《To B CGO | 2020新生代线上增长实战大会》
嘉宾分享稿第十一篇 | Number Eleven
大家早上好，我是来自微软的管震，感谢To B CGO搭台搭建这个平台让我们在疫情当中可以有机会聊一聊我们在营销这个领域里和小伙伴大伙伴们一起打怪升级得来的经验。
在营销这个领域里我们可以聊的方向比较多，无论是理论的发展还是在不同行业、不同场景中的实践都不少了，群里也有不少和微软不同阶段都一块打拼的小伙伴，我今天选取的分享角度是数据科学，这个有点Hard Core的词我觉得吧，重视得越早越好。
最近几年在数字化升级之路上，如何用“数字化”来武装市场营销人员越来越热，用各种工具来实现营销的数字化非常的热，不过有一个问题却越来越突出：我们开展了私域流量的导入，有全渠道系统，我们也上了营销云，我们也在做中台，我看到了一堆报表和折线图，然后呢？
通过不同系统弄来了数据是一个起点，接下的问题就是如何通过数据科学把这些数据变成有用的决策依据对吗？但是“数据科学”这四个字看起来非常的“技术”，不是应该IT的同事们做好了我来看就好的么？
No no no，不对的，数据科学在今后是每一个决策人员的必修课，而且是早了解，早受益。特别是大家可能都感受到了Covid-19这个事儿之后有很多商业形态会发生急剧的变化，线下和线上的比例发生变化，我不是说线下店都关门啊，当然这次疫情我们也看到了线下店受到的冲击确实比较大，未来，随之而来的是组织的形式也会发生变化。
比如在线教育这事儿，原来说获客成本太高，现在你看嘛。
说到教育好多搞企业培训的、健身的、美容的，现在突然发现自己原来的模式都得改线上了；
以前好些人说你微软Hololens贵，现在订的人多到我大微软自己都不知道怎么弄了；
以前说医疗体系数字化推动慢，现在临事了发现原来连基本的数据采集都做不到；同时服务机器人、无人机做起来以前举步维艰，你看看后面这一波要成标配；
原来搞物联网的人都笑话梯联网一两年做了个手机遥控xx这种伪需求，没有有灵魂嘛，现在突然大家觉得我的天啊，太有必要了，这背后都是非接触式的交互机会，非接触啊，这个以后大家会不断体会到，连产品设计都会变；
组织也需要随之变化啊，比如很多商超都为电商开辟了特殊区域，电商区域不对普通个人客户，只对电商骑手，菜按份，肉按500克切好包装好，放在特定区域，快速分拣…
我就不一一举例了，今天我想讲的重点也不是这个，重点是市场在剧烈地变化中，原来无论To B还是To C，这种接触大多是线下的，可是现在，非接触式的要求越来越高。
这里面我们先提第一个观点：你可能因为所在圈子对线上的认知越来越强，但是实际上对于大多数业务的创造而言，线下的形态是大多数。
比如让你猜猜看手机这个东西线上销售量是多少？没有数据之前你很可能跟我一样凭感觉猜一个数…唔…50%？
如果你基于这样的“感受”来去做商业决策，就出事儿了。因为手机的线上销售占比截止今年1月是18%左右，去年同期大概17%多一点，线下占大头。所以首先你要有数据对吧。当然说到线上线下，我们有个特别热的词叫流量。
在To B的业务里，我们最近这几年特别强调流量、私域流量，这在Marketing上确实已经被证明是非常有效的手段。比如2016年的时候我和另外一位同事Grace因为在物联网小伙伴圈子里泡了两年，有点膨胀了，就想在一个月后办一个微软自己的物联网大会，定多大规模呢？400人。
不要看这四百人不多，实际上那个时候微软在物联网圈子里基本没什么名气，大多数人还以为微软是个卖Windows、Office的公司，而且微软那个时候除了一年一度的技术大会外，其他市场活动基本上依赖销售或者Vendor去请，效率很低，所以只有两个人办个会要召集400人来对于传统微软人来说有点天方夜谭，当然也有像Yifan啊Stanley啊这样相信我们和有前沿思维愿意把资源投给我们的市场人，不然活动也不能一个月就能办起来。
活动提前一周关闭了报名通道，因为严重超标了，最后来了450个听众，400人的房间站票都没了，370位来宾在反馈表上填了“感兴趣”这一栏，一个月回访结束后有效的销售机会70多个，对于这场众筹的市场活动而言，刷新了微软同事对自己和对市场运营的认识，也刷新了我们对社区运营与数据科学结合的认识。
这一个月中我们用了很多现在的CMO们耳熟能详的方法，连续四周不断用社区运营和裂变的方式去吸引用户。
微软这家科技起家的公司当然有很多有意思的话题，一家现在因为云计算冲到市值第一的公司，人工智能半壁江山，物联网平台被IDC放到象限图最右上角的，即使是放到2016年其实也已经很多足以吸引人一探究竟的话题，只是大家还没有机会结识罢了。如果要了解微软，除了正门之外，还有个偏门，就是下面这个叫“云就该这么玩”的公众号。
=============土味分隔号===============
话说回来，所以那一个月中我写了很多直播稿，和Grace一起做了很多土味宣传画，而这个过程中很关键的一点，是广东天正和我们一起开始尝试把CRM和社交的运营结合起来，去追踪到底谁是我们的KOL，请注意啊，2016年，不是现在，现在你可能说这不是标配么，可是你要知道现在这个标配实际上就是2016年开始逐渐形成的。
我们把土味宣传和直播及总结稿件一环又一环地推向我们的朋友圈和群时，得知道到底哪些人是对我们的宣传感兴趣的，给大家看看当时的一个可以随时间不断变化的动态图…er…好吧，微信群里不太好动态，那大家脑补。
这是一个基于微软Dynamics和Power BI这个数据可视化工具来开发的社交运营工具，第一轮宣传中我们定位了二十五个转发以后引发注册量超过20的KOL，然后…我觉得在座的各位都知道然后要怎么做我就不赘述了。那个时候我们每天都在看数据的变化，以了解下一轮宣传重点要关注的对象和话题。
此一时彼一时，现在我们也发现了，原来其实如果人都能通过Power BI大的数据可视化工具大的趋势，机器早就烂熟于胸了，而且机器比人呢理解每一个数据点要强少说一万倍吧。
比如我们举个例子啊，下面是个一个活动每天新增注册人数的表，你看不太出来什么规律对吧
如果我们改成散点图呢？
你说这不是太简单了，从这个图上我们用人脑基本上可以预计如果持续投入，就能预测下一个日期那个数字大概的位置，因为这就是一个简单的数学表达式。
我们人脑还能做很多事情，比如当你看到这样一些统计样本的时候，你说这也不复杂啊，二元一次方程拟合嘛。
说的没错哦，但是我们接近真实的参会注册人数是类似这样的：
请问有什么规律，下五个工作日的趋势如何？单看一个可视化的图人脑这个时候就不够用了，数据科学这个机器却很可能可以。
机器有两种方法从这上面这个图中找到规律，一种是传统机器学习，他掐指一算，你这个看起来乱七八糟的点我见过啊，套用一个二元五次方程能套（拟）上（合），（我这是瞎说的啊），下一个点我大概也能算出来，八九不离十那种。
而真实的机器学习的过程就像下面这个图，来自微软云Azure上的机器学习服务：
稍微解释一下这个图吧，要从数据来源汇集数据，梳理数据，把数据拆成两部分，然后选一个叫决策树的或者回归的或者其他一两百种里选一个的算法、参数来训练一遍，发现哎呀跟历史数据相比准确率只有20%，那就再选个算法、参数来一遍…（此处省略一百遍），以至于我们常说调机器学习参数这事儿是看天（运）赋（气）的。别说调参了，就算梳理数据这部分虽然只有四个字都特别耗费精力，整天熬夜的那种，而且还不一定出成果。
所以，如果贵司的技术部门如果正在用机器学习优化市场运营，请对他们好一点。或者让他们上微软这来看看有个叫做自动化机器学习的，加上微软合作伙伴麒麟的梳理数据工具，事倍功半哦。
第二种方法是强化学习。强化学习是机器学习中的一个分支，比较新，但是跑得很快，大有出师的趋势，微软用了一个新词叫“Machine Teaching”（与“Machine Learning” 机器学习相对）来单列一项。细节咱们今天不讲，简化版的意思就是机器长本事儿了，不怎么需要人类手把手教，而是自己在旁边拿小本本记录这次市场活动的各种轨迹，当上面这个命题给TA的时候，机器会摸一遍这些点点的位置与时间的关系发现……
感觉超纲了…或者是条件不齐？总之这不科学，快来个老师辅导一下。
此时人类老司机就该上场了，机器会问：我觉得好像有规律，但是22号和30号这两天的数据明显不在预测范围内，属于“异常数据”，你能告诉你自己这两天发生什么事儿了么？
此时市场部的老司机琢磨琢磨一拍脑门，哦，这两天我们出了两期直播，直播效果很好，可能很多人听完直接报名了。你看看，怪说不得，于是机器就剔除掉“Anomaly”继续找规律，而老司机也可以另起一个段落来写《网络直播对于报名人数的促进作用》。
而这个过程中每个不同角色的决策者们都希望能直观了当地一眼理解正在发生的事情，当然这个时候以Power BI为代表的“数据可视化”是非常有效的。
此图取自微软第二届数据可视化大赛获奖作品，顺便说一下，第三届可视化大赛刚刚开始了
我这里都是拟人化的，实际上这俩的对话大多不是这么友好和直观，再次要感谢IT部门的小伙伴们或者你们的供应商们，他们为了实现CMO们的美好生活干了很多脏活累活。
后来这套架构和思维也用在了最大的连锁餐饮企业之一中，做个小程序能在9个月增粉7000万，现在1.1亿的注册用户的那种。
要做到这些，都是数据科学的范畴。
==============土味分割线之二=============
真实的CMO业务场景中可不止做个市场活动这么简单，接下来我们讲讲企业面对市场的时候的运营。市场本身也在瞬息万变，状态空间非常巨大，所在的博弈场景又信息不对等，我觉得无论你是不想开始生产自救求发展的那种，还是想在新的形势下创造新的商业机会的企业，特别是你面对的客户也在变化并适应新的环境的时候，你脑子里很可能很大一部分呢是“如果我现在采取…那么会…”的盘算，
每一次说到那么的时候你都有个经验值，大概能预期获得什么结果，这个经验值的最后准确度和做计划的人的经验有一定的关系，当然也或者叫做臆想，因为通常半年一年后的结果和之前我们美滋滋在家想象出来的结果区别都很大，要不怎么会有一句俗话叫做：
我们应该经常有人纠结于“你系统这个对销售的预测不准”，大哥大姐，等等，销售预测的本意啊，咱们仔细想想本意啊不是用来准确预测销售的好嘛。昨天估计有人在群里直播中已经看到了“十大To B销售测不准原理”，这十条里哪一条是能客观客服的你说。
而且复杂的业务环境下市场响应模型肯定不然能如上图那么简单。这个不同企业有不同的看法，不过核心是不变的：当市场出现了一个变数的时候，会引发什么样的状态空间的变化，以及模拟出牌后的结果。
我开始举例子，我们一年一度的企业计划，大客户部开局两张图：
“看看这涨势！我们希望市场部能在我们大客户这个部分投入重金！”
你就在想啊，“If我把更多的资源给大客户部，then大客户销售提高，而且限制条件是成本要控制” 这句话是不是成立。如果你手头用的是Power BI的话，可能就能交互式询问：”我还想看看这个成本是怎么组成的“
你就得到了这么一张图。
你这么一看，哎呀这也太不划算了，你大客户简直是预算黑洞啊，你看看人家社群投入这么少就能获得稳步增长，会不会是因为跟To B CGO合作了？这个时候我们就收不住好奇心了，以下耳熟能详的问题仅供参考：
肯定有人会思考，好像我每一次都会找到刁钻的角度去尝试理解这件事发生的本质，这样对于我能更好地做出决策起到很重要的作用，那我每一次都要问一遍类似上面的问题岂不是很累么，有没有谁可以做我的小助手，当市场上、公司内有一个新的情况发生时，帮我梳理一遍呢？
有啊，还记得之前我们说的Machine Teaching么？本意就是在尝试做这样的事：用数据科学的工具，帮助业务领域的专家们也就是在座的各位去多维度、广域、快速地建立对业务的判断和分析。当然这真要细讲的话涉及到了深入的数字化升级的方方面面，今天我们就不一一掰开了，如果有兴趣，可以关注微软、长江、清华、中欧合办的AI商学院。
=========土味分割线之三==========
我们刚刚讲的还是在昨天线下模式下和人打交道的时候可以用的数据科学，当然这些工具明天也能继续用，而今天和明天你要采用的工具可能更全面。
比如，现在线上会议也好，你的服务是在加速以线上的模式呈现给用户的也好，原来线下非常难做到的事情发生了。
你已经分不清这是人读的还是，这是用微软人工智能中的一项服务来，叫Speech，现在很多在线教育正在兴起，你怎么能让一个老师对着一两百个平板跟前的孩子用自己的声音去个性化响应，就是用这样的技术。当然Speech还有个能力，看看视频
就是能记录下来线上活动以前无法被分析的那部分：语音和情绪。你品品，你品品，当这些维度加进来以后可能对未来的Marketing产品和服务产生的影响吧。
所以第二个观点：数据科学的工具能帮你从内而外地更清楚地理解你所面对的客户群体，并对原来人眼很难理解的数据的价值进行挖掘。
=========土味分割线之四===========
我们的第三个观点。微软从2015年运营第一个群到现在已经有30多个第一方运营的微信群，40多个由社区专家组织和运营的专项技术群，经过这几年的观察，在To B的业务形态中，原来线下不太容易实现的一些数据化的手法变得更容易，但是请清楚地意识到，To B的生意不是像To C那样只要精准投放就会自然地漏斗形结单，To B要做的那一套流程几乎还是少不了的，下面这个过程基本上都逃不过。
B端销售的流程各位比我的理解强到不知道哪里去了，你的产品得过硬，你的售前技术顾问还是得跟客户做Workshop、试用、写方案、报价、投标或者组织渠道做培训等等，不能指望着上了社群、上了流量客户自然就是你的了，有没有被你的潇洒倜傥美貌才华打动直接改成买单的？有，但是凤毛麟角不能当饭吃的，做B端的生意还是有B端的规律。
============总结的分割线==============
我们总结一下今天用一个例子开始来跟大家展现的CMO们必须要懂的数据科学，这半小时你要对未来武器库里都应该有些什么有个了解，或者如果你的服务对象是CMO的话，你应该告诉你的服务对象，并且能在你的服务中逐渐体现出来的。
各位CMO都跟我一样很有才华
