专家经验带来了回报，却也无法继承，这是摆在所有企业营销端的现实问题。专家经验是需要锤炼的，但也会带来营销的不均衡性，有的团队或者渠道实力整体强大，有的很弱，只能照猫画虎却很难成功。再一点，专家经验是和人绑定的，无法实现及时有效的扩展和能力迁移，这对于企业而言是营销端的风险，如果不能实现知识或者技术产品的转移，那么就会出现无法继承的问题。
还有一点是，专家经验无法进行大规模的实验、调优、寻找文件的策略，因为都要依赖于人工的经验调整。并不是说人工专家经验不重要，而是当面临海量用户的个性化、多元化的营销诉求时，人工专家经验看到的只是某个局部，甚至在一些场景下是无能为力的。比如如何针对业务达成率很低的客群、数据很少的客群制定策略，这方面人工经验就显得乏力了。
在本系列的第一篇文章中，我们曾提及了关于专家经验模式的一些简单说明：
• 营销策略依赖于专家经验模式
在刚才谈到的场景中，通常更多依赖于我们的经验和方法论，但是我们的策略并不见得那么细致和准确。营销策略是应注入客户内心的，有限的专家经验无法解决全部营销问题。同时，营销被深度关联在了某些人员的身上，一旦出现了人员变动，这些经验也就丢失了。
专家经验是需要的，但是需要知识转移
在本文开篇的文字中，提到了专家经验存在的一些问题，可以总结为以下几点：
• 专家经验稀缺性，造成营销水平的不均衡性
• 专家经验如果没有提炼，则无法存在继承性
• 专家经验在某些场景下，无法完全发挥作用
• 专家经验依赖于方法论，无法快速迭代反馈
集合以上的这些问题，我们需要把大量的专家经验进行提炼，因为无论是机器的决策还是人工的经验，最终都会变成营销的执行方案和人群策略，最终下放和触达目标客群。这个过程中，无论用哪一种方式，我们都积累了海量的营销反馈数据，比如响应人群、未响应人群、过程参与的反馈数据等等。对于接下来一个时期的营销活动，我们需要把这些人工专家经验积累的好的策略和营销体系，变成优质的策略资产，不断提炼其中的核心要素，最终进行产品化的组织和封装。
像机器算法提供“营销棋谱”
AlphaGo通过阅读大量围棋棋谱，并通过不断的训练，寻找解棋之道。这些数据的输入，使得AlphaGo日后可以进行更加广泛的训练和挖掘策略。类似的，我们看到每年大量的营销活动中，在除了人的社会性、社交、心理学等因素之外，多数的人工专家经验和策略是极好的输入数据，供产品或者算法进行训练和优化策略。但从现实情况来看，我们也仅仅是关注营销的ROI或者简单的画像，这对于追求收益的企业而言是没有问题的，但这也造成了在日后的营销实践中无法进行迭代，一旦出现了不好的效果，直接就停止了再次尝试。
缩小专家经验带来的不平衡性
不平衡性体现在专家水平不同造成资源的浪费，比如权益、通道成本，还有营销经验水平的差异，造成了最终用户反馈差异很大，甚至引起很多的反馈客诉。这种经验往往需要解决共享性的问题，即数据化的呈现整体策略，并且要提供对于该策略在最终实施时评估、预测。这是尤为关键的，否则你很难做到直接下手使用别人经验策略，这就是之前谈到的照猫画虎，是极其危险的做法。关于这个问题，我们会在后续讨论到。
营销需要方法论，但也需要快速迭代能力
专家经验的实施前提是有一套完整的方法论作为支持，比如AAARRR等方法论指导原则，或者指标体系。但是由于专家经验的反馈周期很长，对于数据的依赖度有限，在快速修正和策略迭代中没有数据化营销方式那样敏捷。当然，现在很多平台可以做到机器敏捷的修正人工专家经验。但是当我们探测到一个用户场景，其诉求是新的，或者基于一些机器学习算法计算的人群毫无人群解释性时，我们很难进行人工干预和修正。所以对于我们人工专家经验来说，敏捷的迭代也需要借助系统或者产品、算法进行支持和反馈。
不要把数据驱动的营销过度神话
营销最终目的是服务于人，由于数据的获取多源、形态各异，我们也相比以往可以更加全面的感知用户特点和营销刺激要素，形成了一套数据驱动下的策略手段。然而这个过程中，我们终究要考虑营销本质是对人的服务，所以，当营销策略基于数据构建完毕后，其合理性、人群综合体验，也是必须考量的要素。
在多数情况下，我们可能制定的是一个不错的策略，然而在用户的通道、时机、触点等方面，给用户造成了不好的体验，或者没有考虑政策合规性的要求，对某些客群形成干扰。这往往可能是由于在通过数据制定策略时没有考虑在内，而出现很多的笑话。
举一个例子，现在很多电商会基于用户的点击行为，在首页的某些固定位置重定向用户刚刚点击过的商品或者内容。但是可能这个商品用户已经买过了，这样也造成了一定的位置资源浪费。但是理想的看，这个问题也很好解决，就是将用户的购买行为与点击行为关联起来，不过这背后其实不是技术问题，而是流量问题，此处不做深入探讨。
总的来说，专家经验是一个在营销中不可或缺的环节，在标签加工、营销事件库等方面，也都是通过此类人工经验先入为主的进行输入和优化。所以这样的角色不可缺少，但是也必须进行调整优化。
在下一篇文章中，我们将探讨营销策略的预测问题。
