数据正在改写营销，创造新的生态圈，颠覆营销行业几百年固有的模式，重新定义营销人员所需的技能。本专题在回顾中阐述数据为何成为营销的基石，在展望中解释我们每天称道的“数据”未被普及的真知。
上一章讲述了广告业演进中第一阶段线下大众营销和第二阶段线上广告的特点。
第三阶段：程序化广告（Programmatic Advertising）
这个词开始风传全球也就在两三年前。我第一次听到时也一脸懵圈，还暗自嘲笑郑重说出该词的朋友，直到很快发现它成为媒体业势不可挡的、颠覆型的趋势。
什么是程序化广告？简单定义就是机器进行广告购买。 下表总结了它和传统广告购买的主要区别。
程序化广告解决了广告投放里的终极问题，即如何精准地选择受众，随时开始，随时停止，给予广告投放者最大的控制权，以达到尽可能少地浪费媒体预算，让每一分钱都花在投放者想要的受众和预期的效果上。并且，广告投放者可以精准地为每类不同用户设计不同的广告设计和广告语，并且精准地投放给这些不同的受众。 因此，程序化广告一出现就迅速传播，成为营销界里最热门的风潮。
具体说来，程序化广告是这样进行的：
在线媒体商（比如一个网站）根据用户在网站的行为分析总结用户信息，这些信息成为每个用户可供广告投放时选择受众的标签，如浏览过哪类内容，点击过哪类广告，以及根据这些行为用模型计算（猜测）的年龄、性别等。
广告投放商（可能是广告主，也可能是为广告主进行广告投放的媒体投放公司）在媒体商提供的广告投放平台上通过标签选择了他们希望投放的受众群，插入事先准备好的设计，设置投放版面，价格，并发布之后，当他们圈定的受众（网站访问者）登陆网站时，网站的广告平台就启动竞价机制，根据事先设计的竞价原则，竞到了该用户所浏览网页广告位的广告商的广告就将出现在该受众面前。广告商此时可以在后台实时看到自己广告被浏览，被点击的情况，并据此调整自己的竞价策略，中止或更换人群选择条件。
这样的程序化购买过程也可以发生在ad exchange端，在DSP，DMP上。 如今，已有近一半的在线广告通过程序化方式购买，并且，这个比例在快速上升，有可能百分之百取代传统的广告购买方式。
程序化广告购买也改变了广告主历来对媒体购买公司的依赖。大的在线媒体商如国外的脸书，谷歌，国内的BAT都有强大的程序化购买平台直接供广告商使用，剩下的开放生态系统里的流量通常也可以通过一两家大的DSP平台一网打尽。这样的变化让依赖媒介购买生存的媒体公司面临着下岗的危险，广告主逐渐建立自己的内化部门管理程序化购买。
程序化广告的核心是基于数据的精准选择受众。这也意味着广告业彻底向基于数据的方向转变了。
营销的第二只臂膀：客户关系管理
看完广告业的演变，我们再来关注一下影响了现代营销的，但曾一直扮演墙角一隅的CRM(客户关系管理)。
客户关系管理出现在70年代，从关心客户满意度开始，发展到积累客户数据，对客户进行分析并展开针对性的营销。因为客户关系管理的出现，企业出现了“以客户为中心”的管理理念，从“以产品为中心”向“以客户为中心”转变也成为过去几十年中很多企业的关注点，并出现了许多成功的案例。
客户关系管理里的营销与广告所代表的营销不同之处在于，客户关系管理营销的对象为已有客户，通过电话、邮件、电子邮件或短信进行。
它先天具有数据的特质。它的演变在于数据使用先进程度的不断提高。
数据库营销
这个阶段基于企业自己搜集的数据或从外面采购的数据库，利用简单的维度根据自己对用户的分类进行每一个营销活动目标人群的选择，比如根据年龄，性别，过去三个月内没有购买过某个产品或购买过某个产品这样的简单维度进行定义。
通常，数据库营销的主要目的为提高客户的忠诚度，加强客户与品牌联系的纽带，客户关系管理先进的公司把客户关系管理里的营销看成重要的品牌强化的营销机会。 基于这样的目的，客户管理管理营销是否成功往往会看诸如客户的重复购买率，单个客户的价值，客户的终身价值。
实现这些目标依赖于客户关系管理营销清晰的整体策略和周全的计划与执行。 这类营销较早地实现了对营销活动后营销对象对营销活动的反应和购买行为的跟踪与分析。在这个领域较先进的公司很早就对其客户进行了十分系统的管理，从客户通过忠诚度计划（积分计划为主流）进入数据库开始，就一直跟踪客户的购买，并将客户的生命周期划成不同阶段，在每个阶段进行不同目标和主题的沟通。
数据挖掘年代
在90年代中期尤其是过去十几年中随着数据处理技术的发展，数据挖掘的技术被用于客户分析。
数据挖掘是大数据的前身。传统的数据分析和数据挖掘的区别在于用于分析的工具，所能处理的数据量，变量数量。二者最大的区别在于所进行的分析多大程度上需要分析者的指导，术语称作supervised learning 或unsupervised learning。不需指导的分析也是如今人工智能的基础，它的出现是机器超越人类分析能力的里程碑。人类分析能力的局限在于我们无法分析我们不了解的世界，而机器却因其快速的分析能力可以无限探索我们从未掌握或想象过的规律直到找到数据验算证实较准确的规律。
数据挖掘使用较普遍的有用户客户分析的客户分群（clustering），预测模型（predictively modeling），以及用于购买行为的分析如购物篮分析。关于数据挖掘的书很多，此文在此不赘述。 以数据挖掘指导的营销活动比数据库营销科学性上迈进了一步。这样的营销活动通常会设置目标人群组和控制人群组来验证数据挖掘的效果。在营销活动其他条件相同的情况下，目标人群组理应比控制人群组的活动响应率更高——一般来说，这个结果是有保证的，就如同一加一等于二一样，是科学的保证。
大数据分析阶段
尽管数据挖掘已颠覆性地改变了数据分析的现实，一个数据模型已经在使用千万个客户的数据量，但所使用的数据种类主要为线下（offline）获取的、结构化的数据（structured data）。
人们在线上活动的疯狂增长催生了大数据的概念。线上数据的产生和积累的数量和速度是前所未有的如原子裂变般。 无论是传统的数据分析，还是先进的数据挖掘都只能在结构化之后的数据进行。线上数据虽然多却是杂乱无章无结构的，比如上亿条的日志数据，利用原来的分析方法无法进行。
这个阶段客户关系管理开始由线下向线上转移。此阶段催生的分析和营销以基于用户在网上浏览、点击行为进行商品推荐为代表。分析方法从数据挖掘中将所有的数据整理后导入挖掘工具建立分析模型转变为直接在网站中写入数学算法（algorithm）。比如可用于商品推荐的基于关联规则的数学算法，购买了商品A的人有较大比例购买了商品B，那么一条简单的数学算法语句可以为如果一个id购买了商品A，即推荐B。
在算法中加入更多的数据维度可以让算法更准确，算法也可以通过一次次的验证被修正。与商品推荐同理的数学算法也被用于文本的推荐，如文章的推荐。这需要通过文本分析为文章设定标签，再寻找标签间的关联规则，或寻找读某种标签的读者的特征，来为相似特征的读者推荐相同标签的文章。
基于这些线上数据的算法出现的客户关系管理的线上营销活动就改头换面了。一是客户关系管理的“客户”从传统意义上的可识别的现有客户扩大到线上可追踪的匿名客户（可能是潜在客户），二是营销活动是不中断，24小时存在的。这时，客户关系管理和广告的边界逐渐模糊了。
程序化购买正如火如荼地进行，大数据支持的针对性营销也以野火燎原之势传播，现在我们所处的是大众营销和客户关系管理两条线逐渐合并，线上和线下就要汇合的当口。
这也如零售业的趋势一样，线下传统零售经过电子商务的颠覆和淘汰之后又逐渐走向线下，只是以崭新的面貌出现——全渠道零售。
营销的未来趋势也一样，线上和线下的客户，渠道，沟通将融合，真正实现全渠道无缝营销。 这样的营销是怎么样的？数据又在这未来的趋势中起什么作用？
（下一章待续，敬请关注）
