洋酒品牌数字化案例：数据与算法加持营销增长

1 要加黏性、提营收，数据怎么在营销环节发挥价值？

“人品渠时权”（用户、商品、渠道、时间、权益）是消费者数字化运营/营销最重要的 5 个要素。在这个过程中，怎么用好数据？我们可以简单地拆分为 2 个阶段。

第 1 阶段：借助数字化工具，快速落地人工策略

这个阶段的运营流程与过去大致不变，但通过数据分析来辅助变量筛选、业务洞察，并依托 CDP、MA 等工具来提升从圈选、打标、投放、数据回流等整个营销流程的效率，来更快地迭代运营策略。

第 2 阶段：借助 AI 算法，逐步取代人工策略

第 1 阶段比较适合已有比较完善运营策略和流程闭环的企业，在数据和平台工具的加持下能有快速提效。同时，也有越来越多企业在探索 AI 算法。

以“人货匹配”为例，基于机器学习的算法，我们搭配了个性化的商品推荐清单（品）、在不同投放的渠道（渠）以及每个渠道的投放时机（时），来探索不同条件场景下的高转化可能。

目前我们服务的许多企业客户都在从第 1 阶段向第 2 阶段过渡，但并不意味着第一阶段是过时的。

综合考虑企业 ROI 的前提下，算法能帮我们高效地完成原本不可能完成的工作（比如千人千面、人货匹配），而有一些场景的变量策略，还无法完全被算法取代。

案例一：标准模型+拖拽式产品=营销全链路效率提升

在为一家主营洋酒品牌的企业客户搭建数据平台、CDP 后，我们和客户团队就一次大的节庆营销，进行了数字化场景的共创。

简单来说，通过分群投放和数据分析，有了以下发现：

· 复购次数与概率间存在跃进关系，品牌忠诚/消费习惯的培育非常重要；

· 分类人群的精准商品/商品组合推荐，搭配合理的 benefits（权益），更有利于提升触达转化；

· 节庆等酒水消费的重要节点中，品牌/商品的消费指向有较强的可引导性。（说人话，在重要节点，用户已经有了酒水品类的消费需求，如果触达精准，在本品牌转化的可能性就很高。）

在有些场景下，算法的可解释性不够强，可以“暴力地寻找规律”，但不足以展现背后的业务现象。而本案例基于人工策略的投放和数据复盘，能获得很多业务上的 insight（洞察），来指导后续投放。

在这次营销数字化的实践中，除了前文我们介绍的洞察发现，效率也至关重要。

跑通一个完整的营销数字化场景，通常需要走完标签生产、人群划分、规则配置、活动复盘、报告搭建等全链路，耗时久，投入大，难免让人顾虑 ROI。而在这个项目中，我们只投入了 1 位数据分析师，全过程约 10 天就跑出了闭环。

这其中的提效得益于前期数据平台（DataSimba）的建设，完成了数据的汇聚、清洗、治理，在上层搭建了标准模型。在场景搭建和分析环节，只需要用拖拉拽的方式，就能快速完成整个营销流程。

如下图所示，GrowingIO 的 XBA（原 UBA，增长分析）、CDP（客户数据平台）、MA（营销自动化）均支持拖拉拽的简单操作，可以快速变更、迭代营销策略，辅助全流程提效。

案例二：复购预测+个性化推荐，算法带来新发现

这是另一家品牌零售企业。与案例一采用“业务理解+数字化工具提效”不同，案例二在前期缺少业务经验的支持（例如解释这个数据分析的结果指向了怎样的业务结论），留给数据分析的时间也不多。因此，我们为客户搭建了“复购预测+个性化推荐”的营销算法（基于奇点云的标准算法包），成功召回了沉睡人群，激活了购买。

如下图所示，算法组召回的人群转化率高于业务手工圈选，在购买金额的对比上尤为明显。

其原理是人工永远无法给海量的消费者每个人提供个性化的商品推荐，而通过机器可以。更精准的商品推荐，带来了更高的连单率。

营销效果显著提升的同时，这次算法场景实践也给我们带来了一个意想不到的发现：可以通过算法触达，来更高效地唤醒沉睡会员。

企业对营销活动都有 ROI 考核，为了提升活动 ROI，许多时候运营方会刻意避免触达沉睡会员——沉睡是有理由的，唤醒的门槛比较高。

而本次算法圈选了全量的会员人群，其中包括沉睡会员（一年内没有任何交易），结果转化却远好于业务手工组。这得益于算法对精准人群与个性化商品推荐的匹配，以及对购买时机的预测。

因此在后续的第二次活动中，我们进一步优化策略，直接触达了沉睡会员，获得了很好的营销效果。

大家可能会好奇，搭建算法是否成本很高、周期很长？

事实上，在扎实的数据平台底座（DataSimba）基础上，前期搭建了标准的数据模型，奇点云的标准产品化算法包（例如千人千面推荐引擎、消费者复购预测、消费者流失预警等）就能快速上线，在企业客户落地用起来。

业内耗时通常需要 2-3 个月以上，而我们基于前述方式，最多只需 3-4 周。对于企业 IT/数据部门来说，走得多快，很多时候就意味着能走多远。效率越高，就能越快地为业务提供数据价值变现，就能更快地在竞争中领先。这也是我们在产品和服务中的前进方向。