本文根据2019年8月27日，Stratifyd CEO 汪晓宇（Derek）在“全渠道获客增长沙龙”上的演讲内容整理。以下为演讲原文：

大家好，很高兴今天来到这个场合跟大家做一个简单地分享，知道今天在场的听众以市场的同学们为主，那么我今天就中国市场的美国市场全渠道运营的一些特点来简单聊聊，中美市场首先有一个很明确的不同点就是美国是一个只有3亿人的市场环境，但中国有13亿人，所以美国的CPG（Consumer Packaged Goods）公司或者客户营销类型的公司，他们每天最大的一个开销就是绞尽脑汁去想，我怎么在那个人（客户）身上不光是挣到钱，更重要的是我如何在他们身上挣更多的钱，所以就相当于他们看中的不光是获客，而更多的是把我额外的产品再次售卖给客户。

以苹果为例，我卖给你手机，但我现在不光是在售卖手机，因为手机这个市场增长其实已经很乏力了，那我开始卖耳机，一个苹果耳机一两千，但其实一部手机也才几千块钱，当大家都多购买一两千的时候，就能够造成几个亿的收入。这个就是他们所想的这种营销的过程，其实无论你是否是全渠道，无论你是不是把多个数据连通在一起，你最终的目的是了解你的客户，那怎么去了解你的客户呢，这可以说就是Stratifyd能够成立和存在的一个原因。

简单介绍一下，Stratifyd成立大概五年，在全球范围内也有很多的客户，以金融、医药、汽车和CPG营销、电商为主。

自从创业以来我们所看的出来一个问题是：如何能够在已有的客户身上进行增值，这个过程中最重要的就是理解客户产生的数据。这个理解不光包括结构化的数据，比如说具体位置、上网时间等等，更多我们还要看到的实际上是由用户自行产生的（非结构化）数据。比如说评价、比如说用户在京东淘宝上的留言，这些文字其实是直接表达了用户对消费的喜好，如果我们把这类文本数据和其他的数据连接在一起以后，就能够更清楚的对每一个人或者说每一类人做出相应的画像。

那么我们在做的其实就是把这些理论化的东西变成一个产品，这个产品也是面向每一个普通的业务人员，而不再说是企业里面非常少数有的数据科学家，或者搞数据搞技术的同事才能使用。在我们的产品内，每一位员工都可以建立理解和分析他们所有的数据，不需要录入任何代码，全程几乎只需要点点鼠标就可以完成。

大家都知道的，所谓的全渠道的数据分析，它并不是说你没有了全渠道你就不能做数据分析。

相反的，在众多渠道中根据你的需求选择一些对你来说非常重要的渠道，这才是第一步。

因为大家都知道，在今天的市场环境里，渠道很多，光官方的渠道就有不下十几二十个，在欧美也是的一样的。不是说每一个你想触达的用户都在所有这些渠道上面，比如说有些是针对老年用户的产品，那你就不太适合到微博上去抓这些人的信息，即使有也非常非常少。美国也一样，你要是想找白人，40岁以上的男性，你不要去推特上找，更多这些人是在脸书上进行发言，他有很明确的这种渠道划分。

对于各位做运营做市场的人来说最重要的是你要理解，我们的产品在哪卖的多，我如何把相关人群的数据都扒出来，然后更好的服务于自身。现在我们经常会看到一些言论说你最终是要把全数据进行融合，然后进行相关的分析，但实际上当数据进入到企业里来的时候，是很难把张三在微信上说话和张三在微博上说话去绑定到一起，即使你是技术型公司也没有可能这么做。

现在世界各国越来越注重用户隐私，越来越多保护隐私的法律条文出台。你想把各个平台的数据打通连接在一起基本是行不通的。

那怎样把这些多渠道数据孤岛的数据，包括文字数据和结构化数据，进行定性和定量分析也就成了获客的关键。我怎么样进行营销推广，其实更多的都是由机器做自动化的过程。所以这个是我们在我看到未来一个很重要的方向——自助化服务，我说的这个自动化绝对不是由机器来取代人的作用，而是由人的经验加上机器的辅助去实现这一套整体的数据融合、分析、触达、预测的过程。

今年我回国后也是开始慢慢理解了中台这个概念，中台是什么？中台不是一个软件平台，从我们的浅见来看中台更多的是服务于每一个业务人员，让你们能够更快速去理解和找到问题的根源在哪里，可以在这个营销的环境里找到我们的客户在哪里，而不用去时刻跟技术人员要数据，它能实现快速的建模并且把这个模型应用到你的实际操作过程中去，但是这个里面其实最重要的是你的价值体现。

在中台平台里面最重要的有两块：

第一个是探索洞察，每一个企业里面你们所要做的营销的方案其实都不一样。你需要能够用一个中台让你发现这些问题，并替代人力去做那些重复性的步骤和工作。中台的存在是说能够让我开始每天去看一些新的东西，去找到一些新的增长点。

第二步是有结果导向的AI推测来进行这种预测性分析，当中台有了这两个能力，无论最终你用短信的形式推送到用户，还是用微信或者是平面广告，这个都不重要，因为这个只是触达的方式。重要的是你知道你触达的原因和触达人群。

以下我简单分享几个我们服务过的客户案例来方便大家更好的理解我们。

案例1

我们国内的第一个客户是一家保险公司，他本身已经有大量的包括手机号在内的用户信息，他们想知道日常的电话销售效果究竟怎么样，然后在我们的帮助下，将电话销售的录音转化成文字数据，然后将那些有成单或者没有成单的数据训练成模型。当客服人员或者销售人员再打一通电话，经过数据对比之后，预测模型就会告诉你，是否需要再次给这个客户打电话，他的最终购买率是多少。最终成功地将这家企业原本0.25%的成单率提升到将近1%。

而且整个过程都是他们业务人员自助式使用我们的产品，可以说实现了完全的自动化。

案例2

我们的另外一个客户是一家汽车企业，他们的数据分析部门在回溯企业品牌价值的时候，发现过去几年的 J.D. Power Initial Quality Survey (IQS) 报告中，消费者的满意度评分持续降低，这是为什么呢？他们找到我们，希望知道这种客户口碑极速下降的原因。

好在他们很早就意识到消费者反馈的重要性，在邮件、电话、在线聊天等各渠道中都保留了大量的客户沟通信息；同时也对不同车型都进行过消费者问卷调研，收集了大量反馈数据。

这些非结构化数据中包含了很多导致满意度下降的具体原因。但是如何快速准确地分析这些数据，并最终提炼出重要的消费者洞察，对于他们来说是个难题，当然这也是最终找到我们的一个原因。

分析全渠道消费者洞察时，他们关注了几个非结构化指标，如业务差错 （TGW，things gone wrong）、糟糕体验 （DTU，difficult to use）等。

通过 Stratifyd 平台的自动分析，该企业很快发现旗下汽车仍需提升的具体方向，比如胎压敏感度、刹车板杂音、导航问题、娱乐功能等。当然也会从消费者那里听到很多自己的竞争优势。这些洞察对其后续研发新车，或改进现有车型以及品牌营销方面提供很多很有意义的指导意见。

在分析过程中，该企业还发现了一些意想不到却十分关键的问题：

例如，我们在用自然语言理解模型（NLU model）分析车主反馈时，发现一批车主抱怨开车时有“烧焦味道”，发现是谐振器组件丢失所致。利用 Stratifyd 分析平台，分析人员很快定位车系、车型以及批次，并发现该话题主要集中在美国的阿拉巴马州，于是该企业迅速采取应急预案，进行定向召回。

这家车企也是通过自然语言理解模块识别消费者反馈的流行话题和情感态度。从发现问题、洞察探索问题背后的原因，到最终决策，每个环节都能做到数据驱动（Data-driven）。最终不仅提升品牌价值，也增加了消费者的满意度与转化为收入增长提供了前提。

以上这些案例只是我们服务的众多客户的几个典型性代表，随着客户数量的累积，还有更多更复杂的场景问题有待我们去探索和解决，但是底层的逻辑和探索的这个方式方法是相通的，在此我们也希望说得到大家的支持，如果大家有了关于客户反馈的数据需求时可以第一时间来考虑试用Stratifyd来协助解决，相信这个探索未知的过程会带给我们共同的惊喜，感谢大家我今天想讲的就是这些，接下来希望可以跟大家做更多的交流与互动。