“你真的在进行数据驱动型营销还是以为自己在做？”

虽然现在大多数的团队都奉行以数据为导向，但是否真的已经转变为使用数据来制定策略，或者指导决策？还是根据这些数据做出有根据的猜测？

这两者之间并不是画上“=”的关系。可以问问自己：“需要执行多少个数据驱动的测试？”如果什么都说不出来，那就很难说会进行数据驱动的营销。

好的数据驱动型营销人员会善于使用“测试和学习”这种方法。这也是我今天想聊的话题——怎样进行“测试和学习”。

此前有一篇相关文章：下次网站转化率太低时，看看这5个步骤，里面提到的转化率优化（CRO）就是“测试与学习”方法的一种应用。

那么到底什么市场营销中的“测试与学习”原则？

它其实是数据科学的产物，将从数据中获得的见解作为假设，然后进行测试以证明其价值。

在大数据时代之前，营销决策很大程度上是由相关的洞察力和内心的直觉驱动的，而绩效的唯一衡量标准是含糊不清（且相互关联）的KPI，例如利润。

这样做的问题在于无法证明哪些营销决策实际上会导致更高或更低的利润率，相对应的也就没办法真正从成功或失败中吸取经验（一切都像是投机）。

测试：排除市场营销中的猜测

“测试和学习”通过构建一个数据驱动的系统来消除这种猜测，将有意义的KPI分配给每个广告系列，衡量效果并测试变化来确定哪种策略最有效。

营销工作将不再是投机的，也不会无意识踩坑浪费预算。

学习：将见解转化为更好的营销决策

怎么理解？

比如说找出正确的假设并按价值顺序对它们进行优先排序。这就是“学习”。

当然也可以从以前的实验（及其数据）中学习，以创建新的假设或确定哪些测试机会会产生最高的ROI。甚至可以将实验数据输入到机器学习算法中，以构建预测性分析模型，该模型可以发现测试机会，根据结果提出建议并预测结果/价值。

投入实践

像前文提到的CRO可能是最广为人知的应用。具体的可以看这篇文章内的操作步骤（下次网站转化率太低时，看看这5个步骤），在此不多做赘述了。

但不是每一种营销策略都像CRO一样定义好了一个特定目标（提高转化），如果想将“测试和学习”这种方法应用在其他策略，思路是什么？

首先要做的毫无疑问是确定测试目标是什么。比如下面罗列的这些示例：

• 评估自然搜索策略的投资回报率
• 比较不同渠道的潜在客户价值（例如，付费搜索与付费社交）
• 测试内容类型的有效性（例如视频与文章）
• 确定哪些内容主题产生最高的参与度
• 测试新平台的潜在价值（例如TikTok）
• 根据获取渠道及其在营销渠道中的位置来计算销售线索的终生客户价值
• 确定有哪些不利因素阻止潜在客户转化为客户
• 优化营销渠道，以减少放弃率并最大程度地提高转化率
• 优化客户体验，以最大程度地提供重复购买和终身客户价值

拿其中一个为例：假设我们要测试的是，付费社交广告系列中不同内容类型的有效性。应该怎么做？

第一个要面对的问题就是，为什么要对此进行测试？

是想最大化投资回报率，提高点击率，提高参与度，提高广告产生的潜在客户的质量，还是其他的？

给出的回答很重要，它定义了下面应该如何进行测试，衡量结果以及可以从中学习的经验价值。

＃1：定义目标和KPI

假设目标是确定哪种内容和广告格式在Facebook，Twitter和LinkedIn上用户的参与度高。那么需要做的就是定义用于衡量每个渠道参与度的指标和KPI。

虽然Facebook Advertising具有专门的用户参与度指标，但对比较三个渠道的效果而言帮助不大。所以必须创建自己的指标用于一致衡量每个渠道上的广告参与度。

比如可以创建一个自定义指标“平均参与率”进行计算，可以将每个广告变体的点击，喜欢，分享和评论的总数相加，用该数字除以展示总数，然后将该结果乘以100。这样可以为测试的每种内容和广告格式提供每个渠道的平均参与度（％）。

＃2：提出假设

在开始运行任何测试之前，需要先提出一个假设。

理想情况下，这些数据将基于可以访问的相关历史数据，例如计划测试的每个渠道上以前广告系列的参与度报告。可能有一些相关数据表明视频广告在Facebook上获得了最高的参与率。但是，尚不清楚哪种广告和内容格式在Twitter和LinkedIn上的效果最佳。

因此，可以提出一个假设就是视频广告是Facebook上最吸引人的内容/广告格式，接着进行测试加以证明；可能还有一些现成的数据表明推文在Twitter上宣传品牌、表达思想的内容效果最佳，这就可以是第二种假设。

一旦知道了要测试的理论，就可以开始考虑如何使测试具有参考性。

＃3：创建测试条件

为了从测试中获得有意义的结果，需要删除可能会使结果产生偏差的所有可能变量。

举个例子，如果拥有的不同受众群体或所使用的定位设置对互动率的影响超出想象，该怎么办？那就需要从测试中尽可能多的删除一些变量。

当然，有些变量是无法控制的，例如不同的格式设置规则以及每个渠道上广告的展示。不过，还是应该尽可能在每个渠道上投放相同的广告变体，并使每个平台上的相似受众群体看到它们。

＃4：首先测试潜力最大的创意

进行第一次测试时，比较重要的一点是首先从具有最高潜力的想法开始。因为它可能将显著提高ROI，转化率，销售线索质量或最有价值的绩效指标。

不可否认，计算始终存在风险，但这只是测试和学习过程的一部分，因此，先只关注在潜力高的部分上。

随着“测试和学习”系统的成熟以及使用的数据增多，计算也将变得更加准确。

＃5：运行测试，直到能够获得可靠的结论

为了确保数据可靠，需要运行足够长的测试。基本上，这意味着已经从足够的场景中收集了数据，可以在合理范围内（通常在95-99％的范围内）信任结果。

大多数测试的平台会显示一个百分比来表示数据的统计意义，我们可以正常运行测试，直到达到目标百分比为止。

要获得可靠的测试结果，需要考虑三个关键因素：

• 数据质量
• 数据量
• 时间

首先，确信自己正在从相关来源收集数据（在这种情况下，通常来源自广告系列的目标受众）。此外，还需要有足够的数据来抵消异常和变量。

其次，虽然需要一定的时间来收集足够的数据并获得统计意义，但是必须考虑圣诞节或季节性变化等时间变量影响测试的结果。

＃6：将见解付诸行动

如果对测试返回的统计结果感到满意，就可以使用这些结论来制作更具吸引力的社交媒体广告。

下一步？

很显然是继续重复这些测试，以测量每个平台上的参与率，查看其随着时间的变化。还可以在新的社交平台出现时开始添加数据，对结果进行比较，并确保自己的品牌始终活跃在最有效的渠道上。

实际上，还可以扩展这些测试来包括其他的KPI。

例如，每个渠道的广告投放ROI的比较。这将帮助确认值不值得进行投资，尤其当你花费很多的成本去制作视频广告的时候，这一点更为重要。

这种“测试和学习”的方法可以应用于网站上的任何营销策略，活动或者很小的设计改动。有了足够的测试和数据，就可以对未来趋势进行预测，例如降低参与率或ROI下降，并制定应急计划，以防营销策略被中断。

像亚马逊和Facebook等一些世界上最具创新力的品牌，已经建立了基于测试和学习原理的完整业务模型，这些原理将数据驱动的见解应用于他们做的每个业务决策。