很多做营销工具的公司容易忽略，也往往做不好的就是「营销效果评估」，有些是因为没做过具体运营，没有行业经验，不知道该评估哪些点；有些是因为没有数据闭环，自然也评估不了。

营销人常挂在嘴边的是「品效合一」，就是企业在做营销的时候，既要看到品牌的声量，又要看到效果的销量。产品要带动品牌声量的提升，同时品牌推广本身也要有销量的增长。

营销不仅要品牌，更需要效果，这也是 MarTech 追求的目标。

被称为「百货商店之父」的 John Wanamaker 在 100 年前就提出了营销界的哥德巴赫猜想「我知道营销费用有一半是浪费的，却不知道被浪费的是哪一半」。

可见，营销效果评估是困扰了营销人至少一个世纪的难题，在当前市场环境下，企业追求「品效合一」时更注重效果转化，毕竟，大家都不想赔本赚吆喝，叫好不叫座。道理大家都知道，但在实际执行的过程中却往往很难给出效果评估的系统方法和衡量标准。

本文讨论的主体，就是这把吊在营销人头上百年的「达摩克里斯之剑」。

传统的营销效果评估都是基于小数据样本的市场调研，比如进行目标客户的电话访谈、座谈会，甚至上门采访，通过定性的调查问卷对客户进行研究。

而今天 MarTech 的发展，已经让传统的效果评估进化为数据科学，通过前几篇文章的分析，也能略见一斑。当前的效果评估是基于一定广度和深度的营销数据闭环，结合机器学习和深度学习实现的。

下面我将从微观、中观、宏观3 个层面对效果评估进行阐述。

一、微观评估

营销是由一次次 campaign 形成的，每次 campaign 通常在一个比较窄的时间维度（比如 5 天），过程中会有若干个节点（比如曝光、点击、互动、发券、购买等），节点到节点的数据变化可以用漏斗模型来表示，这种数据称为活动过程指标。

不同行业过程指标的侧重点不同，比如在生鲜、美妆、日化用品等高频、决策周期短的品类，消费者看到活动后，可能不需要 1 分钟就完成了购买，因此过程指标侧重点在曝光、点击、购买，会涉及到销售数据；在汽车、家居建材、房地产等低频、决策周期长的品类，一次 campaign 并不会直接产生转化，因此过程指标侧重点在曝光、点击和留资量。

在一定时间维度，把这些过程数据进行汇总展示，就可以形成 campaign 的衡量指标，考核这次活动的定量效果。以上这些过程数据是建立在数据闭环基础上，而一些严重依赖渠道的品类，比如饮料、日化在大型超市进行销售，超市不会把消费者信息提供给品牌，这就会造成过程指标跟踪中断。

在关注过程指标同时，很多企业还会通过一些小样本数据调查来求证 campaign 活动是否准确。比如「曝光活动的人群是否与预期相符」，就是通过抽样曝光和点击活动页的消费者 ID，比对真人样本库来分析这些消费者是活动目标的比例。

以向消费者传达信息的媒介来分，有以下几种：

微观层面不同阶段的部分衡量指标如下：

二、中观评估

随着品牌多渠道建设，消费者会在多个渠道查看商品信息、参与营销活动、下单购买，把最终转化归因到单一渠道当然是不合理的。那么，从中观层面来讲，在一个稍长时间周期内（比如 1 个季度），需要评估不同渠道、不同 campaign 对于消费者的共同作用。

营销可以分为前端广告、中端流量池和后端购买转化，对应到著名的 AISAS 模型。

前端广告最先和消费者建立连接，通过图片、文字或小视频让消费者建立对品牌的初步印象；有些消费者可能会直接通过点击进入到流量池，也就是通过深度互动成为品牌会员，但更多消费者会再通过其他渠道进一步了解信息，比如搜索品牌公众号、APP、官网、电商旗舰店或线下门店等信息；

经过一系列信息获取，消费者发现这是个不错的品牌，营销活动也很吸引人，那么品牌就要提供便利的手段让消费者沉淀到流量池中，这就是 Inbound Marketing；

后端交易可能在任一个渠道完成，比如官网、小程序、APP，也可能在电商平台或线下店，这取决于品牌的渠道建设情况。

当品牌在多端具有重复职能时，需要通过定量的方式分析出各个渠道，对消费者购买的贡献度，此时引入多渠道归因分析，我在「MarTech 归因分析」一文中做过详解。

以上是一个完美理论，但受限于多渠道 ID 体系的低打通率，现实中只有在 DTC（Direct to Consumer）渠道才有可能 100% 闭环，所以才会看到众多品牌的 DTC 策略。

基于现状，任何消费者在任何渠道的行为都有可能无法被获取，意味着无法把营销活动与消费者购买汇总到全链路层面，最终结果就是很多品牌发现「营销」和「收入」并没有直接关系的悖论，以及部分渠道陷入转化低 → 投入低 → 转化更低的恶性循环。但是随着 DTC 策略的深入和消费者数据量级的增加，在「大数定律」理论下，中观评估要解决的全渠道全链路效果评估，终可以彰显出巨大价值，帮助品牌完成消费者不同阶段、不同渠道预算 / 资源的最优配置。

三、宏观评估

宏观评估同样是对于消费者行为进行分析，但不是基于个体行为的分析，是基于一定细分市场的分析。比如，消费者按照区域划分，营销活动按渠道划分，组成二维象限，交叉分析每个区域 + 每种营销方式的数据，如，营销成本、销售收入、触达人群、ROI 等，这样就可以把营销和销售进行连接，解决了无法评估的问题。

比较经典的宏观评估模型有两个：

1. MMO（Marketing Mix Optimization）

按照 4P 理论，可以把市场按照「产品 Product」「价格 Price」「渠道 Place」「营销 Promotion」进行细分。

举个例子，在华北地区「渠道」，做「营销类型」和「销售收入」相关性分析，形成如下分析视图：

基于营销数据，可以看到不同营销活动在华北地区对销售收入的提升情况，进一步结合算法，可以看到各种营销活动对销售收入影响的显著性明显不同，再进一步预测出未来营销活动所能带来的销售收入提升。

同理，将「渠道」换成电商 APP，分析「不同价格」区间产品对「销售收入」的影响；

将「渠道」换成上海，分析「不同品类产品」对「销售收入」的影响；

2. 营销效率分析

同样是基于 4P 理论，重点看不同「渠道」下，「营销」投入的效率情况。

以某快消品行业举例，将「销售量 / 渠道目标人群」作为横轴，表示 1 个周期内的销售产出度，「营销量 / 渠道目标人群」作为纵轴，表示同 1 个周期内每个目标消费者的营销投入数量。

坐标上每一个点代表一个「渠道」，如果 1 个城市是 1 个渠道的话，由于快消品渗透率比较高，可以直接把城市人口数量当做渠道目标人数，下图中每个点代表 1 个城市。

全图被分为 3 个区域，品牌可以根据这张图的分析结果，在不同城市间进行预算分配优化：

正常效率区：按照全国平均水平，在城市级别的平均投资回报，50% 以上城市是这个范围；

营销饱和区：在投资相同情况下，回报数量小于全国平均水平。可能由于消费者对品牌认知难以改变，对于品牌来说这里的营销投放效率最低；

营销红利区：在投资相同情况下，回报高于全国平均水平。对于品牌来说这些是营销投资效率最高的城市。

综上，从微观、中观、宏观 3 个层面对营销效果评估进行了解释说明，我们在构建营销工具时要能够站在营销人的角度，系统化思考如何解决品牌营销难题。