本书主要围绕数据为企业数字化营销和业务增长赋能的两大主线——数据驱动和数据分析分别展开，详细介绍了企业应该如何利用今天前沿的数字化技术，获取消费者在数字世界中的各种数据，并将这些数据应用于更前沿的数字广告投放、消费者的个性化触达、数字渠道效果的评估与优化、消费者数字体验优化、消费者转化优化，以及更深入的消费者深度营销与运营等领域的诸多关键方法，同时辅以近几年在中国企业界实际应用的真实案例进行生动讲解。

宋星，业内具有盛名的互联网营销与运营数据分析与优化专家，公认的数字营销优化大师和行业意见领袖。在超过12年的互联网数据分析历程中，他服务过近百家企业，撰写过200多篇业内脍炙人口的文章，获得250多万名读者阅读，创立了具有10年历史的知名的WAW(网站分析星期三)沙龙，这个沙龙今天仍然是行业从业者的干货盛会。
互联网营销技术与数据咨询机构纷析咨询的创始人，互联网从业者必看的“网站分析在中国”博客的全文作者，Publicis Media(阳狮媒体)集团特聘顾问，百度集团顾问与钻石讲师，腾讯星河计划顾问，Google mLab顾问，北京航空航天大学特聘教授。
曾任Adobe omniture(现更名为Adobe Marketing Cloud)Business Unit亚太区首席商业咨询顾问，Publicis Media集团数据、技术与创新部总经理。
服务过的知名客户包括奥迪、VISA、ABI、BMW、东森媒体集团、玛氏、英孚教育、美赞臣、华为、完美世界、IBM、Intel、HP、RB、Lenovo、Air China、SGI、AMPCapital、Qantas、搜狐视频、OPPO等。

第1章 从正确的数据观开始
1.1 数据的两个核心价值：优化与驱动
1.1.1 数据优化
1.1.2 数据驱动
1.2 如何开始行动
1.2.1 实现数据赋能最重要的是什么
1.2.2 商业意识
1.2.3 建立数据能力
1.2.4 勇敢去做
1.2.5 警惕“伪数据主义倾向”
1.3 企业组织维度上的匹配
1.3.1 经验还是数据
1.3.2 企业数据化成熟度模型
1.4 不变的基本逻辑：从前到后的营销与运营
第2章 数据从何而来——数据的获取
2.1 数据的“方”
2.1.1 第一方数据
2.1.2 第二方数据
2.1.3 第三方数据
2.2 公域数据与私域数据
2.2.1 定义
2.2.2 私域数据的重要性
2.3 前端数据与后端数据
2.4 数字化运营中个体数据的结构
2.4.1 标定个体的ID
2.4.2 个体的属性数据
2.5 个体数据与人群数据
2.6 私域数据的获取
2.6.1 私域数据的来源：消费者触点
2.6.2 消费者触点上的私域数据的获取（1）：广告端
2.6.3 消费者触点上的私域数据的获取（2）：网站端
2.6.4 消费者触点上的私域数据的获取（3）：事件监测（埋点）
2.6.5 消费者触点上的私域数据的获取（4）：App 端
2.6.6 消费者触点上的私域数据的获取（5）：公众号和小程序端
2.7 公域数据的来源、获取和接入
2.7.1 公域数据的来源
2.7.2 公域数据的获取
2.7.3 公域数据的接入
第3章 数据驱动的数字化推广
3.1 合约广告与非合约广告
3.1.1 合约广告
3.1.2 非合约广告
3.2 从合约到非合约：数字广告生态的重大转变
3.2.1 广告网络
3.2.2 广告交换平台
3.2.3 实时竞价广告
3.2.4 RTB 广告的竞价方式
3.2.5 程序化广告的特点
3.3 数据驱动的品牌广告投放
3.3.1 品牌RTB 广告投放
3.3.2 RTB 在品牌营销上的悖论
3.3.3 品牌PMP 之一：程序化合约广告
3.3.4 品牌PMP 之二：优先交易
3.3.5 品牌PMP 之三：私有竞价
3.3.6 选择合适的品牌程序化广告投放方式
3.3.7 品牌程序化广告投放的操作系统
3.4 数据的应用与DMP
3.4.1 DMP 的本质
3.4.2 在DMP 中选择人群
3.4.3 利用DMP 衡量品牌广告的投放效果
3.4.4 真实的DMP 案例
3.4.5 DMP 的Look-alike 功能
3.5 数据驱动的效果广告投放
3.5.1 再营销
3.5.2 效果营销所用的RTB
3.5.3 私有RTB
3.5.4 oCPM 与oCPC
3.5.5 效果类程序化广告投放的操作系统
3.6 无处不在的数据驱动
3.6.1 私域数据驱动的程序化广告投放
3.6.2 RTA 广告
3.6.3 基于公域数据的程序化广告投放
3.7 个人信息保护：红线、悖论与前景
3.7.1 什么是个人信息
3.7.2 个人信息使用的合规
3.7.3 去特征化
第4章 流量效果的数据分析
4.1 流量渠道的效果分析与优化的工作内容
4.2 流量渠道的数据采集
4.2.1 流量标记的Link Tag 方法
4.2.2 对搜索竞价排名流量使用流量标记
4.2.3 信息流广告用Link Tag 做标记
4.2.4 App的推广来源问题
4.2.5 流量标记不能实现的地方
4.3 细分渠道的评估与分析
4.3.1 流量渠道的衡量指标
4.3.2 流量渠道的产出分析
4.3.3 流量渠道的质量分析
4.3.4 衡量流量质量的标准指标与Engagement
4.3.5 流量质量与产出的结合分析
4.4 整合渠道效果评估和归因分析
4.4.1 归因，一个名词之下的多个理解
4.4.2 线上全域归因可以实现吗
4.4.3 线上局部归因
4.4.4 单触点归因：流量覆盖问题
4.4.5 一个转化背后所有可能的努力
4.4.6 归因中的助攻和进球
4.4.7 归因：一个实际的助攻案例
4.4.8 曝光归因和点击归因
4.4.9 归因的时效性
4.4.10 更详细的归因关系——归因路径
4.4.11 归因模型
4.4.12 自定义归因模型与智能归因模型
4.5 流量渠道分析的总结案例
4.6 异常流量与作弊识别
4.6.1 流量作弊情况严重吗
4.6.2 常见的作弊方法
4.6.3 作弊流量的流量特征
4.6.4 识别作弊流量
4.7 线上推广对线下转化效果的评估
4.7.1 追踪购买意向
4.7.2 追踪线上推广带来的线下销售
第5章 数字化的流量运营与消费者交互
5.1 流量的落地优化
5.1.1 落地体验“五原则”与反面案例
5.1.2 着陆页的跳出率
5.1.3 热力图
5.1.4 热力图的替代
5.1.5 着陆页分析与优化
5.1.6 智能着陆页
5.2 A/B 测试
5.2.1 A/B 测试应该怎么使用
5.2.2 A/B 测试如何确保均匀分流
5.2.3 A/B 测试的统计学意义与辛普森悖论
5.3 用户交互的分析与优化
5.3.1 体验失效
5.3.2 内容

我一直觉得人们对于“数
据”二字，有莫名的喜好。
应用数据，似乎总是能
够带来很多神奇的改变，
把那些隐秘的角落里面藏
着的东西展现出来，颠覆
人们的认知，或是如同魔
法，让一个眼看就要行将
就木的事情重新焕发新生
。
“化腐朽为神奇”，这往
往是人们渴望数据又仰慕
数据的原因。
各种数据解决方案的提
供商则尽力渲染了这种氛
围，毕竟，创造一种神通
广大的数据“观感”，对自己
很有利。
可是，与之相对的，当
企业真的想要用数据做些
事情，却发现与自己一直
以来的数据感觉，有着天
渊之别。
2010年，我在犹他州的
Orem——一个风光旖旎的
小城，Adobe Omniture 当
时的总部——接受关于商
业咨询业务的培训。我的
导师，一个刚刚到了40 岁
却已经升级为外公的热情
洋溢的家伙，告诉我与客
户打交道的十个“诀窍”，其
中一个我深深记得。
“不要询问你的客户在数
据上的需求。”然后，他故
弄玄虚地说：“永远询问他
们在业务上的需求，永远
。”
那时我认为他不过是在
故弄玄虚。
但随着时间的推移，我
很快意识到这句话背后真
切的现实。在这之后，反
映企业种种数据困惑的问
题不断向我涌来。比如，
我怎样才能获得自己电子
商务旗舰店里面的数据？
我手上有几亿设备ID，我
要怎么用它？我应该如何
用数据找到潜在消费者或
者生意机会？我应该采用
什么样的数据战略？我应
该用什么解决方案或选什
么数据供应商？我该配置
什么样的团队，以及到哪
里找人才？
我忽然意识到，无论是
企业，还是企业中的营销
与运营的从业者，可能还
远远没有准备好，还不能
够用数据创造新的数字化
的生意，甚至很可能无法
描述自己具体的数据问题
，因此也就无法准确提出
自己的数据需求。
一方面，与数据相关的
技术和方法在不断地被革
新；另一方面，企业对3个
层面的数据理解非常薄弱
。这3个层面分别是：对数
据本身的理解、对数据和
业务之间关系的理解、对
应用数据的理解。
阻碍因素有很多，但常
见的阻碍是如下一些根本
性的问题。
第一个问题，你真的拥
有数据吗？
例如，那些常常认为自
己手握上亿数据的企业，
当你凑近查看，就会发现
他们几乎并没有拥有什么
数据。这亿万规模的数据
，往往只是单纯的数据条
目的数量，但每个条目下
所包含的属性极少，甚至
根本就是“光杆数据”，这样
的数据除了徒占存储空间
，其他的作用就太少了。
第二个问题，你对数据
的理解客观吗？
数据究竟是什么，一千
个人心中有一千个哈姆雷
特。“数据”二字不过两个音
节，但每个人对它具体代
表什么的理解却千差万别
。这些不一致的理解，充
斥在业务工作中，造成了
诸多误解、困扰，甚至摩
擦。
阻碍我们对数据客观理
解的因素是数据的多样性
和复杂性：什么是数据？
什么是可获得的数据？什
么是可利用的数据？什么
是可分析的数据？这些数
据又有什么结构和具体类
型，以及从哪里获得……
完全就是一门专业的科
学，很多人难免望而却步
。
第三个问题，你是否了
解数据得以应用必需的前
提？
例如，过去服务商“忽悠
”甲方客户说，我们能搞定
阿里的数据。但他没告诉
你前提条件——数据的应
用都必须且只能在阿里的
生态内。这个条件其实是
很“严苛”的。
今天大家都明白了围墙
花园这种“自然现象”，不至
于再被上面的说法所迷惑
，但新的“迷惑”仍然不断萌
生。最典型的，数据连接
和打通。很多数据工具都
有这个功能。
但数据的打通需要条件
，而不只是靠技术。条件
具备了，技术不会成为阻
碍，但若条件不具备，光
靠技术直接去搞定，今天
没有这样的可能了。
例如，基于数据打通的“
全链路”营销是当下的“时髦
”。但前提是，营销环节的
全部链路上都需要有一个
统一的数据获取解决方案
，并且每个链路上用户都
得留下电话号码。
又比如，标榜自己的推
荐算法（推荐引擎）如何
智能，如何“天下无敌”。其
实，这个功能今天也很成
熟，但是也需要在一定的
条件下才能工作。其背后
是监督学习，要“喂给”机器
靠谱的数据，并且要认真
告诉机器哪些是正确的结
果（正样本），哪些是不
正确的结果（负样本）。
这些条件，都得靠企业自
己去创造，而与数据系统
和算法无关。
这些看起来似乎都是“常
识”。但要掌握的常识太多
了，却又缺乏一个系统的
让人们能够掌握这些常识
的渠道和方法。
第四个问题，上马了很
多工具，但驾驭工具的人
在哪儿？
这恐怕也是最常见的问
题之一了。
前两年是DMP（数据管
理平台）火了，这两年
CDP（客户数据平台）火
了，还有让人感觉“可远观
不可亵玩”的数据中台也火
了。但是赶着潮流上工具
的，可能会惊慌发现，“车”
都造好了，但似乎没有几
个人会“开车”。
一种解决方法是，让工
具供应商也顺便提供“开车
的司机”。但问题来了，造

本书不是一本能带给大家轻松欢愉的书。但一定是一本能够带给大家系统知识的书。这本书里没有耸人听闻的东西，也没有要故意炫耀的技巧，只是平实地，记录并复述我认为重要的那些东西。
本书非常有系统性：从基础到前沿，都要涉及，且章节和章节之间，也要丝丝入扣。
作者希望，当有一天，人们回想这个行业有什么书值得读的时候，会想到，有这么一个“家伙”，还曾经挺认真地写过一本书。

第1章 从正确的数据观开始
很多互联网从业者都面临着巨大的压力，无论他们过去有多么成功，新的一天开始，新的挑战也随之开始。在这新的一天中，他们不仅要花费金钱，还要投入智力和精力，并且花费大量的时间，只为了确保他们的互联网生意最终能够收获让自己欣慰的结果。
可惜，在任何尝试最终尘埃落定之前，你都无法100％地确保这一点，压力随之而来。能帮你减压的事情绝对有很多，但没有任何事情像数据那样容易被你忽视却又如此重要。数据，几乎是互联网一切产品和营销的出发点，又是二者的归宿。数据，帮助我们洞悉互联网产品和营销的奥秘，甚至使我们在山穷水尽之后又柳暗花明，在绝地之后又重获新生。数据，看似唾手可得却又变化莫测，看似新鲜可口却又常常味同嚼蜡。我们想要更好的互联网生意，就应该更好地掌握和利用数据。没有捷径，但有窍门。
1.1数据的两个核心价值：优化与驱动 今天谈数据的价值，没有人会质疑，但回想一下10年前，数据不也是这么被认为很有价值吗？但在10年前数据为什么似乎没有得到足够多的重视，也似乎没有发挥那么大的作用呢？
一个重要的原因是彼时数据更多地用在优化上，而很少用在驱动上。尽管我们不能说优化没有驱动重要，但是吸引人眼球的仍然是驱动。
这本书，本质上始终在介绍数据在优化和驱动上的应用，优化和驱动是两种截然不同的方式，却交织在数字化运营的全过程中。缺少二者中的任何一个，数字化运营都无法真正达成，但不同的企业在不同的情况下，对二者的倚重有所不同，本书也会介绍这些不同。
1.1.1数据优化
数据优化是数据与生俱来的价值。数据本身反映了现象，而分析数据则能发现现象背后本质的东西，从而帮助我们实现对营销与运营的优化。
但你也可以看到，数据优化有点“事后诸葛亮”的味道，即我们只可能在事情发生的当时或者之后收集数据，而不可能在事情发生之前就准确预言未来事情的数据。因此，数据优化的主要工作是收集当前及历史的数据，加以分析、获取洞察，并做出改进的决策。
这也就是我们通常所说的，数据是用来复盘的。拥有数据的复盘，是更客观的、有说服力的复盘，也只有这种复盘，才有可能带来真正的优化。
互联网及更广阔的数字世界，为数据优化创造了诸多条件。与传统世界相比，数字世界中发生的一切都有数字化的记录，企业可以获得其中的部分记录，也可以主动利用技术手段去捕捉一部分与其消费者相关的数据。本书会介绍用于优化的数据的相关获取方式。
一个常常被人关心的问题是，数据优化是否真的能起到作用。
你可能会认为很多人在强调数据优化的重要性，可能完全是站在他们个人的立场。不过，如果你愿意亲自尝试一下，你就会发现其中的神奇之处。
我曾经的一个客户，一家世界著名的计算机芯片制造商，几乎每个月都要花费数百万美元的互联网营销费用。如此巨大的金额造成了一种紧张氛围，无论是花费这些钱的营销负责人还是他们的老板，都需要证明这些钱是值得花费的。要解决这个问题并不比解决商学院中的案例问题简单，你不仅需要提出方法，还要证明这种方法的合理性，以及需要利用这种方法解决这个问题。
在没有引入互联网营销分析的系统方法前，这家计算机芯片制造商也懂得通过一些常用的指标去衡量自己花钱的效果，如广告被展示和被点击的次数、有多少人访问过为营销活动准备的网站。
但这显然不够，数量多少并不能说明成败。
P1-2