本文根據2019年8月27日，Stratifyd CEO 汪曉宇(Derek)在“全渠道獲客增長沙龍”上的演講內容整理。以下為演講原文：
大家好，很高興今天來到這個場合跟大家做一個簡單地分享，知道今天在場的聽眾以市場的同學們?yōu)橹鳎敲次医裉炀椭袊袌龅拿绹袌鋈肋\營的一些特點來簡單聊聊，中美市場首先有一個很明確的不同點就是美國是一個只有3億人的市場環(huán)境，但中國有13億人，所以美國的CPG(Consumer Packaged Goods)公司或者客戶營銷類型的公司，他們每天最大的一個開銷就是絞盡腦汁去想，我怎么在那個人(客戶)身上不光是掙到錢，更重要的是我如何在他們身上掙更多的錢，所以就相當于他們看中的不光是獲客，而更多的是把我額外的產品再次售賣給客戶。
以蘋果為例，我賣給你手機，但我現(xiàn)在不光是在售賣手機，因為手機這個市場增長其實已經很乏力了，那我開始賣耳機，一個蘋果耳機一兩千，但其實一部手機也才幾千塊錢，當大家都多購買一兩千的時候，就能夠造成幾個億的收入。這個就是他們所想的這種營銷的過程，其實無論你是否是全渠道，無論你是不是把多個數(shù)據連通在一起，你最終的目的是了解你的客戶，那怎么去了解你的客戶呢，這可以說就是Stratifyd能夠成立和存在的一個原因。
簡單介紹一下，Stratifyd成立大概五年，在全球范圍內也有很多的客戶，以金融、醫(yī)藥、汽車和CPG營銷、電商為主。
自從創(chuàng)業(yè)以來我們所看的出來一個問題是：如何能夠在已有的客戶身上進行增值，這個過程中最重要的就是理解客戶產生的數(shù)據。這個理解不光包括結構化的數(shù)據，比如說具體位置、上網時間等等，更多我們還要看到的實際上是由用戶自行產生的(非結構化)數(shù)據。比如說評價、比如說用戶在京東淘寶上的留言，這些文字其實是直接表達了用戶對消費的喜好，如果我們把這類文本數(shù)據和其他的數(shù)據連接在一起以后，就能夠更清楚的對每一個人或者說每一類人做出相應的畫像。
那么我們在做的其實就是把這些理論化的東西變成一個產品，這個產品也是面向每一個普通的業(yè)務人員，而不再說是企業(yè)里面非常少數(shù)有的數(shù)據科學家，或者搞數(shù)據搞技術的同事才能使用。在我們的產品內，每一位員工都可以建立理解和分析他們所有的數(shù)據，不需要錄入任何代碼，全程幾乎只需要點點鼠標就可以完成。
大家都知道的，所謂的全渠道的數(shù)據分析，它并不是說你沒有了全渠道你就不能做數(shù)據分析。
相反的，在眾多渠道中根據你的需求選擇一些對你來說非常重要的渠道，這才是第一步。
因為大家都知道，在今天的市場環(huán)境里，渠道很多，光官方的渠道就有不下十幾二十個，在歐美也是的一樣的。不是說每一個你想觸達的用戶都在所有這些渠道上面，比如說有些是針對老年用戶的產品，那你就不太適合到微博上去抓這些人的信息，即使有也非常非常少。美國也一樣，你要是想找白人，40歲以上的男性，你不要去推特上找，更多這些人是在臉書上進行發(fā)言，他有很明確的這種渠道劃分?！ ?/p>
對于各位做運營做市場的人來說最重要的是你要理解，我們的產品在哪賣的多，我如何把相關人群的數(shù)據都扒出來，然后更好的服務于自身?，F(xiàn)在我們經常會看到一些言論說你最終是要把全數(shù)據進行融合，然后進行相關的分析，但實際上當數(shù)據進入到企業(yè)里來的時候，是很難把張三在微信上說話和張三在微博上說話去綁定到一起，即使你是技術型公司也沒有可能這么做。
現(xiàn)在世界各國越來越注重用戶隱私，越來越多保護隱私的法律條文出臺。你想把各個平臺的數(shù)據打通連接在一起基本是行不通的。
那怎樣把這些多渠道數(shù)據孤島的數(shù)據，包括文字數(shù)據和結構化數(shù)據，進行定性和定量分析也就成了獲客的關鍵。我怎么樣進行營銷推廣，其實更多的都是由機器做自動化的過程。所以這個是我們在我看到未來一個很重要的方向——自助化服務，我說的這個自動化絕對不是由機器來取代人的作用，而是由人的經驗加上機器的輔助去實現(xiàn)這一套整體的數(shù)據融合、分析、觸達、預測的過程。
今年我回國后也是開始慢慢理解了中臺這個概念，中臺是什么?中臺不是一個軟件平臺，從我們的淺見來看中臺更多的是服務于每一個業(yè)務人員，讓你們能夠更快速去理解和找到問題的根源在哪里，可以在這個營銷的環(huán)境里找到我們的客戶在哪里，而不用去時刻跟技術人員要數(shù)據，它能實現(xiàn)快速的建模并且把這個模型應用到你的實際操作過程中去，但是這個里面其實最重要的是你的價值體現(xiàn)?！ ?/p>
在中臺平臺里面最重要的有兩塊：
第一個是探索洞察，每一個企業(yè)里面你們所要做的營銷的方案其實都不一樣。你需要能夠用一個中臺讓你發(fā)現(xiàn)這些問題，并替代人力去做那些重復性的步驟和工作。中臺的存在是說能夠讓我開始每天去看一些新的東西，去找到一些新的增長點。
第二步是有結果導向的AI推測來進行這種預測性分析，當中臺有了這兩個能力，無論最終你用短信的形式推送到用戶，還是用微信或者是平面廣告，這個都不重要，因為這個只是觸達的方式。重要的是你知道你觸達的原因和觸達人群。
以下我簡單分享幾個我們服務過的客戶案例來方便大家更好的理解我們。
案例1
我們國內的第一個客戶是一家保險公司，他本身已經有大量的包括手機號在內的用戶信息，他們想知道日常的電話銷售效果究竟怎么樣，然后在我們的幫助下，將電話銷售的錄音轉化成文字數(shù)據，然后將那些有成單或者沒有成單的數(shù)據訓練成模型。當客服人員或者銷售人員再打一通電話，經過數(shù)據對比之后，預測模型就會告訴你，是否需要再次給這個客戶打電話，他的最終購買率是多少。最終成功地將這家企業(yè)原本0.25%的成單率提升到將近1%。
而且整個過程都是他們業(yè)務人員自助式使用我們的產品，可以說實現(xiàn)了完全的自動化。
案例2
我們的另外一個客戶是一家汽車企業(yè)，他們的數(shù)據分析部門在回溯企業(yè)品牌價值的時候，發(fā)現(xiàn)過去幾年的 J.D. Power Initial Quality Survey (IQS) 報告中，消費者的滿意度評分持續(xù)降低，這是為什么呢?他們找到我們，希望知道這種客戶口碑極速下降的原因。
好在他們很早就意識到消費者反饋的重要性，在郵件、電話、在線聊天等各渠道中都保留了大量的客戶溝通信息;同時也對不同車型都進行過消費者問卷調研，收集了大量反饋數(shù)據。
這些非結構化數(shù)據中包含了很多導致滿意度下降的具體原因。但是如何快速準確地分析這些數(shù)據，并最終提煉出重要的消費者洞察，對于他們來說是個難題，當然這也是最終找到我們的一個原因。
分析全渠道消費者洞察時，他們關注了幾個非結構化指標，如業(yè)務差錯 (TGW，things gone wrong)、糟糕體驗 (DTU，difficult to use)等。
通過 Stratifyd 平臺的自動分析，該企業(yè)很快發(fā)現(xiàn)旗下汽車仍需提升的具體方向，比如胎壓敏感度、剎車板雜音、導航問題、娛樂功能等。當然也會從消費者那里聽到很多自己的競爭優(yōu)勢。這些洞察對其后續(xù)研發(fā)新車，或改進現(xiàn)有車型以及品牌營銷方面提供很多很有意義的指導意見。
在分析過程中，該企業(yè)還發(fā)現(xiàn)了一些意想不到卻十分關鍵的問題：
例如，我們在用自然語言理解模型(NLU model)分析車主反饋時，發(fā)現(xiàn)一批車主抱怨開車時有“燒焦味道”，發(fā)現(xiàn)是諧振器組件丟失所致。利用 Stratifyd 分析平臺，分析人員很快定位車系、車型以及批次，并發(fā)現(xiàn)該話題主要集中在美國的阿拉巴馬州，于是該企業(yè)迅速采取應急預案，進行定向召回。
這家車企也是通過自然語言理解模塊識別消費者反饋的流行話題和情感態(tài)度。從發(fā)現(xiàn)問題、洞察探索問題背后的原因，到最終決策，每個環(huán)節(jié)都能做到數(shù)據驅動(Data-driven)。最終不僅提升品牌價值，也增加了消費者的滿意度與轉化為收入增長提供了前提。
以上這些案例只是我們服務的眾多客戶的幾個典型性代表，隨著客戶數(shù)量的累積，還有更多更復雜的場景問題有待我們去探索和解決，但是底層的邏輯和探索的這個方式方法是相通的，在此我們也希望說得到大家的支持，如果大家有了關于客戶反饋的數(shù)據需求時可以第一時間來考慮試用Stratifyd來協(xié)助解決，相信這個探索未知的過程會帶給我們共同的驚喜，感謝大家我今天想講的就是這些，接下來希望可以跟大家做更多的交流與互動。
免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。
