金融科技公司如何透過運用數據實現強勁的投資報酬率

建立紮實的整合數據基礎，對於提升金融科技行銷活動的投資報酬率至關重要。圖片來源：Getty Images

Marketing Evolution 執行長史蒂芬・威廉斯（Stephen Williams）闡述了為何對尋求擴大人工智慧計畫規模，同時實現可量化績效提升的金融科技公司而言，統一數據正是關鍵的缺失環節。

威廉斯的工作處於兩股正在重塑金融服務業的主要力量的交匯點：人工智慧技術的飛速發展，以及受監管環境下數據驅動行銷策略日益增加的複雜性。

從工程師一路晉升為 Marketing Evolution 執行長，他在建構現代化行銷基礎設施方面的職涯經驗，形塑了他協助金融科技企業在日益碎片化的產業環境中，更深入理解績效指標的方法論。

從核心來看，「Marketing Evolution」致力於協助企業將原始行銷數據轉化為可付諸行動的洞察。該公司的「行銷績效基礎架構（Marketing Performance Substrate）」將分散的數據來源整合至統一的框架中，以獲取行銷洞察。該系統不僅填補數據缺口、整合因果分析能力，更持續更新績效數據，從而建立一套既可供人力團隊使用，亦能支援人工智慧系統的可靠記錄系統。

隨著 AI 模型日益標準化，威廉斯主張，金融科技公司的真正差異化優勢不在於這些模型本身的複雜程度，而在於其底層數據基礎架構的強大程度。這項區別在金融科技領域尤為重要，因為嚴格的隱私、治理與合規要求，對數據的運用方式施加了重大限制。 此外，客戶旅程——從開立帳戶到取得信貸——通常是非線性的，涉及多個管道、利害關係人及接觸點，且歷時較長。

史蒂芬·威廉斯（Stephen Williams），Marketing Evolution 執行長

透過匿名化資料並運用機率方法重構客戶旅程，Marketing Evolution 使金融機構能夠更清晰且符合合規要求地了解行銷活動如何驅動業務成果，為業界最複雜的衡量挑戰之一帶來亟需的透明度。

在此，威廉斯闡述了為何「數據」——而非 AI 模型——正成為決定人工智慧計畫成敗的關鍵因素，並闡明金融科技公司如何彌合戰略目標與實際執行之間的差距。

若行銷進展速度超越基礎設施發展，這些差距將對受監管金融服務業的首席行銷官（CMO）產生何種影響？

讓我們先來檢視當今組織面臨的更廣泛挑戰：無論在哪些產業或職位，利用人工智慧來提升效率、降低成本並發掘新價值來源的壓力正與日俱增。然而，對於首席行銷長而言，這股壓力尤為沉重，因為他們的職責隨時間推移已發生顯著演變。

如今，CMO 不僅須對品牌管理負責，還需推動營收成長與整體業務表現。與此同時，他們還被期望能迅速採用人工智慧解決方案、展現明確的投資報酬率，並在日益分散的系統與數據來源中做出決策。

在受監管的金融服務領域，由於客戶旅程漫長、涉及多方利益相關者、合規要求嚴格，以及數據限制顯著，這項挑戰變得更加艱鉅。

建立一個能準確反映業務運作的統一環境，才是最終實現人工智慧有效應用的關鍵。一旦奠定這樣的基礎，企業便能將 OpenAI、Anthropic、Google 等公司的模型疊加在這些整合數據之上，從而從現有資訊來源中創造價值。

我如此描述：每家企業——尤其是金融服務業——都擁有海量的寶貴數據。但在這些數據能產生價值之前，必須先進行整理、精煉、結構化，並賦予其上下文脈絡。

另一個關鍵問題在於，許多組織普遍認為，相較於實施過程中的失誤，在人工智慧採用方面落後於人所帶來的風險更大。這種思維模式造成了巨大的壓力，迫使組織必須迅速採取行動，即使底層的數據基礎設施尚未完全建置完畢。

雖然人工智慧可能帶來一些初期效益，但如果組織缺乏適當的基礎架構來支援其應用，所獲得的回報將會逐漸遞減。

統一的數據環境是有效應用人工智慧的關鍵基礎。圖片來源：Getty Images

所謂的「中介缺口」讓銀行與保險業的行銷人員在歸因分析方面付出了什麼代價？

相關成本雖高，但可加以緩解。畢竟，行銷人員只能針對能夠量化的項目進行優化。因此，他們往往過度投資於無法準確歸因的領域——特別是發生在任何轉換之前很早階段的品牌活動，以及漏斗上層的行銷努力。

這項挑戰在金融服務業尤為明顯，因為該行業的轉換往往由經紀人、分行、顧問、平台或其他下游利益相關者等中介機構處理。雖然行銷活動可能驅動需求，但實際交易通常記錄在系統的其他地方。

因此，歸因實務往往將功勞歸於最接近交易的一方，而非需求來源方。這是一個長期存在的衡量問題，在客戶旅程較長、更為碎片化且分散於多個利益相關者之間的產業中，情況更為嚴峻。

「如今，首席行銷長（CMO）不僅要對品牌負責，還須對營收與績效負責。」——史蒂芬·威廉斯（Stephen Williams），Marketing Evolution 執行長

為解決此問題，必須將所有相關資訊整合至能準確反映業務運作的統一資料集。一旦能重構這些客戶旅程，行銷人員便能開始理解品牌投資、媒體曝光以及與中介機構的關係，如何影響下游的轉換成果。

舉例來說，我們曾與美國一家最大的財產保險公司合作。這家公司在全國品牌層面投入了大量資金，並從中取得了良好的成果。然而，過去該公司一直難以將這些品牌舉措與保單購買階段的實際績效建立關聯——在該階段，當地代理商也會投入行銷資源，並最終促成交易。

代理商與保險公司之間的關係至關重要，因為它在轉化過程中扮演著關鍵角色。我們協助這家公司做到的，正是揭示其全國性品牌支出對這些下游轉化的影響。

如今，當他們投資於大型體育贊助或全國性廣告活動等計畫時，便能追蹤這筆投資如何在系統中流轉，並為地方代理商層級（無論是田納西州的孟菲斯，還是全國任何其他地點）帶來可量化的轉換成效。

為何在行銷系統中，人工智慧往往會放大劣質數據，而非改善它？

這個問題不僅限於行銷技術堆疊；人工智慧將會在所有領域加劇數據品質低落的問題。

無論人工智慧系統看似多麼先進，它們最終仍仰賴底層資料的品質與結構來產生準確的洞察。而行銷資料的品質，尤其往往非常低劣。

主要原因在於行銷數據來自多種不同的來源。行銷數據並無單一來源——它源自 Google Analytics、Meta、Nielsen、Lamar 戶外廣告以及其他數十家供應商等平台。所有這些來源所產生的數據，格式與特性各不相同。

此外，這些數據的細分程度與完整性差異極大。同時，這些數據還必須與第一方數據整合，而各廣告主的數據類型又各不相同——包括電子郵件清單、直郵記錄、轉換數據、網站流量資訊等。

因此，當我們從整體角度審視行銷數據時，並不會看到一個可直接使用的完整數據集。相反地，存在著大量零散的數據集，這些數據集在某些領域往往不完整且資料稀疏。其中部分數據集涵蓋全國層級，部分涵蓋郵遞區號區域，還有部分則涵蓋電視市場區（DMA）。

歷史上，這迫使資料工程師必須耗費大量時間建置客製化系統、編寫查詢語句，或建立 Python 腳本，以針對特定分析需求進行臨時的資料處理。

然而，若能將這些資料統一結構化、解決細粒度不一致的問題，並整合分散於各系統中的資料，情況將發生劇變。

我們能夠打破這些結構性障礙，將分散的數據來源整合至單一框架之下，並以一致的格式與結構呈現來自 Amazon Ads、Google、Meta、CTV、線性電視及戶外廣告等管道的資訊。這使得比較結果具有實質意義，而非像「將蘋果與橘子」或「將蘋果與西瓜」那樣進行不當的對比。

雖然企業已經擁有用於客戶資料的「客戶資料平台」（CDP）、用於內容管理的「數位資產管理系統」（DAM），以及用於活動執行的「行銷活動平台」（MAP），但在行銷績效追蹤方面卻缺乏相應的系統。這正是「行銷進化」（Marketing Evolution）致力於解決的問題。

數據已經存在，工具觸手可及，分析能力亦已具備，而人工智慧更能針對市場動態與業務營運提供精準的洞察——而非放大誤導性的訊號。

歸根結底，在開發模型、進行分析以及運用人工智慧時，我們必須秉持以數據為中心的方針。模型將持續快速演進，並隨時間推移而頻繁變動。

這本質上是一個與資料基礎架構相關的問題，而非模型設計的問題。關鍵在於建立正確的資料基礎架構，將適當的資料輸入該架構，並根據企業的運作方式進行情境化處理。

若資料層未能妥善建置，行銷長（CMO）將被迫長年處理不準確的洞察，而財務長（CFO）則須面對無法追蹤來源的支出模式。盡快完善這層資料架構至關重要。

Marketing Evolution 執行長 史蒂芬·威廉斯

有 71% 的高階主管認為自己的企業已具備 AI 準備度，但實際上僅有 37% 真正具備——究竟什麼構成了這份「準備度落差」？

我認為許多企業領導者——包括我過去也曾如此——往往依賴一個簡單的標準：只要正在使用人工智慧工具，就認為該組織已具備人工智慧準備度。但實際情況卻鮮少如此。

當我們檢視成功部署人工智慧或自動化工作團隊所需的實際條件——例如資料結構、資料品質、系統整合、存取權限及治理機制——這個假設便不攻自破。

為更深入理解此差距，我們針對資深行銷高階主管（包括行銷長、副總裁、總監及資深經理）進行調查，結果發現其中 71% 認為自身已具備 AI 準備度。

然而，當我們評估其是否真正滿足人工智慧就緒的基礎數據要求時，僅有 37% 的受訪者達到這些標準。

這顯示出巨大的落差。更令人震驚的是，受訪高階主管中僅有 3% 表示人工智慧的表現持續改善。

事實上，許多組織在人工智慧的應用上很快便遭遇瓶頸，原因在於缺乏紮實的數據基礎。當人工智慧系統被迫整合零散的系統、互不連通的数据來源以及不一致的結構時，問題的複雜性會急劇增加，進而導致成效不彰、結論錯誤以及更頻繁的失誤。

相較於缺乏此類基礎的組織，滿足人工智慧就緒基礎數據要求的組織，其績效成果約高出兩倍。要從人工智慧中擷取真實價值，建立正確的數據層至關重要——特別是隨著這些技術成本日益攀升，組織已無法負擔以低成本進行無限期的實驗。

《行銷演進》報告關鍵數據

• 71% 的資深行銷主管認為其組織已具備 AI 準備度
• 僅有 37% 的行銷主管符合 AI 準備就緒所需的基本數據條件
• 僅有 3% 的行銷主管表示觀察到人工智慧帶來的持續性績效提升

行銷績效基礎架構如何滿足人工智慧的數據整合需求？

行銷績效基礎架構——亦即專為追蹤行銷績效而設計的紀錄系統——能解決此問題，因為它本質上具備智慧特性。它能夠復原缺失的資料、透過合成方式填補觀察上的空白，並重建消費者層級的旅程；若資料仍儲存在靜態資料倉儲或資料湖中，這些操作將無法實現。 藉此，它能在資料進入更複雜的下游模型之前，從中提取有意義的洞察。

甚至在此階段之前，資料已與反映組織結構的商業本體論對齊。資料被映射至適當的資料模型、分類法和商業脈絡，確保命名規範與公司內部對創意資產、媒體管道、行銷活動及客戶的稱謂方式相符。這種一致性在所有底層資料集中均得以維持。

透過統一資料結構與消費者旅程，我們為人工智慧在探索、分析及決策等領域的應用開闢了無數新契機。

這絕非誇大其詞——一旦人工智慧能基於對業務運作真正統一且具情境化的理解來運作，其潛力將近乎無窮無盡。

具備人工智慧就緒型數據基礎的組織，其人工智慧成效最高可達兩倍。圖片來源：Getty Images

對於正從「回顧式衡量」轉向「前瞻式主動智慧」的組織，您會給予什麼建議？

這確實是一項充滿挑戰的轉型，需要大幅轉變思維角度。直到最近為止，行銷衡量一直都是回顧性的——先執行行銷活動，等待結果，事後再進行分析。但如今，我們已擁有必要的數據和工具，能在採取任何行動之前模擬潛在結果。

這徹底改變了行銷智力的角色。企業不再只是在結果發生後進行衡量，而是可以利用過去數月、數季或數年的數據，預先建模可能的結果，預測接下來可能發生的狀況。這使行銷人員能夠降低風險、做出更快且更明智的決策，並以數據驅動的證據來支持這些決策。

「無論人工智慧看似多麼具有感知能力，它本質上仍取決於底層資料的品質與結構。」——史蒂芬·威廉斯（Stephen Williams），Marketing Evolution 執行長

這同時也提供了更全面、涵蓋整個行銷漏斗的可視性。為了說明這個概念，不妨思考人類視覺的運作方式。多數人認為，我們所見的景象僅是視覺皮層對進入眼球的光線進行處理的結果。實際上，大腦會基於過往的感官經驗，不斷運行預測模型，以預判即將出現的景象。

這個由一生的結構化感官數據所形塑的預測模型，持續預測著我們周遭的世界。新進的視覺資訊會更新這個模型，但我們所感知的大部分內容，實際上都是大腦對即將發生之事的預測。

這就是我們如何處理諸如接住棒球，或對前方車輛突然煞車迅速反應等任務的方式——我們並非僅僅是即時回應原始的感官輸入，而是根據過往數據與經驗所形成的預測來採取行動。

我相信行銷正朝著非常相似的方向發展。

擁有堅實數據基礎的組織，不僅能夠解釋過往的表現，更能預測並模擬未來的結果。

Marketing Evolution 執行長史蒂芬·威廉斯（Stephen Williams）的職業生涯，正是建立在開發驅動現代行銷的系統之上

對於聲稱「我正在與 MMM 合作夥伴合作，接下來該怎麼做？」的品牌，您會給予什麼建議？

若您已與 MMM 合作夥伴展開合作，這是一個絕佳的起點，因為您已掌握媒體表現的歷史洞察。可在此基礎上建立更具預測性的智慧層。當您過渡到更具適應性的決策方法時，現有的 MMM 合作關係仍能持續支援該系統。

然而，下一步需要投資升級基礎資料架構，以容納更細粒度且整合的資料來源。

這也意味著必須朝向比傳統 MMM 解決方案更能迅速回應市場變化、媒體支出模式轉變以及消費者行為演變的衡量方法與模型發展。

試想 COVID-19 等事件的影響——在此期間，消費者行為每月都會發生劇烈變化。MMM 系統最終雖能跟上這些變化，但往往是在變化發生之後才做出反應。

一個更具動態性的智慧層——能夠以每週甚至每日為單位運作——不僅能即時跟上業務發展步伐，還能即時識別正在變化的趨勢，並協助企業以更快的速度和更大的信心做出回應。

這代表了業界正在發生的更廣泛轉變。歷史上，行銷科技堆疊（martech stack）由獨立系統組成，例如客戶資料平台（CDP）、客戶關係管理系統（CRM）、數位資產管理平台、行銷活動平台以及衡量工具——每個系統都服務於不同的營運功能。 然而，組織越來越需要一個整合的智慧層，用以串聯這些系統，並使資料能夠供人工智慧應用、模擬、優化及決策所用。這正是業界正邁進的方向。

當今品牌應如何著手建構其行銷科技架構？

在我看來，現代的行銷科技堆疊應從評估現有資料來源與系統著手——無論是客戶資料平台、CRM 系統、需求方平台（DSP）或任何其他相關工具——確保這些系統能夠協同運作，而非各自為政。

傳統上，行銷科技架構被視為分層結構。然而，它越來越趨近於「輻條與輪轂」模型，其中核心的數據與智慧層為整個組織提供決策支援。

這個中央樞紐與客戶資料平台等系統進行雙向互動——既從這些系統中擷取資料，同時也將資訊回傳，以增進對客戶行為及整體生態系統動態的理解。

就衡量而言，我們現已進入一個衡量流程能與數據生成速度並駕齊驅的時代。 我們不再需要僅依賴 MMM（行銷模型）解決方案。雖然 MMM 仍有其價值——特別是在分析長期趨勢方面——但行銷人員需要快速的決策能力（有時甚至需要每日做出決策），這需要更敏捷的衡量系統。

因此，現代行銷科技架構應以統一的資料層為核心，該資料層不僅能支援快速的衡量、優化、模擬與決策，同時仍能與組織內其他系統保持無縫整合。