来源：节选自《敏捷营销》，中国科学技术出版社授权发布
一、敏捷营销的定义
我们可能很容易将敏捷营销定义为识别、预测和满足客户需求并赢利的过程。有人会问：“这不就是你在第一章中用来定义营销的词吗？”没错，因为我们想通过敏捷营销实现的基本面是与营销完全相同的目标。不变的是，我们仍然希望了解和满足客户需求，希望努力获得丰厚回报。变化的则是我们激活它的方式。
敏捷营销在市场实践中没有统一路径。笔者从敏捷思维中汲取灵感，在书中总结了一套有用的方法、惯例和模型，作为营销中一种实用的方法。
在从传统的线性营销方法转向更具适应性和敏捷性的实践的同时，思维方式同样需要转变。敏捷营销在很大程度上是一种重塑业务流程的思维模式。如果没有正确的文化和行为，这套方法将难以蓬勃发展。所以本书花费大量笔墨讲到了真正推动这种工作方式发展的文化属性和团队规范。敏捷营销和思维方式转变有望改变营销结构、流程和运营，使其真正适合企业目前所处的不可预测、充满变数的世界。
二、第五个P——过程
由于数字技术发展、环境快速变化，经典的4P营销理论也随之发生了根本性变化。本书侧重于讨论在现代社会中，应用敏捷原则和实践激发整个团队的执行力，达成企业目标。我们把这一点概括为该模型的“第五个P”，即过程（Process）。过程是营销实践的基本组成部分，是对4P营销理论的补充。过程即是我们实现其他4P的方式，同时具有适应性、敏捷性和数据驱动性的特点，确保战略和执行真正以客户为中心。
三、小型多学科团队
敏捷营销核心原则之一是强调跨团队协作，打破职能孤岛，充分利用跨职能并行工作的诸多优势。其中最关键的是提高运营和流程效率。许多营销团队因部门间多次交接减慢了工作速度，造成烦琐的线性流程，降低了团队的适应能力和快速响应能力。如果将职能部门联合起来，同时处理问题或目标，不仅可以提高效率，还可以更好地使部门学习和协作、改善认知多样性、提高响应能力，最终获得更好的结果。阿什里奇商学院的艾莉森·雷诺兹（Alison Reynold）和伦敦商学院的大卫·刘易斯（David Lewis）的研究表明，团队中较高的认知多样性与团队绩效和解决问题的能力之间存在相关性。研究人员指出，当人们被那些思考方式和表达方式相似的人吸引时，可能会产生文化障碍。组织中都是思维相似的人，绩效就会受到影响。团队缺乏认知多样性会限制视野，发现不了新的可能性，限制解决问题的能力，在团队面临复杂情况或不确定因素时，这种功能偏差就是团队要面临的特殊问题。
哈佛大学社会和组织心理学教授理查德·哈克曼（Richard Hackman）的研究表明，团队同质性会影响团队绩效。虽然将相处融洽且观点相似的人聚集在一起可能很有吸引力，但研究表明，把不同的人组合在一起（甚至是对工作组织和执行方式持不同意见的人），创造力和解决问题的能力会得到相应提高。正如哈克曼所说：“激励团队进步的是与任务相关的冲突，而不是人际和谐。”
保持小团队规模与跨职能协作原则有关。保持小团队对于提高团队敏捷性等至关重要。哈克曼的研究证明了当团队规模变大时想要按节奏前进是很困难的。随着团队成员数量的增加，团队内部的沟通成本呈指数级增长。一个5人的小团队之间有15个连接，一个12人的团队有66个连接，一个50人的团队实际上要管理1225个人员之间的连接。如图8-1所示。
沟通渠道增加相当于要发送更多电子邮件，愈加频繁地更新、读取和回复状态。发送更多电子邮件意味着发送更多回复。随着团队成员数量的增加，大家开始忘记团队中其他人在做什么，继而又要开更多的汇报会，相互跟进、追赶。团队成员增加意味着需要花费更多精力协调每个人，很可能会放慢决策速度。正如哈克曼所说，研究表明“随着团队规模的增加，团队的性能问题呈指数级增长”。
但这还不是全部。芝加哥大学詹姆斯·埃文斯（James Evans）和凯洛格管理学院副教授王大顺（Wang Dashun）的研究表明，小团队在提出新想法方面表现出色。他们对数百万科学技术的分析论文、项目和专利进行分析后得出，大团队经常开发和巩固现有知识，而小团队更善于颠覆创新。埃文斯说：大型团队更趋保守。他们制作的作品就像大片的续集，非常被动、偏好低风险。
亚马逊内部有一个著名的“两个比萨团队”（Two-Pizza Team）概念，大概意思就是创新项目最好采用小团队方式，人数不要太多（6～8人），以每顿饭点两个比萨饼够吃为标准。许多团队负责优化端到端客户体验，配备了敏捷开发、敏捷测试和迭代的资源，互相独立，特点是将所有权和决策权下放到工作团队成员手中。这些团队明确以客户为中心，完成KPI，开发解决方案，无须跨多个业务线解决问题。
许多大型组织已经习惯项目团队人数超过合理工作、高效协作需要的人数。某些时候团队需要更多人员或职能部门，某些时候还可以用他们来满足内部政治斗争需求。然而，每增加一个人都有可能减慢团队的运行速度，降低团队的灵活性，因此，将团队控制在10人以下最明智。由技术赋权的小型跨职能团队最容易产出成果，他们才是敏捷营销的动力。
四、数据策略构建块
数据可以为整个营销团队的决策提供信息，帮助营销人员确定战略、识别增长机会、了解受众，优化活动、测试、学习和实验。在敏捷营销团队中，数据应用广泛，它贯穿在决策、流程和执行的全过程中。数据应用不仅关系到团队工作结构，也关系到他们思考、解决问题和创造价值的方式。以数据为基础的循证决策既关乎过程，也关乎心态。
数据策略构建块
一个良好的数据战略应与营销和更广泛的业务目标保持一致，为营销团队如何从数据中获益制定明确的方法，并帮助团队了解什么类型的数据最有价值，以及如何有效地获取这些价值。该策略反映出并非所有数据都有相同的价值，不同类型的数据之间的动态关系也在不断变化。本节后面将介绍这一点，现在让我们从最基本的层面出发明确要考虑的关键数据类型：
第一方数据 直接从客户那里收集并由营销团队拥有、存储和使用的数据和信息是第一方数据。来自其他自有媒体资产或接触点的客户关系管理数据、网站分析或客户交互数据也可以是第一方数据。这种类型的数据直接来自客户，易于访问，深入揭示客户行为和偏好，对敏捷营销团队常有价值。第一方数据可用于个性化营销，还可以用于预测客户行为和趋势，支持更复杂的目标定位。所谓的“零方数据”［Zero-party Data，由弗雷斯特研究公司（Forrester Research）提出的术语］就是一种第一方数据形式，例如，客户有意主动与组织分享个人偏好数据，以换取更个性化的体验。由于第一方数据直接来自客户本身，因此非常准确、非常有价值，但是在专门设计的任务中（例如，在入职流程中内置了偏好的订阅服务），要在数量和深度上获取这些数据也极具挑战性。
第二方数据 第一方数据是组织从自己的客户那里收集的，而第二方数据来自客户团队使用的其他人的第一方数据。其中包括使用合作伙伴获得的客户数据，以实现目标定位或沟通，或增强对特定受众的理解。除了公司自己的第一方数据，第二方数据还能提供更多有价值的受众细分洞察，比如谷歌或脸书（现改名为“元宇宙”）上的相似受众，这些平台能够定位与现有客户群体行为相似的潜在客户。对于团队来说，与信誉良好的合作伙伴合作，保证数据质量是非常重要的。
第三方数据 此类数据通常来自数据聚合商和供应商，不会直接参与交易或与客户有直接联系。他们从广泛的数据源中提取数据，将大型数据集整合在一起，进行分类和销售。第三方数据常用于增强程序化广告中的目标定位，普遍用于加深团队对特定受众的理解，尤其是与第一方数据和第二方数据结合时。第三方数据规模大，但缺乏颗粒度，也不像第一方数据或第二方数据那样透明。除了增强受众的理解力，第三方数据还可以用于建立广泛的目标定位方法，基于对第一方数据的理解，团队使用第三方数据来扩大规模。第三方数据还支持初始目标定位方法，通过优化缩小到更精确的目标定位。
第一方、第二方和第三方数据的巧妙组合帮助敏捷营销团队利用和提高客户认知，改善目标定位、覆盖范围、个性化和客户体验以及营销和业务成果。
百事公司对第一方数据和人工智能的使用
作为一家消费品企业，百事公司一直依靠大众营销和促销，通过零售商和网点进行大规模分销。这种方法表示品牌依靠第三方来调节，降低了品牌在快速变化的市场环境中的客户可见度。公司决定将第一方数据置于战略核心，更好地利用客户数据和见解，响应在客户数据隐私上发生的变化。这个策略有四个关键点：
1. 优先考虑客户关系。
该公司建立了一个媒体和消费者数据团队，汇集了数据科学家、洞察专家和产品所有者，采取数据驱动激活方式。第一方数据获取成为营销战略重点，百事公司还推出了两个直接面向消费者的平台（snacks.com和pantryshop.com）来加深二者之间的联系。例如，百事公司需求加速器（DX）计划的负责人描述了公司建立了许多大型内部数据集，其中一个包含大约1.06亿个美国家庭的数据，其中一半包含个人层面的数据，另一个商店数据集包含50万个美国零售店的记录。公司能够以高度个性化的方式定制产品，并连接到零售商。
2. 通过正确的价值交换来提高忠诚度。
全方位的接触点从营销战役资产到客户参与平台，如应用程序，甚至是包装都用来督促客户加入忠诚度和奖励计划，这样企业就能开展持续的客户对话，深化洞察力。这样一来，不仅产品更具个性化，也能让企业更深入地理解客户需求，提供更合适的价值交换方式，提高参与度，带来更多的数据，为客户带来更多价值。
3. 使用整合后的第一方数据推动商业成效。
百事公司获得的数据极大地帮助其提供个性化的产品和促销以及个性化的信息和沟通，更有效地支持了不同层次的客户。某些战役甚至能将投资回报率提高3倍。
4. 超越营销的价值。
投资第一方数据让百事公司在多个业务领域受益。第一方数据帮助
百事公司建立了客户反馈循环，通过这种循环，百事公司可以测试客户新偏好，进行抽样练习。第一方数据为预测消费趋势和推出新产品提供了有用参考。除了第一方数据，百事公司还创建了一个名为Ada的内部技术平台，平台将人类的洞察力与人工智能算法结合起来，创造了可操作的活动。例如，研究和开发团队使用人工智能从多个来源（包括食品消费数据和社交媒体对话）收集关于消费者行为和偏好趋势的情报，做出预测，为产品开发提供信息。
除了了解不同类型数据的作用，团队还必须为数据的使用打下坚实的基础。从数据中获取价值的基石是数据、信息、知识和智慧之间的关系，即DIKW模型a，如图11-1所示。
营销人员可以根据由这些属性排列而成的金字塔模型定义每个层面的具体策略和问题，将数据策略连接在一起。数据是原材料，位于DIKW金字塔的底部，在我们对其进行处理之前几乎没什么价值。为了创造价值，我们需要对数据进行结构化处理，这对企业来说比原始数据更有价值。然后，我们需要对结构化数据赋予意义，用于识别和解释模式。这就创造了更有价值的知识。最终，我们需要有效运用知识，实现我们的目标，实现数据可以带来的真正价值。
让我们逐一为需要回答的基本问题给出答案。
数据
原始数据是决策的基础，也是成功的基础。这好比一个建筑物地基打得不牢会破坏其上层结构一样，糟糕的策略和执行会导致团队无法有效地使用数据支持整个流程和团队决策。坚实的数据基础需要大量高质量的数据，这意味着要围绕数据收集、数据聚合和存储、数据清洗和数据治理制定策略。
● 数据收集 关于收集什么类型的数据以及应该如何收集数据的决策受到营销目标和数据策略的影响。本节稍后将介绍动态数据的变化，但在许多组织中，第一方数据获取的重要性已经被放大，因为需要更好地理解客户、目标定位和大规模个性化。团队需要主动实施数据获取策略，考虑获取第一方数据所需的价值交换，以及获取第二方和第三方数据所需增强的合作伙伴关系和技术。
● 数据聚合和存储 这涉及以支持访问和组织的方式将数据聚集在一起，并在此基础上围绕技术和系统做出的明智决策。例如，团队如何利用数据库（通常以支持关键功能操作的方式聚合相关数据）或数据湖和数据仓库（聚合来自更广泛来源的数据并添加一个分析层，易于检索，经常连接到其他多个系统）。
● 数据清洗 使用数据做出良好决策需要高质量的数据作为基础。团队需要删除可能导致错误结论的重复的、不完整或不相关的数据，定期清理和准备数据集以供分析。团队能够依赖最新的、尽可能完整的数据，如果团队意识到差距，可以采取措施来缓解这种情况。验证数据输入的质量是获得良好输出的最佳做法。
● 数据治理 良好的数据治理就是创建和维护明确的团队角色、职责和规则，确保遵守规章制度，将业务风险降至最低，并就如何收集、存储和使用数据进行良好的沟通。拥有可审计的流程、明确的标准和透明的制度都会有所帮助。基础层面上的主要问题包括数据的类型和数量、团队在获取和存储这些数据方面的设置、数据是否受到严格的管理和监督，以及如何验证数据输入的质量。
基础层面上的主要问题包括数据的类型和数量、团队在获取和存储这些数据方面的设置、数据是否受到严格的管理和监督，以及如何验证数据输入的质量。
信息
DIKW模型的第二个层次是信息。这与数据的结构和组织方式有关，团队能够借此识别模式、创造知识。信息包含技术和过程元素。
为了更好地使数据结构化，团队需要得到正确的系统和技术基础设施赋权。这可能与团队如何使用客户关系管理或营销自动化系统，利用数据细分客户档案，实现大规模定向通信有关。还可能与数据管理平台（Data Management Platform，DMP）将不同的数据输入组合，通过编程实现更复杂的目标有关。渐渐地，不同的数据源得以整合到以客户为中心的系统中，这些系统可以分析和理解这些数据，许多其他系统也能从中获得价值，客户数据平台（Customer Data Platform，CDP）由此开始流行。这些平台通过汇集不同的数据集，加以分析、聚类和组织，能够更好地解决团队存在的问题，增强客户理解。例如，创建一个单一的客户视图，其中交互、偏好和行为数据可以归因于一个单一的客户档案。
这样一来，客户数据平台可以更深入地了解客户，提供真正的全渠道体验，最终获得竞争优势。例如，软营2021年的营销状况报告发现，78％的高绩效企业表示他们使用客户数据平台，相比之下表现不佳的企业中只有57％使用了客户数据平台。
与数据结构化相关的其他方面还包括团队如何定义客户细分的实践和过程。数据为细分市场提供了更复杂的方法，带来了多种客户属性，远远超出了简单的人口统计细分。有一些基本的分割方法可以通过数据来增强：
● 地理细分 位置数据可用于根据客户居住的地方、所处的位置和距离来定义广义或狭义的客户群体，在目标和实现目标之间取得平衡。简而言之，更严格的目标定义（例如，特定商店附近的购物者）可能太狭窄，但过于宽泛的客户细分又会错失推动业绩的机会。这里的数据输入不仅仅是简单的位置，还可以是天气和温度等属性，这些属性可能会改变与潜在客户沟通的方式。
● 人口统计细分 年龄、性别、收入、生命阶段和家庭状况等基本属性可以提供基本的理解，但需要通过其他形式的数据来生成更复杂的细分。
● 心理细分 这些更微妙的暗示会带来可以揭示态度、兴趣、信仰甚至人格特征的数据。例如，主要针对特别关注品牌道德或可持续性的客户群体。
● 行为细分 包含广泛的客户属性，比如在线活动、购买行为和偏好、产品使用及客户所处的旅程阶段。所有这些理解都来自定义关键行为和信号的能力，这些行为和信号能有效地将客户群体整合在一起。
● 基于需求的细分 数据还可以揭示人们的功能需求（客户想要做什么）和情感需求（客户希望如何解决问题），这些可以组合成有用的细分。这也可能与客户的特定问题领域有关（例如，一部分客户寻找无麸质替代品）。
● 交易细分 与基于行为的客户细分相关，使用客户消费模式可以识别有价值的群体。例如，RFM模型a基于近因（客户最近一次消费）、频率（客户消费的频率）和金额（客户消费的金额）建立，可用于识别公司最有价值的客户，根据客户消费和历史行为数据提供合适的信息。
在敏捷营销中，团队以多种方式进行客户细分，有能力测试和了解不同的集群方法如何提高绩效或结果，这一点很重要。这证明了有良好基础的数据易于结构化和组织。如上一节所述，可以将三种不同类型的数据组合在一起，围绕这些不同形式进行细分，建立更复杂的理解。此处的复杂之处在于团队如何将不同的标准和不同的数据来源整合在一起，而敏捷方法则可以让他们快速学习，优化结果，轻松地做到这一点。
知识
DIKW金字塔中的知识与解释和理解数据模式的程度有关，可以为战略提供信息、更好地执行和推动竞争优势提供见解。这些见解很可能来自擅长评估数据集中模式的数据分析师或科学家，但这些模式也可能源自机器学习算法，用于识别非结构化数据（例如，形成新客户细分）或结构化数据（例如，通过识别分组数据集中的常见模式或通过训练机器学习算法来识别特定属性）。信息更多的是关于回答诸如谁、何时和何地之类的问题，而知识实际上是在回答“如何”甚至“为什么”的问题。
例如我们如何选择定义客户角色。如果信息阶段是以有用的方式构建数据，推动复杂细分的，我们就需要用同样复杂的角色生成方法来表示这些细分。在知识阶段，我们需要应用数据来建立更立体的客户视图，突破简单演示，更细致入微地将关键的情感需求、动机和挫败感带入生活，这些都可以改善洞察力、增强沟通（例如通过语气），让我们更有效地发现客户、接触客户。
另一个例子是使用客户旅程中的数据来发现机会，满足客户需求，吸引客户，回答他们的问题并帮助他们进入下一阶段。谷歌的“重要时刻”是一个有用的框架，可以将这一点变为现实。该框架倡导的理念是，在客户旅程中会有特定的“前倾”时刻，应选择此时做出决定，并确定偏好。客户数据可以帮助敏捷营销团队确定这些时刻，确定如何打造卓越的客户体验，或吸引客户进一步购买或采取其他行动。客户行为和在线互动能够释放让品牌识别对象（客户是谁，他们在哪里，他们是什么类型的客户，他们有什么需求）和意图（他们想要实现什么，他们想要回答什么问题）的信号。谷歌定义了四种重要时刻类型：
● 我想观看的时刻 如果客户正在寻找特定的基于视频的内容，一般表明他们有特定的需求或问题需要回答（例如，有人在寻找“如何……”的视频）。
● 我想做的时刻 完成特定任务可以用不同的方式表示，以此揭示客户的意图或面临的特定困难。
● 我需要寻找的时刻 客户搜索方式可以表明客户的语境和意图，以及对位置的理解。例如，比较价格或寻找商店位置可以表明客户即将消费。
● 我需要购买的时刻 这些显然是强烈的意图信号，可以通过搜索行为或客户浏览网站的方式显示出来。
在这个层面上，知识能够为行动提供依据。当然，知识只有运用到实践中，才能体现出自身的价值，这也让我们积累了学识、增长了才智。
智慧
智慧位于DIKW金字塔的顶端，表示团队采取行动、获得洞察力的过程。如果没有后续响应，让客户和团队能够从洞察中受益，大量的客户洞察就毫无益处。例如，快速客户反馈循环产生的知识可以转化为行动。以使用在线互动客户信号为例，营销团队不仅需要识别和定义整个客户旅程中的“重要时刻”，还需要将这种认知带回到他们正在为客户创造的内容、旅程和体验中。如果知识阶段是关于理解“如何”和“为什么”的，那么智慧阶段则是对客户数据的深刻理解，继而转化为行动，创造易于理解和导航的无缝旅程，团队也可根据目标进行优化。
知识阶段也与数据驱动有关，但智慧阶段更多的是与数据和信息相结合。知识阶段可能是一种更加自动化、机械化或基于规则的决策方式，而智慧阶段是数据内核，根据这些数据决定下一步方向。为了获得数据信息，需要引入更具前瞻性的人类能力来推断、预测甚至想象未来的结果或可能性。换句话说，我们可以使用数据中的识别模式来激发新思维、设定新路线或创造新目标。这通常需要将独创性、同理心和创造力与数据输入相结合。敏捷营销团队既受数据驱动，也受数据影响。
数据成熟度
描述性分析、诊断性分析、预测性分析和规范性分析是理解数据成熟度的一种有效模型，最初来自托马斯·H. 达文波特和珍妮·G. 哈里斯，由威廉·B. 加特纳改编。这种模型设定了一个四个阶段的连续体：
● 描述性分析 这一阶段是识别模式（回答“发生了什么？”），引入了关于性能的简单报告。
● 诊断分析 这个阶段进一步解释模式（回答“为什么会发生？”），包括解释客户行为或营销绩效的模式。它和描述性分析阶段一样，面对的仍然是过去的模式和数据。
● 预测分析 这个阶段展望未来，解释和使用模式来确定可能发生的事情。例如，使用预测模型来确定可能发生的事情（如客户流失）、预测结果和趋势或做出模拟（回答“会发生什么？”）。所谓的“次优行动”模型是利用预测模型，根据相似客户群体的行为，确定客户在旅程中的下一步最可能需要什么。
● 规范性分析 涉及通过机器学习确定可以采取哪些行动，得到特定结果（回答“我们如何才能实现这一点？”），将预测提升到一个新水平。它能够理解模式和所需操作，可以为更复杂的自动化方法提供信息。
该模型是评估敏捷营销团队成熟度一种简单方法，但这四种分析方法并不是孤立运行的。团队很可能会在这个模型内进行分析和自动化测试，并且会在这些阶段应用机器学习来提高执行力。
不断变化的数据动态
敏捷营销团队需要考虑数据不断变化的动态。例如，营销团队可以访问的数据源的范围和类型越来越复杂。软营对8000多名营销人员进行的一项全球调查发现，2021年营销团队使用的数据源平均数量为10个，预计到2022年将增加到14个a。共有78％的受访者表示由于新冠肺炎疫情引发的剧变，他们将转向新的或重新确定优先级的指标。最受欢迎的客户数据源的排名表明零方数据和第一方数据的价值不断增加，企业对更直接影响价值和行动的数据源的需求也在不断增加。数据源包括已知的数字身份（例如客户资料）、交易数据和客户声明的兴趣和偏好（零方数据），这些数据来源出现在列表顶部。第二方数据、推断的兴趣和偏好、匿名数字身份和第三方数据等数据来源排在零方和第一方数据后面。
软营的调查强调了企业从第一方数据、个人身份信息和直接归因而非推断所得的数据获得价值。近年来，人们越来越关注隐私，这是推动这一转变的另一关键因素。随着美国的监管越来越多［例如，《通用数据保护条例》（General Data Protection Regulation，GDPR）和《加州消费者隐私法案》（California Consumer Privacy Act，CCPA）］和包括苹果和谷歌在内的科技公司不再支持第三方cookiea，这一趋势还将继续下去。
第三方cookie的价值和使用受到削弱，可能会影响渠道的可见性、一些优化形式和可寻址广告。但同时，这也是营销团队转向更隐私化选择和主张的机会，重建如因程序化广告执行不力而受到冲击的消费者信任。
营销团队应对以上这些变化的关键策略之一是越来越关注第一方数据收集，以增强对客户的了解。本章前面提到的客户数据平台的增长表明，营销团队打算建立规模更大、内容更强的数据池，在可控范围内，利用这些数据为客户提供更好的体验和沟通。许多类似系统都“嵌入”了系统如何存储和使用数据的隐私意识，重要的是将这种意识集成起来并融入营销团队使用的流程中。
价值交换和数据收集
企业越来越关注营销团队采取良好策略获取第一方数据，最大限度地利用各种机会。越来越多的实体产品开发了基于已知客户身份的数字服务（例如，直接面向消费者的订阅服务）。营销团队应通过分析个人客户行为和偏好，识别更大群体的客户行为模式，随着时间的推移，发展更丰富、更深入的客户理解。客户使用服务越多，使用该服务的客户越多，营销团队拥有的信息就越丰富。
除此之外，营销团队还应尽可能多地来推动第一方数据收集。这可能包括灵活地利用战役资产，使用不同的接触点。营销团队还需要密切关注他们正在创造的价值交换。为了让客户提交数据，营销团队需要提出一个令人信服的理由，而这只能站在客户角度，思考客户需求，建立同理心。要认识到我们不应该总是尽可能地获取第一方数据，而是要了解哪些类型的数据以及哪些类型的客户是最有用的。通常来说，这些数据不仅能为企业带来良好价值，还会使客户体验或价值得到提升。
在敏捷营销中应用机器学习
机器学习正在推动营销实践和执行发生根本变革。大型技术平台和营销系统具备强大的功能，比以往任何时候都更容易访问，机器学习工具正越发大众化，几乎每个营销团队都可以使用相对复杂的工具来优化和增强营销活动。机器学习可用于各种营销用例，包括赋予广告更复杂的定位、定义更详细的新客户群、预测客户行为趋势、增强客户旅程和体验。
机器学习是人工智能的子集，广义上的定义是：能够执行人类智能任务的计算机系统。它是对大规模数据的模式识别。例如，IBM（国际商业机器公司）将机器学习定义为：“人工智能是计算机科学的一个分支，专注于使用数据和算法来模仿人类学习的方式，并逐渐提高其准确性。”深度学习是机器学习的一个子集，机器学习最适合更小、更简化的数据集，而深度学习则可以更好地理解更大、更复杂的数据集。为了解团队如何应用机器学习，我们要考虑它的不同形式。
● 无监督学习 这涉及一种从非结构化数据中提取以前无法识别的模式的算法。它有助于理解未预先标记的数据点与聚类和组织数据之间的关系，对数据进行聚类和组织。它有可能发现营销团队以前没有注意到的模式和趋势，并将数据组合在一起。使用这种技术需要确定算法显示的模式是否对业务有价值。例如，客户细分中可以识别常见行为并将客户组合成有用的细分。这些细分可用于查看与其他属性（如人口统计）的相关性，以便理解客户类型或定义新的细分市场。
● 监督学习 涉及使用预先标记的数据训练算法，因此可以在团队追求特定结果和在判断答案是正确还是错误时使用。训练可能涉及为算法提供大量预先标记的示例以进行分析，训练对每个示例进行分类，创建反馈循环，以便模型了解它是否做出了正确的选择。例如，创建一个模型，该模型通过训练一个基于已经流失的客户数据的算法来预测客户流失的可能性。或者，它可能被用来识别涉及特定客户行为的因素。
● 强化学习 这种类型的学习与无监督学习和监督学习的不同之处在于，算法通过与环境的交互来学习，获得积极进步的奖励信号。与监督学习相比，它具有更广泛的反馈循环，可以识别为达到结果而需要采取的最佳行动序列。例如，评估对各种消息的响应，使用输出来确定最佳通信频率或通过预测客户响应在程序化环境中调整消息传递。在敏捷营销中，应用机器学习具有许多关键优势，包括更快地访问更高质量的数据分析和学习（能够在更短的时间内分析更多数据）、快速组织数据集和识别有用的新模式、自动化一些营销流程，节省资源和时间，并实现改进的内容个性化、推荐系统（例如，基于产品组合——购买了这个产品的人也购买了那个产品）和下一个最佳行动（像这样的客户通常会继续采取下一项行动）。它越来越多地成为广告定位的核心，可以用于改善细分定位、触发定位（向已经采取某种行动的用户展示广告），甚至是预测性定位（向用户展示广告，因为他们可能对信息或产品感兴趣）。还可以围绕有效性（例如，广告支出回报率）提出分析改进，推动更好的预测（例如，客户生命周期价值或流失率）。
从本质上讲，机器学习增强了敏捷营销团队的数据能力，使团队更有能力在各种用例中使用数据，优化工作和战役交付效率，在计划和执行中变得更加主动。为了充分发挥机器学习的潜力，营销团队要了解其基本原理及潜在应用，然后获得数据能力的支持。营销团队获得这些能力后，可以设计算法，以正确的方式使用统计建模，提供团队真正需要的东西。在敏捷营销中，机器学习的价值是帮助团队在使用高质量的数据的基础上提高快速学习的能力。
平衡风险和复杂性
在敏捷营销中围绕自动化、机器学习和人工智能的应用做出决策时，务必考虑决策的复杂程度和出现问题时所涉及的风险级别。营销技术专家斯科特·布林克尔（Scott Brinker）创建了一个有用的高级决策框架，使敏捷营销团队能够在一系列环境中应用机器学习和人工智能，如图11-2所示。
对于风险较低的简单决策（例如，设计网站页面上的行动召唤按钮的
颜色），基于规则的简单自动化有助于提高效率。对于更复杂和风险更高的决策，人工智能自动化可以实现更复杂的方法，随着决策的复杂性和风险不断增加，人工智能驱动的建议和决策支持可以引入人工监督的元素，保证最佳结果，同时仍然能够实现更高质量和更有效的决策。
数据资源
数据能力是敏捷营销团队的一项关键能力。营销人员在此领域深耕，保持数据能力符合团队要求非常重要。数据能力的需求量很大。领英在2021年初的一项调查显示，营销人员对数据能力的需求急剧上升。由数据驱动的营销角色（包括付费社交、广告服务和分析）需求量最大。
考虑到DIKW金字塔中各个级别的重要性，了解从数据中获得最大价值需要什么资源至关重要。其中的关键是要了解数据科学、数据分析和数据工程之间的需求和差异。
● 数据科学 通常使用数学和统计模型、科学过程和方法，从结构化和非结构化的大型嘈杂的数据集中提取可操作的洞见。IBM已经描述了数据科学如何成为一种多学科方法，“包括为分析和处理准备数据、执行高级数据分析，呈现结果揭示模式，使利益相关者能够得出明智的结论”。数据科学家可以很好地进行诸如算法设计、机器学习和编程等活动。
● 数据分析 与数据科学相关，数据分析是系统地应用逻辑技术来描述、评估、说明和报告数据的过程。数据分析和数据科学之间的差别在于，前者通常处理的是已经结构化为更友好格式的数据，而后者可以很好地处理原始数据。
● 数据工程 与正确创建基础架构和后端基础，实现数据分析和价值创造有关。例如，维护数据仓库和设计团队可以使用的数据集。敏捷营销团队需要在日常活动中贯彻数据驱动的决策，这表示要有资源来支持真正的数据优势。营销和数据资源之间的信息流应该是连续的、自由的。数据专家需要与营销人员持续合作，随时待命，尽量减少不必要的依赖。
敏捷营销的数据成熟度模型
考虑到在本章中介绍的DIKW金字塔，我们可以基于四个层次的复杂性创建一个简单的数据成熟度模型，如表11-1所示。
初级 这是最早阶段，其中数据存在于组织内，但未被团队有效利用以支持决策、战略和执行。
进阶 企业在此阶段明白了如何从数据中获得真正的价值，着手行动，尽管企业已经在一些关键领域取得了进展，但在很大程度上他们的做法仍然很分散。
启用 在这个阶段，业务取得了良好的进展，正在应用更先进的分析技术提高效率，获得收益。
赋权 数据真正处于业务和营销价值的核心，流畅、高效地支持高质量的决策和卓越的客户体验，提供高度优化的结果、新思维和创新。
表11-1 敏捷营销中的数据
初级
数据是孤立的，没有连接起来。围绕数据的流程很慢且不敏捷。执行很大程度上是被动的。在渠道中使用数据是基本要求，例如进行简单的客户关系管理或自有媒体分析、有限地使用客户数据和分散的客户资料、不经常优化、没有测试和学习、不进行描述性和诊断性分析。
进阶
数据开始被整合起来，采取一种更综合的数据收集方法。更多的客户数据被收集，为战略和执行提供信息，但指标仍然是孤立的并且以渠道为中心。有限地使用自动化，有些特定渠道个性化，有限使用预测分析。
启用
更多地使用第一方数据，并围绕单个客户视图进行更高级的客户分析。进行更精密的客户细分和不同数据源的集成，以实现个性化、目标定位和预测。使用机器学习和人工智能来增强运用关键用例的能力。更广泛、更快速地获取数据洞察，但在某些领域仍然缺乏响应性。
赋权
高度自动化的执行与复杂的人工智能应用、高效的实时数据驱动决策结合实时分析、洞察、措施、优化。数据支持的实验，持续测试和学习。高度整合的全渠道客户体验、先进的客户分析和优秀的个性化服务。
4月份中标信息：
1、
2、
3、
4、