近年来，随着数字化浪潮的不断深入，各个品牌对数字营销的重视程度也日益提升，在这一过程中，与数字营销有关的决策方式也有了显著的变化。针对数字营销决策方式的这些变化趋势，Google数字营销专家，Web Analytics及Web Analytics 2.0等数字营销畅销书作者Avinash Kaushik也分享了自己的看法以及给营销人员的建议。

Avinash Kaushik是Google数字营销专家、数字营销线上培训机构Market Motive Inc.的联合创始人

Q1：您曾说过希望改变人们在网络世界做做决策的方式，随着Web Analytics及Web Analytics 2.0等书作对数字营销领域产生的影响，您观察到人们的决策方式有哪些改变和进展？

Avinash Kaushik：首先我们不再固执于网站流量或者是点击，而更关注这背后的消费者行为。

其次，在工具层面和非工具层面，我们也都有了非常大的进展。

就工具而言，包括Google Analytics和Adobe等网络分析工具实现了大幅改善，让我们拥有了更加智能的分析能力，例如基于用户的细分、对线上和线下营销归因的分析、以及由机器学习提供支持的新功能(如，数据驱动归因模型）。

在分析工具以外，人们也不再仅仅沉迷于数据的收集，而是越来越关注构建分析模型，并在这一模型的指导下进行数字营销分析。越来越多的人开始意识到，数据和工具是为你的假设和思考服务的，而不仅仅是数据输出。

要真正成为由数据驱动决策的组织，需要兼具商业敏感和数据洞察的人才，将海量数据转化为洞察，这样才能有效支持企业最高层决策，并将数字化策略融入组织内部。

Q2：您对于数字营销有何新洞见？对于营销者来说，您首要的建议是什么？

Avinash Kaushik: 我的建议是：不要只索取数据，而要索取行动的建议。

目前，大多数的营销人员和企业管理层都还在要求充满各种图表的报告，但实际上，他们并没有时间或能力去分析和了解数字背后的成因。

而同时，大多数的数据分析师仍然认为他们的主要角色是提供数据，并没有充分地接近实际业务，在这样的工作模式下，很多数字信息毫无疑问被浪费了。

为了解决这个问题，企业管理层需要改变对分析师们的要求，应该询问分析师：下一步我应该做什么？这将促使分析师更加贴近实际业务，使分析师有更明确的分析目的。

概括而言，就是不要求提供数据，而是提供洞察 （Insights),行动建议（What we should do )和业务影响预测(Result of the action been recommended)。

Q3：您提到在数字营销工具层面，机器学习支持的新功能-数据驱动归因模型出现在了广告解决方案中，作为新的归因模型供选择，对此您有何建议？

Avinash Kaushik:数据驱动归因模型非常让业界激动。

一直以来，营销者在寻求特定的规则将转化功劳正确计算给不同的渠道。就像一场篮球赛，每一次入篮得分都是团队协作的功劳，而并非仅仅是投篮入筐的球员。传统的渠道归因，大多将转化功劳仅仅计给最终转化的渠道，或第一次曝光的渠道。

在过去，由于我们无法完全了解每一次用户的互动和渠道接触点，我们设定的归因规则只能基于人类预设的观点。

而今，我们可以利用机器学习的力量，理解和计算消费者的每一条转化路径，并据此评估渠道贡献，用算法帮助我们解决归因难题并提供洞察。数据驱动归因模型完全基于机器学习，不再受人类偏见影响。

Q4：你如何看待中国在数字营销方面的进展？

Avinash Kaushik：中国在数字营销方面的进展令人兴奋，这不仅是因为中国市场上的衡量工具和手段有了很大的提升，更重要的是，数字分析正在成为中国企业决策过程中的重要因素。中国企业的管理者对于数据报告和数据分析的区别有了更深入的理解，他们也正在通过加强投入，提升决策的敏锐度。