如果在制定营销策略之前，没有进行详细的复盘和数据分析，而直接启动营销工作，就无法知道策略是否合理，是否可以达到预期的效果。
在第0讲中，我们提出了关于智能营销的十个突破点，本文将就第一点进行阐述。
• 缺少详细的原始数据分析环节
所有的营销都需要在一开始展开系列的数据分析，来挖掘商机、寻找营销目标，然而目前多数情况下是由营销人员筛选标签或者制定规则来直接构建营销的目标。但这其实少了关键的一步，就是无论是否有历史的类似营销存在，都需要对本次营销的目标进行详细分析或者通过模型计算机会。比如未注册客群就是营销的目标，也应该对其数据进行合理分析，然而多数情况下是我们会把这些作为规则直接开始营销。
在整体数据营销的大框架上，我们一般将智能营销分成四部分：
第一部分是关于多元渠道数据如何收集和汇集；
第二部分是关于汇集之后的数据如何进行处理加工，形成基本的原材料用于营销和分析；
第三部分是如何基于这些数据通过算法、模型等形成文件的策略，指导营销活动；
第四部分是如何基于营销策略有效的选择通道、时间、内容、权益、产品进行触达，同时完整的进行数据回收、监测。
谈到这个话题，我们首先看到的是多数互联网企业，比如电商平台，基本上均实现了推荐引擎的大规模应用，即基于用户的大量实时反馈数据、基于商品或者人群形成个性化的推荐，而整个过程中，人工干涉和调整的比例在不断减少。在算法配置、方案配置、分桶策略、目标达成、政策规定几个方面可能仍需要人工调配的，但这些更多的是政策限制，比如首页的banner最后一屏广告只能放置手机类内容，但是内容本身并不完全受制于人工。因为这是面向的十万、百万、千万、亿万的用户来推荐。引擎本身解决了分析、策略输出、客群触达、用户反馈、闭环优化的大环节。但是这里我们看到的是，除了数据的回收和整理，最关键的是数据的分析和加工使用，而这个过程是高度自动化的。
也就是说，当营销要具备渠道实时性和数据应用能力，那么就需要角度敏捷的对于原始数据进行快速的分析和应用。但这里也涉及到一些问题就是模型算法的热部署和调优，这在推荐引擎方面已经得到了验证，关于在生产环境应用方面的内容将在后续文章讲述。
回到刚才的问题上，我们已经看到了通过推荐和重定向的服务能力（比如我们在淘宝刚看完的一个商品就会出现在首页推荐位置），可以提升整体的转化和营销效果。但是在此之外，我们并没有看到如今的大规模营销应用此种能力，因为多数情况下我们的渠道并不是在线网络渠道可以实时反馈数据。
然而这不代表我们不需要和推荐引擎一样的能力，我们的智能营销需要向推荐引擎一样具备高度的自动化和详细的对数据的分析和使用。
现实的情况是，我们在开展营销时，一种方式是基于人工经验进行规则或者标签的筛选以制定营销方案；另一种是创意性的营销，一般是覆盖所有客群；再有的就是拍脑袋制定人群策略，进行投送。
而且我们习惯在策略执行未达到预期效果时，因考虑到成本问题，放弃后续执行或者实验，而无法继续进行下一步的方案或者优化建议。
产生以上问题的根源，在于我们只关注纯粹的营销结果数据，而没有深度复盘营销全流程情况，单纯以ROI导向，而不再追求迭代和优化，这样就出现了无数的营销方案和规则，却始终找不到长期可持续的战法。另一点是对于在营销策略初期的工作中，缺少了详细的数据分析，我们过度依赖于规则和标签的逻辑来制定策略，如果没有类似AAARRR这样的方法论指引，则很快就容易走偏方向。
规则也好，标签也好，本质上因为经过了业务或者IT的抽象和封装，并不完全适合于业务执行人员。而业务人员则只能在没有详细分析的情况下，基于制定的标签或者规则逻辑组织营销策略。可想而知，这是一种毫无准备的策略制定，而且这种策略将会越来越多，却毫无继承性和优化余地。
数据分析必须参与到营销策略的制定过程中，无论是机器自主还是人工。现在看来，在我们每一次营销策略展开之前，我们需要界定我们的目标，这个目标一方面可能是数据分析得来的，另一方面可能是本来就存在的。
比如信用卡在获取用户时，总有一批用户是被审批拒绝的，那么这批用户是企业在营销中必须考虑的营销目标，比如通过回捞这批人、重新授信，这是已经存在的目标。另一种是要经过挖掘才会发现，比如通过对在线渠道用户的逾期数据发现，整体的逾期率比其他渠道高，那么就需要基于该发现去制定针对性的营销目标。
再比如今天企业从自有业务收集了用户的数据，但是由于参与度和业务达成率低，没有获取客群的更多信息，此时就会借助外部数据进行信息的补全，丰富客群的营销内容。这种就是典型的需要补充数据后，通过分析，才能寻找到用户的兴奋点和诉求点；如果缺少这个过程，只是简单进行刚性的渠道内容触达，则没有任何效果。
但是在通过数据分析支持营销动作方面，首先要满足业务人员对数据的可获取性和可分析性，业务人员不能像过去简单的基于标签或者规则筛选，这只能是第二步，第一步是企业需要一个综合各方面数据的环境，形成数据的Catalog，并在此基础上，提供可用于数据分析的工具，比如报表、数据处理工具、建模工具，这使得业务人员可参与到数据的加工分析过程中，形成事前的基本分析要素和结果。
当然，更加直接的方式，是提供更多基于原始数据分析呈现的报表，而这些报表不只是提供一些结果数字，而是提供和展现需要跟进的营销机会和线索，这些机会和线索实际上就是经过分析而达成的营销目标，比如逾期率、审批未通过的用户等，而此时一些标签的意义才会显现出来。
数据分析参与营销过程的另一点，则是在营销执行过程和营销结果方面，也需要进行快速的复盘和分析，目标是在过程中调整和优化策略、降低损失。比如经过执行发现了营销策略或者规则中的漏洞，那么就要实时分析，及时阻止策略产生的漏洞造成更大的损失。以推荐引擎为例，可以做到在实时的数据分析中调优策略、调整客群的推荐服务内容。
在营销结果方面的数据分析，实际上是希望大家在关注ROI的同时，通过数据分析，挖掘更多的潜在价值和机会，比提取响应人群的特征与原始策略制定的人群进行比对和分析，这有助于调优方案和迭代执行。
总的来说，大道理上每个人和公司都明白，但是在执行环节，我们其实没有做到事前、事中和事后的深度分析。在方面我们需要向银行的信用卡业务学习，面对风险问题，他们将贷前风控作为第一道关卡，严格控制准入门槛，降低后续的麻烦；密切监测贷中风险，及时阻断和降低损失，预测能力和风险预判在这个过程中是极为关键的；同时在逾期、催收等问题上，通过对结果的复盘和回溯，反馈至贷前审批环节，优化准入策略，有力的避免风险。这一套逻辑在营销场景下同时具备参考意义，毕竟这都是对于人的经营。
