大數據產業圍繞數據資產、數據分析、數據應用三個環節自下而上展開。其核心為用戶數據，包括行為數據、交易/支付數據及地理位臵數據等。海量數據經過挖掘、清洗、加工等一系列處理後形成可應用的資產，BAT美團等平台型公司天然在數據資產方面有優勢。數據分析體現在基於人工智能的分析、模型能力以及構建數據中台的能力。數據應用即在垂直行業的具體應用及對工具類的應用。工具類應用一般以SaaS或開發者服務形式出現，進一步賦能垂直行業，行銷是數據應用最重要的場景之一，也是數據產業變現主要的途徑。行銷之外，技術型公司還可涉足金融、零售等具體業務環節，變現潛力極大（類似CPS的概念）。

基於大數據及技術進步，傳統行銷升級智慧行銷/Martech。縱觀國內行銷發展歷程，我國已經歷傳統行銷階段（1995年以前）、“網路+行銷”階段（1995-2004）、“技術+行銷”階段（AdTech，2004-2012）、“AI+行銷”階段（智慧行銷，2012至今）。 

Martech是“AI+行銷”的縱深發展，國內尚未出現行業龍頭。梳理大數據產業鏈，從競爭力及變現的關鍵點理解，未來機會在大數據產業鏈深耕數據資產及技術公司，轉型的傳統代理型行銷公司及細分領域垂直行銷公司。 

Martech公司的競爭力體現在大數據產業鏈縱深能力。行銷收入受制於所處行業預算。行銷工具的技術門檻亦非難以跨越。因此，從應用/工具向數據分析及數據資產端延申方能構築企業的護城河。 

大數據並不僅是海量數據，而是大量數據通過挖掘、清洗、加工後形成數據資產的能力。擁有獨特數據源，通過外部採購豐富數據維度，並有能力將海量數據變為高質量的數據資產是競爭力的核心。從變現的角度，擁有數據資產並通過變賣數據變現，是產業鏈中更好的“生意”，邊際成本隨收入增加無限減少。騰訊、阿里、美團等平台型公司，天然擁有數字資產的優勢。除此之外，其他公司則通過擁有自己獨特數據源，通過數據挖掘、加工技術整合高質量多維度的數據，構建自己的數據資產護城河，例如極光、什麼值得買。 

數據分析能力體現在人工智能算法應用，及構建中台的能力。優質的數據資產是數據分析能力最大化的保證，穩定強大的中台是支持數據應用的基礎。數據分析/中台能力是產業鏈承上啟下的環節，技術能力本身即其競爭力的體現。各家構建中台首要是為夯實競爭基礎，在此基礎上可考慮變現。無論是分析/模型或構建中台，都需要深入與客戶企業系統/數據，因此大部分為項目部署制。標品的開發需要時間的打磨及行業積累。在Martech企業中，微盟、極光均具備較強的中台能力，微盟已經對外輸出其中台能力。 

數據工具及數據應用環節，入局的玩家較多。工具及應用離不開場景，公司的獲客能力及對行業/場景的理解是其核心競爭力的體現，先發優勢明顯。在變現環節，由於需要持續在獲客投入且單純的應用或工具均受制於行業預算，將應用做輕，最大限度降低開發和部署成本，尋求在產業鏈縱深佈局以增加變現空間。在開發者服務端以極光、每日互動為代表，SAAS端的有贊、微盟。行銷應用層面的什麼值得買等。開發者服務工具，以推送工具為代表，即滿足開發者在“技術/成本”間平衡的需求，推送本質是增加留存，保證用戶的活躍度。

大數據具備Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價值密度）、Veracity（真實性）的特點（IBM）。隨著訊息技術不斷發展，網路快速普及，與人們的生產、生活日益緊密，全球數據亦呈現倍數級增長的特點，對經濟發展、社會治理、國家管理、人民生活都產生了重大影響。

1980年，著名未來學家阿爾文·托夫勒在其著作《第三次浪潮》中，將“大數據”描繪為“第三次浪潮的華彩樂章”。

2003年《The Google File System》、2004年《MapReduce: Simplified Data Processing on Large Clusters 》、2006年《Bigtable: A Distributed Storage System for Structured Data》谷歌大數據三大論文發布，以及2005年Hadoop項目的誕生，使得大規模處理結構化、半結構化、非結構化數據1的廉價方案成為可能，為大數據產業的快速普及創造了基礎條件。

2008年，大數據得到部分美國知名計算機研究人員認可。業界組織計算社區聯盟（Computing Community Consortium）發表白皮書《大數據計算：在商務、科學和社會領域創建革命性突破》，詳盡闡述了大數據對社會治理的推動作用，及其潛在的商業價值。大數據正式進入世界最具有價值和影響的技術行列。

2009年，美國政府為構建開放、透明機制，啟動http:// Data.gov網站向公眾開放多種政府數據，包括交通、經濟、醫療、教育和人口服務等。 2012年， http:// Data.gov已累積來自172個政府機構的數據集，數量從2009年的47個暴增至40萬個以上，催化美國政府推出相關政策，加速大數據技術發展。

至此，大數據產業迎來其發展的大時代。

行行查，行業研究數據庫www.hanghangcha.com

2015年，亞馬遜市值第一次超越沃爾瑪，當前前者市值更是後者的三倍多，而亞馬遜銷售額中有1/3是依託大數據精準行銷產生。通過記錄顧客瀏覽網站時的行為數據，如所搜關鍵詞、到訪頁面、關注商品、購買訂單，以及不定期舉行活動引導客戶明確喜好，如主題投票，亞馬遜蒐集並分析客戶屬性、興趣、需求，利用聚類等大數據模型為客戶群體推薦合適商品。

以色列的環境比台灣大西北更惡劣，但將大數據引入農業後，以色列成為了“歐洲的廚房”。憑藉較高的訊息化和數位化基礎，以色列農業技術公司利用大數據幫助農民根據農場的具體情況採用更加個性化的耕種方案。如Taranis公司利用大數據分析法推出包括預測天氣、灌溉和病蟲害狀植物模型技術，指導農民合理灌溉、殺蟲；AKOL公司更是將不同區域農民工作習慣等人為因素納入農作物生長及環境狀況的大數據分析範疇，進一步優化方案。

更甚者，在體育界，植入科技和大數據之後，美國金州勇士隊在短短幾年內就實現了從一個“爛”球隊到NBA總冠軍的飛躍。勇士隊老闆拉科布作為數據分析的堅實擁躉，把數據分析思想充分融入到球隊的訓練之中，最先引入球館錄像和分析系統，同時其團隊統計歷年NBA比賽，發現最有效的進攻是眼花繚亂的傳球和準確的投籃，並創造了三分球新打法，助力勇士隊快速成長。

對於台灣大數據產業的規模，目前各個研究機構均採取間接方法估算。根據信通院數據，2017年台灣大數據產業規模（包括數據資源建設、大數據軟硬件產品的開發、銷售和租賃活動，以及相關訊息技術服務）為4700億元人民幣，同比增長30%，且預計2020年這一規模有望赶超1萬億，年均複合增速近30%。其中，大數據核心產業規模2017年為234億元，同比增長39%，預計2018年為329億。

政府部門、BAT為代表的網路企業、運營商是當前台灣大數據的主要擁有者。除此之外，利用網絡爬蟲或公開應用程序接口API等途徑對網絡數據進行採集也是一大重要來源。在大數據時代，擁有數據就擁了核心資源：工業時代，石油是最大的巨頭，數據時代，BAT等因為擁有最多、最全的搜索、電商和社交數據，也成為絕對的王者。此外，一些在細分領域擁有入口資源的公司也是稀缺標的，如已發布位置大數據平台的四維圖新等。

數據管理與分析位於產業中游，基於多種處理框架及算法，數據管理負責數據的集成、存儲、安全等環節；數據分析按應用類型包括AI、BI、可視化分析等，按數據類型包括圖像、文本、視頻、語音分析等。

其中，數據存儲是產業鏈的支撐，參與者以傳統數據庫企業為主，國際上有IBM、Oracle、Intel、Green-plum等；國內主要有華為、中興、同有、浪潮、中科曙光等，各家企業針對大數據應用的具體領域開展數據庫架構和數據組織管理研究，形成各自的優勢產品。數據安全是產業發展的重要保障，滲透數據存儲、傳輸、交互的各個環節，主要參與方包括賽門鐵克、360、啟明星辰、綠盟科技、美亞柏科等。而產業鏈最核心的當屬數據分析與挖掘，其能力直接決定著大數據應用的推廣程度和範圍。數據分析一是從大量的結構化、半結構化、非結構化數據中分析出計算機可以理解的語義訊息或知識，二是對隱性的知識，如關聯情況、意圖等進行挖掘。常用的方法包括分類、聚類、關聯規則挖掘、序列模式挖掘等，國際上主要參與者包括谷歌、亞馬遜、Facebook、IBM、甲骨文、微軟等，國內主要包括海康威視、科大訊飛、BAT 、網易、智慧星光、思必馳等。

數據處理框架按所處理的數據形式及得出結果的時效性分類，可分為批處理系統和流處理系統。批處理主要操作大規模數據集，包括將大任務分解為小任務，分別在集群中的節點上並行計算，可根據中間結果重新組合數據，再計算和組合最終結果。而流處理則是對由連續不斷的單條數據組成的數據流進行計算，強調的是處理結果的時效性。典型的批處理框架是Apache Hadoop，典型的流處理系統是Apache Storm，還有一種同時具備批處理及流處理能力的混合系統，如ApacheSpark。其中，Hadoop、Spark是應用較為廣泛的兩種框架。

常用的數據處理算法包含分類、聚類、回歸分析、關聯規則、序列模式挖掘等。算法思想源遠流長，發展到目前，可謂種類繁多，而受益於第三次人工智能浪潮，神經網絡算法近來關注度再次高漲。

行行查，行業研究數據庫www.hanghangcha.com

應用為王，對大數據分析結果進行應用是完成產業商業化目標，實現價值的終點。經過近幾年的發展，大數據應用已滲透政府、電信、金融、人力資源、醫療、物流、等多個行業，從產品角度而言，除傳統的工具/產品化服務（精準行銷、輿情監控等）外，整體式的解決方案亦愈加豐富。

大數據是提升政府治理能力的重要方式之一。近年來，電子政務、政務系統等相關文件頻發，尤其是2017年起“加快國務院部門和地方政府訊息系統互聯互通，形成全國統一政務服務平台”、“深入推進'網路+'行動和國家大數據戰略”等要求陸續提出，為國內政府大數據建設提供了良好的政策環境。

政府部門訊息化過程中積累了海量的政務數據，通過大數據應用不但可以改善對民眾、企業的公共服務，也可以為政府管理決策輔以有效參考，幫助政府工作高效化、科學化。目前，政府大數據已滲透公安、稅務、司法、金融、工商、海關、質監等多個部門，在公共安全領域如治安防控、情報研判、案情偵破等，交通管理領域如擁堵提醒、疏散管理、公交到站監測等，財稅領域如逃稅漏稅分析、稅改效果追踪、公共資源項目監管等，金融領域如企業徵信、金融市場風險管控等，正做出越來越多的貢獻。

根據貴陽大數據交易所統計，2014年台灣政府大數據應用市場規模為9.06億元，2015年，這一規模已快速增長至16億元，預計今後幾年，政府大數據應用市場規模仍將成倍增長，到2020年有望達到1908億元。

大數據是改善醫療矛盾的重要手段之一。如今，“效率較低的醫療體系、質量欠佳的醫療服務、看病難看病貴的就醫現狀”已成為民生焦點，大醫院人滿為患、社區醫院無人問津、病人就診手續繁瑣等問題大都源於醫療訊息不暢、醫療資源兩極化、醫療監督體制不健全等。而隨著網路、大數據、雲計算等訊息技術快速發展，醫療市場的種種矛盾有望逐步得到解決。

就醫療大數據而言，其應用有效提高了醫院長尾市場的訊息流通，降低了廣大受眾成本，能夠使原有醫療服務體系更加完善、精準。對於醫務人員，大數據可進行臨床輔助決策、精準診療與個性化治療、不良反應與差錯分析提醒等；對於患者，大數據可助力自我健康管理、健康預測與預警、全生命週期健康檔案建立等；對於管理者，大數據可提供精細化管理決策支持、感染爆發監控、疾病與疫情監測等；對於研究人員，大數據可服務其用藥分析、藥物研發等。

十二五“3521”工程10、十三五“開展健康台灣雲服務計劃”、《新一代人工智能發展規劃》、《關於促進“網路+醫療健康”發展的意見》、《全國醫院訊息化建設標準與規範（試行）》等，都為台灣醫療大數據應用的開展完善了訊息建設基礎。根據貴陽大數據交易所統計，2015年台灣醫療大數據應用市場規模為9.4億元，預計隨著應用領域不斷增加，市場規模將不斷擴張，到2018年形成32億的規模，2020年達到79億。

手機訪問“行行查”小程序更方便

The post 大數據給我們的生活帶來了哪些改變？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

本文提要

• 事實上，當“4A是否過時”的問題提出來時，就已經註定了4A的過時。
• 廣告公司是品牌客戶的行銷代理人，一切行為以客戶利益為出發點；而KOL僅僅是品牌客戶的行銷合作方，一切行為以自身利益為出發點。
• 多個KOL之間的內容風格、內容打法上也必定存在衝突，導致品牌形象、品牌價值的不聚焦。
• 廣告公司整體會往產業價值鏈高處遷移，為客戶把握品牌的整體方向及策略，而具體渠道的執行性策略、執行性創意有可能會預留更大空間給KOL合作方。

最近行業中討論起了一種觀點：KOL將會取代廣告公司，而廣告公司終將消失。

是的，KOL也許真能取代廣告公司，除非你只是一個在生存線掙扎的小品牌，又或者你只是一個接執行的小廣告公司……

其實只要稍加思考便不難發現，“KOL取代廣告公司”這種觀點誤讀了KOL與廣告公司在品牌行銷推廣中的角色及本質作用，要是真認為KOL能取代廣告公司，那你的品牌就真被帶到坑里去了。

為什麼KOL不能取代廣告公司？

▼

首先得承認，KOL的投放確實能夠讓廣告效率提升，越來越多的品牌會將傳播預算放在KOL投放上，KOL也成為如今品牌社會化傳播的必選項。但KOL與廣告公司顯然並不能一概而論，而應該是處於傳播鏈條上的不同環節。

KOL是合作者，廣告公司是服務者

根本原因在於，KOL本身便是面向C端的個人/機構品牌，所有生產的內容都是為了強化自身品牌，而不是讓品牌客戶的價值最大化；但廣告公司是一個面向B端的服務類公司，生產的內容是會以品牌客戶的視角去審視，只有讓品牌客戶方的價值最大化，才能讓廣告公司自身2B的品牌價值最大化，與KOL完全不是一碼事。

也就是說，廣告公司是品牌客戶的行銷代理人，一切行為以客戶利益為出發點；而KOL僅僅是品牌客戶的行銷合作方，一切行為以自身利益為出發點。

我們還可以從一個小細節中發現這種差異，廣告公司是需要為品牌客戶推廣結果負責的，若推廣效果不好，下一次就難以續簽合同。而KOL與品牌合作中通常不會保證任何效果、轉化、曝光等指標，僅僅收取一次性的渠道投放費用，品牌合作對KOL而言僅僅是一次商業流量變現而已。

其實我們可以把KOL看做是傳統媒體的一個新媒體變種，如果說因為報紙、雜誌因為可以為品牌定制更適合讀者的廣告內容，而認為它們可以取代廣告公司的話，這明顯存在邏輯錯誤。

行銷推廣遠不止KOL合作

儘管KOL合作在品牌行銷中扮演越來越重要的角色，但品牌行銷遠不止KOL合作這麼簡單。

品牌行銷是一個體系化的整體，從傳統4P理論來講，品牌行銷就被分為產品、價格、渠道、促銷，往細了說還有用戶調研、產品定位、推廣策略等內容，往大了說行銷還能影響供應鏈、產品研發、公司戰略等板塊，這遠非一群KOL能夠承擔。

KOL合作推廣僅僅是行銷鏈條中的一環，而且是更靠近用戶“終端”的一環，從專業能力上說，是生產用戶內容而非品牌行銷管理，從品牌價值鏈來看，其實是屬於傳播執行端。只不過因為如今環境下用戶流量成本不斷上漲，手握用戶的KOL的話語權相對變大了。

另外，若企業剔除廣告公司而採用一群KOL作為媒體矩陣進行推廣的話，多個KOL之間的內容風格、內容打法上也必定存在衝突，導致品牌形象、品牌價值的不聚焦，就算能夠促進一時銷量，但對於讓品牌在用戶心智中留下鮮明形象未必有益。何況當品牌擁有一群KOL媒體矩陣時，內部溝通協調成本會急劇上升，整體執行效率也未必提高。

從宏觀的商業發展來看，廣告公司整體會往產業價值鏈高處遷移，為客戶把握品牌的整體方向及策略，而具體渠道的執行性策略、執行性創意有可能會預留更大空間給KOL合作方。總體來說，廣告公司與KOL並不存在誰取代誰的可比性。

但傳統大型廣告公司的困境已經暴露無遺，廣告行業存在哪些痛點？是什麼讓針對廣告公司的懷疑聲不絕於耳？廣告公司又將如何自我救贖？

傳統廣告公司的數字焦慮

▼

傳統廣告公司的“自嗨”

廣告公司雖然不會消亡，但傳統廣告公司在面對數位化環境時明顯存在水土不服。多年前就有“4A是否過時”的行業討論，近兩年各大國際廣告集團內部動作頻頻，也凸顯了傳統4A的焦慮，事實上，當“4A是否過時”的問題提出來時，就已經注定了4A的過時。

傳統的TVC大片、平面海報KV、傳統投放策略在如今的數位化時代正逐漸失效，當我們陸續逃離報紙、電視等傳統媒介後，很多時候只能在行業垂直網站中看到所謂的“廣告曝光”，品牌和傳統代理商陷入了一場自嗨的惡性循環。

《Madison Avenue Manslaughter》作者：Michael Farmer;Kevin Roberts;

時趣CEO張銳薦書：“這本書的作者是一個先在諮詢公司工作，後來加入國際4A公司任高層的行業深度人士，他的這本書充滿了對行業的洞察。看完這本書就能明白，為什麼國際4A公司的管理水平如此低下，以及為什麼他們的確是在走向沒落。”

傳統廣告公司的作業流程、思路大多基於傳統中心化的媒介傳播環境，如今傳播環境大變，廣告公司的思路理應改變。那麼，廣告公司該何去何從？

技術賦能創造力是未來

廣告業內有一句流傳甚廣的話“你知道有一半的行銷費用被浪費了，但不知道浪費的是哪一半”，如今情況正在發生變化，數位化手段能逐漸讓品牌找出“浪費的預算” 。

像BAT這類流量大戶，手握大量用戶行為數據，通過行為分析、標籤化的方法讓用戶畫像更加清晰精準，這也讓品牌行銷投放從大眾傳播，逐漸邁入精準傳播。數位化精準傳播的特性便是單次投放效果可計算，CPC/CPS/CPM等計費方法在各大廣告平台中早已普及，正因為其ROI可控可預期，也備受品牌方的青睞。

而對於廣告公司而言，也越來越需要通過技術手段來輔助創意及傳播策略，近年來更是有諸如AdTech、MarTech之類的技術行銷概念在行業中流行，通過技術賦能創造力將會成為廣告公司的未來作業模式，這也是時趣現在正在做的事。

毫不誇張地說，未來每個存活下來的大型廣告公司都會成為AI大數據公司，一半靠技術、一半靠創意。

這方面，時趣的實踐值得說一說：

在“AI+Creativity”的方向上，時趣將AI技術進行標準化打包，將行銷全流程數據進行在線化管理，不但提升行銷行業普遍的效率難題，還將技術能力作為創意實踐的基礎工具。

以最常見的KOL投放來舉例，時趣能基於數據AI的手段，通過實時監測識別全網行銷活動，積累行業級熱門KOL，並通過機器學習輔助洞察品牌粉絲及目標用戶的KOL偏好，這樣一來，結合了KOL媒介數據洞察、質量度評分、品牌行銷活動目標等多維因素，推薦的KOL資源組合就能更加精準，傳播效果也能實現智能化預測，效率、效果都遠超傳統純手工、純腦力的投放方法。

但廣告公司難道僅僅靠引入技術手段就能成功轉型嗎？除了外在因素，廣告公司的商業短板又是什麼？

廣告公司的陣痛與黎明

數位轉型需要傳統廣告公司擁有跳出舒適圈的勇氣，這也帶來了廣告行業集體轉型的陣痛，並不是廣告行業正在沒落，而是廣告公司需要轉型。

面對廣告公司的轉型，傳統廣告公司的商業模式也相對過時，其中，人才流失所帶來的業務流失更是各大廣告公司“不可承受之痛”。時趣CEO張銳針對廣告行業“痛點”探索出了一條“前台+中台”的商業模式，所謂“前台”就是指各個直面客戶的獨立業務單元，通過合夥人制度進行獨立核算，所謂“中台”則是指平台化的品牌、技術、管理能力、資本實力、文化等資源，通過賦能的方式全力支持各個“前台”團隊。

“前台+中台”的新型廣告公司商業模式能夠實現平台化的整合運作，不僅能調動“前台”積極性、形成機制，還能通過“中台”實現資源共享賦能、減少內耗成本，從而優質有效地服務品牌客戶。

品牌方要如何進行數位化推廣？

▼

對於不少品牌方而言，行銷推廣似乎正在變得力不從心，傳統推廣套路的失靈讓品牌在新時代下焦慮不已。但救命稻草並不在KOL身上，甚至也不在廣告公司身上，而在於品牌自身行銷及運營思路上的更新。

1、重視數字資產

品牌的基石並不在於產品，而在於用戶，正如那句著名的話所說“可口可樂工廠全部被燒了，第二天依舊能再建一個可口可樂”。

如今，用戶的價值便體現在品牌的數字資產上，而“雙微一抖”為代表的新媒體運營是品牌一項長期的價值投資。與此同時，不少品牌正在努力將不受控制的“公域流量”，轉變為可以掌控的“私域流量”，私域流量的複用成本低、精準度高，流量池一單形成，便能為數字資產支持品牌行銷，節省賣流量、教育用戶等各方面成本。

2、品牌KOL化

面向用戶的C端品牌需要在精准人群中製造影響力，讓品牌本身成為專業領域的意見領袖，廣告行銷、內容運營、活動運營都是必不可少的手段。

品牌成為KOL不僅能夠獲得穩定的長尾流量，而且能夠強化品牌在用戶心智中的定位形象，讓用戶產生品牌聯想。而在傳統的廣告行銷過程中，品牌有聲量但無內容，這也是許多品牌用戶粘性差、易取代的根本原因。

3、行銷台灣化

台灣的市場環境及文化特性都與國際市場有著極大分別，台灣移動網路環境更發達成熟，台灣用戶更熱衷於分享、更注重人際壓力、同時卻沒那麼注重隱私安全，這些特徵都是國際市場所不具備的，因此許多大型跨國品牌在新進入台灣市場上都會受挫。

在台灣市場、針對台灣用戶、講台灣故事將是跨國品牌在台灣破局行銷的有效方式，近年來國潮國風的興起更加說明了台灣行銷的重要性。時趣CEO張銳認為，面對複雜多變的台灣市場環境，做好台灣行銷更需要“科學”選擇X“藝術”執行，擺脫傳統純人工的行銷模式，讓技術等數位化手段實現創意賦能。

*本文部分配圖來源於網絡

如果覺得有收穫，請點個贊哦

@時趣互動讓連接更有價值

The post 大數據時代，廣告公司還有存在的必要嗎？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

轉行到數據行業差不多一個月了，才敢來回答這個問題，其中各種心酸、無助真不是能用語言能表達的，下面我盡可能的詳細的說說，希望對接下來想轉行的朋友有幫助。

• 我的背景

我是2016年6月畢業的控制工程碩士，就是個不入流的普通二本，學習成績也不好，糊里糊塗的也不知道將來要幹什麼、能幹什麼就畢業了，進了成都的國企工作，那時候也不想未來就是往前走。成都＋國企注定了我第一份工作是安逸、緩慢、與世隔絕的，就這麼過了一年半，工資雖然不高但好在國企福利好，也能活的滋潤。直到過年回家才知道不能這麼下去，於是開始系統學習數據分析，並開始嘗試轉行。

• 1. data需要學到什麼程度可以找工作？

剛開始也是一頭霧水，雖然概率論、Excel、spss個個都學過，但是要用於數據分析還是不知道該干什麼。在這種情況下，我採取的辦法是：書本理論＋軟件案例實操兩條腿走路。我花了大量時間搜索關於概率論的有用的分享，包含知識框架的思維導圖、知乎上別人分享的總結、有用的數據和案例等。

最開始是從Excel開始學習，雖然各種分析軟件層出不窮，但毫無疑問excel仍是數據處理第一工具，沒有之一。學習excel是個很瑣碎的過程，一定要用起來才不至於遺忘。這裡推薦個我學過的excel教程，叫“則秀教育”，這些也不貴，十幾塊錢就幫你梳理excel架構，每個視頻很短並配套練習文件，節省了自己的時間。

然後是SQL，這個一定要會！

無論用什麼數據庫軟件，無論從事數據方面的什麼工作，SQL都是最開始要用的。這就好比做飯，SQL是買米、買菜用的，會SQL就可以自己取數據，甚至在SQL中做一些初步處理，方便後續分析。 SQL推薦“SQL必知必會“ 作為入門工具書，可搜索網站“SQLZOO” 練習。

解決完數據的提取存儲之後，就是數據分析工具了。

這裡推薦三個工具：tableau、python、R。

tableau是一款簡單易學的數據分析與可視化軟件。我也是被朋友推薦的，BI神器，最主要的是，其鏈接的數據源豐富，數據分析對比都是拖拽式完成的，對新手比較友好，一周可入門，但學精就需要練習了，總的來說學習成本並不高，且應用場景豐富。

python就不需要多介紹了，最有潛力的語言，能幹很多事兒，當然包括數據分析，實際上用python做數據分析只是其強大功能的冰山一角，能幹的遠不止於此。建議學會python的基本操作，包括常見numpy、pandas、matplotlib、sklearn等的常見操作和API，這對個人技能提升有巨大的幫助。

R相對python，有些統計分析功能要強於python，但適用面不如python，學習成本略高於python但總體很低。

總結一下知識結構：

吃透“概率論與數理統計“＋熟練SQL（數據查詢、整理、分類）＋熟練Excel（簡易分析）＋建議SPSS（統計分析）＋熟練Tableau/PPT（數據可視化）＋建議Python/R（大數據分析）

• 2.初級的數據分析會做哪些工作？

需求整理、數據清洗、溝通跟進、簡易分析及分析報告。

• 3.數據分析有什麼小方向嗎？

數據庫工程師、數據產品經理、數據可視化工程師等都屬於，先入行慢慢都清楚了。

• 4.想要深度做數據分析有怎樣的建議

找到自己要長期從事的行業和方向，如網路金融、教育、電商？前端、後端、管理崗、技術崗？想清楚了就進入該行業堅持下去積累下去。若不知道自己擅長什麼，就先入行了再選擇也不持，總之先開始吧。

• 5.統計的學習應該從哪裡下手

看個人的基礎吧，如果零基礎小白，最好從最基礎的《概率論與數理統計》學起，認真筆記、找案例練習，逐漸形成自己的東西；如果有基礎，就根據自己的知識框架往裡填自己不熟悉的東西。最好是找幾個大型的實戰案例，把這個案例坐下來就差不多知道自己要學什麼了。可參考我的知乎文章，裡面有幾個我做的。

最後的一點小建議：

1. 時間有限，不要把時間花費在網上檢索資料、群裡聊天、互相吐槽上，保持專注；
2. 要適當投入資源，如花錢買點課程、數據、書籍等。可有的人會說，網上什麼都有還要我花錢？對於新手還沒有完整的知識框架前，自己搜索是個痛苦的過程，會浪費大量的時間，並且更容易使人困惑不知該從何處下手，最後不了了之。這時候別人帶著梳理好知識框架就顯得很有效率，並且能大幅提神學習效率，何樂而不為？時間和金錢都是寶貴的資源，我們不應該只盯著錢而忽視了時間。適當的花點小錢就能節約大量的時間和精力，簡直沒有比這更划算的了。
3. 轉行最難的是：邁出第一步。如果你想轉，現在就是最好的時間，世界上大多數活動並不是等你準備的百分百後再去做的，而是走一步看一步慢慢修正的。大膽去開始，“完成比完美更重要”。
4. 要學會自己去搜索解決故障問題。網絡是這個世上知道的最多的人，大部分問題都能在網上找到解決方法或思路，特別是一些老外技術網站、部落格等，一定要能自己解決問題，這是個很重要的能力，實際工作中會碰到比學習過程中更麻煩的問題。我的一個群裡有一個人，遇到屁大點的問題就在群裡各種求助，@這個@那個的，這是一種典型的思想、意識上的懶惰行為，我甚至懷疑像他這樣沒有自學能力的人即使將來找到工作了又該如何自處？其實他的大部分問題百度都能解決的。所以，如果您想轉行，遇到了問題請先自己嘗試解決，實在解決不了了再把當前故障界面、你做過的排故工作描述清楚了再去求助別人。這是最起碼的禮貌，大家時間都很寶貴，沒有人有義務給你提供保姆式的服務。
5. 堅定意志！這個過程有可能會很漫長，面試中會被啪啪啪打臉，也會被各路low逼嘲笑，這時候不要懷疑自己，要找出當前問題的所在，到底是數據分析不適合我？還是我沒準備好？還是公司的需求與我不匹配？不斷的去嘗試，不斷的被打臉，這樣的過程雖然難熬，但是能快速定位自己能力的不足並有助於迅速進步。所以，請堅持下去。

回想這一路走來，得到了很多朋友的指點、幫助、鼓勵與陪伴，有認識也有不認識的，恕我不能一一寫出你們的名字，真的謝謝你們。接下來的學習中，期待與大家一起共同進步，謝謝。

================================

很多小伙伴私信問不知道自己是否適合數據分析，害怕自己零基礎入門難，或者文科生學不會等等，其實這些焦慮和擔心是正常的，職場人都會有，所以要正確看待、保持心態來面對焦慮。

其實最好的辦法就是去嘗試，因為“實踐是檢驗真理的唯一途徑”，如果不行動反而越來越焦慮，並且一個行業不進到裡面去是不知道最是否適合的，所以先嘗試下，看看自己的熱情是否像自己想像的那麼高？自己是不是真的像想像的那樣完全學不會？自己是不是真的想從事這樣的工作？試過之後心裡才有底。

這裡推荐一個免費的商業數據分析入門訓練營。通過5天的學習，讓你接觸真正的數據分析思維與方法，體驗2大主流數據工具，體驗用數據分析解決商業問題。體驗之後你就知道自己是不是真的適合數據分析了。

點擊下方鏈接可直達：

The post 從零開始學數據分析，什麼程度可以找工作，如何計劃學習方案？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

-

版本更新，2014年5月14日更新一些內容。

-

如果展開講，這個問題可以寫一篇綜述了。最近剛好有空，打算認真寫寫。

僅僅在幾年前，數據科學家還不是一個正式確定的職業，然而一眨眼的工夫，這個職業就已經被譽為“今後十年IT行業最重要的人才”了。

一、數據科學家的起源

"數據科學"（DataScience）起初叫"datalogy "。最初在1966年由Peter Naur提出，用來代替"計算機科學"（丹麥人，2005年圖靈獎得主，丹麥的計算機學會的正式名稱就叫Danish Society of Datalogy，他是這個學會的第一任主席。Algol 60是許多後來的程序設計語言，包括今天那些必不可少的軟件工程工具的原型。圖靈獎被認為是“計算科學界的諾貝爾獎”。）

1996年，International Federation of Classification Societies (IFCS)國際會議召開。數據科學一詞首次出現在會議（Data Science, classification, and related methods）標題裡。

1998年，CF Jeff Wu做出題為“統計學=數據科學嗎？ 的演講，建議統計改名數據的科學統計數據的科學家。 （吳教授於1987年獲得COPSS獎，2000年在台灣被選為中研院院士，2004年作為第一位統計學者當選美國國家工程院院士，也是第一位華人統計學者獲此殊榮。）

2002年，國際科學理事會：數據委員會科學和技術（CODATA）開始出版數據科學雜誌。

2003年，美國哥倫比亞大學開始發布數據科學雜誌，主要內容涵蓋統計方法和定量研究中的應用。

2005年，美國國家科學委員會發表了"Long-lived Digital Data Collections: Enabling Research and Education in the 21st Century"，其中給出數據科學家的定義：

"the information and computer scientists, database and software and programmers, disciplinary experts, curators and expert annotators, librarians, archivists, and others, who are crucial to the successful management of a digital data collection"

訊息科學與計算機科學家，數據庫和軟件工程師，領域專家，策展人和標註專家，圖書管理員，檔案員等數字數據管理收集者都以可成為數據科學家。它們主要任務是："進行富有創造性的查詢和分析。"

2012年，O'Reilly媒體的創始人Tim O'Reilly列出了世界上排名前7位的數據科學家。

• Larry Page，谷歌CEO。
• Jeff Hammerbacher，Cloudera的首席科學家和DJ Patil，Greylock風險投資公司企業家。
• Sebastian Thrun，斯坦福大學教授和Peter Norvig，谷歌數據科學家。
• Elizabeth Warren，Massachusetts州美國參議院候選人。
• Todd Park，人類健康服務部門首席技術官。
• Sandy Pentland，麻省理工學院教授。
• Hod Lipson and Michael Schmidt，康奈爾大學計算機科學家。

具體有時間再補充，感興趣的朋友可以Google Scholar一下他們的文獻。

關於數據科學家的更多討論：

你能列出十個著名的女性數據科學家嗎？ Can you name 10 famous data scientist women?

誰是最富有的數據科學家？ Who are the wealthiest data scientists?

請列出對大數據最具有影響力的20個人？ Who Are The Top 20 Influencers in Big Data?

二、數據科學家的定義

數據科學(Data Science)是從數據中提取知識的研究，關鍵是科學。數據科學集成了多種領域的不同元素，包括信號處理，數學，概率模型技術和理論，機器學習，計算機編程，統計學，數據工程，模式識別和學習，可視化，不確定性建模，數據倉庫，以及從數據中析取規律和產品的高性能計算。數據科學並不局限於大數據，但是數據量的擴大誠然使得數據科學的地位越發重要。

數據科學的從業者被稱為數據科學家。數據科學家通過精深的專業知識在某些科學學科解決複雜的數據問題。不遠的將來，數據科學家們需要精通一門、兩門甚至多門學科，同時使用數學，統計學和計算機科學的生產要素展開工作。所以數據科學家就如同一個team。

曾經投資過Facebook，LinkedIn的格雷洛克風險投資公司把數據科學家描述成“能夠管理和洞察數據的人” 。在IBM的網站上，數據科學家的角色被形容成“一半分析師，一半藝術家” 。他們代表了商業或數據分析這個角色的一個進化。

for example – a data scientist will most likely explore and examine data from multiple disparate sources. The data scientist will sift through all incoming data with the goal of discovering a previously hidden insight, which in turn can provide a competitive advantage or address a pressing business problem. A data scientist does not simply collect and report on data, but also looks at it from many angles, determines what it means, then recommends ways to apply the data.

• Anjul Bhambhri，IBM的大數據產品副總裁。

數據科學家是一個好奇的，不斷質疑現有假設，能盯著數據就能指出趨勢的人。這就好像在文藝復興時期，一個非常想為組織帶來挑戰並從挑戰中學習的人一樣。

• Jonathan Goldman，LinkedIn數據科學家。

2006年的6月份進入商務社交網站LinkedIn，當時LinkedIn只有不到800萬用戶。高德曼在之後的研究中創造出新的模型，利用數據預測註冊用戶的人際網絡。具體來講，他以用戶在LinkedIn的個人資料，來找到和這些訊息最匹配的三個人，並以推薦的形式顯示在用戶的使用頁面上——這也就是我們熟悉的"你可能認識的人（People you may know）"。這個小小的功能讓LinkedIn增加了數百萬的新的頁麵點擊量(數據挖掘的應用典型之一推薦系統）。

• John Rauser,亞馬遜大數據科學家。

數據科學家是工程師和統計學家的結合體。從事這個職位要求極強的駕馭和管理海量數據的能力；同時也需要有像統計學家一樣萃取、分析數據價值的本事，二者缺一不可。

• Steven Hillion, EMC Greenplum數據分析副總裁。

數據科學家是具有極強分析能力和對統計和數學有很深研究的數據工程師。他們能從商業訊息等其他復雜且海量的數據庫中洞察新趨勢。

• Monica Rogati, LinkedIn資深數據科學家。

所有的科學家都是數據學家，因為他們整天都在和海量數據打交道。在我眼中，數據學家是一半黑客加一半分析師。他們通過數據建立看待事物的新維度。數據學家必須能夠用一隻眼睛發現新世界，用另一隻眼睛質疑自己的發現。

• Daniel Tunkelang，LinkedIn首席數據科學家。

我是bitly 首席科學家Hilary Mason的忠實崇拜者。關於這個新概念的定義我也想引用她的說法：數據科學家是能夠利用各種訊息獲取方式、統計學原理和機器的學習能力對其掌握的數據進行收集、去噪、分析並解讀的角色。

• Michael Rappa，北卡羅萊納州立大學教授。

儘管數據科學家這個名稱最近才開始在矽谷出現，但這個新職業的產生卻是基於人類上百年對數據分析的不斷積累和衍生。和數據科學家最接近的職業應該是統計學家，只不過統計學家是一個成熟的定義且服務領域基本局限於政府和學界。數據科學家把統計學的精髓帶到了更多的行業和領域。

• 林仕鼎，百度大數據首席架構師。

如果從廣義的角度講，從事數據處理、加工、分析等工作的數據科學家、數據架構師和數據工程師都可以籠統地稱為數據科學家；而從狹義的角度講，那些具有數據分析能力，精通各類算法，直接處理數據的人員才可以稱為數據科學家。

最後引用Thomas H. Davenport（埃森哲戰略變革研究院主任） 和DJ Patil（美國科學促進會科學與技術政策研究員，為美國國防部服務）的話來總結數據科學家需要具備的能力：

• 數據科學家傾向於用探索數據的方式來看待周圍的世界。 （好奇心）
• 把大量散亂的數據變成結構化的可供分析的數據，還要找出豐富的數據源，整合其他可能不完整的數據源，並清理成結果數據集。 （問題分體整理能力）
• 新的競爭環境中，挑戰不斷地變化，新數據不斷地流入，數據科學家需要幫助決策者穿梭於各種分析，從臨時數據分析到持續的數據交互分析。 （快速學習能力）
• 數據科學家會遇到技術瓶頸，但他們能夠找到新穎的解決方案。 （問題轉化能力）
• 當他們有所發現，便交流他們的發現，建議新的業務方向。 （業務精通）
• 他們很有創造力的展示視覺化的訊息，也讓找到的模式清晰而有說服力。 （表現溝通能力）
• 他們會把蘊含在數據中的規律建議給Boss，從而影響產品，流程和決策。 （決策力）

三、數據科學家所需硬件技能

《數據之美Beautiful Data》的作者Jeff Hammerbacher在書中提到，對於Facebook 的數據科學家“我們發現傳統的頭銜如商業分析師、統計學家、工程師和研究科學家都不能確切地定義我們團隊的角色。該角色的工作是變化多樣的：

在任意給定的一天，團隊的一個成員可以用Python 實現一個多階段的處理管道流、設計假設檢驗、用工具R在數據樣本上執行回歸測試、在Hadoop 上為數據密集型產品或服務設計和實現算法，或者把我們分析的結果以清晰簡潔的方式展示給企業的其他成員。為了掌握完成這多方面任務需要的技術，我們創造了數據科學家這個角色。 ”

(1)計算機科學

一般來說，數據科學家大多要求具備編程、計算機科學相關的專業背景。簡單來說，就是對處理大數據所必需的Hadoop、Mahout等大規模並行處理技術與機器學習相關的技能。

• 零基礎學習Hadoop該如何下手？
• 想從事大數據、海量數據處理相關的工作，如何自學打基礎？

(2)數學、統計、數據挖掘等

除了數學、統計方面的素養之外，還需要具備使用SPSS、SAS等主流統計分析軟件的技能。其中，面向統計分析的開源編程語言及其運行環境“R”最近備受矚目。 R的強項不僅在於其包含了豐富的統計分析庫，而且具備將結果進行可視化的高品質圖表生成功能，並可以通過簡單的命令來運行。此外，它還具備稱為CRAN（The Comprehensive R Archive Network）的包擴展機制，通過導入擴展包就可以使用標準狀態下所不支持的函數和數據集。 R語言雖然功能強大，但是學習曲線較為陡峭，個人建議從python入手，擁有豐富的statistical libraries， NumPy ， SciPy.org ， Python Data Analysis Library ， matplotlib: python plotting 。

• 如何系統地學習數據挖掘？
• 做數據分析不得不看的書有哪些？
• 怎麼學習用R語言進行數據挖掘？

(3)數據可視化（Visualization）

訊息的質量很大程度上依賴於其表達方式。對數字羅列所組成的數據中所包含的意義進行分析，開發Web原型，使用外部API將圖表、地圖、Dashboard等其他服務統一起來，從而使分析結果可視化，這是對於數據科學家來說十分重要的技能之一。

• 有哪些值得推薦的數據可視化工具？

(4)跨界為王

麥肯錫認為未來需要更多的“translators”，能夠在IT技術，數據分析和商業決策之間架起一座橋樑的複合型人才是最被人需要的。 ”translators“可以驅動整個數據分析戰略的設計和執行，同時連接的IT ，數據分析和業務部門的團隊。如果缺少“translators“，即使擁有高端的數據分析策略和工具方法也是於事無補的。

The data strategists'combination of IT knowledge and experience making business decisions makes them well suited to define the data requirements for high-value business analytics. Data scientists combine deep analytics expertise with IT know-how to develop sophisticated models and algorithms. Analytic consultants combine practical business knowledge with analytics experience to zero in on high-impact opportunities for analytics.

天才的”translators“非常罕見。但是大家可以各敬其職（三個臭皮匠臭死諸葛亮），數據戰略家可以使用IT知識和經驗來製定商業決策，數據科學家可以結合對專業知識的深入理解使用IT技術開發複雜的模型和算法，分析顧問可以結合實際的業務知識與分析經驗聚焦下一個行業爆點。

推薦關注： https://www. facebook.com/data

四、數據科學家的培養

位於伊利諾伊州芝加哥郊外埃文斯頓市的美國名牌私立大學——西北大學（Northwestern University），就是其中之一。西北大學決定從2012年9月起在其工程學院下成立一個主攻大數據分析課程的分析學研究生院，並開始了招生工作。西北大學對於成立該研究生院是這樣解釋的：“雖然只要具備一些Hadoop和Cassandra的基本知識就很容易找到工作，但擁有深入知識的人才卻是十分缺乏的。”

此外，該研究生院的課程計劃以“傳授和指導將業務引向成功的技能，培養能夠領導項目團隊的優秀分析師”為目標，授課內容在數學、統計學的基礎上，融合了尖端計算機工程學和數據分析。課程預計將涵蓋分析領域中主要的三種數據分析方法：預測分析、描述分析（商業智能和數據挖掘）和規範分析（優化和模擬），具體內容如下。

(1)秋學期
* 數據挖掘相關的統計方法（多元Logistic回歸分析、非線性回歸分析、判別分析等）
* 定量方法（時間軸分析、概率模型、優化）
* 決策分析（多目的決策分析、決策樹、影響圖、敏感性分析）
* 樹立競爭優勢的分析（通過項目和成功案例學習基本的分析理念）

(2)冬學期
* 數據庫入門（數據模型、數據庫設計）
* 預測分析（時間軸分析、主成分分析、非參數回歸、統計流程控制）
* 數據管理（ETL（Extract、Transform、Load）、數據治理、管理責任、元數據）
* 優化與啟發（整數計劃法、非線性計劃法、局部探索法、超啟發（模擬退火、遺傳算法））

(3)春學期
* 大數據分析（非結構化數據概念的學習、MapReduce技術、大數據分析方法）
* 數據挖掘（聚類（k-means法、分割法）、關聯性規則、因子分析、存活時間分析）
* 其他，以下任選兩門（社交網絡、文本分析、Web分析、財務分析、服務業中的分析、能源、健康醫療、供應鏈管理、綜合行銷溝通中的概率模型）

(4)秋學期
* 風險分析與運營分析的計算機模擬
* 軟件層面的分析學（組織層面的分析課題、IT與業務用戶、變革管理、數據課題、結果的展現與傳達方法）

（EMC的在線課程： Data Science and Big Data Analytics Training ，收費T_T，大家可以了解下學習路徑）

(5)分享一些免費的課程

以下課程免費，講師都是領域的專家，需要提前報名，請注意開班的時間。

• Coursera.org ：統計學。
• Coursera.org ：機器學習。
• Coursera.org ：數據分析的計算方法。
• Coursera.org ：大數據。
• Coursera.org ：數據科學導論。
• Coursera.org ：數據分析。

名校課程，需要一定的英語基礎和計算機基礎：

• Statistical Thinking and Data Analysis ：麻省理工學院的統計思維與數據分析課。概率抽樣，回歸，常見分佈等。
• Data Mining | Sloan School of Management ：麻省理工學院的數據挖掘課程，數據挖掘的知識以及機器學習算法。
• Rice University Data Visualization ：萊斯大學的數據可視化，從統計學的角度分析訊息可視化。
• Harvard University Introduction to Computing, Modeling, and Visualization :哈佛大學，如何在數學計算與數據交互可視化之間架起橋樑。
• UC Berkeley Visualization ：加州大學伯克利分校數據可視化。
• Data Literacy Course -- IAP ：兩個MIT的數據研究生，如何分析處理可視化數據。
• Columbia University Applied Data Science ：哥倫比亞大學，數據分析方法。需要一定的數據基礎。
• SML: Systems ：加州大學伯克利分校，可擴展的機器學習方法。從硬件系統，並行化範式到MapReduce+Hadoop+BigTable，非常全面系統。

五、數據科學家的前景

（ EMC - Leading Cloud Computing, Big Data, and Trusted IT Solutions ，關於數據科學家的研究）

Like the physical universe, the digital universe is large – by 2020 containing nearly as many digital bits as there are stars in the universe. It is doubling in size every two years, and by 2020 the digital universe – the data we create and copy annually – will reach 44 zettabytes, or 44 trillion gigabytes.

EMC預測，按照目前的情況數字宇宙以每兩年一番的速度倍增，在2020年將到達44ZB（1ZB=1.1805916207174113e+21B）。 EMC做出了5點比較大膽的預測。

• In 2013, while about 40% of the information in the digital universe required some type of data protection, less than 20% of the digital universe actually had these protections.
• Data from embedded systems, the signals from which are a major component of the Internet of Things, will grow from 2% of the digital universe in 2013 to 10% in 2020.
• In 2013, less than 20% of the data in the digital universe is “touched” by the cloud, either stored, perhaps temporarily, or processed in some way. By 2020, that percentage will double to 40%.
• Most of the digital universe is transient – unsaved Netflix or Hulu movie streams, or Xbox One gamer interactions, temporary routing information in networks, sensor signals discarded when no alarms go off, etc. – and it is getting more so. This is a good thing, because the world's amount of available storage capacity (ie, unused bytes) across all media types is growing slower than the digital universe. In 2013, the available storage capacity could hold just 33% of the digital universe. By 2020, it will be able to store less than 15%.
• In 2014, the digital universe will equal 1.7 megabytes a minute for every person on Earth.

Between 2013 and 2020 the division of the digital universe between mature and emerging markets (eg, China) will switch – from 60% accounted for by mature markets to 60% of the data in the digital universe coming from emerging markets.

EMC預測在2017年左右新興的市場將超越成熟市場，東亞國家是最具潛力的引爆點。 （大家是不是有點小激動，前景一片光明）

六、結束語

推薦網站：

Data Science Central （數據科學中心，大牛雲集，資源豐富，討論者熱情，各種課程）

祝每一個DMer都挖掘到金礦和快樂：）

參考文獻：

[1]. Data Scientists: The Definition of Sexy

[2].《大數據的衝擊》.城田真琴.野村綜合研究所創新開發部高級研究員、IT分析師，日本政府“智能雲計算研究會”智囊團成員

[3].麥肯錫. Big data: The next frontier for innovation, competition, and productivity

[4].EMC. Executive Summary: Data Growth, Business Opportunities, and the IT Imperatives

[5]. EMC Greenplum's Steven Hillion on What Is a Data Scientist?

[6]. LinkedIn's Monica Rogati On "What Is A Data Scientist?"

[7]. IBM - What is a Data Scientist?

[8]. Data Science and Prediction

[9]. The key word in “Data Science” is not Data, it is Science

[10]. Data Science: How do I become a data scientist?

[11]. A Practical Intro to Data Science

[12]. 解碼數據科學家

-----------2017年1月更新-----

專業在專欄：預見未來

The post 如何成為數據科學家？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

SaaS領域下一個風口，先來看看Hubspot |愛分析調研

Hubspot成立於2006年，2014年10月在紐交所上市，在之後2年半時間裡，年營收由1.2億美元增長到2.7億美元，股價也相應翻了一倍。這樣的表現，在美股科技類公司中，只是中規中矩。

但是，Hubspot必將會成為一家令人矚目的公司。隨著行銷自動化領域迎來爆發，Hubspot作為標杆公司，無疑將聚焦更多投資者目光。

同樣，在可預見的將來，Hubspot在台灣市場也會炙手可熱。台灣行銷自動化領域，也將追隨美國市場迎來發展機會，我們在Hubspot的發展歷程中，將看到台灣市場未來5年趨勢。

本文將從美國市場行銷自動化行業趨勢，以及Hubspot公司歷程、運營及財務表現等角度，解析行銷自動化領域的機遇所在，並深入了解Hubspot是如何成為其中翹楚。

巨頭佔坑完畢，但仍擋不住創業熱情

行銷自動化是指通過行銷軟件，將郵件、社交媒體和網頁上的多次重複操作轉為自動化完成，提升客戶行銷的效率和精準度。

早在1999年，這一概念就步入人們視野，其中Elogua郵件行銷在當時取得了巨大成功，但直到2010年後，行銷自動化才迎來爆發。 2010-2015年這5年間，行銷自動化市場規模從2.25 億美元增長到16.5 億美元，年復合增長率高達50%，並且仍將在很長一段時間內高速增長。

巨大的市場機會，吸引了一大批巨頭入場。

2010年，IBM 4.8億美元收購Unica；

2011年，Teradata 5.25億美元收購Aprimo；

2012年，甲骨文8.1億美元收購Eloqua；

2013年，Salesforce 25億美元收購ExactTarget，而此前ExactTarget則以9500萬美元收購Pardot；Adobe 8億美元收購Neolane；

2014年，IBM 2.7億美元收購Silverpop。

最新一起重大併購事件是，2016年6月，PE機構Vista以17.9億美元私有化收購Marketo。這是一家面向中大型企業客戶的行銷自動化廠商，2013年5月在納斯達克上市。

經過一輪持續血戰，行銷自動化龍頭公司的地位已基本穩固。一般來說，這時候大哥們已經劃分好地盤，接下來就沒小弟什麼事情。

但是實際情況是，玩家數量不僅沒有減少，反而迎來一輪爆發式增長。 2016年，這個行業有近200家公司，還不斷新玩家湧入，而兩年前整個市場一共才51家公司。

實際上，行銷自動化只是Marketing Technology行業中很小的一個分支，年復合增速雖然很高，但2015年畢竟才16.5億美元。

首先解釋一下，為什麼市場規模看上去如此之小。其中一個重要因素是，行銷科技行業很大一部分收入是被Google、Facebook這類“廣告公司”拿走，因為廣告是行銷中非常重的一環；此外，第二大部分收入歸於了代理商，典型代表如埃森哲；而一大批的小型行銷方案公司也搶走了一定市場份額。

因此，行銷自動化只佔了整個行銷行業非常小的比例。但是，這並不妨礙其成為近年來最受歡迎的行銷類細分行業，哪怕Adobe、IBM、Marketo、Oracle、Salesforce、Teradata這類巨頭已佔好了坑，市場仍有巨大潛力，其中有兩點原因：

第一，市場規模將持續高速增長，滲透率仍有較大提升空間；

第二，雲計算、開源軟件、更開放的開發框架、內容行銷的普及，使得行銷自動化存在巨大創新機會，在任何一個細分領域，都能提供產品和解決方案，並將持續湧出各類創新公司。

這將是創業公司的天堂

在美國市場，該領域企業數量逐漸達到峰值，按以往軟件行業規律，接下來將會是細分巨頭出現，橫向擴張，出現大量同業併購，逐步成長為巨無霸公司。過往的HR、財務、供應鏈、銷售等領域無不如此，在各自行業內形成2-3家頭部公司，3-5家跟隨者，剩餘都會被幹掉。

但是，從目前來看，行銷行業並不會出現一家獨大、餘者被淘汰的局面，進入成熟階段後，仍將會存在數十家甚至上百家公司。最終格局，很有可能是多家大公司提供平台型產品，而大量小企業提供點解決方案。

之所以會呈現這一多元化競爭局面，源自於行銷行業兩大特點——服務的非標準化與業務的不穩定性。

從標準化的角度來看，財務、製造業、人力資源甚至銷售部門，都有一套固定的標準。例如在財務部門，無論是採用哪一款財務軟件，一定是要按照GAAP標準，沒有可創新的空間，因此，隨著行業成熟，大型軟件公司可以通過併購小公司來獲得用戶，協同效應明顯。但是，行銷行業很難有標準化的產品和流程。

從穩定性的角度來看，其他企業軟件都有高度穩定性。財務軟件數十年以來沿用同樣的監管標準；製造業也是一樣，雖然全球化擴張導致現在供應鏈流程遠比過去複雜，但是製造業底層模式沒有發生變化。

當然，也有部分領域正在經歷蛻變，如HR軟件，由於公司組織形式正在變化，手機正在重構人的工作方式，千禧一代對工作的態度也在改變，這對HR軟件來說也將會是一個機會，不過這種變化遠比不上行銷軟件所面臨的衝擊。

行銷行業非常之不穩定，一直在發生著破壞性創新。

Google改變了一切，然後是YouTube，再然後是Facebook、Twitter，而蘋果則在移動端上將所有這一切再次推倒重來。這不僅僅是發生在行銷軟件提供方，也發生在渠道上，PC端發展到移動端，搜索引擎到社交媒體，即使不是軟件公司，也能提供創新性服務。

所以，從過往歷史以及技術趨勢來看，很難說誰會一直站在潮頭，創業公司也將持續冒出。

最終，行銷軟件行業將會有一批公司憑藉著更強大的產品和服務，成為行業內頭部公司，而大量小公司將持續存在。可能的格局是：大公司將強大的服務能力通過API開放給中小型企業，中小型企業基於具體的行業問題提供點解決方案。

市場發展蘊藏海量機會，但落地困難

美國市場雖然有大量公司湧入，從各個角度都可以切入，但是實際上要做好行銷自動化並不容易，尤其是要提供綜合性解決方案，將更加困難，很典型的，Hubspot起步時做了5年都不得要領就可見一斑。

主要難點在於流程，這一點又與傳統財務、HR、供應鏈軟件有顯著不同。財務、HR、供應鏈都是面向企業內部，解決固定的業務流程，只要流程設計合理，就能實現收益最大化。

但行銷自動化，除了解決行銷部門內部的流程，更重要的是把控客戶的行為流程。行銷部門的業務流程可以很好的製定和執行，但是第二個流程，客戶的行為卻很難把控，當你的服務鏈條一個環節不到位，客戶就會揚長而去。

因此，行銷本質上就是服從於客戶的行為流程，並將其與行銷部門內部的業務流程整合，這需要巨大的成本，無論是時間、金錢或人力。

這就是為什麼行銷自動化做起來並不容易的核心原因。如果能建立起內外部之間優秀的流程體系，這本身就可以成為企業立足的護城河。

摒棄“推”式行銷，Hubspot靠“拉”引來用戶

HubSpot兩位創始人Brian Halligan和Dharmesh Shah，在MIT任教時相識，當時行銷市場還是傳統的“推”式行銷，將郵件一股腦推送給用戶，效率低下，容易引起用戶反感。

在此背景下，Brian Halligan和Dharmesh Shah在2006年成立Hubspot，幫助企業提升傳統低效的行銷方式，將傳統的“推”式行銷方式，改為以用戶為中心，通過優質內容有針對性“拉”取用戶。

在“拉”式行銷上，HubSpot首創集客行銷（Inbound Marketing），這一新的行銷模式，將郵件、社交媒體、網站設計集成於一體，而且操作簡單。流程分為四步。

第一步，引流：通過SEO、生產優質內容等方式，使用戶在使用搜索或社交網絡時，主動了解企業，並轉化為網站訪問用戶；

第二步，轉化：企業網頁的訪問用戶，部分有購買意願，通過填寫表單或綁定社交賬號等方式，留下相應聯繫方式，成為企業潛在客戶；

第三步，成交：向潛在客戶發郵件、打電話，持續追踪，最終達成交易，將用戶轉化為已購買客戶。

最後一步，持續口碑行銷：客戶在達成交易後，持續提供包括客服在內的後續服務，使客戶滿意，最終形成口碑效應。

從產品角度來看，Hubspot有三款產品，Marketing、CRM和Sales，共同實現Inbound Marketing全流程服務。其中，Marketing是核心，提供SEO、社交媒體、網頁製作及優化、網站評分等工具產品；CRM實現數據可視化，並自動追踪客戶行為；Sales作為聯繫銷售人員與客戶的工具。

從提供的服務類型來看，Hubspot與其他的大型行銷自動化公司Eloqua、Pardot、Marketo、ExactTarget沒有太大差別，基本功能都類似，但是特別之處在於，Hubspot提供了All In One的一體化解決方案，產品更加簡單易用，而其他公司產品更強調專業化。

另一個明顯區別是，客群定位不同（直接體現就是客單價）。面向大型企業客戶的行銷自動化已經成為一片紅海，市場上但凡規模較大的廠商，基本都面向大型企業客戶。以Marketo為例，偏向於線索培養的B2B業務，客單價大概5萬美元。

Hubspot從創立之初，就選擇面向SMB客戶，2016年客單價在1.2萬美元左右，並已逐步成為SMB市場具有統治地位的行銷自動化公司，站穩了腳跟。

優質產品+平台生態，助力Hubspot佔領SMB市場

Hubspot能夠在SMB市場做的有聲有色，以下兩點非常關鍵。

首先是，Hubspot產品能力出色。在同類軟件用戶體驗評分中，Hubspot得分最高，這一點與其一直以來都追求簡單實用有關。

Hubspot從產品推出到大規模推廣，經歷了5年時間，來打通行銷部門與客戶之間的正向反饋。這個過程中，Hubspot搞出了一套衡量SaaS公司運營效率的指標，LTV（客戶生命週期價值）與CAC（獲客成本），基本上只要LTV/CAC＞3，就代表產品能夠規模化擴張。

在前5年時間裡，Hubspot這個比例一直都沒能超過3，直到完善了整個業務鏈，才出現積極的數據反饋，此後才進行大規模推廣。

期間還有一段有趣的插曲。此前，Hubspot的CMO離職時，寫了一本書怒斥Hubspot用開源代碼來開發軟件，沒技術含量，歧視上年紀的員工，引起業內很大騷動。拋開歧視問題，就產品的技術含量而言，Hubspot的能力很大程度上體現在它趟過的那些坑，這些寶貴的經驗讓Hubspot更好的把握客戶需求，某種程度上，技術在Marketing上並沒有想像的那麼重要。

Hubspot能玩轉SMB市場，第二個重要因素是，建立起了合作夥伴（Partner）生態。 Hubspot的合作夥伴可以運用Hubspot工具提供多種服務：SEO、網站設計和開發、社交媒體行銷、線索產出、內容產出、廣告設計、公關和銷售服務。此外，合作夥伴銷售一套Hubspot軟件可以獲得20%佣金，而且只要客戶一直續費，合作夥伴每年都可以拿到20%佣金。

執行這個策略，對Hubspot來說，可以服務更多客戶，擴大影響力提升口碑。對合作夥伴來說，項目制變為訂閱制，獲得了持續現金流，而合作夥伴並不以Hubspot為主要銷售渠道，所以不用擔心被Hubspot所綁架。

2016年，Hubspot的Marketing Partner為其帶來了40%年營收，這一平台生態使得Hubspot的業務非常穩固。

未來戰略，以Marketing、Sales雙引擎驅動

純Marketing驅動模式，隨著收入增長已面臨瓶頸。 2017年，Hubspot預期營收3.52億美元，對應增速30%，已逐漸放緩，開發原有用戶價值，拓展新業務成為持續增長的重要手段。

因此，Hubspot提出了新的戰略，將由專注於Marketing轉為Marketing與Sales並重。行銷Marketing和銷售Sales本身就能相符相成，Hubspot從Marketing延伸到Sales 就是非常自然的事情。

Hubspot的Sales產品去年剛上線，通過Freemium模式推廣，未來主打的One Hubspot產品就是將Marketing、Sales以及CRM打通，提供一體化解決方案。 2016年，Hubspot付費客戶為2.3萬家，全部為Marketing客戶，Sales部分客戶尚未付費。

至於Sales產品何時收費，兩款產品如何協同，Hubspot兩位創始人選擇保持神秘，看來其對增長還是壯心未已，畢竟有已經在SMB客群中站穩腳跟的Marketing產品，Hubspot接下來想怎麼玩還有很大的空間。

各項指標表現優異，估值處於合理區間

Marketo私有化退市後，Hubspot是唯一一家純行銷自動化上市公司。

2016年6月，Marketo私有化時收購價為17.9億美元，按照2016年預期營收2.78億美元，對應PS為6.4X。對比來看，Hubspot在各項運營指標上要優於Marketo；從財務指標上看，兩家公司營收相近，在增速與毛利上，Hubspot顯著高於一籌。

截止2017年3月26日，Hubspot對應市值為21.77億美元， 2017年預期營收3.52億美元，對應PS為6.2X，處在正常水平。從去過6年財務表現來看，Hubspot增速已逐步趨緩，預計今年營收增長30% ，6.2倍PS水平較為合理。

台灣市場行銷自動化，爆發前夜

無論美國還是台灣市場，B2B行業行銷自動化是大勢所趨。

根據美國知名行銷科技網站http:// ChiefMartec.com創始人Scott Brinker對行銷科技類行業的劃分，行銷科技行業由誕生到成熟可以分為五個階段：

第一階段：萌芽階段。這一階段行業出現提供不同解決方案的早期公司；

第二階段：擴張階段。市場需求大量出現，需求旺盛；大量公司入場；VC投資者開始關注；標籤和細分行業逐步完善，新業務持續出現；

第三階段：競爭階段。行業及子行業成熟；高價值併購出現；

第四階段：整合階段。行業分類已經成熟；有大批公司離場，或被併購，或資金鍊斷裂；仍然有新公司入場，但已不能撼動現有行業格局；部分子行業證偽，公司清場離開；市場分割明顯，例如SMB和大企業市場，B2B與B2C市場；

第五階段：成熟階段。行業分類已經成熟；大量公司併購發生；巨頭開始進入新的領域。

按以上標準，美國市場正處於第三階段，行業內公司分類已非常清晰，新公司增長數量將會放緩，將迎來行業內重新整合。

對標台灣市場，正好處在第一階段萌芽階段，但市場對行銷自動化渴望已非常迫切。

第一，台灣市場“流量紅利”期基本過去，獲客越來越貴，百度SEM快突破天際，醫美行業有效客戶的獲客成本甚至超過3,000元，這給行銷自動化帶來了機會。

第二，CRM發展促進行銷自動化。美國市場發展路徑也是沿著先有CRM，如Salesforce、Siebel這樣成立於2000年的公司，然後才是Marketing迎來黃金時機。台灣CRM行業在過去兩年裡有了飛躍式發展，伴隨著銷售團隊能力提升，需要更多的銷售機會去消化。

第三，資本開始關注行銷自動化。一年前，許多投資人對行銷自動化完全沒有概念，現在已經有投資人關注行銷自動化領域內公司。

從趨勢上看，行銷自動化領域向好，前景極為廣闊。

當然，國內行銷自動化還停留在口號階段，Hubspot的招牌集客行銷在國內也是雷聲大雨點小。由於集客行銷依賴優質內容，這在國內較為稀缺；同時，集客行銷見效慢，很難滿足國內企業短頻快的銷售要求，估計暫時還難以落地生根。

台灣市場從去年開始，一大批小公司開始出現，整個市場還處在萌芽階段。考慮到Hubspot趟了5年的坑才有起色，而這些坑在打磨產品適應客戶過程中必不可少，可以預計，國內行銷自動化企業將會面臨一段艱難的探索期。

行銷是一個非常大的領域，行銷自動化由於其恰好承接雲計算、大數據的發展，在很長一段時間將會成為企業級服務下一個風口。

愛分析是一家專注於創新企業研究和評價的網路投研平台。愛分析以企業價值為研究內核，以獨特的產品形態，對創新領域和標杆企業長期跟踪調研，服務於企業決策者、從業者及投資者用戶群體。關注愛分析公眾號ifenxicom，及時獲取重要訊息。

添加愛分析群小秘微信（ID：ifenxi502）即刻加入愛分析行業討論群。

The post Hubspot 是如何發展到今天的？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

->免費商務工具<-

免費網頁工具

HTML5 UP:你在這裡可以找到免費的HTML5和CSS3模板。

Bootswatch:免費Bootstrap網頁主題設計。

Templated:這裡集合了845套免費的CSS和HTML5網頁模板。

WordPress.org | WordPress.com:免費創建新網頁。

Strikingly:你可以使用這個服務來創建網頁，而且這些網頁還可以自適應移動設備。

Layers: WordPress網頁開發工具，使用簡單，永久免費。

Bootstrap Zero:全時間最大的開源免費Bootstrap模板。

Landing Harbor:你可以使用它們的免費登錄頁面來推廣你的移動應用。

免費品牌和LOGO設計工具

Logaster:專業的在線logo設計與生成工具。

Hipster Logo Generator:設計感極強的免費設計工具。

Squarespace Free Logo:你可以從這裡免費下載低分辨率的Logo。

Signature Maker:一個免費的網頁工具，它可以幫你創建手寫數字簽名。

免費法務文件工具

Kiss:針對初創企業創業者和投資人設計的免費法務文件服務。

Docracy:免費法務文檔大集合。

Shake:讓你在幾秒鐘內就可以創建和簽署大量法務協議。針對個人用戶免費。

免費創意管理工具

Experiment Board:不用浪費時間和資金，就可以對你的創業創意進行測試。

Germ.io:幫你從創意階段，過渡到執行階段。

Skitch:讓你更快的將創意變成現實。

免費企業/項目名稱生成器

The Name App:幫你的創意找一個可用的名字。

Naminum:幫你的公司起一個完美的名字。

Short Domain Search:找到簡短可用的域名。

Wordoid:為你的企業起一個簡短好記的名字。

Hipster Business Name:時尚的企業名稱生成器。

Impossibility:有史以來最好的域名生成器。

Lean Domain Search:幾秒鐘內幫你的網頁找到好域名。

Domainr:快速、免費的域名搜索器。

->免費行銷工具<-

免費寫作/博客工具

Hemingway:這個應用能讓你的寫作變得更加清晰。

Grammarly:自動找到你寫作中的各種拼寫錯誤。

Medium:你可以在這裡讀到所有人的故事，你也可以在這裡講述你自己的故事和創意。

ZenPen:全網最簡單方便的寫作工具。

Liberio:簡單易用的eBook電子書生成器，而且可以直接從Google Drive中發布。

Editorial Calendar:你可以在這裡管理所有的文章，並且支持簡單直觀的拖曳操作。

Story Wars:和其他人一起進行寫作。

WP Hide Post:控制博客文章的能見度級別。

Social Locker: .如果有人想要轉載你的內容，你可以讓他付費哦。

Egg Timer:設定時間和書籤，讓你重複利用你的內容。

BlankPage:把寫作變得更簡單。

Wattpad:全世界最大的讀者與寫作者社區。

Known:你可以在這個網頁上管理你所有發布過的內容。

Wattpad:寫作者和讀者進行交流的另一個社區。

Dbook:當你需要撰寫大型文件的時候，你可以在這裡與其他人進行協作。

CoSchedule:博客文章標題分析器。

Free Summarizer:只要幾秒鐘的時間，就可以對網絡上的任何文本進行分類總結。

找到正在流行的內容和創意

Portent:簡單好用的內容創意生成器。

Google Trends:顯示搜索趨勢的新方式。

Buzzsumo:不知道哪種類型的內容最受歡迎，或是不知道競爭對手正在發布什麼內容？用這個工具就對了。

Hubspot Blog Topic Generator:幫你尋找博客內容創意。

Swayy:發現互動量最大的內容。針對個人用戶免費。

Ruzzit:找打網絡上分享量最高的內容。

免費SEO和網頁分析工具

Open Site Explorer:一個全面的鏈接分析工具。

Ahrefs:網頁探索和回鏈檢查工具。

Quick Sprout:這個工具可以對你的網頁進行全面的分析。

WordPress SEO by Yoast:幫你打造一個全平台優化的WordPress網頁。

SEO Site Checkup:免費幫你查看網頁SEO方面的所有問題。

Hubspot Marketing Grader:對你的行銷手段進行評分。

SimilarWeb: .對任意域名的網頁進行數據分析。

Alexa Ranking:對網頁進行評估和分析，並且進行排名。

SERPs Rank Checker:免費的關鍵詞排名和SERP檢查工具。

OpenLinkProfiler:免費回鏈服務。

Keywordtool.io:可以替代谷歌關鍵詞計劃規劃的免費工具。

Nibbler:對任何一個網頁進行測試。

Browseo:一個讓你了解搜索引擎是如何看待你的網頁的工具。

Broken Links:找到受損鏈接，並對其進行修復或是重新定向。

Copyscape:看看其他網站誰復制了你的文章。

Google Pagespeed Insights:查看網頁表現的工具。

Pingdom:對網頁加載速度進行測試。

GTMetrics:分析你的頁面的速度表現。

Moz Local:讓你知道你的網頁在谷歌、必應等搜索引擎上的排名。

XML Sitemaps:網頁地圖生成器，還可以創建XML和HTML等格式的網頁地圖。

Shopify E-commerce Report:免費的企業電子商務情況報告。

W3C validator:簡單易用的標記驗證服務。

免費圖像優化工具

Compressor.io:在線對你的圖像進行優化和壓縮處理。

Kraken:對圖像進行優化，並且對網頁進行加速。

ImageOptimizer:對圖像進行壓縮、優化以及改變圖像尺寸的服務。

ImageOptim:縮小圖像佔存空間，並且提高圖像加載速度。

Smush.it: WordPress插件，可用於圖像優化。

Dunnnk:出眾的效果圖工具。

InstaMockup:這個工具可以為你的應用或網頁製作精美的截圖。

免費圖像編輯器

Canva:針對博客主推出的超級簡單的圖像設計工具。

Pixlr: Pixlr Editor是一個強勁的瀏覽器圖像編輯工具。

Skitch:訊息圖創建工具，用圖像和文字更好的說明你的觀點。

Easel.ly:讓任何人都可以創建和分享優秀的視覺內容。

Social Image Resizer Tool:為社交媒體創建經過優化的圖像。

Placeit:免費的產品效果圖和模板工具。

Recite:把一段話做成精美的配圖文字。

Meme Generator:全網第一個在線文化基因生成器。

Pablo:只需30秒，為你的額社交媒體文章設計互動性強的圖像。

免費電子郵件管理工具

Contact form 7:著名的WordPress插件，能夠收集訪客的電子郵件地址。

Mailchimp:免費向2000名訂閱者發送1.2萬封電子郵件的工具。

ManyContactsBar:給你的網頁頂端添加上免費的聯繫人表格。

Hello Bar:這個工具可以幫你獲得更多行銷郵件的訂閱者。

Sumome List Builder:使用輕量級的彈出窗口來收集訪客的電子郵件。

Scroll Triggered Box:提高對話率——僅支持WordPress。

Sumome Scroll Box:幫你獲得更多的訂閱者，而且不會讓訪客感到厭煩。

Mandrill:最快速的發送郵件的服務，每個月最多可免費發送1.2萬封郵件。

Mailgun:針對開發人員推出的電子郵件服務。每個月最多可發1萬封免費郵件。

Sendgrid:投遞你的交易與行銷郵件。每個月最多可免費發送1.2萬封郵件。

Sendinblue:每個月最多可免費發送9000封郵件。

Mailtrack:最好的免費電子郵件追踪解決方案。

Beefree:免費的郵件編輯工具，你可以用其撰寫採取響應式設計的訊息。

Canned Emails:一個非常簡單的網站，上面有很多預先寫好的郵件模板。

免費指導與課程服務

Primer:沒有廢話、沒有艱深術語的干貨行銷課程（谷歌出品）。

KeepYourFriendsClose: .這是一本免費的電子書，講的是如何將客戶終身價值最大化的問題。

Pricing Course:一個免費的9日課程，內容是為你的產品進行合理定價的方式。

Email Course for Sponsorships:如何為任何一件東西找到贊助。

Startup Sales Course:這個免費課程能夠讓你變成一名更優秀的市場行銷人員。

Build an online course:你有知識想要傳授給別人？這個免費課程教的就是如何搭建在線課程。

MailCharts:這個免費的郵件課程，也能夠讓你變成一名更好的行銷人員。

FirstSiteGuide:想要當一名知名博主？這個指導能夠讓博客新手變成專家。

免費社交媒體和社區管理工具

WriteRack:開啟Twitter風暴的最佳方式。

Spruce:讓你用幾秒鐘的時間就可以創建出適合Twitter的圖像。

Click To Tweet:讓你的內容獲得更高的分享數量。

MyTweetLinks:這個工具可以幫你提高Twitter流量。

Latergram:輕鬆的創建Instagram圖像發佈時間表。

WordPress Pin it Button for Images:給WordPress網站添加“Pin It”按鈕。

SharedCount:追踪URL分享、點贊、轉發等訊息的數量。

How Many Shares ：讓你一站式管理URL分享數量，支持絕大多數主流社交媒體服務。

Justunfollow:在Twitter和Instagram關注和取消關注別人。

SocialRank:管理你Twitter賬號上的粉絲，對其進行分類和整理。

Klout:這是一個瀏覽器插件，讓你隨時查看各種社交媒體動態。

Social Analytics:在大多數社交媒體平台上對URL進行管理和分析。

Buffer Free Plan:在Twitter、Facebook、 LinkedIn和Google+等社交媒體平台上製定文章發佈時間表，並且定時自動發布文章。

Bitly:創建、分享和追踪短連接。

Filament:免費、精美並且支持個人定制的分享條。

Addthis:為你的社交媒體內容帶來更多的分享量、粉絲以及對話。

Sumome Share:在流量頂峰的時候自動優化你的分享按鈕。

Digg Digg:你的多合分享按鈕插件。

Disqus:幫你打造一個活躍的讀者和評論者社區。

App Review Monitor:這個工具可以將應用的品論直接發送到你的Slack和電子郵箱中。

Presskit Generator:為你的iOS應用生成免費的Press Kit。

免費客戶服務與問卷調查工具

Free Survey Creator:這個工具可以幫你創建調查問卷，並且免費獲得用戶的反饋。

Typeform:免費的精美在線調查問卷生成器。

Tally:讓你在幾乎不花時間的前提下創建投票調查表。

Free Survey Creator:免費創建調查問卷，並且獲得用戶反饋。

Batch:史上第一個針對應用應用推出的百分之百免費的互動平台。

Helprace:客戶服務工具。針對小型團隊免費，最多支持3個客戶。

免費A/B測試與增長工具

Petit Hacks:用戶獲取、留存於營收增長工具，針對企業用戶推出。

Optimizely:針對網頁和移動應用設計的一站式優化平台。

Hello Bar:免費A/B測試工具。

The post 有哪些堪稱神器的工具或軟件？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

直播帶貨的主要陣地在淘寶、抖音、快手這些平台，微信生態的玩家一度成為看客，許多玩家萌生了是否要換一個賽道前進的想法，這種落差在微信生態下的玩家是難以接受的。春節期間微信剛剛推出了企業微信，全網注意力都集中在企業微信上面，突如其來的疫情使整個時代產生巨大的轉變，而微信正在尋找時機，等待機遇。

HubSpot白皮書：2020行銷技術新風向- Linkflow聯否官網​www.linkflowtech.com

近半年來微信生態產品的更新頻率可以反映出，微信做了很多具有變革性的一些更新，比如新推出的視頻號，公眾號新增的推薦機制，企業微信新增的社群功能等等，這些功能的更新對於企業來說都是一個機會，讓我們一起來看看2020微信生態都有些什麼機遇和挑戰，以及我們應該如何藉著這波變革乘風而起。

微信內容生態的機會和挑戰

微信生態中內容分為三大部分，第一部分是微信公眾號，第二部分是微信的視頻號，第三部分是小程序直播。目前而言微信公眾號依然是重要的內容輸出方式，未來可能會是視頻號，在短視頻興起之前微信公眾號是一個黃金時代，隨著時代的發展短視頻的興起給微信公眾號分走了一大部分內容創作者，對於微信而言用戶的離開意味著平台價值在縮水，所以微信如今一直在等待一個機會。

騰訊官方強推的獨立App微視就是在視頻內容方面與抖音快手進行較量，而這次爭奪並沒有讓用戶的注意力回歸到微信，所以微信想依靠12億用戶的殺手鐧，通過公眾號、視頻號，小程序，這些地方去設置流量入口，與抖音快手這些平台去進行最終的較量，甚至反超。微信新增添的推薦機制的原因就是怎麼樣把優質的內容匹配給更多的用戶，這樣做不僅僅可以去提高一些內容創作者的積極性，同時也還能提高用戶的時長。推薦機制的加入，它不僅意味著公眾號今後不再是一個訊息的孤島，而且也意味著公眾號今後將會成為一個逐步開放的生態環境。

推薦機制：打破公眾號現有的一個流量的格局

圖片來源於網絡

打破公眾號現有的一個流量的格局，目的是為了讓內容能夠百花百花齊放，對於一些小公眾號來說，推薦機制是非常友好的。事實上公眾號上的大量粉絲其實都開始聚集在一些頭部的號上，這也導致了一些中小號其實非常難以運作。微信官方要給這些中小號提供更多的一個公共流量來幫助他們成長，所以這也是一個機會。像今日頭條和抖音這些純訊息流的推薦平台，能夠形成那麼大的用戶規模，靠的就是本身的推薦算法。

一個平台的流行內容很多都是從用戶極少的小號貢獻的，微信公眾號的推薦機制也會盡量的為一些中小號進行推流，所以這也是一種機遇。

如何玩轉推薦機制：分配而不擇優

作為一個公眾號的內容建設者要了解推薦機制最重要的一個作用是分配，而不是去擇優，計算機它的算法能識別的是內容受歡迎程度，再去根據受歡迎的程度，對內容再一次的進行分配，推薦。所以內容平台在做訊息流推薦的時候，只會去判斷用戶和內容的匹配度，而不是去評選一篇滿分的作文來。
微信的推薦機制會涉及到的一些數據, 以及非常關鍵的用戶的行為數據，包括用戶的主動點贊，分享在看評論，還有文章的完讀率等等, 這些數據背後其實反映的是一個推薦機制, 每個用戶都是被打上了無數的標籤，然後被分成了一個個的圈層，機會就在於創作的內容能夠去滿足某一個用戶標籤下的一個最大公約數，讓更多的用戶喜歡我們創作的內容，同時也能夠享受到推薦機制的紅利。

視頻號：一個全新的行銷戰場

圖片來源於網絡

微信加入推薦機制的真實目的，可能並不僅僅只是為了優化公眾號的內容生態，而是為了後續給視頻號導流做鋪墊。如果這一手操作用一個典故來形容的話，應該叫做項莊舞劍意在沛公。視頻號是一個戰略性的佈局，也是微信後續的一個發力點，不管是視頻內容還是直播，微信的內容生態裡面最大的機會一定會出現在以視頻和直播內容為中心的視頻號上。

直播和帶貨

首先現在能預見一個現象，直播帶貨吹起來的泡沫遲早是要破裂的，目前的直播帶貨是一個靠著特殊時期催熟的產物，本身就還有很多的功課要補，雖然看起來全民都在直播但是這個持續時間一定不會很久，直播行銷的方式會重新回到作為銷售的環節或者渠道上。
如果每家平台都存在直播這種行銷的方式，那麼就看誰家的用戶質量更好，行銷水平更高，微信接下來將參與到直播的競賽里面去，一定會給在微信裡面參與生態內容建設的用戶帶來紅利，在微信裡面去做行銷，依然具備一個巨大的優勢。所以微信官方在打造視頻內容這件事情上，給出的扶持力度是非常大的。

視頻號的發展前景

第一，視頻號它可能會是有別於公眾號的另一個非常新的一個流量入口，視頻號比起公眾號來說更具有擴展性。我們圍繞著視頻號，將來可能會產生類似於抖音快手類短視頻內容生態，也有可能會產生類似於淘寶直播的電商帶貨的環境。還有可能視頻號上會出現類似於像現在斗魚和虎牙的娛樂直播。所以我們不管是從生產者還是從內容的消費者的角度看，視頻號背靠著微信這樣的大樹，接下來一定會有無窮的想像力，而且官方為了推廣視頻號，還非常罕見的使用了一個小紅點這樣的一種牆體式的功能，來提高用戶的打開率。

第二，為了扶持視頻號的內容，微信在公眾號的推薦裡面加入了一些視頻號的導流內容。

第三，官方的態度，微信的創始人發出一個關於視頻號的用戶已經突破2億的朋友圈，這個情況是很少見到的。由此可以預見的一個未來，視頻號一定會成為一個全新的行銷戰場，那麼越早進場機會就會越多。

小程序：新的機會重點在直播

騰訊直播已經全面開放，騰訊直播在微信裡面最重要的一個載體就是小程序，從前段時間小程序內側分享發佈到朋友圈的事情我們可以發現小程序分享到朋友圈功能，他的目的可能就是為了給小程序直播導流。用直播去撬動朋友圈裡面的流量，而且這部分流量還自帶著一個私域的屬性，會比用訊息流推薦帶來的用戶更加精準。所以不管是去做帶貨，還是去做其他，成本不僅可控，而且轉化率更高，所以小程序直播也會成為下一個很重要的風口。

企業微信：是否能承擔起私域流量的運營重任？

雖然微信和企業微信兩者之間它都掛著一個微信的名頭，但是他們天生的基因就是不一樣的，微信更多的用的一種熟人的信任關係，像這樣的關係，不可能說被簡單的過渡到一個工具上面去。那麼如果說我們未來要運營4G流量，其實是通過企業微信這樣的工具去管理，然後輔助上我們的個人號，去和用戶再建立一個更深層次的溝通，才是一個比較容易被接受的一種方式。
不管是個人號、企業微信、或者微信社群，最終的目的都是為了幫助我們去留住那一批匹配與我們服務的目標用戶。企業更需要考慮的是如何提高服務質量，或者是如何提高用戶對本身品牌的信任，來達到留住客戶。

通過內容來加速生態的一體化進程

我們都知道在微信生態裡面一個比較傳統的商業路徑，就是從流量到服務再到變現，最後到復購，這樣的商業的閉環。在這樣一個電路中內容是一種催化劑，以優質的內容加速流量的變現過程。最初的微信生態問題是微信公眾號是特別封閉的生態環境，在公眾號裡面做內容電商沒有辦法對接到整個平台的流量，最明顯的現象就是內容電商最後都發展成了微商。

如今更符合微信用戶習慣的推薦機制功能的出現，可以看到的是同一個全程用戶的流量會更容易流通起來，相應的企業不管是在微信上面做內容，還是去做行銷，獲取到的用戶就更加的精準。

如今微信開通了視頻號會通過視頻內容來優化變現路徑，內容電商做不到的而視頻號就可以實現，原因有兩點：一、微信的內容生態增添了推薦機制不再像過去那麼封閉了，更符合微信用戶習慣的推薦機制可以使流量更容易流通，獲客也更加精準。二、微信的服務生態已經非常完善，微信小程序普及了日常生活，微信生態裡面的各個模塊，都在一步一步的進行整合演化。最終的方向，一定會成為以用戶為中心的一體化的服務。

2020是一個機遇和與挑戰並存的一年，在微信生態下我們要抓住機遇，通過新的機制創造機會，以用戶為中心的一體化的服務為核心，幫助企業精準行銷，提高獲客效率。

The post 2020 年，通過公眾號實現內容變現還有可能性嗎，有哪些機遇？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

企業在做數位轉型之前首先要問自己幾個問題，比如行銷效果有沒有辦法去做端到端的追踪，各個部門可能在看客戶的時候是不是清晰完整的畫像，我相信絕大多數其實傳統企業現在是不清楚的。

我目前看到比較成功的case一般是這樣的，有一些是甲方自己有能力去做整體的規劃，有一些請第三方的公司來幫忙做整體的規劃，那麼一般來說我們會分成三個步驟。

HubSpot白皮書：2020行銷技術新風向- Linkflow聯否官網​www.linkflowtech.com

第一個步驟是構建一個數據池，也就是數據基礎。

第二步驟是說他們會做很多的頭腦風暴，根據自定義的客戶旅程或者客戶階段製定很多不同的場景。比如說我們的一個汽車客戶，他就想了將近39個不同的場景，這些場景可能是企業微信上我該怎麼做，可能直播我該怎麼做，可能我怎麼利用抖音、用快手來做，每一個場景會指派一個專門負責產品經理來負責相應的部分，他們去構建自己一個指標體系，甚至是構建整個標準化的sop來提升它的過程。

第三個是構建具體的標準化流程和客戶旅程場景，這基本上是現在看到比較多的三個步驟。

企業數位轉型最大的趨勢就是技術與行銷的融合，讓大家對數字行銷有了新的理解。

過去大家提到數字行銷，就是以數字平台為行銷陣地進行行銷傳播，其傳播的屬性會更多一些，例如策略創意、運營執行之類。

近兩年，技術在行銷領域的重要性越來越高，大家對數字行銷的理解也有所改變，現在提到的數字行銷都會認為是幫助企業完成數位轉型，也就是從企業內部架構、市場、銷售、渠道、生產、供應鍊等進行全面的轉型升級，讓企業摒棄只考慮某個單一節點的思維方式，而養成從全局出發的經營模式。

這就是一個特別大的趨勢，如果我們把目光聚集到Marketing領域上面，那就是martech扮演的角色會越來越重要，data driven會越來越重要，也就是未來企業無論在marketing、sales等方面的運作，都需要基於數據，甚至還需要藉助一些技術層面的數據工具來幫助企業完成策略的優化升級。

最開始，技術在行銷領域裡只有非常少部分人關注到，現在被越來越多人關注到了。例如在4、5年前剛開始有行銷自動化系統的時候，你會發現百度上連這個關鍵字都沒有，現在在整個行業裡，基本上大家對行銷自動化、SCRM、HubSpot都有一定的了解。

這主要和台灣的流量市場有關，過去台灣一直是個增量市場，所以企業基本上做一下廣告投放就可以達到其預期的行銷效果。但是現在企業的注重點是，我如何在當下的存量市場裡更好地服務客戶，以及如何更好的整合企業內外部數據完成數位轉型。正是因為市場環境的變化，讓行銷和技術兩個本來沒有關係的事物融合在一起。另一個變化是2019年，大家開始談起了“私域流量”，當然不同的人對這個概念的理解也不太一樣，有一些人理解的是如何管理多個微信號和微信群，也就是一個個人微信的管理工具。也有很多人的理解是，企業如何通過數據去構建第一方的流量池，將客戶數據變成企業的資產，從而更好的服務客戶。

The post 如何用通俗的語言解釋企業數字化轉型？ appeared first on 成長駭客交流第一站 - HyperGrowths™.

企業應以用戶為中心來分析用戶

很多時候我們會忘記用戶是有血有肉、有情緒、有想法、有經驗並且有邏輯、有意志、求方便的人，這裡每一個詞都很重要，在做了許多用戶洞察的過程之後，我發現要提供很棒的用戶體驗，在各方面的體驗都要實現數位化，並且在便利性功能性上都要很強。

HubSpot白皮書：2020行銷技術新風向- Linkflow聯否官網​www.linkflowtech.com

現在國際的研究，大家都在談一件事情，就是你的用戶體驗能不能激起用戶的情緒和情感。這件事情很多人都沒有關注到的點是，用戶體驗來自於有血有肉有情緒的真人。

我們常說，創新有時候要來自於模仿，如今台灣的消費者和使用者已經體驗過全世界各種各樣的好東西了，所以我們可以換個思路，去借鑒一些海外的創意或者用戶體驗的設計。

用戶的複雜度——用戶畫像

客戶會通過不同的渠道與企業產生交互，渠道裡面會有不同類型的用戶畫像，這些畫像是否可以落實到真實的人和真實的聯繫方式，並且可以通過這個渠道觸達到這個客戶。

有很多企業會通過一些廣告平台、媒體平台針對某一標籤的客戶進行投放，但是用戶的興趣、態度往往不是靠單一的標籤可以描述的，往往是需要結合多渠道的屬性、行為、偏好才能分析出用戶的興趣。所以現在媒體提供的定向投放轉化效果很一般，企業更需要的是可以落實到真人的完整的第一方用戶畫像。

另外，大多數企業希望利用數據來判斷用戶的喜好，但很多的數據都有水分，因為很多數據可能來源於刷單或是廣告平台提供的不准確的數據，現在市面上有不少數字產品是可以幫助企業去驗證數據的。

那麼在現在這個數位化時代中，如果企業想把品牌做好，就需要安安分分踏踏實實地把數據累積起來，做好數據管理，否則越來越多的水分和雜音，都將無助於品牌的長期發展。

用戶的流動性——用戶旅程

以上兩張圖分別是用戶旅程技術圖表（左）和優先性時鐘（右）。

用戶旅程技術圖（左）表是把用戶旅程拆成非常多的小步驟，但是每一個步驟裡面都會涉及到用戶真實的某個動作或某種感知，把這些所有的感知和動作連接在一起，就是用戶對於產品和品牌體驗的感受和旅程。

優先性時鐘（右）體現的是，在左圖那麼多的體驗或是旅程中，每一個步驟的重要性和它的影響力是什麼。

那麼用戶旅程應該怎麼設計呢？

第一，從動機出發，也就是滿足消費者的初始需求。有的企業可能會在設計用戶旅程的時候很糾結，其實這時只需要返回去思考設計這個旅程的動機是什麼？需要滿足用戶的什麼需求，就不會那麼糾結了。

第二，就是在那麼多的旅程節點裡，企業需要判斷哪些旅程優先級比較高，影響比較大，所以我們會需要右圖的優先性時鐘。這裡我用顏色來代表不同節點的優先級，用內外圈來表示影響層級。所以企業在設計旅程的時候會發現可能有40多個節點，企業根本沒有這個人力和精力去把每個節點都做的很完美，這時候就需要一個優先性時鐘來幫企業篩選出最重要的3-4個節點，設計出一些獨一無二的用戶體驗旅程。這張圖只是一個參考，因為我們內部就是這樣用的，我們會將一個旅程中的不同節點通過這樣一個優先性時鐘來排列，所以大家可以不用看的太仔細，因為大家的時鐘可能都不一樣。

在數位化時代，AI與自動化為用戶體驗的交互創造了更多可能，很多產品都可以幫助企業設計自動化的用戶旅程，當然，在設計旅程時，還是我前面強調的兩個點，一從動機出發，二篩選優先級。

用戶的管理——AIPL隧道模型

這張圖身為行銷人應該已經非常熟悉了，但是很多企業的困境在於，數據分散在不同的渠道和不同的部門中。

舉個簡單的例子，當企業在發展初期，可能只有一個電商渠道，那麼企業只需要關心這一個渠道的AIPL就可以了。當企業成長成為一個大品牌，有非常多的渠道和產品線時，就需要把這些渠道和產品的數據都放進AIPL之內。但大部分企業都很難做到數據的歸一、清洗和匯總。

還有個例子就是，每個部門會負責用戶的不同生命週期階段，例如行銷部門負責第1、2階段，門店負責第3階段，會員管理部門負責第4階段，當用戶體驗出現問題時，各部門間就會互相推諉，甚至數據也不願意共享，所以分開在各部門的數據都沒法放進AIPL隧道中去進行分析。

這時有的企業就會選擇設立CEM（customer experience manager）去把各部門、各渠道的用戶體驗數據串聯在一起，通過AIPL去分析客戶體驗的問題出現在哪裡。

或者說，有的企業會選擇採購一套系統（例如Linkflow低代碼的客戶數據中台HubSpot）去集成並整理數據。例如企業在每個渠道上和客戶交互的第一方數據，從移動到WEB、POS系統、到後端ERP、支付服務、再到客服系統、甚至CRM。

企業如何進行數位轉型？

企業需要先自我檢視本身的數位化程度

1、以上提及的用戶為中心工作中，您的企業已經建立了多少？
2、是否已經可以實時地對以上層面進行優化與檢視？

若已經做到：企業需要一個應對未來新渠道/新媒體/新形式與新內容的開放心態，數字能力準備，以及對於自我生態系打造的準備，應是符合技術發展曲線/具有衍生潛力/能夠符合企業發展與競爭策略的。

若尚未做到：企業需要進行思維提升，進行數字基礎建設佈建，進行企業組織改造。如果已經準備開始數位轉型，以下五大層級希望可以給您帶來幫助。

數位轉型的五大層級

• 賦能層<br>用戶接觸的硬件或衍生物件，他們“賦能”了用戶接觸產品或服務。例如：一物一碼、VR頭盔、點餐機、攝像頭、運動手錶與手環等。
• 交互層<br>用戶使用的軟件界面，在這個交互界面上用戶能夠獲取實際產品或服務的價值。例如：微信、小程序、微店、支付界面、APP、網頁等。
• 運營層<br>品牌或產品/服務的運營者使用的界面，透過這個界面定義/操作/設計產品或服務。例如：電商渠道的管理者後台、Linkflow客戶數據中台、各軟件的後台等。
• 系統層<br>面向開發者或數據科學家，是以上各層的基礎系統與數據結構的佈建層。例如：整體POS、ERP、CRM、CMP等。
• 基礎層<br>運算/存儲等涉及所有為支持品牌服務用戶的行動的最基礎層級，是基礎建設。例如：阿里雲、AWS等。

五個層次產生無數數據，但“用戶為中心”的思路是數據架構的關鍵錨點，在每一個面向特定用戶的畫像與旅程的體驗設計中，均考量以上五層次，而不論層次多少，用戶感受應該都要是一致（品牌形像一致）而簡便的。

總的來說，以用戶為中心的數位轉型，試著讓用戶參與到你品牌產品和服務的設計中，對用戶旅程的梳理形成良好的用戶畫像，構建良好的用戶體驗，好的數位轉型設計，讓您的行銷事半功倍。

The post 互聯網行業中用戶運營和用戶增長的差異是什麼？ appeared first on 成長駭客交流第一站 - HyperGrowths™.