企业围绕数据的应用有三个重要的方面，一个是营销，一个是风险，一个经营。

以银行业为例，如何获取更多新客户，如何促活存量客户，如何向客户推广更多业务，形成转化、产生收益，这些都是属于营销的范畴，一般而言我们称之为“全生命周期管理和营销”。

而对于如何审核用户信用，评估用户购买产品风险承受能力、是否存在违约等，则属于风险领域。

而纵观整体业务，银行网点的开辟和优化，以及客服效率和话务量等则是属于经营范畴。

基于以上的企业对数据的应用，针对银行业，相继诞生了智能营销、智能客服、智能投顾、智能审计、智能风控等一系列的应用；针对零售场景，又诞生了智能选址、智慧零售等应用。

但利用数据开发的应用，核心目标在于提升效率、降低成本、提高转化。 而这其中，智能营销则是企业在效率、成本、转化三方面都均有诉求的探索方向。

营销的智能化是由来已久的命题，先后演变出CRM、营销CRM、多渠道活动管理（MCCM）、数字营销中枢（DMH）和多渠道营销中枢（MMH）等概念，强化在终端的渠道分发、访问执行、审批、权益对接等方面的能力。

不可否认的是，在大多数企业来看，营销发展已逐渐上升到了数据应用阶段，以及客群构建的能力、多渠道分发能力。简单来说，多数企业通过CRM、标签或者规则构建了基本的营销策略实践，这也是目前大多数营销的现状。也有一些领先的企业已经在下游的营销触达、分发、审批阶段实现了高度流程化和体系化。尽管如此，我们发现依旧存在极大的局限性。而这些局限性也恰恰是突破点。

•    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。

•    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。

•    营销策略无法进行预测和优化

所有的营销策略落地实施的前提，是具备预测效果和备选的优化方案。然而我们看到的是，多数营销策略并没有告诉领导者预期的转化目标和效果，就更不用提优化方案。根本上的原因在于，由于过度依赖人工重复劳动来解决问题，大量的营销实践没有被积累和规模化的监测，这也就无从有benchmark作为参照来进行优化了。

•    营销数据没有形成详细的收集

我们重视结果数据的收集，也就是与直接结果相关数据的监测收集，却忘记应该像收集用户行为数据一样详细收集用户在营销互动中产生的所有过程数据。所以你无从知道哪些用户在离开，用户又为何会离开，更无从知道对于这样一个糟糕的结果，该如何解决。因为我们缺少一面镜子来还原用户的详细旅程。

•    营销数据没有参与策略的优化

即使此刻我们知道营销效果不好，却无能为力，也因此我们觉得下次不要做同样的事了，但却永远在造轮子。其实一年做几千个活动并不是好事，因为并不知道到底什么活动对用户来说是最有效的，关键在于没有形成真正有效而严谨可复制的营销模式和策略。导致这一切的其中一个原因，是并没有利用营销数据去回溯到最开始的策略模型，对其进行复盘和迭代优化。

•    营销策略缺少调整和动态平衡

你有2000万用户，依据策略圈出来了1000万人进行营销，其实这是低效且无用的。因为可能真正值得去营销的只有5万人，但是对1000万人触达还是基于平衡和调整，控制到20万人去触达，这就是智能营销能力的体验。营销策略的第一步是怎么保证策略情况下，不断剪枝或者扩散，却可以平衡成本和效果，比如那1000万人中，可能有800万是羊毛党和低质量的用户。

•    营销策略模型的严重离线化

营销的核心输出就是ID，ID背后是策略、权益、通道、时间等。但是我们习惯于离线异步的跑批结果，然后送到触达通道，但这也许丧失了有限的机会。最严重的是你的模型从未有评估和优化的可能，因为都是离线的模式，即席的调整和优化是不存在的。

•    营销策略的一致性和冲突仲裁

冲突仲裁，是如何做到多部门和角色的相互交叉不影响体验，如何不引起反感，如何解决仲裁。现在营销不是很少，而是太多了，这是核心的一环，尤其是策略制作出来。

•    营销策略的共享性和专家经验

多渠道、多部门、多角色之间，如何将反复实施的经验和模式共享出来，供集体参考和使用。未来的营销大量的是模式输出，如果营销无法逐步的体系化和规范化，反复计算和探索则是对资源的极大浪费。共享能力是必须解决的。

•    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。

所谓的智能营销，核心在于避免大量基于人工专家经验而构建营销策略。当针对超大范围的客群挖掘和寻找商机时，有限的人工策略构建也一定程度上建立在数据开发上，比如标签或者规则。这就会导致后续产生的人工专家经验是在前人经验基础上的产物，继而造成一些无法避免的问题发生，比如规则与规则之间的逻辑错误和交叉覆盖，专家经验的不可继承性和难以优化问题。

此外，由于A/B测试技术的兴起，我们希望有更多且合理的分组来进行营销策略构建和实验，而这一点是人工无法做到的。在大多数情况下，基于人工经验的分组只能做十几组，并且纯粹的人工策略是无法及时更新和即时反馈的，这会丧失很多的商机和优化空间。当针对大规模、多渠道协同营销时，不是简单解决分发和审批的问题，更重要的是在策略方面实现多组营销的独立，从海量的策略中挖掘不能完全被人工经验所寻找到的最稳健方案。

以上提出的十点问题，也恰恰是解决营销智能化的突破点。在接下来的文章中，我们将继续探索可能的实施路径和方向。