营销自动化的困境|运营狗

编辑导读：营销在这几年快速发展过程中为不同的平台产品带来了更多的利润和活力，无论B端或者C端，营销都是每个行业企业都逃不开的话题。本文作者从市场现状出发，对营销自动化的意义和具体实现展开了分析讨论，与大家分享。

营销自动化的困境

在我起笔写这篇文章之时，已前赴后继的出现了许多营销自动化相关的企业，一些原先从事其他环节的供应商进入了营销自动化的赛道，比如原从事活动代运营的公司、从事传统销售CRM的公司，甚至是电商平台以及BI工具的厂商也延伸到营销自动化领域。

整个领域正在百花齐放，但客户的满意度并不高，问题出在哪里？在这个“前有堵截，后有追兵”的竞争环境下，新进的自动化营销系统供应商该用什么姿态进入营销自动化这个市场？需要避免什么雷区？借着写文章的契机，梳理一下从事自动化营销产品设计这些年的思考。

本文想要从两个方面去剖析营销自动化：

自动化的意义；
营销如何自动化。

一、实现自动化的目的是什么？

简单来说，实现自动化的目的就是减少人力中重复性操作的部分，不光提升效率，还能将错误率降至零。企业实现自动化后能获得最显著的效果是可以淘汰任务，将之从工作流程中移除，让员工可以转移到更有价值的事务中。

二、什么企业会引进自动化？

首先需要了解到并不是任何节省劳动力技术都能立马受到所有企业的夹道欢迎，原因很简单，引进新技术意味着需要采购新的系统或机器，员工需要重新培训，甚至需要调整企业内部流程或应聘新的人才去适应这一调整。

因此企业在接纳一项新技术之前必定会先权衡劳动力的成本和技术替换的成本，如果加上企业对技术成熟度的怀疑这个因素，要推广新技术的难度就更大了。

什么企业更可能引进自动化技术？

假如拿企业规模来做简单的划分，更有可能愿意接受自动化技术的企业也许是规模特别小或特别大的企业。一个雇员规模不到20人的企业，巴不得将1个雇员当4个来用，同时企业规模小意味着企业的业务量有限，这类企业通常面临一个尴尬的局面就是企业需要一些低技术的员工，但员工每天8小时的工作量可能是不饱和。如果能通过自动化工具来替代人工，对于这些小型企业可谓是救命稻草。

相反的，大型企业的业务量巨大，每天花费在整理繁重的文件、数据等就需要花费大量人力和时间，更重要的是人工操作会造成错误，错误可能会被掩埋而难以被发现，这种错误所带来的不确定风险对于大型企业来说才是更可怕的。除了减少人力外，自动化工具能减少甚至消灭错误率，对大型企业来说是具备吸引力的。

当然这并不意味着一套自动化工具既能满足小B企业又能满足大B企业，首先从售价上，小B企业能承受的售价需要低，例如一个Saas型自动化系统年费一定要远远低于一个员工一年的薪资；售价低意味着系统更倾向于做成轻量级产品，轻量级产品意味着只能解决一个明确的、单一的任务，无法满足大企业更多流程上的需求；

而大B企业的业务复杂，定制需求多，服务大B企业的系统供应商更倾向于将产品做的更平台化，更灵活可配，更开放，销售模式更倾向于产品+实施+整体解决方案打包销售。

三、企业实现自动化的前提是什么？

企业实现自动化的前提需要两个前提：

企业业务线上化；
可固化的流程。

1. 企业业务线上化

自动化依赖数据，数据在自动化中扮演这三种角色：输入、训练、反馈。由于本人并非机器学习方面的专家，因此直接引用《AI极简经济学》对自动化决策的拆解（如下图）来强调数据在自动化中起到的重要作用。

营销自动化的困境

引用：阿杰伊·阿格拉沃尔,乔舒亚·甘斯,阿维·戈德法布. AI极简经济学

其实作为非专业人士，我们也不必对机器学习望而却步。就目前市面上“企业服务类系统”所提供的自动化工具并未达到整个决策流程完全依赖机器执行。在系统设计上，会将每一个节点，比如输入、预测、行动、训练完全拆分开，让每个节点都有“人”的介入，由人对预测结果进行判断、由人来预设系统在什么条件下应该做出什么行动、由人来理解结果数据并进行优化。

自动化工具更多起到了辅助的作用，首先是自动化的数据处理，将不同来源的数据或非结构化的数据变为可处理的结构化数据，馈进算法，生成预测建议、其次是自动执行预设的行动，最后是自动追踪数据并呈现可视化结果。

让我们回到最初的论点，企业要实现自动化首先需要具备足够多的业务数据，而获取数据需要企业将业务线上化。虽然在2C领域，人们早已习惯使用各种智能设备解决各种日常生活的问题，比如社交、餐饮、文档处理等，只需用户同意授权，2C领域的系统服务商（如：APP）可以获取大量用户的使用数据。

然而在2B领域，许多传统企业甚至是大型企业仍使用非常传统的方式处理各类信息，例如通过纸质化的方式记录信息再通过人工录入系统，这种方式不但低效而且容易出错，更重要的是不同部门各自处理自己部门的业务数据，部门之间数据无法打通，结果是即便在同一条业务流程中各个节点的数据也是割裂的，更别提实现自动化了。

因此，许多自动化系统服务商正在帮助企业实现“数据输入”端的问题，譬如通过图像处理技术将纸质文件转换为结构化数据，通过语音识别技术自动录入用户口述信息，提升员工记录工作内容的动力和效率等。

2. 可固化的流程

如同前文强调，目前这一代自动化工具只能解决特定工作流程中的特定任务，因此无论是企业选型自动化工具还是系统服务商考虑制造自动化工具来执行企业哪一项任务，首先需要分析哪些任务存在很大的改进空间并且使用自动化工具会带来多大的投资回报率。

此类任务通常具备以下几个特点：

第一个特点工作流程固定，由于自动化工具是重复性的执行任务，因此如果该任务充满创造性，需要人能够随机应变则不适用于自动化或者自动化的成本过高。

第二个特点工作内容繁复，简单的来说就是没效率但不得不干的工作，通过自动化可以大大节省人工执行的时间，甚至将该任务从工作流程中移除。

第三个特点也是最有价值的特点即通过人工难以处理的任务，譬如任务具有对及时性要求很高、对数据处理能力要求很高等特点。

四、什么业务适合自动化？

分析一下市面上已有的自动化工具可以帮我们举一反三，从而判断出在我们熟悉的业务流程中哪些任务亟待自动化。

财税自动化：财税场景规则性极强，业务流程中往往存在大量重复、规则性明确的任务。尤其是大型企业的财务部门可能会有上百个银行账号，他们每天财务人员都需要分别登陆到这上百个账号里面，依次去下载银行流水，跟财务系统里面的数据做对比的工作，工作量非常的繁重，自动化工具可以把几百家银行全部自动执行。

客服自动化（客服机器人）：多数场景下传统的人工客服都依赖于一套专业的回答话术和指南，工作内容相对固定，通过自动化对话，可不用都由员工回答，这样企业可以节省更多时间和金钱。其次消费者在咨询客服时期望得到更快的回应，而智能客服机器人可明显缩短平均回应时间，更接近客户的期望。

五、营销是否适合自动化？

1. 目前已知的营销自动化是什么？

业界对营销自动化的解释都比较模糊，往大了说几乎囊括了所有营销的数字化应用。在展开下文的讨论前，首先必须收窄自动化营销所指的范畴。根据上文的论述，自动化工具旨在将现有任务自动化的大数据方法上，因此自动化营销可以狭义的定义为根据预设的自动化流程为潜客设置个性化的内容营销策略，并自动完成部分内容推送工作。

2. 营销自动化的困境

一般而言，各类营销系统厂商都具备自动化功能，且产品形态具有相似之处。虽然供给端好不热闹，但不少客户反馈，目前的营销自动化工具并不好用；从行业运营数据来看，相关产品的销售额还未起量，持续的续费行为也未得到验证。作为营销自动化的业内人员，隐约感受到其中面临的一些困境，并期望试图找出解决方案。

困境一：营销内容

营销自动化工具主张“在对的时间和对的人说对的话”，其中涉及到四个要素分别是时间、人、渠道以及内容。当大家在推介营销自动化工具时，往往会强调“触达及时”、“人群准确”、“跨渠道营销”，然而“营销内容”该如何应用到自动化流程中似乎缺少明确的指南，原因很明显，营销需要大量的营销内容，而多数营销内容的特点具有时效性，不可复用的问题。

营销内容的时效性来自于企业产品的推陈出新、季节性、节假日、热点时事以及举办不同的营销活动，过时的文章将无法复用，使用短时效的营销内容注定自动化流程也是短时效，如果无法在相对较长的时间内运行固定流程，就无法从真正意义上减少人力成本。

到此一定会有人反驳，营销自动化流程可以应用在客户生命周期的不同阶段，例如潜客转化，在潜客与品牌首次接触时发送固定的种草内容促进转化；或者唤醒沉睡客户，对近期没再进行过消费的客户推送固定消息，引导其再次下单消费。

从系统功能的角度来说，这或许确实是一个合理的应用场景，但从企业整体的营销业务而言，这仅仅是很小一部分营销手段，且转化效果远不如举办一场有创意的营销活动带来的转化率，最终难免变成自动化厂商的自嗨。

困境二：数据

自动化营销工具的另一个挑战在于打通各营销环节的数据，其中包含了两方面的能力，1. 渠道数据接入能力，2. 识别多渠道用户身份能力。

对于系统供应商来说，这些能力并不是传统意义上的开发能力。

就渠道数据接入这一点，出于数据安全政策等原因大幅提高了系统供应商获取数据的门槛，譬如淘宝ISV服务商可获取到相比普通的供应商更多维度的淘宝用户行为数据。

其次识别用户在各平台的身份的需要运营和技术手段上的支持，譬如通过引导用户在各渠道注册/登录会员，通过会员手机号打通用户身份。其过程可谓费时费力费钱，并非一蹴而就。

困境三：业务流程有断层

营销仅仅是企业整体业务流程的一个环节，营销和销售紧密连接，销售才能带来企业收入。营销的下游部门可能涉及到企业的电商部门、销售部门、客服部门等，销售有销售系统，客服有客服系统，供应商管理有供应商管理系统，不同系统的功能不同、数据结构也不相同。

如果业务无法自动流转到下游环节，还需要人工定期处理则无法实现真正的自动化。因此，营销系统除了需要打通上游的平台触点，还需要打通企业下游部门使用的系统平台才能真正打造业务闭环。

然而，打通企业下游系统不同于与上游平台，上游的触点平台（如：微信、淘宝、抖音）多数为标准的开放接口，营销系统供应商可以事先做好接入工作，无需企业客户分担平台接入成本。

而下游部门使用的销售、客服等系统完全取决于企业采购的是哪个系统，无法做到事先接入，企业需要承担系统接入的成本，如果接入则会因此增加企业采购系统的费用，如果不接入则无法完全实现自动化。

六、如何摆脱营销自动化的困境？

目前国内IT基础能力和营销成熟度尚不足，似乎单单提供营销自动化工具并不能直接用不起来，作为从事营销系统的供应商们需要开拓思维另谋出路。

1. 营销一体化服务

目前多数的自动化营销供应商采取的策略是为客户提供完整的营销一体化服务，只将自动化工具当作其中一个闭环。

一体化的营销服务包含了客户数据平台（CDP），接入全渠道客户数据、对这些多渠道的数据进行分析、提供打标签功能；客户互动管理平台（CMS），提供生成营销内容的工具，在内容中进行埋码，可自动监测和分析内容的具体转化效果，同时实现内容生成、多渠道内容发布、客户身份打通、采集客户数据；营销自动化平台（MA）和数据分析中心（BI）。

想必，如果产品的设计初衷是打造一款营销自动化工具，想要摆脱营销自动化目前的困境，最终必将走向营销一体化的道路。

但是这条道路也有比较明显的弊端，首先由于产品边界模糊，导致市面上营销相关的绝大多数产品都成了竞品，虽然产品功能相比一些轻量级的产品（如：问卷生成工具、邮件群发工具、H5生成工具）功能更全面，实现了营销闭环，但考虑到国内企业在营销方法论上的发展阶段参差不齐，一体化并没有完全替换轻量级产品的地位。

其次，即便企业愿意花费更多经费采购一套完整的营销一体化工具，事实上用户对产品功能的利用率并不一定很高，原因可能是由于开发精力分散导致单一功能不够强大，无法满足用户深层次的需求；也可能是功能太多，客户根本找不到，最终造成客户不满意，续费率低。

现今在这条赛道上的供应商可谓前赴后继，前些年因为Social CRM兴起的新一代SCRM供应商如今已经羽翼丰满，基本形成完整的营销闭环，而原先具备解决企业营销痛点能力的其他环节公司，也在向这个领域延伸。因此，对于新进场的系统供应商，是否还应该挤进这个赛道，需要慎重考量。

2. 重心转移

自动化必然是企业经营的大势所趋，但目前的国内企业似乎并没有做好准备，作为新进场的企业服务商或许可以通过“曲线救国”的方式实现自动化，将重心转移到自动化的上游或下游业务环节，解决自动化困境中的某一痛点，并逐步往前或往后延伸。

以下梳理了几个市场上已经存在的产品类型或技术来帮助大家拓展一下思路，希望可以引发更多的思考和讨论，说不定下一个创新就出现了。

（1）内容生产解决方案

帮助企业解决生产内容的痛点，基础能力可实现通过拖拉拽的方式快速生成内容；进阶能力可将生产的营销内容，根据渠道的格式要求自动调整并快速发布；高阶能力可实现自动、半自动地生成海报、视频乃至文案等营销内容的产品。

当然，对于专业性内容或对创意有要求的内容，当前的AI技术并不能完全替代人的创造力，发散思维应该不光是从功能层面解决内容生产问题，还可以从运营层面解决，除了由系统供应商直接承接代运营外，也可以搭建双边平台，连接企业和内容制造者，提供透明化的平台环境帮助企业获得优质内容。

满足基本的内容生产需求后，接下来就是是处理海量的内容和海量的客户如何相互匹配的问题，通过自动化工具可以动态更新营销自动化流程中使用的内容，或通过内容和用户兴趣的匹配度推送不同的营销内容，或对内容清单进行个性化排序。

（2）数据解决方案

目前仍然存在许多企业并没有做好数字化的基础建设，由于营销渠道分散，线下渠道无法高效的数字化，线上渠道数据无法打通，造成营销效果无法有效衡量。

因此，实现一键式快速接入各个大流量渠道（包括微信、抖音、各大直播平台、搜索引擎、流媒体等），打通企业业务上下游的数据，缩短企业系统集成的成本和时间，看似是CRM很基础的能力，但对企业选型产品时仍然是有吸引力的。

其次，提供工具帮助企业更便利的收集客户基本信息。事实上，各大流量平台各自为营，仅仅通过接入数据无法实现不同渠道用户身份打通的难题，产品经理可以考虑如何为企业提供更好的前端工具收集客户基本信息，比如在各渠道植入表单引导用户填表并自动采集数据到CRM系统，并通过CRM系统匹配现存客户数据、打通其他渠道的客户身份；或者利用图像识别和文字识别技术可快速将线下文档信息数字化，实现快速的数据采集。

再者，帮助企业简单快速的搭建私域流量平台，提供快速搭建工具或模板帮助企业拥有自有的前端应用，比如会员小程序、样本通小程序、微商城小程序，包揽了客户互动、客户转化和数据收集等业务场景。

只有降低数据采集的难度，增加数据的维度才能实现数据挖掘与应用。如果需要产品有竞争力，需要有效的数据挖掘能力，在拿到同样数据的情况下，能够通过较好的AI模型输出准确率更高的预测。