营销衡量的未来：如何在数据世界中取胜
已发表: 2021-11-29当我在 2006 年作为研究分析师开始我的职业生涯时，营销比现在容易得多。 这个行业不那么拥挤。 自然广告和付费广告的搜索机会都是巨大的。 直接响应广告正处于鼎盛时期。 营销人员几乎可以跟踪所有内容。
可能最困难的挑战是将孤立的营销数据放入电子表格中以进行分析和报告。 这就是我首先创建 Supermetrics 的原因——帮助像我这样的营销人员轻松获得他们想要的所有数据。
快进到今天，衡量和整合营销数据仍然是许多公司的一大障碍。 老实说，随着您同时积累更多数据，跟踪变得更加困难，挑战将变得更加复杂。
在这篇文章中，我将讨论营销衡量的更多挑战以及如何克服这些挑战。
如果您更喜欢视频格式的相同内容，请查看营销分析节目的这一集。
营销测量面临的三大挑战
1. 可追踪性下降
让我们从第三方 cookie 的消亡开始。
营销人员过去能够跟踪从营销活动到转化的完整客户旅程。 但是，情况已不再如此。 谷歌和苹果等大公司正在禁止第三方 cookie。
因此，营销人员很难根据他们在其他网站或应用程序上的在线行为来创建和吸引合适的受众。
此外，评估和监控您的营销绩效也可能令人头疼。 多点触控归因 (MTA) 等测量模型（严重依赖于点击）将变得不可靠并可能过时。
如何在没有第三方 cookie 的情况下成功营销
告别第三方 cookie 并不意味着告别个性化营销。 了解在无 cookie 的世界中创造一流客户体验的五个步骤。
2. 数据爆炸
您可能熟悉 Scott Brinker 的 martech 5000 信息图表，该图表说明了目前市场上可用的营销平台和工具。 现在可能接近10,000。
10,000。
大多数公司积累的数据超出了他们的管理能力。 更多数据也意味着更多孤立的数据位于您的技术堆栈中。 具有讽刺意味的是，虽然您的企业拥有的数据量呈指数级增长，但跟踪也变得越来越困难。
为了找出处理这一切的最佳方法，正在进行一场战斗。
3. 竞争加剧
由于现在几乎每个人都在做网络营销，竞争非常激烈。
2021 年，平均每个人每天会看到 6,000 到 10,000 个广告。 消费者正淹没在选择、广告和消息传递的池子中。 营销人员需要找到一种方法来消除噪音并脱颖而出。
最后，拥挤的市场意味着付费广告的成本将不断增加。 获得良好的投资回报将更加困难。
这三个挑战将我们引向了价值百万美元的问题：公司如何为即将发生的事情准备营销测量策略？
克服测量挑战的三个步骤
第 1 步：增加您的第一方数据
首先，您需要开始增加您的第一方数据。 这就是它的意思。
用质量数据填充您的 CRM
CRM 是您业务的基石。 任何没有 CRM 的公司都需要投资一个。 这里的关键是保持您的 CRM 干净和相关。
一个优秀的 CRM 充满了关于您的客户和潜在客户的质量数据，而不是垃圾。
为您的数据创建中央存储库
建立 CRM 后，您需要考虑将来自不同来源的数据（包括 CRM、网络分析、付费广告和 martech 工具）集中到一个屋檐下，以便快速了解您的营销活动。
当您刚刚开始并且还没有大量数据时，您可以使用 Google 表格或 Excel 等电子表格来存储和分析您的数据。
随着公司的发展，您的数据也在增长。 此时，您可能会考虑从电子表格毕业到像 Google BigQuery 或 Snowflake 这样的数据仓库。
重新考虑您的广告支出
下一步是根据您看到的结果重新评估您的广告预算。 尽管这对许多人来说似乎是一件轻而易举的事，但如果您的预算很大，您可能会在这里和那里错过机会。
第 2 步：为营销组合建模 (MMM) 打造面向未来的营销堆栈
随着您的第一方数据不断增长，您还需要研究营销组合建模。 营销组合建模是一种统计方法，它使用历史营销和销售数据来估计未来营销活动对收入的影响。
营销组合建模不是依赖于多点触控归因等弱的客户行为链，而是使用统计方法分析营销投入和结果之间的关系。
营销组合建模与多点触控归因
哪一个适合您的业务？ 发现每种方法的优缺点。
这样，营销人员可以更好地在不同的营销渠道和策略之间分配资源。
尽管营销组合建模对于预算充足的大型广告商来说主要是一种有效的技术，但您仍然可以为此类分析准备营销技术堆栈。
我们看到许多公司进入了三层营销分析堆栈，每一层都离营销组合建模更近了一步。
第 1 层：基本营销分析堆栈
使用 Google 表格和 Excel 等电子表格进行报告的营销人员最终会遇到限制。 当您的数据呈指数级增长（新数据和历史数据）时，电子表格工具将耗尽其计算能力。
此外，跨营销渠道混合这些数据，并在电子表格中使用非营销数据丰富它。
为了减轻电子表格的重量并充分利用数据，您可以将数据仓库添加到堆栈中。 您的基本营销分析堆栈将如下所示。
本质上，您希望将所有数据移动到数据仓库中。 您可以使用 Supermetrics 之类的工具来自动化数据传输。 Google Sheets 或 Google Cloud Storage 等临时数据源也可以轻松添加为 BigQuery 模型的输入。
最重要的是，您可以保留 Google Data Studio、Looker 或 Power BI 等 BI 工具来进行报告。
第 2 层：将报告数据与原始数据分开
如果您正处于数据旅程的开始阶段，基本的营销分析堆栈可以让您走得更远。 但是，随着您的业务积累更多数据，您最终会意识到将数据直接从源输入数据仓库然后直接输入 BI 工具并不是最佳方法。 如果您直接在原始数据之上进行报告，那么您将错失许多机会。
这就是第 2 层堆栈派上用场的地方。
在第 2 层中，您将“原始”数据与“报告”数据分开。 在将数据提供给报告方之前，您可以进行清理、转换和丰富数据。 通常，您需要使用 cron 作业将原始表中的数据处理为此堆栈中的报告表。
许多企业可以在第 2 层中走得更远。但是，为了保持数据管道的复杂性，您需要依赖一流的文档和人力资源，这使第 2 层处于不稳定的状态。
第 3 层：面向未来的第 2 层营销分析堆栈
我们看到最成熟的公司正在进入或开始拥有第 3 层。从根本上说，第 3 层堆栈和第 2 层堆栈之间的设置没有太大差异。 这里的主要区别在于四个要素：
- 测试：拥有出色的数据基础架构有什么意义，但您不能相信结果？ 为了消除猜测，您需要有一个健壮的测试框架。 例如，您可以使用 dbt 或 Dataform 之类的工具。
- 编排：使用 Airflow 或 Google Cloud Composer 之类的工具来处理数据仓库中的所有数据处理是个好主意。
- 版本控制：在软件开发中，版本控制是过程的关键部分。 同样的事情也适用于数据基础设施方面。 如果出现错误，版本控制可帮助您确定数据的原因和问题。 像 Github 和 Google Cloud Data Catalog 这样的工具可以创造奇迹。
- 文档：最后但并非最不重要的一点是，鼓励您的团队随时记录整个过程。 您可以将 dbt 和 Dataform 用于源代码文档，将 Google Cloud Data Catalog 用于字段级文档。
您在营销分析之旅的哪个阶段？
我们整理了一份营销分析路线图，其中包含成长型公司的三种典型数据架构。
第 3 步：使用运营数据仓库提供情境化和个性化营销
现在是拼图的最后一块。 在您的数据基础架构启动并运行之后，是时候为您的客户提供卓越的体验了。
更进一步，您可以将营销和广告数据推送回您的数据仓库。 然后，您可以使用 SQL 构建客户档案和模型。 最后，您可以使用这些数据来优化您的营销活动并改进您的消息传递。
到目前为止，只有最顶尖的 1% 的营销人员才能做到这一点。 进入门槛很高。 你需要一个成熟的数据团队来完成它。
但本质上，它将帮助您了解整个客户生命周期并为您的客户创造个性化体验。
轮到你
总之，无论未来如何，您都可以通过构建可靠的数据基础架构来保持领先地位。 这开始于：
- 增加您的第一方数据。
- 为营销组合建模提供面向未来的营销分析堆栈。
- 使用运营分析数据仓库提供个性化营销。
如果您希望将数据自动传输到数据仓库，请查看我们的 14 天免费 Supermetrics 试用版。
开始您的 14 天免费试用
了解将营销数据转移到报告和分析平台是多么容易