在這個數據驅動的時代，市場對于高質量的營銷數據分析的需求越來越高。更多的企業和組織將數據分析納入市場營銷部門的日常核心工作當中，并且嘗試使用和推進新的分析工具和流程。因此，營銷數據分析人才的需求也是日益增長，薪資比較高，并且崗位更容易被企業Sponsor H1B，使得Marketing Analytics成為了商科學生求職的熱門方向之一。

Marketing Analytics是什么？

我們都知道，每家企業都掌握著豐富的關于消費者選擇的數據。但是，豐富的信息并不代表我們就掌握了更高轉化率的優秀決策。因此，我們需要營銷分析師來幫助我們解讀數據，使用分析來為營銷決策提供信息并證明其合理性。營銷分析（Marketing Analytics）使營銷需要能夠衡量、管理和分析營銷績效，以最大限度地提高其有效性并優化投資回報（ROI）。除了銷售分析和潛在客戶挖掘之外，營銷分析可以深入了解客戶偏好和趨勢，并可以進一步用于未來的營銷和業務決策。

Marketing Analyst都在做什么？

營銷分析師們每天都在說著“歸因建模”、“時間序列”、“聚類分析”，那么他們使用這些模型的目的是什么？他們要實現的Goal又是什么呢？以下幾點是需要了解并掌握的部分。

1.歸因建模（Attribution Modeling）

要真正了解客戶的購買旅程，營銷人員需要看到客戶點擊（Clicks）背后的故事。歸因建模使品牌能夠衡量每個渠道的優劣和互動，以便全面了解營銷投資回報（MROI）。此時，分析模型會考慮使用Markov chain Monte Carlo（MCMC）。

2.定價分析（Pricing Analysis）

定價分析允許品牌跟蹤價格變化，了解購買行為并提供定價策略的見解。使用優化技術分析、比較競爭性定價動態，智能地制定高效的定價策略。

3.媒體混合建模（Media-Mix Modeling）

真正將營銷投資與業務結果緊緊聯系起來，并使用面板數據回歸來量化每個渠道對銷售的貢獻。

4.細分（Segmentation）

通過細分，面對不同客戶的需求和背景，做出更快更明智的決策。通過聚類分析（Cluster Analysis），進行客戶分類，可幫助品牌獲取可操作的數據，以便以情景化的方式改善與客戶的互動。

5.預測（Forecasting）

使用多變量時間序列模型（Multivariate Time Series Models）的預測分析挖掘并分析當前和/或歷史數據，以預測未來。

6.定位（Targeting）

根據客戶的生命周期價值定制優惠和獎勵。通過分析買方的行為、參與度、生活方式屬性和RFM分析（Recency, Frequency, Monetary)），營銷人員可以大大提高營銷投入費用的有效性。

7.客戶流失分析（Churn Analysis）

預先預測哪些客戶將要流失，并使用生存分析（Survival Analysis）等預測模型來了解哪些營銷行為將有助于阻止客戶的流失。

8.購買可能性（Purchase Likelihood）

使用傾向模型優化營銷資金，以了解某些購買者行為是否表示購買的可能性較高。

9.交叉銷售和向上銷售（Cross-Selling and Upselling）

應用購物籃分析（Basket Analysis）等分析，向具有類似需求的顧客推薦購買的產品。針對不同細分級別的客戶，來制定策略，以推動真正的以客戶為中心的銷售方式。

10.下一個最佳優惠（Next Best Offer）

像協作過濾（Collaborative Filtering）這樣的預測性分析，能夠幫助營銷人員更好地了解客戶的需求和購買驅動力，以提供下一個個性化的最佳行動，使客戶更有可能發生預期的行為，并進一步與品牌建立關系。

2020年推動營銷分析的三大趨勢

除了基本的營銷分析概念和模型之外，小編還希望想要成為Marketing Analyst的小伙伴們，能夠著眼未來，以下這三大趨勢值得記住，在面試中聊出以下看法，能讓面試官刮目相看喲！

營銷分析師需要使用許多新的數據源

傳統上，許多組織的業務決策都依賴于依靠大型集中管理的數據服務器或數據倉庫的營銷分析。但是現在，我們發現分析師還需要查出存儲在許多“小型”數據倉庫中的數據。除了通常的內部數據存儲庫之外，市場分析師還需要從數十個獨立系統中提取數據，其中包括：

• 谷歌分析
• SEO平臺
• Salesforce或其他CRM
• 電郵服務提供商
• 主要媒體平臺：Facebook，Twitter和AdWords
• 聊天應用

綜合起來，這些數據來源將比內部系統提供更好的市場營銷和銷售見解，并將有助于企業推動消費者興趣，優化定價并改善客戶體驗。所以，分析師現在必須做的不僅僅是分析。他們還必須確定重要數據所在的位置，確定需要提取的內容并制定基于新數據源推動業務決策的策略。

人工智能（AI）對分析至關重要

現在數據獲得的速度和體量，已經增加到人類數據分析人員不能全部處理的程度。為了提供幫助，許多公司紛紛涌現，提供市場分析和人工智能（AI）。這些系統使用機器學習和其他人工智能技術來幫助分析師找到客戶數據中的模式，提出優化性能的建議，并允許非專業人員使用簡單的語言訪問復雜的分析。舉個例子，Hyper Anna 是一家為營銷人員提供機器智能風險投資支持的營銷代理商，Ta在接收公司相關數據后，會為目標公司總結出一些能夠發揮重要作用的模型。這就意味著，當目標公司上傳相關營銷數據后（例如客戶互動，財務表現和供應商活動等信息），Hyper Anna便可以總結和提煉交叉銷售和追加銷售的機會，并為收入預測和供應鏈管理提供相關意見。另一家公司Datorama提供“以人工智能為動力的營銷智能”，這使得營銷人員可以輕松地跨系統統一數據，并使用自然語言訪問強大的分析。David指出，Datorama現在與亞馬遜的Alexa整合，并提供語音激活的營銷分析。

分析師將成為 "講故事的人"

雖然營銷分析師工具箱傳統上由諸如SQL，業務分析和Excel等技能組成，但2018年的營銷分析師，比收集數據和制作報告做得更多的，很可能就是講故事了。利用上述新的數據源和AI工具，營銷數據分析師們未來的日常工作，將變成：

• 從非傳統來源獲取數據
• 使用Python等編程語言清理數據
• 使用數據可視化工具'波'數據并創建有吸引力的圖表和圖形
• 以及將數據轉化為易于理解的故事，幫助營銷團隊理解新興趨勢和機遇

只去創建一個儀表板并發送每周報告是遠遠不夠的。從數字營銷分析工具收集的所有信息、數據和觀察，只有在營銷分析師們更多地去關注他們的客戶，挖掘出數據背后的含義，才是有意義的。分析的真正價值不僅是用來向老板證明營銷的價值， 它還能真正改善和提高營銷業績 - 無論是單個的渠道還是多渠道的營銷策略。

有其他關于Marketing Analystics的問題歡迎向我提問！