点此查看智能营销专栏系列文章
全景并不意味着大而全，而是能在固定场景中找到最佳服务符合需要的数据，来达到最佳的营销效果。
现在营销强调全渠道、全触点、全用户视图、分批次、精准、个性化，这些概念用的太多了，反倒在全景数据的收集和混合使用以及对业务输出上却说的太少了。
是不重视么？不，企业很重视。是不知道方向么？不，企业清楚问题所在。
问题在于，对于纷繁复杂的多源、多形态数据，不缺少加工能力，而是缺少混合和确立加工使用体系。
在本系列第一讲我们就提到了如下的观念：
• 数据的混合使用与业务输出不足
我们强化了在终端的多源触点的分发能力，但是却没有很好的利用这些数据，营销的进化不应只依据一方的结构化数据来进行营销策略制定。对于企业来说，用户接触到企业产品或者服务的通道形态非常多元，比如门店、三方渠道、App、PC web、微信、客服等等，用户参与企业营销的触点不同，而产生的数据也是不尽相同的。仅仅是账户和交易数据，难以挖掘出更加深入的机会和线索；混合多元数据，形成用户数据的综合管理和加工分析，才有可能增加对于业务的输出。
• 企业多年的数据应用已经将主题完善完毕
多年来企业习惯于基于账户和交易数据为主的结构化数据进行挖掘营销，这一点是无可厚非的，也基于此确立了纷繁复杂的各种研究主题和内容。不过随着现在市场和客群的变化，我们面临的是过度获客带来的交易和账户数据的不饱和、而其他行为数据等非结构数据增多的现实。但是我们有心而力不足。因为大家想不到要怎么用、往哪里用。但是，事实是绝大多数情况下，对于这些新增数据的使用恐惧不在于找不到场景和主题，而是在于如何确立为应用主题而开发的加工处理体系，并输出经验。
实际上过去种种营销主题，已经帮助我们确立了应该研究的内容和非结构化数据的应用主题，而不是用这些数据去创造新的应用场景和营销主题。这里不是否认这些新形态的非结构数据存在新的场景应用，比如生物识别等等。但就企业现有的主题，其实是可以实现很多新的提升和效果。
这里先举个例子，比如在信用卡的贷中风险监测上，过去我们是利用还款人或者分期用户的职业、还款、分期规模等一些静态和完整结构化的数据来进行监测。而现在很多用户可能在参与信用卡业务中时，并没有提供足够的结构化数据线索可供使用，但是在与业务发生接触的渠道上，留下了更多的非结构化数据，比如有的用户交易不多、但是App的行为点击数据、渠道互动数据很多。这些可以结合过去的正负样本，进行较为深度的数据混合使用和建模，从而丰富和加强贷中风险监测的能力。
这个例子的意义在于，贷中风险监测是早已存在的主题，而我们需要做的是借助于新的数据和更完整的收集、加工、构建一个增量的解决方案，去优化原有的思路和主题。同时，贷中风险监测也是伴随在营销实践中，尽早发现潜在的逾期和欺诈的用户，尽早进行风险阻断和干预，比如提供更加低门槛的分期方案，降低用户的还款压力，确保用户不会最终失联，这也是属于营销。而这种营销可能不属于狭义理解上的活动，而是基于更加全面的数据应用，通过营销和产品方案化解风险的营销方法。
营销首先是个更加宽泛的概念，我们运用一定的策略对产品、渠道、用户进行干预、促动、阻断、提升，都属于整个的营销范畴，目的是提升产出，而刚才谈到的降低风险，也是变相的提升。当我们想全方位的开展智能营销，覆盖足够多的场景和内容时，对于数据的驾驭和使用就必须上升一个台阶。营销与数据二者将会在某个阶段呈现最佳的匹配。
全景的数据并不意味着全面的数据，而是符合在营销相关场景下的数据应用能力。
• 全景数据是最符合业务需要的数据
刚才我们说到全景数据不是全部数据，而是挖掘和确立最佳的符合营销的数据使用。我们做不到收集全部数据，因为在现有的数据存储和收集的策略上，通常是我们认为哪些需要收集，才制定了规范和标准，形成收集。而究竟怎么加工使用这些数据，除了过去制定的所谓业务指标统计之外，其实没有再去考虑其他用途。但是在今天，这些数据中的一些是可以服务于我们谈到的营销场景，而有更多的可能不在现有的收集体系和加工体系中，就更需要我们先去制定一些范式或标准，完成加工，作为符合业务需要的全景数据使用。
通过标签化处理这些数据的方式，虽然可以起到一定作用，但并不是营销和解决问题的最佳手段。标签是人为的进行了数据抽象和总结的一类规则集，便于我们在营销时直接使用这个抽象的数据。然而标签背后的加工体系并没有暴露给业务人员，而业务人员要通过这个没有完全被业务检验的逻辑进行加工使用，会存在极大的不确定性和风险。而且，标签实际上也是对于收集的数据产生了一定浪费和价值损失的数据。现阶段的营销，无论是针对广告还是企业自有客群的营销都把标签化作为重要的产出节点是没问题的。但这不是营销所使用的数据核心内容。
标签的使用分成了三个阶段：
第一个阶段是在通过专家经验模式构建的原始营销策略上，标签避免了一定的规则再造，直接可以进行勾选使用，但是标签间的筛选存在冲突和交叉，这是在标签构建时就存在的一些问题。标签在人的身上，在构建支出是从数据和标签构建逻辑出发，而不是从人的逻辑出发，就可能使一个人的标签中在某些维度是低价值、在某些维度是高价值，这是客观存在的。
第二个阶段是在无论通过哪种策略构建完毕，对于已经生成的即将展开营销的列表上，我们反向来看这些人的标签属性是什么，有时候我们也理解为是画像，这个人群反馈的标签属性是属于后验的，即通过前期一些专家或者机器策略生成的人群，来看所筛选名单的整体属性和特征。这个阶段的标签使用更像是帮助营销策略落地实施时，给决策者一个客观的反馈，同时是为了第三阶段应用来做准备。
第三阶段则是基于营销响应和未响应人群这两类人的名单，反向再看标签的属性特质，进而最终通一个整体的营销实践，来最终确认对于营销最具备响应价值和效果的人群特质。而因为标签是比较好的特质总结，因此可以快速帮助我们来找到营销的突破点。
之所以在这里详细谈到标签，就是因为标签不是整个营销所使用数据的全貌，而是要从原始数据的本身来构建一些策略方法参与到营销里面。比如很多营销是要基于用户实时反馈的数据进行算法或策略优化，才给出对应的反馈，这一类就需要基于对这些原始数据的理解使用。
目前我们可以做到根据用户的点击、浏览等行为完成相关内容切换，根据用户触发的行为动作，完成相应后续的营销连续操作。然而在实际营销中，这一类的应用规模实际上还远远没有扩大，在更多的场景中，则是需要根据场景需要来完善合适的数据加工和利用标准，并不一定限制于现有已经收集和使用的数据中，当然前提是在保护隐私和安全合规前提下完成。
全景意味着不是大而全，而是在固定的场景中，找到最佳服务符合需要的数据，来达到最佳的营销效果。不过数据的核心不是驱动而是辅助决策。全景数据即使非常丰富，最终也只是在营销策略制定和实施中的一个辅助决策作用，而由机器最终给出的策略是否实施也是由人来完成一部分确认。
总的说来，我们确实要全面混合多种类型数据的收集、汇总、使用，但是如果不能应用，这些数据即使收集了也没有实际的价值意义。包括前沿性的研究，也是应用的一种场景。当营销进入智能阶段，我们对数据的使用也要从简单规则筛选、标签构建，向数据的深度使用，用算法模型提炼进行过渡，而目的都是通过全景数据的生成和分析，最终构建更加体系全面的数据建议，辅助营销策略落地。
