为帮助广大营销从业者更清晰的了解各产业的核心能力、现状及未来趋势，我们以双周为周期，推出《数字营销产业分析》专栏，聚焦《中国数字营销生态图（2021版）》三大板块深度分析十六大赛道，为您解读各产业赛道的核心能力、现状及未来趋势，助力企业营销数字化战略布局。
数字营销产业分析专栏第五篇，聚焦《中国数字营销生态图（2021版）》“数据和工具”版块的“数据分析”。
数据分析是对数据价值的一种挖掘，在营销领域，它可以被拆解为事前和事后两个部分。
所谓事前，其实是通过对过往的总结，来指导未来的行动，比如消费者行为分析等，遵循的是普适原则，假设了条件相同情况下还会发生的事情；事后分析，目标是得到尽可能合理、真实、对未来有价值的洞察。
数据分析的进步体现在营销的各个环节，本章内容，我们将从不同角度看看大数据时代的数据分析是如何改变营销决策的，以及未来有哪些趋势正在发生。
营销监测趋势
01
户外的数字化
02
生物识别技术的应用
03
全链路打通
指将庞大的底层抽象简化为可视化的图表展示给营销人员，著名的工具包括Tableau、IBMCognos、PowerBI、SmartBI等。
BI领域的发展由来已久，技术比较成熟，真正缺乏的是行业KnowHow，所以通常都需要配合着咨询规划一起做。BI项目在落地中通常包含几个比较关键的能力：
规划能力
需要对业务需求进行规划和解读，对数据展现的逻辑、呈现的维度、使用者的权限进行梳理。
数据梳理
这里的数据梳理剥离了数据治理，将数据的存储和治理放在其他平台，数据的梳理主要看的是数据提取的维度、提取的频次、数据的精准度和颗粒度是否能满足业务的需求、数据的流转等。
呈现方式
包含风格设计、交互设计、动画设计等，标准的BI工具自带很多的现成模版可以套用。
BI的难点
众口难调
不同部门、不同层级对呈现逻辑的要求不一样，大家都期待按照自己的方式来看数据，又不愿意自己做设置，因此，优先满足谁的需求是需要设计的，得抓住核心需求。这就好比BI工具提供的是功能超强的Photoshop，但用户的需求只是类似美图秀秀的一键美颜。
混合BI
很多公司国内外用的是不同的BI系统，如何整合是个难点，对于规划的人要求比较高。
期待偏离
BI的发展趋势
更便捷的配置
未来更多的BI会呈现千人千面的模式，通过简单的模块配置和拖拽就可以实现。
与数据平台的绑定更紧密
除了呈现炫酷好看之外，BI更重要的，是与数据的紧密绑定，因此，由数据处理方来制作和管理BI更容易获得成功，目前CDP很重要的应用就是BI。
多终端的适配能力
目前系统在不同终端的呈现还有很大的提升空间，自动适配能力未来会进一步加强。
归因/验证的发展趋势
从事前到事后
随着程序化技术的进步，归因/验证会从以前的发现问题协商补量，向投放过程中直接排除发展。这当中需要用到黑白名单机制和程序化购买的退量购买模式。
异常数据的剔除
网络时代，监测数据和采集数据往往是同步发生的，异常数据除了要在报告层面可以做到自动排除，在采集时也应该被标示和剔除。比如异常的设备ID等。
自动取证
很多监测取证的过程比较难，并且成本很高，未来会像自动停车缴费一样，每次停车和开走都会有多张照片作为记录。
数据分析的基础统计学工具。过去数据分析师在分析过程中需要撰写大量的代码，且得掌握较高要求的统计学知识，今天的分析工具已经进化到了通过简单按键+少量代码就能实现的程度，大大降低了数据分析的难度，这些工具包括SAS、SPSS、Python等。
数据分析工具的发展趋势
Python是近几年比较火的分析工具。很多年轻人开始把会使用Python上升到会使用Office一样的高度，而一个行业的成熟，既需要有工具，同时也要有会使用工具的人。数据分析工具普及后，行业的整体效率就会提升。
由于大数据本身高昂的成本和局限性，并非所有问题都能通过大数据分析来解答。市场研究就是利用传统调研和案头分析的形式，利用小数据快速解答当前的营销和商业问题。
理想的市场调研应该是大小数据融合的，传统的市场研究通常基于小样本（相对于大数据而言）进行，存在一定的波动性和偏差。传统的市场研究提供了一套比较成熟的研究方法论，大数据的加入则可以很好的补充样本量不足导致的偏差。
市场研究有定性调研和定量调研之分，定性调研对于现场的设计和掌控力都有很高的要求，受人为因素干扰比较多。大小数据融合的市场调研，可以先通过社交媒体数据发掘用户的潜在需求，再通过定量调研进行验证。传统调研中，不管是定性和定量都存在一个问题，即样本和最终购买人群无法大规模匹配，从而导致调研结果与实际结果之间存在较大的偏差。大数据加入后，可以匹配实际的结果，知道谁购买了产品，进而可对购买人进行精准调研。也可以对被调研者的后续行为进行跟踪，看他们最终的行为是什么，再匹配回他们之前的访问记录，更好地分析消费者的动机。
单独使用大数据也有产生很多偏差，它更多反应的是现象，不能对背后的原因做直接解读，需要人的辅助或者传统调研进行原因的挖掘。
市场研究的发展趋势
强化对非结构化数据的处理
市场调研力求在干扰最小的情况下获得尽可能真实的消费者洞察，因此未来对于跟客户沟通过程中的非结构化数据（比如声音、图像、文字等）的处理将成为信息获取的重要途径之一。
更加实时
有了大数据的加持，调研的反馈速度会变得更快，比如以前的品牌健康度通过问卷来做，一般最快一个季度才能做一次，现在通过社交舆情的情感判定，每分钟都能看到品牌状况还有趋势，还能找到影响品牌走势的关键点和关键人。
我们常用的归因模型有如下6种：
最后互动归因模型（LastInteractionModel）
02首次互动归因模型（FirstInteractionModel）
线性归因模型（LinearAttributionModel）
04
05
U型归因模型（U-shapedAttributionModel）
06
马尔可夫归因模型（MarkovModel）
归因的方法
—基于业务情况采用不同分析方法
营销效果分析的发展趋势
智能的洞察
经验数据化后，经过一定的积累，可以慢慢在某些场景形成自动的、智能的洞察。
智能营销闭环
营销洞察和前端优化打通，形成数据闭环，自动或者实时的优化排期和计划。
随着机器学习、知识图谱等技术的成熟和新应用场景的挖掘，今天，人工智能已经渗透到数据科学家每天的工作中，需要强调的是，人工智能并不能完全替代分析师，而是更高效和自动化的完成数据分析，它处理的是分析过程中标准化的“体力活”，分析结果的输出仍然高度依靠分析师的个人经验。
我们日常市场营销活动分析中经常会遇到以下问题：什么业务表现比较好？如何找到竞争的差异点？人群与竞争对手之间是否还存在没有被发现的细分领域？怎么才能提高客单价？等。这些问题可以归纳为四个类型（如图），它们的解决对应了机器学习最重要的四大分析技术。
四大类机器学习技术
可以回答的问题及对应的细分技术
营销人工智能的发展趋势
新的技术层出不穷，但它们的应用需要人工大量的协作，即需要大量懂得如何使用技术的人。同时，新的技术落地，需要组织内部和行业高度的共识，从而逐步完成智能化和数字化的转变。比如现在的CDP等，还处于新技术的阶段，新的模式都还在摸索，更谈不上形成新流程的共识，也没有专门的角色。
知识图谱在营销、咨询等行业是一项颠覆性技术。一方面是因为它是知识的一种沉淀方式，降低了学习的门槛；另一方面，它通过大数据进行探索式发掘分析的方式，不断分析问题间的关系，然后给出可能的建议，这跟咨询的逻辑一致。
知识图谱的发展趋势
行业场景细分
未来知识图谱一定会细分到行业，它在不同的行业中的描述和细分差异会越来越明显，积累足够的语料和标注之后，就能看到不同知识图谱供应商的差距。
计算能力提升
知识图谱在有些场景下多边计算的数量非常高，对计算能力会造成很大的压力。未来应该有更好的技术方案提升计算的性能，满足更多场景应用。
商业化实践
目前的知识图谱还处在探索阶段，大部分用于服务项目中的某些功能，单独立项的比较少。成本、价值、实现路径等都还有待形成共识，下一步，需要探索更明确的单独商业化路径。
当期及往期完整报告
出品|课题组
编排|何雨晴
责任编辑|刘照龙
主编|杨猛
专题策划：||||||||||丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨|||
新消费专访：丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨||||丨||||||
品牌专访：丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨丨|||||||||