其实最智能的精准营销模型叫亲妈，其次是迷魂汤
阿尔法狗化名master挑翻一众高手，引爆了人们对人工智能和算法的关注，也使得数据模型与算法再次成为热点话题。在各路自媒体大肆宣传下，似乎通过算法就可以让机器学习一切，未来除了老板以外各种岗位都可以不用人干了。一个模型自动计算市场需求下单生产，一个机器人自动生产产品，一个算法自动推产品给客户，客户Duang一声就购买了！
天亮了哈，醒一醒醒一醒。
懂技术的同行都知道，实现这个美梦还需要十万八千里的努力。然而不懂技术的同学们又开始蠢蠢欲动了（上次蠢蠢是在《大数据时代》这本书在各大公司市场部流行的时候）。最近陈老师和几个做营销的同行闲聊时，大家又提起这个话题。
“老陈，你说现在数据源多了，算法又升级了，有没有可能做出一个算法，刚好就能算中用户的需求，然后推送以后用户一定会买？”
“有啊，我们通常管这种算法叫：亲妈。我们自己的亲妈就是这么掌控我们消费的啊。不搞笑的说，想开发一个模型，模型一计算，推送给客户一个产品，恰好客户就买单了是吧？亲，你需要的不是数据模型，是迷魂药。一口灌下去，客户啥都听你的，效果杠杠的！”
为啥数据模型没有迷魂药好用呢，是因为客户又不是傻子！你卖东西给我我总得看看牌子，看看质量吧。有那么多商家可选，我总得比比价吧，我总得看看谁家有优惠吧？你在后台算了数我就买了？我知道你算了什么？
所以，想让顾客无条件购买，还是直接灌迷魂汤吧！弄晕他，啥事都搞掂！
那到底精准营销模型有什么用？
精准营销所谓的精准，指的是相对的精准。理论上，只要不是在商店门口摆开25个大喇叭喊“全场八折，走过路过不要错过”的地毯式轰炸；或者不是用户打开个网站就弹出“买一送一快来买啊！”的铺天盖地小广告；都算精准了。
精准营销的价值可以体现在三个方面：
聚焦用户，缩小范围：比如根据用户购买记录，判断用户是否会响应，把明显不会响应的用户从备选名单中剔除，这样可以大大减少投放数量，提升效率；也能结合用户画像，更深入的聚焦高响应用户的需求，提升文案针对性，让用户更容易响应。
贴中需求，降低成本：全场买一送一固然消费者很喜欢，然而对企业来说成本太高了。理论上，如果能对用户优惠活动响应行为进行分析，总结出用户更偏好哪一类活动，就可以灵活选择活动投放给用户，节省成本；如果能通过关联分析，发现交叉销售机会，发现购买路径，更可以在无补贴情况下促成一些订单，省的就更多了。
减少干扰，提升响应：长期来看，提升精准度，可以减少庸余信息对用户的干扰，可以提升用户的响应。毕竟这个年代我们都接收了太多太多的信息，钱包没有涨，各大电商的节日却越来越多。不贴用户需求，单纯喊减价，只会让用户越来越对产品麻木，依赖上促销，导致企业陷入无限补贴的深坑里去。
综合来看，精准营销价值更在一个“减”字上。通过缩小范围，减少庸余来增效。如果是着眼于“增”，市场部更宁愿搞双十一全网大促买一送一这种大事件，毕竟动静越大，发动的用户越多，吸引的眼球越多，当然来带的增量越大。（当然花的钱也更多，这也使精准营销有了价值）
精准营销的本质是营销，营销是人做出来的，不是数据算出来的。营销就需要有产品，有话题，有文案，有优惠力度的支持。算的产品需求再精确，竞争对手同期推出一个买100送50的活动，客户分分钟掉头；算的投放时机再准确，文案做的一塌糊涂，活动规则复杂无比，客人看了随手叉掉网页，还是没转化；所以精准营销项目是不能脱离营销流程存在的。
精准营销项目最适合的，是人力无能为力，或人力用不上力的时候。
比如电话营销，再怎么牛的话术，产品，客人不接电话全白瞎，而电话营销本身成功率极低（1%-2%）导致外呼团队士气低落，流失率高等等问题，因此这时候通过模型稍微提升一点响应率，就能极大的提升外呼团队效率，增加产出。
比如二次销售跟进，单纯依靠业务员跟进，很有可能跟进不及时，有可能只跟进了高端用户，错失了普通用户。这时候如果根据用户过往购货记录，主动选择适合用户的产品，结合购买周期与用户互动习惯，在用户活跃度高的平台，时间段进行推送，就可能极大提高普通用户成交率，弥补业务员不足。
好的精准营销项目，可以起到补位增效的功效，让人力发挥更给力。
迷信模型，坑业务，更坑分析师
业务部门的领导们喜欢看趋势，看未来，看潮流，看标杆。只要有价值的都能拿来用，最好是别人家已经试验成功的项目，最好直接搬过来。一出新趋势，加上各大自媒体平台一通吹嘘，迷信就产生了。然而装备了洋枪洋炮北洋水师的大清国还是药丸，别人家的经验不一定我们能用。渠道管理方式不同，数据采集要求不同，数据质量不同，产品特性不同，用户需求与体验不同，都会导致经验复制的失败。然而业务部门只关注结果，不能主动识别这些差异和风险，也容易陷入迷信。
然而，导致模型迷信的不仅有不懂技术的业务部门，也有大量刚刚入行的菜鸟分析师。学生思维深深的禁锢着菜鸟们的想法：一本书有20章，第1章讲描述性统计，第20章讲深度学习，所以深度学习一定是最值钱，最牛逼，最包治百病，做了得分最高的，描述性统计就没啥用处。学生考完试不都喜欢对最后一道大题的答案吗。
实际上，在数据基础较好的金融，民航，运营商企业，模型的应用已经不下20年了，模型迷信症也早就流行和消失了。为什么会消失，是因为当年拍着胸脯向老板承诺我一个模型提升业绩多少多少的人不是被炒了就是被发配去看数据库，爬表了。
为什么这么惨，就是因为最初做数据挖掘的分析师们也没有清醒的认识，没有和业务方有深度合作。导致的恶果，就是销售，市场，全都盯着分析师：你不是说你模型牛吗，你做啊，做完了业绩不好，销售不去找客户，市场不去想政策，所有人一起集中批斗数据分析：为什么你分析的不准？？影响业绩你怎么解释？？
所以破除模型迷信，不但对业务方有帮助，对数据分析师更有帮助。好的数据分析，是和业务结合紧密，大家相互帮助促成业绩的分析。清晰我们自己的地位，能更好的体现我们的优势，做出更多受人认可的成绩。
作者介绍：陈老师，在咨询行业打拼了9年，在如何诊断经营问题、建立分析体系、解决专项问题上有超过30个大型项目积累与实战，天善智能特邀专家。
数据分析职场路上有困扰吗？不妨到《数据分析师八大能力培养课程》https://edu.hellobi.com/course/272 里聊聊！
视频课程特色：
从真实数据分析工作场景出发，训练实战能力
启发式教学+大量实际操练，培养属于自己的能力
不依赖于某个具体技术，也适合对数据分析感兴趣的学生、业务部门人士学习
