2020年是特殊的一年，也是营销人“被迫”转型的一年。从“数据”这个概念火起到现在，大家都知道数据很重要，也多多少少在和数据打交道，比如投放转化数据分析、“表哥表姐”、数据洞察报告，再比如数据看板、BI，还有如何使用数据工具等等。 那我们到底要掌握多少数据知识和技能才有底气说：我是个懂数据的营销人。 这七年多的工作时间，早期我做过数据分析、数据产品经理、市场营销以及近四年多的咨询服务、用户运营和内容运营等。从工作岗位上看是跳脱的，但都基于“数据”这条暗线。我把其中一些我看到的、踩过的和大家聊一聊。 数据分析：有了数据我们如何做能促进业务的分析，发挥数据的价值;
数据产品经理：知道数据怎么来的，了解监测原理和数据获取的边界，以及如何和业务、技术同事打交道;
咨询服务：大品牌广告主如何看待数据，如何站在客观的角度提供适合客户的解决方案;
用户与内容运营：如何做符合用户运营和内容生产需求的数据监测方案，并通过数据工具落地运营策略。 回到今天要和大家聊的话题，我们到底要知道多少才算懂数据的营销人。 总结起来可以分为三个维度：数据思维、数据工具与应用、数据生态规划。
一、数据思维
我们经常会被问到：我有多少多少数据，要怎么用?
先不说有多少数据，数据多不代表有用。我们需要先回答:什么数据才是有用的数据?这些数据是不是根据业务需求倒推而来的，是具体解决哪些业务问题的?
另一个要回答的是，我们要如何看待与应用这些数据。
什么样的数据才是有用的数据?
如果是做业务流程优化，那业务流程上每个环节是不是有做数据监测，比如一个电商小程序，用户从浏览商品到加购到下单付款等环节，只有每个环节都监测到了，我们才能知道流失环节在哪，不同广告来的用户的流失率有什么区别，然后才能定位是环节设计有问题还是广告有问题。否则会出现我们经常看到的，需要做分析的时候没有可用的数据。
如果是做用户运营，那我们不但要拿到用户ID数据，还要拿到核心交互的数据，我们才能知道用户真实的需求是什么，然后有的放矢的运营。
所以，我们需要清晰地知道我们要解决什么业务问题，把业务问题分解到不同的数据上(环节数据、指标数据等)，然后再看我们是否能够获取到这些数据从而加以利用。如何看待与应用数据
除了会拆解，那还有哪些方面需要考虑?总结来说是要知道如何定义数据问题和数据含义、具备分析数据的基本能力。
看到一个数据，如果北京的离婚率60%(瞎说的)，很高啊!是高是低的判断依据是什么?不是数值小就低，数值大就高。这个数据和去年对比是涨是跌?和其他省份比是高了还是低了?所以说高低，要有参照对比才能下结论。
看到任何数据，不要着急下定论，先明确它们的含义(计算公式或定义)，我们经常看到两个人对着一个数据在争论，到最后发现他们聊得不是一回事。比如同样叫转化率，转化的定义是什么?分母是访问次数还是人数?同样叫DAU(日活用户数)，活跃的定义是打开小程序，还是在小程序上点击的特定的按钮?等等
通过细分方法快速定位问题的能力。如果发现用户数量急剧下降，通过不同维度的拆分，发现是个别渠道还是地域的用户数在下降。即使整体数据正常，也需要通过细分拆解不同维度的数据，看看是否数据平稳。
二、数据工具与应用
我们需要了解工具(技术)的基本逻辑和原理。工具本质上把我们日常工作里能够标准化的流程给予固化，以提升工作效率。 很多我们觉得很繁琐难做到的事情，可能在工具里可以轻易实现，比如报表，以往我们在Excel表里把数据整来整取，各种公式计算做成报表，其实这些报告里很多是按照固定流程计算出来的，如果用可视化工具把流程固定好，直接导入数据就可以看到报告了，这样为数据分析提升了效率。 如果我们想知道不同端口广告转化率数据的高低以及可提升的地方，那我们就在Google datastudio上按照转化率的流程拆解出广告点击率、到达率和交易转化率三个大环节，只要数据导入就可以直接定位出不同广告来源在不同环节上的数据表现，快速找到问题。 tips：数据可视化，数据报告+分析思路固定化，快速定位问题
如果我们想让不同的搜索广告进入到不同的着陆页，以往我们会在不同的单元或者关键字对应不同的着陆页链接，但是这样的工作量会很大，特别是精细化运营的账户。除此之外我们也可以找到工具或者让技术同事将判断条件设置好，比如根据来源参数、竞价系统回传的关键字、访问的时段、地理位置、终端信息等，将条件设置好后对应的需要变动着陆页的模块、文案素材等，这样可以为精细化运营提升效率。
但是我们时常对工具和技术也存在误会。
比如用户数据打通。我们总会听到有供应商说工具可以帮你做数据打通，但是他没告诉你限制条件是什么，而且需要配合上多少的运营工作才能实现。
再比如我们认为媒体给的用户画像是真实的用户画像数据，但当你拿到另一个媒体用户画像数据的时候，你发现对不上了，两边媒体给的年龄段分布不一样，兴趣点不一样，甚至性别比例都相去甚远，那到底谁的才是正确的?因为不同媒体的数据侧重点不一样，比如阿里的电商交易类数据是强项，腾讯用户的社交类数据是强项，他们对用户数据的计算逻辑也不一样，所以没有必要拿这些数据做对比，只需要把这些数据应用回对应的平台就行。
再举个例子，我们认为上了工具就能监测到小程序的数据，是的，我们能监测到大部分我们想要监测的数据，但也分情况，常规的数据好监测，比如浏览量、访问量、日活月活等，一段代码就搞定了。但是对于用户特殊交互的数据就需要额外部署代码进行事件监测(监测文章可参考《小程序用户行为数据监测与分析以及案例分享》)，那事件监测的方案又有很多种，各有利弊，可参照下图，在实际应用中还要结合自身业务来使用。
所以，我们需要对我们工作中涉及到的工具有一定的了解，所有的都精通太难了，但是在基本逻辑和原理上是要了解清楚的。
下图是我们实际工作中可能会遇到的业务模块和相应的数据工具，供大家参考。
三、数据生态规划
数据规划是个大话题， 上到组织架构调整，下到工具规划、部门协作等。这里仅从业务角度进行说明，我们需要把营销会涉及到的业务模块规划出来。
数据生态规划分为两大部分：业务规划和数据规划。
首先要梳理的逻辑：从数据输入到数据整合再到数据输出。
有哪些数据输入?广告投放数据、消费者触点数据、交易数据、会员数据等等。有哪些是通过接口传输，哪些是需要部署代码进行监测，哪些数据是无法输入的......
数据如何做整合?我们选择打通数据的ID是什么，不同触点数据的用户标签体系搭建是否有一套统一的规划......
数据应用输出有哪些?个性化推荐、营销自动化流程设计、转化流程优化、用户分群......
要回答上面这三个问题，我们先看看业务上如何规划。
业务规划
我们会发现，这是个工作量巨大且复杂的工程。但也得一点一点啃下来，各个击破。
其中一个重要和成熟的模块是微信体系，如果把范围先圈定到微信私域生态。我们用同样的方法把会涉及到的业务模块规划出来，从流量获取到线索转化再到后续的运营，整个流程都有对应的触点可以落地，并且相互间有良好的传导关系。但是一般业务起步的时候不会一下子就把所有环节都铺开，步子大了容易扯蛋。
我们需要根据微信不同的触点定位和特点选取不同阶段的触点组合。比如服务号和用户是一对多的关系，和用户的交互频率低、灵活性不高，作为官方宣传阵地、服务集散地是合适的，但是承担不了客服、交易等功能，可能就要配合微信和小程序。
小程序无法主动触达用户，但是是很好的承载用户交互的平台，所以可以和企业微信配合，企业微信变成客服、销售的沟通阵地，交易、裂变等则由小程序来承担。
所以我们要结合业务需要用到的功能来对触点进行组合应用。
数据规划
我们做好了业务规划后，接下来要如何做数据规划?最核心的是要把ID体系和用户标签体系建立起来，ID体系是为了能够识别出用户，标签体系是为了让数据收集与数据应用有一个统一的标准。
ID体系好理解，如果是基于微信生态，微信提供很好的ID打通的能力。如果是要跨生态和触点，就需要有一套登录账号体系做支撑。
难点在标签体系，标签体系的建立要从业务的实际需求出发，因为这些标签最终还是要应用到实际业务中去。
比如常见的业务需求：
我想给过去第四个月买过一罐500毫升洗发水的用户推送一个洗发水优惠券。
我要向过去一周内看过三次以上信息流投放内容相关页面的用户推送一个信息流课程。
这些需求都包含三个关键要素：目标人群是谁、他们喜欢什么、如何营销他们。
目标人群 其中，目标人群对应的是用户的生命周期和价值分层。 生命周期：用户在平台上所处阶段。是刚了解我们还是已经不再需要我们的产品了?用户处于未购买阶段，是因为不喜欢我们的产品，还是购买能力有限?但对产品认可度高乐意进行分享传播。这都是要在生命周期这个环节里要去了解的信息。 价值分层：用户贡献价值的多少，包含金钱与时间。 举个例子，有个用户过去买了很多奶粉，购买次数也很多，访问我们触点的次数也很多，对我们来说是很优质的客户，但是她所属的生命周期是即将流失的阶段，因为她的孩子已经长大不再需要奶粉了。所以从交易价值上来看，这个用户对我们来说价值已经变小了。 目标人群的定义需要用生命周期和价值分层这两个维度的标签来定义。
需求偏好
需求偏好没有很好的统一的标准，与具体的的业务目标紧密相关，即使是同一类企业的同一类产品，也没办法做一样的定义。
以我们自己的用户行为为例。通过线上和线下的表单里调研问卷、对话、回复的关键字和活动等方式来收集用户偏好数据。这些行为偏好，为日常的内容制作提供参考;同时，也能将用户的购买力和忠诚度进行分级，用于后续的课程和其他产品推荐。
再具体一点到商品销售转化这个场景，行为偏好的标签可以细分为：价格区间、类目偏好和商品属性。在对行为偏好打标签时要注意下面这种情况： 当某用户看了很多蓝色的跑鞋，认为用户对蓝色的跑鞋感兴趣，但是用户最后买了一双黑色的篮球鞋。这种前后矛盾的情况下，如何判断? 一个简单的原则，花钱积累的标签比花时间积累的标签更可信。像前面例子里，用户因为花钱买产品而产生的标签要比花时间浏览点击来的更可靠。但也有例外情况，用户虽然花钱买了商品，但时间比较久远，那最近的浏览点击就是更有用的判断依据。 营销方式 如何触达用户? 我们知道目标用户是谁，也知道用户喜欢什么东西了，接下来就是要知道要如何更好地影响这些用户。 这块主要要收集三个方面的数据： 第一个是访问时间。用户哪些时间段最经常访问我们的平台，尽量在用户更充裕的时间来触达用户; 第二个是关于诱饵。需要用什么样的诱饵让用户更容易产生购买，比如他是更喜欢优惠券，还是爆品或者新品，可能有些用户就是喜欢尝鲜，那就可以用新品作为诱饵推送; 第三个是关于触点选择。用户在哪些触点上的打开率更高，用他喜欢的触点来影响他们。
四、结语
不敢说以上就是营销领域的全部数据范畴，篇幅有限很多数据应用没有写，比如营销自动化、推荐引擎、裂变等，这些都可以单独开话题来写，有些之前也专门做过直播分享，有兴趣的朋友可以回去找找。
营销人需要懂数据，只为更好的前行。
2020是特殊的一年，时代有它的大趋势，但我们每个人都有自己的小趋势，愿你新年快乐，强势起航。
（全媒体开户-靠谱推官微：）