在这个数据驱动的时代，市场对于高质量的营销数据分析的需求越来越高。更多的企业和组织将数据分析纳入市场营销部门的日常核心工作当中，并且尝试使用和推进新的分析工具和流程。因此，营销数据分析人才的需求也是日益增长，薪资比较高，并且岗位更容易被企业Sponsor H1B，使得Marketing Analytics成为了商科学生求职的热门方向之一。
Marketing Analytics是什么？
我们都知道，每家企业都掌握着丰富的关于消费者选择的数据。但是，丰富的信息并不代表我们就掌握了更高转化率的优秀决策。因此，我们需要营销分析师来帮助我们解读数据，使用分析来为营销决策提供信息并证明其合理性。
营销分析（Marketing Analytics）使营销需要能够衡量、管理和分析营销绩效，以最大限度地提高其有效性并优化投资回报（ROI）。除了销售分析和潜在客户挖掘之外，营销分析可以深入了解客户偏好和趋势，并可以进一步用于未来的营销和业务决策。
Marketing Analytics都在做什么？
营销分析师们每天都在说着“归因建模”、“时间序列”、“聚类分析”，那么他们使用这些模型的目的是什么？他们要实现的Goal又是什么呢？以下几点是需要了解并掌握的部分。
归因建模（Attribution Modeling）
要真正了解客户的购买旅程，营销人员需要看到客户点击（Clicks）背后的故事。归因建模使品牌能够衡量每个渠道的优劣和互动，以便全面了解营销投资回报（MROI）。此时，分析模型会考虑使用Markov chain Monte Carlo（MCMC）。
定价分析（Pricing Analysis）
定价分析允许品牌跟踪价格变化，了解购买行为并提供定价策略的见解。使用优化技术分析、比较竞争性定价动态，智能地制定高效的定价策略。
媒体混合建模（Media-Mix Modeling）
真正将营销投资与业务结果紧紧联系起来，并使用面板数据回归来量化每个渠道对销售的贡献。
细分（Segmentation）
通过细分，面对不同客户的需求和背景，做出更快更明智的决策。通过聚类分析（Cluster Analysis），进行客户分类，可帮助品牌获取可操作的数据，以便以情景化的方式改善与客户的互动。
预测（Forecasting）
使用多变量时间序列模型（Multivariate Time Series Models）的预测分析挖掘并分析当前和/或历史数据，以预测未来。
定位（Targeting）
根据客户的生命周期价值定制优惠和奖励。通过分析买方的行为、参与度、生活方式属性和RFM分析（Recency, Frequency, Monetary)），营销人员可以大大提高营销投入费用的有效性。
客户流失分析（Churn Analysis）
预先预测哪些客户将要流失，并使用生存分析（Survival Analysis）等预测模型来了解哪些营销行为将有助于阻止客户的流失。
购买可能性（Purchase Likelihood）
使用倾向模型优化营销资金，以了解某些购买者行为是否表示购买的可能性较高。
交叉销售和向上销售（Cross-Selling and Upselling）
应用购物篮分析（Basket Analysis）等分析，向具有类似需求的顾客推荐购买的产品。针对不同细分级别的客户，来制定策略，以推动真正的以客户为中心的销售方式。
下一个最佳优惠（Next Best Offer）
像协作过滤（Collaborative Filtering）这样的预测性分析，能够帮助营销人员更好地了解客户的需求和购买驱动力，以提供下一个个性化的最佳行动，使客户更有可能发生预期的行为，并进一步与品牌建立关系。
2020年推动营销分析的三大趋势
除了基本的营销分析概念和模型之外，小编还希望想要成为Marketing Analyst的小伙伴们，能够着眼未来，以下这三大趋势值得记住，在面试中聊出以下看法，能让面试官刮目相看哟！
营销分析师需要使用许多新的数据源
传统上，许多组织的业务决策都依赖于依靠大型集中管理的数据服务器或数据仓库的营销分析。但是现在，我们发现分析师还需要查出存储在许多“小型”数据仓库中的数据。
除了通常的内部数据存储库之外，市场分析师还需要从数十个独立系统中提取数据，其中包括：
谷歌分析
SEO平台
Salesforce或其他CRM
电邮服务提供商
主要媒体平台：Facebook，Twitter和AdWords
聊天应用
综合起来，这些数据来源将比内部系统提供更好的市场营销和销售见解，并将有助于企业推动消费者兴趣，优化定价并改善客户体验。
所以，分析师现在必须做的不仅仅是分析。他们还必须确定重要数据所在的位置，确定需要提取的内容并制定基于新数据源推动业务决策的策略。
人工智能（AI）对分析至关重要
现在数据获得的速度和体量，已经增加到人类数据分析人员不能全部处理的程度。
为了提供帮助，许多公司纷纷涌现，提供市场分析和人工智能（AI）。这些系统使用机器学习和其他人工智能技术来帮助分析师找到客户数据中的模式，提出优化性能的建议，并允许非专业人员使用简单的语言访问复杂的分析。
举个例子，Hyper Anna 是一家为营销人员提供机器智能风险投资支持的营销代理商，Ta在接收公司相关数据后，会为目标公司总结出一些能够发挥重要作用的模型。这就意味着，当目标公司上传相关营销数据后（例如客户互动，财务表现和供应商活动等信息），Hyper Anna便可以总结和提炼交叉销售和追加销售的机会，并为收入预测和供应链管理提供相关意见。
另一家公司Datorama提供“以人工智能为动力的营销智能”，这使得营销人员可以轻松地跨系统统一数据，并使用自然语言访问强大的分析。David指出，Datorama现在与亚马逊的Alexa整合，并提供语音激活的营销分析。
分析师将成为 "讲故事的人"
虽然营销分析师工具箱传统上由诸如SQL，业务分析和Excel等技能组成，但2018年的营销分析师，比收集数据和制作报告做得更多的，很可能就是讲故事了。
利用上述新的数据源和AI工具，营销数据分析师们未来的日常工作，将变成：
-
从非传统来源获取数据 -
使用Python等编程语言清理数据 -
使用数据可视化工具'波'数据并创建有吸引力的图表和图形 -
以及将数据转化为易于理解的故事，帮助营销团队理解新兴趋势和机遇
只去创建一个仪表板并发送每周报告是远远不够的。从数字营销分析工具收集的所有信息、数据和观察，只有在营销分析师们更多地去关注他们的客户，挖掘出数据背后的含义，才是有意义的。分析的真正价值不仅是用来向老板证明营销的价值， 它还能真正改善和提高营销业绩 - 无论是单个的渠道还是多渠道的营销策略。
商业分析全球Python 挑战赛 [限时免费体验]
职图再次引领业界的新玩法 -- 商业分析挑战赛，邀请前机器之心审稿人操刀研发，与职图教学组一起，耗时数千小时，以全新“玩+练”模式，推出了“商业分析全球Python 挑战赛”，让同学们在比赛中，夯实自己的Python技能！
闯关技能难度
- 独立完成7关, 可达到亚马逊, 谷歌, 阿里, 腾讯等大厂的数据科学家的从业硬技能要求
- 用code pack完成, 可达到Casper, Peloton, 小米等热门电商品牌商业分析师的从业技能
通过Python挑战赛，你将解锁以下Python技能：
Web Scraping 网页抓取；
Work with API 从API取得数据 ；
XML ParsingXML解析 ；
Data Cleaning 清洗数据；
Image Processing 图像处理;
Image Feature Extraction 图像特征提取;
Recommendation System 推荐系统;
Cold Start Problem 冷启动问题;
Multiprocessing 多线程处理;
NLP 自然语言处理;
Visualization 可视化;
Geocoding 地址编码;
Image Processing 图像处理;
Deep Learning 深度学习;
Machine Learning 机器学习;
EDA (Exploratory Data Analysis) 探索性数据分析;
Neural Style Transfer 图像风格化;
Convolutional Neural Networks 卷积神经网络;
独立完成全部7个关卡，掌握以上技能，可以求职数据科学家、数据分析师、商业智能分析师等岗位，收获大厂高薪Offer。在美国，Amazon、Google等科技公司的数据科学家岗位已经达到了
Python数据分析技能集训营
Python商业分析技能集训营，是职图教学组，针对想要学习Python技能，找到数据科学、数据分析及商业智能分析的同学，专门研发的一套技能集训课程，通过学习数据分析应用的商业逻辑、必备的工具和建模，手把手带你闯关【职图商业分析Python全球挑战赛】，每完成一个关卡，都将会获得对应技能的认证奖章，所有课程完成并且完成7个关卡后，将掌握基本Python常用技能和应用场景，具备申请数据科学或商业智能分析方向岗位工作的竞争力。
Python商业分析技能集训营包含两大亮点部分：
亮点一：Python集训营商业逻辑课
15节商业逻辑课程，让你迅速掌握求职数据分析岗的必备知识和技能，从行业格局和应用、必备的工具和技能、数据分析的常用模型，全方位学习Python在商业场景的应用。
课程导师均来自北美一线科技公司的资深数据人，如Facebook、Google 、Amazon、Wayfair、IBM、Airbnb。
逻辑课程分为三个板块：
行业格局和应用：
数据分析岗在不同行业的应用，及求职必备技能
商业问题拆解，目标数据清洗和准备
数据科学技能点详解
营销行业的数据分析应用
必备工具和技能：
商业智能分析Advanced Excel 技能
SQL / MapReduce实现数据转换
高阶SQL 技巧
以数据科学家视角，运用Google Analytics
使用 Tableau实现数据可视化
数据分析的常用模型：
线性回归
逻辑回归
梯度下降法解析
聚类算法
时间序列模型
随机森林与梯度递增法解析
亮点二：Python闯关解析课
10年+资深数据科学家、机器之心前审稿人，手把手带你闯关【职图商业分析Python全球挑战赛】，9节闯关解析课程，拆解每一关卡的技能点，如何分解关卡问题，运用哪一个的package和模型，还会提供参考code，来完成7个关卡的挑战。每完成一个关卡，都将获得奖章认证，完成挑战赛，将收集一共7枚奖章，来证明掌握以下Python技能：
Web Scraping 网页抓取；
Work with API 从API取得数据 ；
XML ParsingXML解析 ；
Data Cleaning 清洗数据；
Image Processing 图像处理;
Image Feature Extraction 图像特征提取;
Recommendation System 推荐系统;
Cold Start Problem 冷启动问题;
Multiprocessing 多线程处理;
NLP 自然语言处理;
Visualization 可视化;
Geocoding 地址编码;
Image Processing 图像处理;
Deep Learning 深度学习;
Machine Learning 机器学习;
EDA (Exploratory Data Analysis) 探索性数据分析;
Neural Style Transfer 图像风格化;
Convolutional Neural Networks 卷积神经网络;
闯关解析课程包含：
Web Scraping in Python
用于网络抓取的Python library
中美网站抓取的应用
掌握REST API
第一关卡全解析
Consumer and Business Data Cleansing Solutions with Python
HTML/XML 解析Python库
数据清洗Python库
针对不同商业场景的数据清洗方案
第二关卡全解析
Deep Learning with Python for Beginners
使用Python进行深度学习
深度学习编程环境配置
案例研究：使用Keras预测房价
Image Processing and Related Applications
图像处理的Python库
用于多线程和多处理的Python库
图像处理业务应用程序-基于图像的产品推荐系统
第三关卡全解析
Communicating Business Insights through Data Visualization in Python
数据可视化Python库：Matplotlib, Plotly, Seaborn, Bokeh
图形类别和利用
How is Natural Language Processing(NLP) Applied in Business?
自然语言处理Python库
NLP商业应用
地理编码Python库
第四关卡全解析
Using Convolutional Neural Networks (CNNs) in Image Processing
卷积神经网络简介
卷积神经网络与图像分类
第五关卡全解析
Using Python for Data Crunching to Solve Business Problems
数据处理基本步骤
数据准备，处理和建模的必备Python库
第六关卡全解析
Using Convolutional Neural Networks (CNNs) in Image Style Transfer
神经风格转移的商业应用
神经样式转换Python库：Keras / Tensorflow
第七关卡全解析
谁适合参加：
Python小白，想要学习知识，同时获得实操锻炼的经历
求职学生，想要通过闯关来检测，是否具备数据科学家、商业智能分析师的业界技能要求
在职人士，想要学习Python来提升自己的工作效率，如页面爬取、数据清理等使用技能
扫码加职图研究院Karen老师
回复【Python集训营】咨询课程
至今，共计160+的全球名企招聘了职图学员。
