2018年，谁会料到这是经济新常态的开始？2019年，谁会料到中美贸易战？2020年，谁会料到席卷全球的疫情竟然触发全球经济下滑？业绩要求只增不减，市场预算只减不增，新的增长如何获得？

▲靠媒体方面的增长么？

1. 传统媒体流量红利消失殆尽，指望不上

2. 社交媒体裂变、抖音快手需要创意大脑，短期无非复制

3. 头条搜索、OV厂商信息流虽好，但流量盘子小不足以拉动整个大盘增长

▲从内部转化找增长么？

基于用户行为分析，持续优化APP交互，提升流量转化效率，理论上可以。但是以上工作是CTO的工作地盘。坊间传闻的Martech、CDP等营销技术似乎是救命稻草。

二、被动的CDP思维，“再不搞CDP

就被时代抛弃了！”

困惑1：面对各有特色的CDP厂商， “数字化”如何选项？

困惑2：我们有了CDP/DMP，用在哪呢？

困惑3：谁敢拍胸脯说“数字化”投入百万，一定可以拉动“营销”效果1个亿？

三、探秘：电商领域深度

挖掘用户数据价值的场景

1、2008年之前的电商

大部分只有用户信息和订单，很像现在的CRM；用户画像、用户分群、用户标签是基于购买的 RFM ->RFMPDC；用短信、邮件、促销券、礼券等进行二次营销触达。

推荐系统：买了又买，2007@当当

当年的“大”数据是1000万顾客购买行为 x 2000万订单 x 100万商品，算法基于统计学。

但是出现以下问题：

l 对于运营人员来说，基于RFMPDC做的各种人群促销，效果到底如何？对于技术人员来说，看了和点击了“推荐商品”而最后下单的用户到底有多少？“推荐系统”到底为电商贡献了多少GMV？每个被购买的商品，不知道到底是从电商的“站内搜索”、“个性化推荐”、“大促活动”来的？

l 当年的数据系统只保存了用户下单行为，而没有保存用户的网站访问行为。因为用户的网站访问行为，是下订单行为的近百倍：来源、IP、cookies、站内搜索词、点击商品、点击推荐商品、加入购物车、看评论。

2、2009年-2010年的电商

两个原因促成当当网自主研发“用户行为分析”系统

• 硬件成本大幅下降

• 大数据技术门槛大幅降低，耳熟能详的Hadoop

有了大数据技术，解答了用户行为的数据分析问题：“推荐系统”到底为电商贡献了多少GMV。科技创造生产力：用户数据 x 算法的力量 x 大数据处理能力。在电商领域，用户行为数据和技术，可以赋能业务。

3、2011年-2014年的电商和O2O

众多电商崛起，拉新成本急剧上升。基于用户数据和营销效果追踪，电商市场部核心考核是各品类、新客成本。

深层来说，多渠道+深度转化追踪到订单、订单金额、出库、退换货；细致来说，不同品类各自算新客成本、商品毛利、毛利口径ABC。

后来DSP闪亮登场，广泛应用于电商的老客召回，服务越多的客户，因此DSP厂商获得的各家广告主的访客行为越来越丰富。

DSP也用于电商拉新，look-alike技术差不多就在这个时候出现。look-alike如何提升营销效果呢，各家厂商，各有奇招。

4、2015-2017年移动红利时代

营销自动化的升级，短信、邮件被屏蔽，开始用App-push、优惠券、浏览RFM/订单RFM 、用户分群和营销效果跟踪。

例如，九枝兰系统基于用户画像的明细，可以做很多列，很多行，能够按照标签随意筛选数据，筛选后将这些人群按照某些条件进行App-push或者其他操作。同时对接前后端数据，按分钟级导出报表，实现营销效果追踪。

▲九枝兰系统用户分群

 ▲九枝兰系统用户筛选

机器学习技术，被广泛用于预测类的用户标签，怎么预测客户的购买力？比如将客户的购货地址和链家数据进行打通，预测LTV。

机器学习应用场景升级深度学习，大数据计算能力&算法框架再升级，用户标签的丰富度几何级数的提升。算法技术更新换代，用户标签的丰富度几何级数的提升。

5、2018、2019、2020，

移动红利尽失，存量博弈时代

“用户增长”口号特别流行，因为都没增长了

• 电商领域的用户流量运营，已经精确到分钟级计算用户行为的流量运营

• 各行各业都不得不学学“用户行为分析、流量运营、用户增长”

再看电商拉新

• 全渠道全链路。启示：汽车之家的全媒体渠道的强管控.

举个例子，九枝兰为汽车之家定制了全渠道全链路的流量管控，将所有信息流、搜索引擎、应用市场、自然流量的数据打通对接，以及web、cps等第三方合作。不丢一个销售线索，不丢一个用户转化。

• Look-alike的技术提供方更倾向于超级媒体，不再是第三方了

动态创意1.0：曝光机会有限，唯有提点击率、提转化率

动态创意2.0：京东、淘宝、携程打通头条/百度信息流，精准创意召回的京条计划。