我们产生的数据比以往任何时候都多。我们进行的每一笔信用卡交易、智能手机拍摄的每一个GPS定位，以及我们在网上进行的每一次鼠标点击，都构成了一个日益庞大和多样化的数据库。但这些数据如何被解读，信息如何转化为决策，是企业接下来面对的挑战。营销人员需要对数据进行分析，为决策提供洞察和证明。

营销分析使营销人员能够衡量、管理和分析营销绩效，以了解营销活动的影响，实现互动价值最大化以及优化ROI。因此，营销分析需要使用各种指标来衡量营销活动的绩效，从各类来源和渠道收集数据，并将其总结为一个统一的视图。然后，营销团队使用营销分析来复盘其营销计划如何执行，是否有改进的机会。如果没有营销分析，很难确定营销活动的有效性和ROI。此外，营销分析还可以提供关于客户偏好和趋势的深刻洞察，用于下一步的营销甚至业务决策。

主要的营销分析方法

主要的营销分析方法包括：

营销组合模型（Marketing Mix Modelling）

营销组合模型是一套统计分析技术，以销售增长为标准，用来衡量整体的营销效果，特别是决定不同营销渠道中的预算分配。营销人员利用这些分析结果调整营销策略，优化营销计划。

营销组合模型主要使用回归技术。在统计学中，回归分析（regression analysis）指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。在大数据分析中，回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。

多元线性回归：营销组合模型使用多元线性回归，在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。因变量可以是销售额或市场份额。通常使用的自变量是分销、价格、数字渠道费用、电视费用、户外费用、平面媒体费用、线下促销费用、网站访问者以及消费者促销信息等。因变量和预测变量之间形成一个等式。这个方程可以是线性的，也可以是非线性的，这取决于因变量和各种营销投入之间的关系。

预测因素的线性和非线性影响：某些变量与销售呈线性关系。这意味着，只要投入增加，销售将继续增长。但是像电视 GRP这样的变量对销售没有线性影响。电视GRP的增加只能在一定程度上增加销售；一旦达到饱和点，每增加一单位GRP，对销售的影响就会减少。电视GRP被认为是非线性的变量，电视广告只能在一定程度上引起消费者的注意。超过了这个程度，即增加广告的曝光，不会提升消费者对品牌的认知，因为他们已经知道了品牌。

基础销售和增量销售：在营销组合模型中，销售分为基础销售和增量销售。基础销售是不做广告的情况下，营销者获得的收入。这是多年来建立起来的品牌资产带来的销售额。基础销售通常是固定的，除非经济或环境因素发生变化。增量销售是通过电视广告、平面广告、数字消费、促销等营销活动产生的销售。总增量销售根据各个渠道进行划分，以计算各渠道对总销售的贡献。

贡献图：贡献图是最简单的方法，来衡量每项营销投入所产生的销售。每项营销投入的贡献是其系数和投入价值的乘积。要计算贡献百分比，可以用单次投入的贡献除以总贡献。

营销归因（Attribution）

消费者在整个购买过程中会遇到大量的触点，而大多数营销人员无法确切说出每个触点所带来的价值。这意味着他们无法了解是否有效使用预算。而营销归因可以帮助品牌决定哪些营销策略有助于销售或转化。归因模型包括单一触点归因模型和多触点归因模型。

其中，单一触点归因模型假设第一次或最后一次的接触决定了最后的成交。即使顾客在下单前看过20支广告，单一触点归因模式也只能确定20支广告中只有一支促成了转化。单一触点归因模式无法细致入微地观察客户的旅程，优点在于简单，易理解。但问题是，该模型将转化归因于单个接触点，应该选择哪一个触点？通常是消费者遇到的第一个或最后一个接触点。

多触点归因模型关注消费者在购买前接触的所有触点。因此，这些被认为是更准确的模型。根据您使用的多点触摸模型，它们可能会为通道分配不同的值。

A/B测试

A/B测试是一种营销试验，企业为了测试网站文案、销售邮件、搜索广告、产品设计等营销项目，提供两种（A/B）或多种（A/B/n）版本的营销素材——之前使用的版本称为「冠军（champion）」或对照组，而仅仅有一项元素被改变的版本称为「挑战者（challenger）」或试验组——在同一时间内，向尽量一致的两组或多组受访者展示这些版本，收集各组的用户体验数据和业务数据，来确定哪一种营销素材表现得更好。

A/B测试很适合进行单个变量的测试，如Hubspot在Performable网站上进行的试验。而同样的试验如果进行用户测试，可能需要数千次才能获得有意义的结果，与如此多的人进行面对面的测试将花费大量的时间和金钱。

A/B测试提供了一种非常系统的方法，来找出特定的营销活动中哪一种策略是有效的，哪一种是无效的。适宜进行A/B测试的营销素材包括：标题和文案，CTA按钮，图片、音频或视频，邮件主题，产品描述，登录页面等。

案例

Netflix已将其与1.51亿订阅用户的互动数字化。它从每个用户那里收集数据，并在数据分析的帮助下了解订阅者的行为及其观看模式。它利用该信息来推荐根据订阅用户的选择和偏好定制的电影和电视节目。根据Netflix，大约80%的观众活动是由个性化算法推荐触发的。Netflix优于同行的地方在于，通过收集不同的数据点，它可以创建订阅者的详细资料，从而更好地进行互动。

Netflix收集有关用户如何与电视节目或电影互动和回应的信息：