数据驱动的互联网营销和运营
宋星的个人博客

数据虽好却布满陷阱——广告主的数据化转型之旅有哪些避之不及的坑

数据,当我们每个人都觉得她带着闪光的性感的时候,是否会暗藏一些面目可憎呢?

至少在今年,我看到广告主、甲方爸爸们对于数据的心态仍然焦虑,但落地则不像以往的跟风和理想化,而是变得实际,变得谨慎。这是我觉得行业开始走向成熟的一个好现象。

任何创新的尝试,都难免有无数意想不到的挑战和麻烦,因噎废食大可不必,知己知彼再谨慎从事倒是值得提倡。

这篇文章,来讲一讲对广告主的数据深坑,有则避过,无则预防。

第一个大坑:远远没有准备好

数据能做的很多,但对你可能无效。这么讲有点故意气人的意思,但事实如此呀。

数据能做的确实很多,但为什么这好处你享受不到呢?因为很多企业,可能存在一些很无语的问题。

这些无语问题中最最常见的一个,是一个企业可能压根就没有想清楚自己要拿数据干啥。在他们的心中,只是简单的把数据和增长划上等号,然后就没有然后了。

拿数据做什么,心中有点数吗?

数据究竟要解决什么问题?这是一个不能不拷问良久的问题。虽然大家都称呼我为互联网数据专家,但本质上,我内心里是一个“反数据主义者”。我是认真的,尽管我非常依赖于数据,但我不会为了数据而数据,一旦我们没有搞清楚我们在商业上的问题和需求就跳入了数据的细节,便从此迷失方向,比没有数据凭着经验还要糟糕。

曾经遇到一个企业向我咨询如何做数据化的转型。于是我问,你们做数据化转型主要想解决哪些方面的问题。“当然是解决没有数据或者是就算是有数据也用不上的问题”,他回答道,然后补充说:“我们希望通过数据能够让我们的产出效率提升。”

这样的答案基本上可以用在世界上所有的企业上,因此也就相当于没有答案。显然,数据用不上是一个重要的问题,但每个企业的数据利用场景都千差万别,在让数据发挥技术性价值之前,必须首相搞清楚自己业务本身存在的真正诉求。

商业咨询的梳理总是一个在数据化转型前必须要完成的功课,无论是通过企业自己,还是第三方。但是,许多企业真的会完全忽略这一步——或许他们认为他们自己已经非常了解自己的业务;或许,他们假设数据来了之后才能让自己搞清楚自己业务的状况。

数据转型和应用,一定要强调必须从业务出发,而不是从数据出发。因为数据是业务的映射,而不是反过来。我们不是因为数据能做什么,而相应调整我们的业务,我们是因为业务上有什么样的需求和麻烦,才会相应抓取、组织、分析和挖掘相关的数据。永远是业务出发,业务第一的。

神话般的存在

另外一个没有做好准备的特征,是对数据不切实际的期待。

因为,行业中充斥着各种利用数据化腐朽为神奇、变平凡为超凡,甚至是起死回生的(自媒体)故事。但这些故事中的很多,要么其实不过是供应商自己的添油加醋,以假乱真;要么全然不顾发生的背景、故事主人公有而你没有的法宝,或是上面温暖如春风般的爸爸们。若是你复制这些故事的方法,八成是不仅不会复制同样的成功,反而会摔个很惨。

我仍然想说,数据是一个系统,数据化转型是一个系统工程。从获取数据,到配置数据(整合打通数据),到分析这些数据然后分发这些数据,到最终让这些数据起到作用,是一套科学严谨以及多个环节结合衔接的方法论与过程。在某一个环节用了一点数据一个数据方法产生了令人惊喜的效果的确是存在的,但并不能带来持久的效果,且反而容易让人误入歧途或是产生更不切实际的期待,而忽略本该踏实构建的数据基本面。

谈到数据基本面,我认为,是“商业导向的数据意识与思维”、“数据获取和组织的方法与工具”、“数据应用的方法、工具与出口”及“数据人才梯队的搭建”这四位一体的事情。

遗憾的是,我们过于将眼光放在数据本身,而忽略数据价值赖以存在的基本面。我们觉得数据是如天使般从天堂降临的救星,但数据其实本该是我们自己建造的更上层楼的阶梯。

部门墙

前面两个坑,企业都顺利踩过了,那么后面必然会遇到第三关——部门墙。

数据因为是跟着业务跑的,而业务又在各个部门手中流转,因此,各个部门愿意提供合作至关重要。

但你的各个部门真的发自内心的支持呢?有多少“阳奉阴违”呢?即使是CEO给了数据化转型负责人尚方宝剑,他要想最终完成使命,需要的不仅仅是各个部门道义上的支持、思想上的重视,更需要实际的配合和具体的工作。

这个,很多企业真的没做到。

在这个事情上,我自己的客户,反而是那些国内的私人企业,要比国企和外企做得好得多。

这三个坑,很明显,说明了企业根本没有准备好迎接数据化,或者没有创造足够的条件。即使决心很大,也根本谈不上成功或者失败,因为根本连开始都很困难。不解决好这几个问题,数据本身就会成为一个大坑。

第二个大坑:干嘛要花钱?

花不花钱,以及花多少钱是另一个大坑。数据化转型未必要花很多钱,尤其是不能花冤枉钱,但花不花钱的区别还是很大的。

首先,很多广告主愿意在广告投放上花大把的钱,却不愿意花费哪怕几十万的“小钱”在数据上。

(画外音:几十万?小钱?我不抽你丫的!)

当然不愿意花这个小钱也有两种情况,第一种情况是真的不想花,觉得数据这种软性的东西,看不见摸不着,干嘛要花很多钱。而且,供应商这么多,让他们先给我们做测试,做了测试有效果我再花钱!

哈?!数据可不是广告投放,能够来个pilot(广告行业和影视行业的约定俗成的词,指的是“试映、试投放”)什么先看看效果。就算做了pilot,难道就一定能立即出效果?

请注意,数据化转型是一个系统工程,不是来几个工具做几个报告出来就立竿见影的。不仅如此,它也具有很强的咨询属性,与企业自己的业务紧密相关,也不像广告投放那样可以交给第三方当甩手掌柜,而显然需要数据服务商的深度咨询的嵌入。这些,对于工具商、解决方案商或是服务商而言都很难“免费”或者“便宜”地提供。

人人都想赚钱,或者至少不亏钱,数据这么专业又这么敏感的东西,若是很少钱就打发了,要么是在未来给自己埋定时炸弹,要么就是一开始就根本没有数据化的真心。

当然,花钱这个问题还有第二种情况,因为做数据化的投入,不像做广告的投入那样容易计量,怎么能知道钱花出去最终有没有真正起到效果呢?

相信这是更多企业的疑惑。这个坑也够大的,我有听说某外国顶级日化品牌中国市场业务部门豪掷4500万人民币做DMP,却铩羽而归一无所得。不是不愿意花钱,是花了钱结果还是没有听到响。

这难道是广告主自己的错?

不能说错全是广告主的错,但确实跟广告主有关系,咱们接着看。

第三个大坑:缺乏应有的专业性

投入大几千万做数据化转型却失败,这背后的坑恐怕一定少不了一条——缺乏专业性。

缺乏解决问题方法领域的专业性

最典型的需要专业性的场景,就是业务场景和需求与数据落地解决方案之间的映射。或者,用人话说,就是应该用什么样的正确的数据系统和方法,去解决什么样的业务问题。

这一点,真的是一个大坑,许多广告主们在这里基本上就“全军覆没”了。

这么说真不夸张。

比如,我想用我的第一方数据中,已经对我某个产品感兴趣的人,投放精准的广告,这个业务需求场景是很明确的,但是映射在数据上,应该怎么做呢?

比如,我想整合我的不同消费者触点上的数据,这些数据的获取应该如何埋点,又应该如何打通,最终又应该以什么样的方法组织?

或者,我想预测在某个数字推广的策略之下,能够给我带来多少的销售,又应该怎么做呢?或者反过来,根据我期望的销售,我应该怎么配置我的投放策略呢?数据策略又该如何布局?

又比如,我希望通过第三方数据,帮我实现当有潜在客户在线咨询的时候,能够快速大致了解这个人的情况(匿名的了解),又应该如何去做?

我们不可能在不解答这些问题的情况下动手开始数据化转型。而上面的这些需求场景,即使懂得实现原理,实际落地过程中会遇到什么样的坑也不是简单三言两语就能言尽的。

不同的业务场景映射在数据上有很大不同,这些不同,就是很大的坑——如同盖房子,没有蓝图是不可能盖起什么好东西的;但每一个房子的蓝图又肯定是不同的,你也不可能抄袭别人的蓝图。盖房子的施工队也不会给你做蓝图。因此,一个真正懂业务且懂数据的设计师就极为稀缺、价值连城。

若是遇不到这样的设计师,这里的坑就实在太大了!

没能构建起人的专业性(不懂在数据领域,什么样的人做什么样的事情)

再一个显著的问题,是过于重视系统和工具的能力,而轻视人。不仅仅是因为工具和系统供应商眼花缭乱的介绍迷人眼,更是因为工具和系统是花了钱的。

嚯!你真的觉得今天的工具智能到可以因你的生意而变的状态?

或者,透过一个“智能工具”就能马上帮你找到“虚荣指标”、“神奇数字”或者是“增长法门”?

又或者,仅仅是一个工具,就能让业务整肃,脱胎换骨?

更让人大跌眼镜的是,当工具到位了,很可能使用这个工具的是部门最懂Excel的小张,或者一个十年经验的数据库开发工程师,或者是一个统计学的毕业生,而不是一个业务口的懂得数据并依赖数据工作的人。前者并不是不能胜任他们的专业工作,只是数据化和Excel、数据库开发以及统计学实在是不能划等号,这是岗位的错配。

自己人的专业性没有被充分利用调动起来,一个结果便是对供应商及其解决方案缺乏足够的理解和辨识,然后,错过了本应该正确使用这些解决方案的机会,或者错过了正确的供应商。

这同样太常见不过。

第四个大坑:一朝踏上贼船,终生以泪洗面

花了几千万却毫无效果的例子可能只是孤例,但是花了一两百万甚至几百万却毫无成果的,那可就是有可能了。

数据这个领域,实在是内容太多,看看我们2017年所做的生态(见这里:中国互联网数据分析生态图2017年4月版),就已经很复杂(2018年的生态图马上就要出来,敬请期待)。

所以,经常有人问我,宋老师,你觉得秒针和谷歌分析谁好呀,我只能回答,没法比。朋友可能还以为是秒针比不上谷歌分析,殊不知二者就不是一个tier的好不好。

或者,又有人我国双和AdMaster谁的功能更好,我也无法回答,这两家都不只是做一款产品,你能拿国双的WebDissector跟AdMaster的推策相比吗?根本就不是一码事。

可是,在很多甲方爸爸们的心目中,会觉得,你们不都是做数据的吗?你怎么这个也不做那个也不做?

为了把东西卖出去,又或者是甲方实在是没有耐心搞清楚张家和李家到底有什么不同,一些供应商只能硬着头皮(meizheliangxin)说,这不就是我们的产品(我们的解决方案)而且只有我们的产品正好能做的嘛!

然后,销售和售前同学们一通天花乱坠,甲方也很convinced,生意便做成了。

所谓专业,就是在你专的地方,你能有业务做。可是,不专的地方你也勉勉强强做,结果可想而知嘛。要么是最终工程烂尾,甲方浪费了钱浪费了时间;要么是凑凑合合,甲方还是浪费了钱、时间以及获得更好的解决方案与服务的机会。

这样的现象,实在是不胜枚举。今天不知道有多少错配的工具用在错配的地方。有的甲方还不知道原来自己根本就是牛头不对马嘴,还以为数据领域都是这样,心中还兀自疑惑——也没有吹的那么神嘛!

所以,搞清楚供应商的情况,他们擅长什么,不擅长什么,能做什么不能做什么,那是太有必要了。那甚至不是轰轰烈烈来个投标大会就能解决的,这背后,还是三个字,得专业~~!

第五个大坑:不一口一口吃饭的,真的被噎死

这个坑也是我真正见过的。

这家是互联网房地产行业的,希望上一套DMP(关于什么是DMP,见我这篇文章:DMP(Data Management Platform)为什么有这么多种,哪种更靠谱,以及CDP是DMP吗?)。于是经人介绍,找到我。

我给他们认认真真介绍了DMP,以及DMP应该怎么玩,如何能够发挥优劣势,又有哪些是做不到的。

对方深以为然。

不久之后,忽然又联系我,问,宋老师我们有一个问题必须一吐为快。

这个问题是:我们除了营销端的数据和客户的数据要纳入这个系统,还有很多非常重要的数据,包括:呼叫中心的数据、线下销售和顾问的数据、销售和潜在顾客交互相关的行为数据、潜在顾客相关的数据(实际上我听出来就是潜在客户的第三方的受众数据)、房源相关的数据、房产商相关的数据等等,我们也想把它们纳入我们的DMP系统中。

哎呀,我一听,这个公司怕是要建立一个包含所有业务的大数据系统呀!

可是,你真的能解决如下问题吗?

  1. 这些系统真的都要联系在一起吗?这些数据一定都要在顾客或者潜在顾客级别打通吗?
  2. 销售和潜在顾客交互的相关行为数据,你真的能有业务办法全部抓到吗?——比如销售用自己的手机跟潜在客户打一个电话(这个真的再正常不过),可是你用什么方法能获取呀!
  3. 这样的一个大系统,从设计到构建到最后的交付,怎么着也不是一年两年吧,你们公司真的撑得到这个时候?(这话说的有点过分,但对于很多公司,这可不是一个不能思考的问题呀。)
  4. 你有足够的钱和足够qualified的供应商帮你吗?

这些问题没有一个能有答案的,压根这个事情就不靠谱嘛。

后来我才知道,在跟我聊之前,他们公司真的已经早做了类似的尝试,当时大概投入了两百万元的建设费用,有一个专门的团队负责。可惜,200万打了水漂不说,最后连个团队都拍屁股走人了。这不是赔了夫人又折兵嘛。

现在还想一步到位?不不,真的不是钱的问题。

我不想踩坑,怎么做?

广告主内无论是谁负责数据化转型,你得问自己如下问题:

  1. CEO是不是真心要推进。
  2. CEO要推进,他是否能与你一道找到各个部门尤其是业务部门与数据共同的利益绑定与好处分享,并且能让这些部门真的buy in这些idea。如果没有,就算你CEO再挺你,这事儿也不容易做。或者,还是小范围做,从局部做一些数据化就好了。
  3. 对业务的情况是否足够理解。
  4. 对业务和数据间的映射是否足够理解。
  5. 对数据的整合与打通相关的方案与局限是否足够理解。
  6. 对数据的出口,以及数据的应用方案及局限,是否有足够的理解
  7. 是否有真正懂行的人帮你,无论是内部的还是外部的顾问。
  8. 对各种数据解决方案至少在能做什么和不能做什么上是否有足够的理解。
  9. 是否有较为充足的资金,和合理时间周期的预估。
  10. 现实一点,能够解决一个业务领域的问题已经很不错!
  11. 想好了再做!

行文至此,感觉也只是挑了一些大坑来说。具体落地数不清的小坑,限于篇幅就不多讲了。倒是希望朋友们也能讲讲自己见过的数据落地上的奇葩故事。

回聊!

 

宋星大课堂报名中!数据化的互联网营销和运营:方法、案例与实战!(总第11期)

(两日课程)上海,2018年12月1日、2日(周六、周日)

点击链接了解课程详情:宋星大课堂

 

未经允许不得转载:互联网分析在中国——从基础到前沿 » 数据虽好却布满陷阱——广告主的数据化转型之旅有哪些避之不及的坑
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址