数据驱动增长？看了太多虚假的成功，我们来看看真实的失败（上集）

“所有的增长都有迹可循。”

我并不否认所有的成功都是有方法的。就如同某某咖啡，当铺天盖地的广告向你砸来，你很难避免不被这种“饱和营销”的冲击波打击到。但本质上，它与“脑白金”的增长方式无异，尤其是手持10亿元充足的资金去做“增长”的情况下。

所以，我对这类成功保持敬而远之的心态，不是人家不成功，是这样的成功方法你确实无法复制。我们自己也应该清醒地意识到：鸡汤可以被灌，但喝多了还是会消化不良。

我总觉得，搞清楚风光背后的真实故事，比被这些风光感动了更加重要。而真实故事，如同现实和童话的差距，提醒我们仍然身在人间。

所以，今天我不想讲风光。所有的成功都不是偶然，所有的失败其实也都有迹可循，我讲讲人们期望的增长为何最终失败落空。

所有的案例都是真实故事，但部分为保护隐私隐去了名字，欢迎大家不对号入座。

故事一：获客增长：为1亿人提供一对一的单独营销

所有的增长都来自于获客。互联网广告走到今天，精准定向让我们能够真的实现对不同消费者的有选择性的投放。这使我们的获客能力强于以往。

不过，精准最常用的还是针对分几个人群的精准，但我们是不是可以更大胆一些，把精准的颗粒度极大的提高，实现对每一个人提供独一无二的营销体验，让每个人都看到他们想看到的东西，从而创造更好的获客？

这个想法绝对是一个好想法。于是，案例故事开始了。

案例企业和第一次营销投放

案例的主角是一家著名的快消企业（A企业），他们提出了一个雄心勃勃的计划，要为他们的1亿受众提供人人不同的定制化营销，即一对一的个性化营销。

基于这个计划，A企业市场部门制订了第一个方法论——通过DSP+动态创意的方法，直接覆盖大量的人群。动态创意是多达数十种的创意、文案等的组合，由DSP判断这些人是什么人，然后将创意自动化的针对性的组合出来，推送给不同情况的人。

但是，投放了一大轮，钱花了小几百万，似乎没有什么特别的效果，展现量虽然一大堆，但点击率似乎没有什么提升，最终的销售量也没有比普通的投放更好。

另一家广告公司在pitch他们的时候解释道，这种投放方法可能不行，主要是你不能掌握的事情太多了，数据你不能掌握、DSP背后（实际上应该是RTB背后）的流量资源你不能掌握，说不定你们的广告有没有投放你们都不知道呢。你们应该用现在的新的方法啦！

新的方法？客户半信半疑。

新的方法和第二次营销投放

新的方法论很快出炉，摒弃掉之前的方法，而改用更加具有数据指向性的方法。具体方法如下。

首先，利用A企业自己客户数据库（这个数据库完全算不上CRM，只是存储了历史积累的各种原因获取到的数百万条客户的实名信息罢了）里面的数据，在广告公司提供的一个第三方DMP中做数据匹配以及look-alike放大。几百万个实名数据，一下子能放大成了上亿个设备ID（比如IMEI，IDFA什么的）。并且广告公司宣称，这些放大的1亿的数据，与你们A企业数据库里面的人群较为相似，因为我们的look-alike的算法非常靠谱。

然后，广告公司宣称，这些1亿设备ID数据将投入到更好的广告资源去，包括腾讯系的社交广告、阿里系的广告、一众视频头部媒体、今日头条等等。这些资源绝对不是过去的RTB资源可以相提并论。

最后，为了增加效果，并且节约营销费用，广告公司强调所有的投放都能够针对每一个设备ID实现频次控制，从而非常均匀的分配广告预算，触达更多人群，且触达次数也能够比较饱和，从而让人们留下印象。

当然，之前投放的动态创意，那更是不在话下。

A企业市场负责人一听，太好了，这正是我们需要的呀！于是一拍即合，开干！

由于这次投放的资源比上一次更主流，所以，预算费用那是大大不能少的。

大几百万下去了，A企业市场部门和广告公司的两拨人忙得不亦乐乎，一个月之后，数据报表呈上，皆是一片喜人景象。但销售们和零售渠道们却私下议论销量似乎一点提升都没有，广告投放数据报告的暖，和销售量的冷形成鲜明的反差，甚至惊动了公司高层。

A企业市场部门的负责人心里既委屈又不忿，TMD的什么高科技大数据投放，原来是忽悠我的……

问题出在哪里

大数据营销绝对不是虚妄，但大部分的失败都是因为对解决方案的细节（也就是俗称的坑）缺乏了解。

第一次的方案，不见得没有效果，但确实需要可信的方式去证明这些投放确实发生了，并且全部（或者至少是）投递给了真人。这种需求，需要第三方的支持服务来完成。但即使所有的投放确实都投给了人，受众的画像数据也确实会如第二个广告商所说，不一定是准确的，造成投放效果降低。为什么存在这样的问题？因为受众背后的数据是他们的人口信息社会属性和近期的一些互联网行为，但这些数据并不见得对每个广告主都用得上，而第三方DMP更不可能对每个广告主都专门做数据标签的定制。所以，投放效果确实很不可预测，也不是很可控。

当然，也是因为这个广告主是品牌广告主，品牌广告主的投放缺乏一个明确的可量化的效果目标，从而无法同效果类的广告主一样，让DSP通过机器学习（监督学习）实现投放效果的优化。

那么第二种方法为什么在这个案例中行不通呢？

第二个方案有几个关键点：

1. 所有的数据打通都有技术解决方案的条件要求和规模的天花板。A企业自己的用户实名数据是如何实现与广告公司提供的第三方DMP中的数据做匹配的？匹配是否准确？

2. Look-alike究竟是如何实现的？用的什么算法？算法基于的数据是准确可信的吗？

3. 所有的数据应用都要有能接受这些数据的出口。这个方案就算前面两个都能做到，如何把这些受众ID数据作用在这些头部媒体上做投放呢？

另外，还有一个小点，跟1亿人做一对一营销，几百万一千万的投放预算应该不够。不过本来A企业也没有打算一次性把钱花完，而是先做一些pilots，这其实是合理的。

如何做是正确的？

案例中的策略在理论上是成立的，思路大胆但是绝对不荒谬。问题出在具体落地的方法论存在对广告技术（Adtech）认知上的缺陷。具体而言，将企业自己的用户实名信息匹配为对应的设备ID，是完全可行的。目前只能实现的是手机号转为设备ID，而且这一转变需要通过特定的服务商和大媒体的协作才能比较可靠的实现。如果这一步能够做到，那么下一步是通过look-alike放大人群，这一块对于各家而言基本都是黑箱，但至少应询问背后的算法是什么。不过，最最关键的是，头部媒体是如何能够接受并利用第三方广告公司的这些受众的设备ID来进行人群选择和投放的呢？

简单讲，头部媒体并非不接受，但这不是大部分媒体的标准化的服务方式，需要为广告主或者这个广告商定制解决。

在上面的案例中，应该是这些环节中的一个或者多个没有能够实现。

这种大规模的一对一的营销难度很大，但背后的思想却很有价值，为了实现落地，我会将案例中的两种方案做结合，然后缩小自己的野心。例如，我会首先定义场景，确保这些场景下的受众是某个产品的目标受众，随后，尽可能的拿到这些场景下的受众的设备ID数据，然后在利用故事中第二个案例中的头部媒体进行精确的推送投放。如果这个方法确实带来了效果，我们再随后做look-alike的小规模放大，直到确定look-alike也是可靠的。在这个过程中，利用经典的互联网营销追踪流量和分析流量的方法保持对这些流量可靠性进行监督。如果引入第三方的投放安全性监控或者品牌安全监控，那当然更理想。一口气实现1亿人的一对一营销，出发点没问题，但饭得一口口吃。

故事二：道高一尺魔高一丈

由于这个故事太容易对号入座，所以我把一些识别性信息故意写错，但不影响情节。

这是来自汽车行业的悲伤的故事，今天这样的故事仍然令人深感困扰。

案例企业和故事

B企业是一家全球知名的高端汽车品牌。汽车在中国的竞争一日比一日大，所以B企业的压力也必然一年胜过一年。

为了迎接挑战，转移这些压力，营销推广的目标越来越靠近后端的销售增长。先是考核留下联系电话的线索的数量；然后，又不得不考核这些电话中有效电话的数量。发生这一转变的原因在于，电话号码实在太不可靠，大量垃圾号码充斥其中。

于是警告汽车行业的部分垂直媒体，你们不能给我们假量，你们不能随便搞一些电话号码充数，否则我们会重新评估你们明年的投放预算！

媒体们也诚惶诚恐，表示坚决维护广告主爸爸的利益，电话的质量一定能提高。但似乎每家媒体最终电话号码的质量也没有多少提升。

之前的合同到期后，B企业决定用有效电话号码的数量跟媒体结算，立竿见影，电话号码接通率和跟客户对话的情况立即好转。

好转是好转，但是真正联系4S店来试驾的，却没见提升呀。

转眼春去秋来，B企业的营销部门坐不住了，不行，有效电话也不好使，必须让到店试驾成为媒体最终的，也是唯一的考核指标。

不久，似乎是媒体真的意识到了B企业是动真格的了，试驾数量果然提升了。并且，来试驾的人的电话，大部分都跟各个媒体当时获得的顾客留资电话对得上号！

似乎一切要画上一个完美的句号。可惜，很久过去，这些殷勤试驾的消费者爸爸们，绝大多数最终再未出现在B企业的4S店中。

时间流逝，各种数据都用上了，还是没有驱动真正的增长，难道真的要用最终购买汽车来衡量媒体带来的增长价值？

问题出在哪里？

汽车行业是营销作弊的重灾区。不仅仅是流量作弊，从前端到后端都可能被作弊影响。

由于汽车行业的营销兼具品牌营销和效果营销的双重效果追求，理论上对作弊的要求更高。品牌部分的作弊侵扰，与大部分品牌广告主遇到的一样：虚假投放、肉鸡、篡改报告数据等等，这些作弊容易进行，但是如果没有最终转化效果的反推，是不容易找到实锤的。可是汽车行业不一样，汽车行业追求销售leads（销售线索），而销售线索是一个非常好的转化指标。

但，这不意味着汽车行业就无法作弊，流量可以作假，leads难道就不能作假吗？对Leads的验证是防范leads作假的主要办法，但却并不能根本解决问题：不过是找到一些电话，找人接电话或者打电话罢了。于是出现上面案例中的一幕。

你会问，搞这么多电话，然后请人来接电话，得要花费多少成本呀。不过，问题在于，汽车行业获取一个lead的成本本身就高，一个高档汽车获取一个客户lead的成本可能高达2000元，一个人一个电话一天接10个不同厂商的电话岂不是轻轻松松，2000 x 10 = 2万元远远大于这个人工作一天加上电话的成本。

当然，可能不是简单这么算的，但是这样作假能不能赚钱是没有争议的。

Leads作假容易，于是广告主不得不按照到4S店试驾的人数来追踪投放效果。理论上这种方法应该很难作弊了。可惜，尽管增加了作弊难度，但是由于汽车行业CPL（cost per lead）的价格太高，而就算是找真人去4S店“假试驾”的成本远远高于倒腾点假流量的成本，与CPL之间仍然有很大的利差。

你可能会问，其他行业也有很多拼leads的，比如教育、金融之类，怎么没有这种情况。归根结底，这还是一个算术题，因为汽车行业的CPL足够高，利差足够大，才能玩得转。其它行业，一个有效lead成本500块甚至更少，人肉玩虽然也能赚钱，但是效率就低太多了。

案例中的汽车企业，很有可能陷入了这一作弊陷阱。据悉，在他们所处的华X地区，仅仅某个核心城市一地，就有不下三个家族从事这一“作弊服务”工作。每家可能都有数百名“员工”常年在各个4S店之间穿梭。

如何做是正确的？

所有的增长期望都必须防止作弊的侵扰，需要数据和技术相结合。

技术上，有一些“清洗号码”的公司，能够帮助了解电话号码背后是否是一个普通人，还是骗子。有些公司声称自己的服务能够探知一个电话号码移动的轨迹，从而判断这个人是否日夜穿梭于4S店，但真实性不完全可考。当然，运营商肯定有这个能力，而我也不排除那些跟运营商合作的公司能够获取这个能力。数据上，必须要求第三方监测至少能够被加入到leads获取页面中。

当然，利用最终的销售或许真的是一种可行方式。只是要花费更多时间作为代价。如果一个媒体带来的leads，在未来半年都没有任何转化，那么这个媒体至少在带来有效的人群上价值不大。

但，如何做是一定正确的？我也没有答案。但我冥冥之中觉得，汽车行业用最终的效果做衡量，可能会把自己也逼到非常被动的位置上。

故事三：饮鸩止渴

很多广告主死于饮鸩止渴。或者在某种意义上，他们可能连“广告主”三个字都还称不上。

案例企业和故事

人们对于互联网营销的认识差异巨大，因为互联网营销本身就包罗万象，五花八门。

很多生意，在第一次接触互联网营销的时候，在一开始都会万分激动，犹如发现了一块巨大的金矿。

案例中的C公司即是如此，他们销售自己的某一种K12线上培训产品，过去在线下布点，互联网发展起来之后转到线上。线上推广最初选择的是搜索引擎，主要投放品类词（教育的品类词）和长尾词，但ROI并不理想，获得一个有意向的客户，得花一两千块钱投放成本。

大约半年之后，他们找到一个更有经验的数字营销负责人帮他们看看有没有机会提升。

优化效果类投放的效果很依赖于数据，根据这些数据，你很快就能发现，有一些生意优化空间不大，有一些生意基本上看一眼就知道一定能有很大的增长。C公司属于后者。

按照通常的做法，同事们负责优化投放的账户和出价，对落地页重新梳理卖点进行设计，利用Google Analytics做分析和AB测试，再加上人群卖点挖掘不断扩展核心词，ROI和销售额不断提升。

讲到这里，你会说，这不像是一个失败案例呀。别着急。

C公司尝到了甜头，意识到互联网营销的效率真的不一样。很快，信息流广告席卷大地，C企业当然也大量投放信息流广告。得益于高效的效果类广告投放，短短一年多时间，报名数量从最初一个月的不足30个，迅速增长到超过300个。C公司的老板很激动，将自己的下一年的销售额定了翻两番。人员也扩大了三四倍，主要增加了电话销售和互联网推广。

销售目标增加，更多的人员进来，C公司开始面临一些压力。于是找寻更多的效果渠道成为当务之急。搜索引擎渠道有限，那就赶紧找更多的信息流渠道，但是很奇怪，做互联网营销的同事们多了，ROI却反而降下来。报名数量勉强维持在月度接近400个而难以突破。这使营销负责人承受着很大的压力。于是，花费更多的时间寻找更多的流量，与各个大流量媒体签订年框，找一些“名人、网红”发文章，搜索关键词的投放也从和核心的一些词，拓展到次核心的一些词。

报名数量又上升了一些，达到了月度600个，而ROI却降了不少，获得一个有意向的咨询，成本又重新回到一两千元。不过好歹拓展渠道和增加投放之后，每天的电话咨询量增加，大规模招进来的电话销售能有事可做。

但是，由于ROI下降，规模扩大了，利润却反而降低了，蜜月期过去，C公司的老板心中，总觉得互联网营销的这个新负责人，还是工作不力。

而这个负责人，也陷入到一个疲于奔命的怪圈，为了提升规模而不得不到处找流量，而找到流量增加了规模之后，又面临ROI下降的窘境。为了优化ROI，部分流量又得砍掉不投，结果规模又降下来。不管怎么样，都达不到老板的预期。

很快，在这么将将就就办好不坏的度过了有一年零几个月之后，随着几个主要流量渠道的CPC或者oCPC诡异的提升，并且另外几个渠道的流量质量毫无征兆的突然下滑，C公司的销售规模和营销成本都受到很大冲击。报名数量又回到一个月300个左右，甚至更低，而ROI却远不如从前。

新的营销负责人不得不另寻高就，而C公司花费了两三年时间，又似乎一夜回到解放前，但成本却今非昔比，这使C公司甚至更不如前。

问题出在哪里？

如果我们学过微观经济学，我们就知道任何一个企业都有它的最佳规模。当大于这个规模，边际成本会增加，而边际收入会下降，从而降低利润。当然，还有一个盈亏平衡的规模，因为随着边际成本的进一步增加和边际收入的进一步下降，利润甚至可能变为负值。

随着流量数量的增加，流量质量不变的情况下，流量的单价一定越来越贵（或者流量的价格不变甚至降低，但是流量的质量却越来越下降，从而实际上等同于流量质量不变，流量单价升高）。因此，在这个模型中，边际利润不管怎么样都是下降的，直到边际利润下降到0以下，企业的规模边界也就产生了。这个案例完全符合这个规律，或者说，所有的企业都服从于这个规律。

这也是为什么再牛逼的企业，也不可能无节制的变大。对于任何企业而言，本质上它们都是“小而美”的，只是“小”的规模不同而已。

当然，如果任何企业都希望扩大自己的规模边界，而典型的“流量企业”（依托于效果营销流量的企业）则更容易产生自己不存在“规模边界”的幻觉。