数字营销界的十大"无解"悖论

在数字营销的世界中浸淫的时间久了，你可能就会隐约感觉到一些很有意思的事情。比如，你会常常发现或是遇到一些充满矛盾的状况，一些顾此失彼，不可得兼的事情，而偏偏行业中又有各种五花八门的理论和嘈杂的声音，嚷嚷着他们已经很好地解决了这些矛盾问题。

我们总结了十大悖论，这些悖论并不真的都是“无解”的，但却并不容易破解。很多企业铩羽而归，而营销界偶然爆发的奇迹，也正是源于对这些悖论的突破。

一起看看，欢迎来辩。

悖论一：原生化与商业化

这几乎是互联网产品最打不开的结了。顾名思义，如果你想要不带利益的原生UGC内容，那么就很难做到优秀的商业化；反过来，好的商业化会严重影响UGC的水准，因为掺杂了商业利益的内容，很容易被用户识别并唾弃。

这几乎是今天“知乎”苦苦挣扎良久却不见显著商业化的核心命门，同样也是“小红书”的命门。小红书有严格的内容审查控制，拒绝商业植入，甚至不惜关闭部分做得“过分”的品牌账号（据说某知名美国品牌护肤品就被惩罚性关闭账号多次）。

坦率讲，正是这样的“牺牲”，知乎和小红书的内容质量才能得以保证，用户才能得以维系。

但反过来，“微博”是商业化做的足够狠的，甚至连“加粉”都能搞成业务，但泥沙俱下，内容除了可以追追八卦，其他乏善可陈。若没有明星分手离婚或者跟不该在一起的人怀了孕，真是很难维持增量。

有些小众平台，似乎把商业化和内容结合的不错，例如chiphell，但也正是因为有商业化，所以作为忠实用户的我，也已经能察觉出质量下滑的痕迹。

原生化和商业化，真的是无法得兼。

悖论二：隐私保护和数据应用

言必谈隐私保护和禁止个人信息现在是政治正确，但是政治正确的事情，未必是本质正确的。

不过，从目前的发展脉络看，隐私保护和数据应用正朝着无法得兼的方向发展，令人担忧。

国家立法，目前感觉一刀切的痕迹明显，例如，把IMEI和IDFA混为一谈是一个很明显的特征，IDFA是软件ID，本来就是用于广告追踪的，但却被国家标准（国标35273）划入个人信息范围。正是因为IMEI存在问题，所以未来的安卓系统会使用OAID，与IDFA同质，难道也会被划入个人信息？

数据从发生到灭失全部需要隐私和安全的保护，但同时，隐私和安全的保护不仅仅只是保护本身，更是为了让数据能够发挥更大的价值。

一个司机开车，他的驾驶习惯和操作数据，对他自己可能并没有太大的价值，但对于机器学习和自动驾驶，意义就非常巨大。这些数据应该在确保隐私的情况下被更好的利用，反过来造福人类。

但因为不分青红皂白的禁止而灭绝了数据的应用，那是巨大倒退。这个悖论为何无解，是因为它实属“不可抗力”，从业者很难撼动“决策者”。

悖论三：“围墙花园”与“公域数据”

限制数据应用的不仅仅有“隐私保护”，还有“围墙花园”——各个数据控制者为拒绝数据分享而高筑的壁垒。

围墙花园的存在，强化了强势媒体的垄断地位，但严重削弱了企业（广告主）在“公域数据”上的能力。企业在“公域数据上”的应用，变得更割裂（不得不与众多强势媒体分别合作），也变得更“黑箱化”。

围墙花园甚至改变了产业的生态，例如，围绕“公域数据”的供应、监测、追踪、交换、验证、应用等环节提供服务的供应商逐步消失或转变，后者不得不往更偏重于企业内部数据、自有数据的方向。

围墙花园和过于一刀切的“隐私保护”事实上抑制了行业的活力和创造力。但从广告主的角度上看，破解这个悖论的可能性越来越低。

悖论四：精准与规模

精准与规模很难得兼，我们所做只不过是尽量让二者平衡在一个可以让我们接受的程度。

例如，心急的广告主可能希望在定向类的广告开始投放时，只定向最准确的目标人群，以扩大成交概率并降低浪费，却意外发现自己的预算很难被消耗。

尽管很多广告服务商强调他们拥有规模化精准的广告投放能力，但规模化精准仍然是一个悖论的原因在于，高浓度目标人群的数量总是有限的（你不能一直收割而不去耕种），以及流量市场本身的竞争性降低了你获得精准人群的概率。

所以，任何一个单一媒体的投放，即使在高精准度技术水平之下，也只能得到一个不断衰减的规模曲线，这也是为什么我们说，外部流量的红利是不能持续的。

悖论五：品牌和效果

对于一次营销campaign而言，品牌和效果是数字营销的两端，因此，品效合一的说法与实践一直存在大量争议。

大部分从业者支持二者无法被统一在一次campaign中：无论哪种营销campaign的策划，本质上都有只能有一个最重要的核心目的。若品牌和效果要同时成为目的，则不太可能在一次campaign中发生。

但这个悖论并不是没有被人“突破”过。

例如，某网红带货100台某M开头的微型时尚豪车，在2017年成为汽车行业很爆炸的新闻，它本质上不仅产生了销售效果，本身也构成了一个促进品牌认知的事件营销。

但同时，品效合一的反方也对这个貌似“经典”的案例提出了质疑，理由有二。第一，真正效果的达成存疑，是否真的是100个普通消费者，还是100个“托”无法证实，这些销售达成看上去更像是“有脚本”的精确“炒作”。第二，即使是真的有100个真实粉丝的购买，那也不过是刚好想买又碰到了这些限量版的车，即使没有这个活动，这些车大部分还是会被这些人买走。因此，这个活动谈不上是“效果营销”，它就是制造了一个事件的“品牌营销”而已。

如果你问我倾向于支持品效合一是可能的，还是反对它。我也倾向于反对。

悖论六：作弊和反作弊

作弊和反作弊是非常特殊的一对。不仅仅是因为道高一尺魔高一丈的关系，而是在于其深刻的“商业伦理”原因。

存在即合理，作弊这个事情也不例外。按道理讲，广告主对作弊是非常痛恨的，但事实似乎并不完全如此。

营销需要达到某种目的，在这种目的已经很可能不能达到的时候，创造一些可能性，让它至少看上去达到了这个目的就显得很重要。这并不完全是为了应付上面的老板，很多时候是为了让这些“做出来的数据”所展现出来的成功给消费者信心。

因此，作弊肯定不可能被杜绝，有需求就有市场，作弊本身有持久的需求，即使不算是强烈需求，也至少可以称得上“旺盛需求”。

另一方面，反作弊的情况也很微妙。有一些作弊是无法用纯粹的技术手段去“反”的，例如，利用金钱刺激让真人去点击去参与的作弊，技术是难以攻破。这成了成本游戏，而不是一个技术问题。同样，“薅羊毛”的行为本身也是利用规则的漏洞的作弊，也不是技术可以直接搞定的。这些是运营的问题，要通过设计更好的规则增加作弊的成本。不过，无论什么样的规则都有漏洞，因为规则本身是死的，而人是活的。

从这两个角度看，作弊永远不可能被禁绝，也不可能被消灭。作弊和反作弊会永远存在，作为一对相互依偎的生意。

悖论七：AI和HI

人工智能（AI）非常依赖于“人的智能（HI）”，它还远远达不到能自行工作的地步。

一方面，AI在很多场合下的应用是死板的，不够精细，但能够补强人工效率低下的问题。因此，AI打前阵，人在AI处理之后再用精细化的思维解决战斗是最佳模式。无论是利用AI查看肺部造影的阴影，还是用AI找寻作弊流量，均是如此。

另一方面，AI的最大价值在于“学习”，而学习的成败，很多时候来自于人告诉机器什么是“对”，什么是“错”。或者说，监督学习中“监督”二字所代表的对AI处理成功与否的判断，很多情况下仍然得来源于人。

最后，开放场景下（非监督学习）的AI，极为需要HI作为基础。例如，NLP（自然语言处理）非常依赖于人构建的知识库和知识图谱，而不仅仅只是AI自身算法的问题。

在真正解放人的思考之前，AI更需要大量人的思考参与其中。

悖论八：搜索和信息流

典型的AI与HI相结合的媒体领域，是信息流。

信息流通过人的行为的数据，判断人的兴趣，然后主动提供给人信息。这种方式带来的副作用是，人们主动搜索的需求有可能被减少，并降低搜索引擎的价值。

搜索的出路成为一个悖论。

一个思维是，继续强化搜索体验，让人们更容易找到真正有价值并最相关的内容。例如，谷歌所奉行的，要让人们尽快离开搜索引擎的思想。

另一个思维是，搜索引擎信息流化，以百度为代表。即，就算你要找东西，到了我搜索引擎，也想办法不让你走了，无论是移动端（搜索底部就是大量的信息流内容），还是PC端（侧面是“搜索热点”）。你会发现到了百度之后不知不觉花费了大量原本搜索需求之外的时间。

这究竟是一种更好的体验，还是更差的体验呢？

只有一点是可以肯定的，这是一种自救，而与用户体验早已没有干系。

悖论九：Local Host和SaaS

Local host和SaaS是有一个不可得兼之物。Local host理论上当然不存在安全忧虑（实际上可并不一定如此！），而SaaS则更易实施，且成本低廉，维护方便，能始终保持最更新的状态。

如果我需要万无一失的安全，是否必须要用local host？

认为为了安全就必须用local host本质上是一种“懒惰”，你最终会发现，绝对的安全是不存在的，而泄露信息的，十之八九并不是工具本身。Local host所带来的“安全”是一种感受，而不是一种真正技术上的保障。SaaS和local host的问题不在于安全技术的区分（尽管它们二者确实技术实现上并不一样，但安全性并不绝然有高下之分），而在于信任本身。

你信任这家企业，无论是local host还是SaaS，都应该是安全的。

你不信任这家企业，local host也未必会带来更好的安全。

营销领域的应用解决方案究竟应该是local host（包含私有云）还是SaaS？在绝大多数情况下，甚至是在构建私域数据这样的平台的情况下，SaaS其实都是更好的选择。