大、开发框架不统一等技术难题。01埋点在需要监测用户行为数据的地方加上一段代码，当埋点被触发便采集相关数据反馈回来的一种做法。埋点数据稳定性高，适合监控和分析，并且能够从营销的业务逻辑切入行为分析，对于非探索式分析行之有效。三、数据分析商业数据分析的目标是利用大数据帮助职场人员作出迅捷、高质、高效的决策，提供可规模化的解决方案。商业数据分析的本质在于创造商业价值，驱动企业业务增长。三、数据分析数据分析通常根据要解决的问题来进行，有以下四种类型事件分析事件往往指用户操作产品的某个行为，即用户在产品内做了什么，包括浏览页面、点击、修改等。某段时间内产品推广页的点击率有多少？对比昨天／上个月提升了多少？某个渠道的产品注册数量是多少？第一季度排名前十的产品注册渠道是哪些？某个产品加入购物车的点击次数有多少？某个产品的页面浏览量分时走势如何？安卓端和IOS端的占比分别是多少？通过将用户行为起始的各个行为节点作为分析节点，来衡量每个节点的转化效果，能帮助营销人员在关键环节进一步深挖流失原因，提升转化表现。以某产品的注册转化漏斗分析为例，注册第一步到第三的转化率分别是55.8%、18.5%、92.5%，整体注册转化率为9.54%。可以明显看出，注册第一步和第二步之间的转化率明显低于其他步骤。因此需要进一步排查原因。漏斗分析三、数据分析数据分析通常根据要解决的问题来进行，有以下四种类型热力图分析热力图以页面或产品中的元素的点击次数、点击人数、点击率为基础数据，以特殊高亮的图形形式显示用户点击页面的位置或者用户所在的页面位置。通过聚合用户行为展示用户如何与产品进行交互，帮助营销人员识别用户行为趋势并优化产品交互界面。目前常见的有三种：基于鼠标点击位置的热力图、基于鼠标移动轨迹的热力图和基于内容点击的热力图。衡量产品是否对用户有持续吸引力以及用户黏性的重要分析方法，通常能够观测到随着时间推移，用户留存率的衰减情况。留存率是指留存用户占起始用户的比例，常见的有次日留存率、7日留存率、次月留存率等。此外也有很多增加留存用户的手段，比如“签到奖励”“加购奖励”“水乐园”等。留存分析三、数据分析Aha时刻突然理解或领悟某个概念或想法的时刻。在用户体验设计中，标志用户从困惑转变为理解和信任。关键转折点，用户开始积极使用产品或服务。例子社交媒体应用：用户第一次收到新朋友的消息。在线购物网站：用户第一次成功找到并购买商品。延伸阅读：Aha时刻和魔法数字魔法数字量化的用户行为，与长期参与和留存显著关联。发现关键行为并优化产品，提高用户留存率。例子领英：第一周增加5个新社交关系的用户留存率高。脸书：注册第一周内增加10个好友的用户留存率高。推特：第一周有30个粉丝的用户留存率高。魔法数字可能代表用户达到Aha时刻所需的一系列行为或交互，或是用户达到Aha时刻的量化表示。产品团队通过分析用户数据确定魔法数字，并优化用户体验，帮助用户达到关键指标，加快实现Aha时刻，提高留存率和参与度。此外，根据业务需求，企业可以选择产品监控、价格分析等数据分析方法，解决特定问题。四、数据应用产品迭代是产品生命周期中重要的一环，一次完整的产品迭代一般需要经过3个阶段和8个步骤。1.产品迭代产品上线前产品上线后产品上新中产品需求收集、分析与评估—产品定义—交互和视觉设计—技术评审—研发测试—上线跟踪数据及总结四、数据应用在营销活动的不同阶段，可以利用