品牌营销包括什么（解读品牌营销策略包括些什么）

“天时”主要指组织架构：因为数据天然在业务这边有屏障，各个业务团队在运营过程中积累了很多数据，但业务团队拿到数据需要组织的驱动。我们当时的营销部隶属电商团队，我的领导是电商总监，所以在数字的控制权上有天然优势。

“地利”主要指流程：在前 5 年的时间内，运营和数据这两个闭环天然隔开，一般运营有自己的专属闭环，如从商品、销售、预测、上架及最终的渠道分销等构成一个完整业务闭环。在数据这一端只能看到业务的最终呈现结果，从结果角度驱动业务，必然存在不相接的状态。

因此，在后两年，公司在流程上做了一个调整，之前团队一般是业务团队出策略，数据越来越多后，我们希望数据团队来出策略。如在审批预算上，是否花钱由数据团队来决定。

“人和”对数据团队有较高的要求：其要求在于，第一，懂数据，对数据有敏感度；第二，虽然不在业务圈内，但要知道业务体系是怎么跑和运转的。因此，这方面对人的要求极高。

在最初做品牌营销时，我们团队做了三件事：

数据收集整理，与各个团队一样，做好数据基础；

数据的洞察分析，即收集的数据如何做洞察、如何赋能业务及支持业务的决策；

数据营销应用，品牌营销三步法聚焦在第三件事情上，在基于数据、用户行为分析的基础上，如何做品牌营销，所有东西都是基于内部方法，就比较容易上手。

当时面临的主要挑战也有 3 个：

数据分散在不同的数据库，不利于统一管理、分析和再利用；

2 个服务商的系统都属于 SaaS 版本，即标准化的产品，有新功能需求很难满足；

线上数据报表繁多，各个部门做报表的时间花费较多，人工成分很多，效率低，易出错。

我们的消费者电商触点分布涵盖市面上丰富的电商平台，如淘宝、拼多多、有赞等，相应的数据获取工具有京东九数、品牌数据银行、ERP 等，数据存储也会放在阿里服务器、京东服务器、聚石塔等，整体来说数据相对分散。

同时，从品牌角度看数据，在做数据利用和效率分析时非常低效，业务部门会给我们提很多需求，这些需求几乎都是要人工做，但是业务对时效性要求很高。

效率低就会直接引发一个思考，如何提升团队数据分析的效率？

当时，公司有超 4000 万名消费者的订单与行为数据，但这些数据如果不产生价值就是成本。老板每天 challenge 我们的也是围绕这几个问题：数据怎么为业务赋能？怎么产生价值？如果数据就是存在在那里，每年都要付出存储、硬件等费用成本。

所以，我们当时面临了四个问题：

数据效率：

各品牌数据量级庞大，现有系统运算速度低下，数据准确度受影响；

各部门数据需求和处理频繁，易出错，需要提高数据处理与报表制作效率。基本上是手工出报表，整个业务加上数据团队，报告约在三四千个。

数据分散：

各销售平台、各系统、各业务线数据孤岛化，分散在不同系统，难以管理，整合分析与应用；

各平台格式不统一，全域品牌和用户分析受阻。同时，从品牌视角看，数据十分割裂。比如，当看用户画像时，有天猫用户画像、微信用户画像，导致在市场部做广告投放时，对以品牌为全视角的画像可参考性比较小，另外对消费者整个生命里程的周期偏差比较大。

数据价值：

用户与数据量级大，但数据价值挖掘不深，许多数据为沉睡数据资产，利用率不高。

数据应用：

现有工具未能满足新的用户归类与营销需求；

用户营销渠道多样，需对用户营销手段整合规划以优化投入与效率。让数据能真正赋能业务，驱动业务增长。

针对以上问题与挑战，下面主要分享数据应用实践这部分，我将其抽象为三步：

第一步，做用户分层，品牌零售一定要进行用户分层，再看分层的差异性，及用户心智差别；

第二步，制定沟通策略，即针对不同用户，在不同时机推不同商品；

第三步，科学的统计评估方法，即用事实说话。

具体来看：

一、用户分层

对于品牌快销，最重要的是回购周期，它决定了用户心智。

1. 回购周期 RC（Repurchase Cycle）：

回购周期是指一个正常（平均）用户从第一次购买开始到再次购买之前的时间周期。

回购周期有 2 种计算方式：

1）正常用户计算法

正常（平均）一次购买量

正常（平均）每天使用量

RC = 正常（平均）一次购买量/正常（平均）每天使用量

2）现有数据归纳法

根据品牌消费者购买信息，将所有回购用户的平均回购间隔天数制成分布柱状图

累计 90% 用户的平均回购间隔天数即为 3RC

RC = 累计 90% 用户的平均回购间隔天数/3

下面举个小例子：

公司的一个洗碗机洗涤剂品牌，在中国引入不久，暂时没有特别多数据的积累，但是我们可以看业务数据，消费者一次购买的 PCT 是 150 元，差不多可以使用 50 次（按照我们的估算），假设平均每两天洗一次碗，每天洗碗的次数是 0.5 次，我们可以算出日常用户回购周期差不多在一百天。

然后看目前数据库中的 2 万左右的数据，用现有数据分析法，其数据中心 90% 的用户在 450 天内完成回购，故 RC = 150 天，但对这个品牌来说，用户心智还没有形成，所以我们这两种方法是有一种选择性。

对于不成熟品牌，就是用户心智还没有形成的时候，希望品牌输入一个强有力的心智，在合适的时间去触达它，我们建议在不成熟品牌的时候，采用我们推理正常用户的计算方法来定义回购周期。

对于成熟的品牌，其数据量、用户量的积累已经有一定的规模，我们还是希望遵循用户心智，遵循统计的归纳方法制定回购周期。那么回购周期计算完对分层有什么用呢？下面介绍用户分层的分类就很清晰了。