金融科技公司如何通过利用数据实现高投资回报率

建立坚实的一体化数据基础，对于提升金融科技营销活动的投资回报率至关重要。图片来源：Getty Images

Marketing Evolution首席执行官斯蒂芬·威廉姆斯（Stephen Williams）解释了为何对那些希望扩大人工智能项目规模并实现可量化绩效提升的金融科技公司而言，统一数据是至关重要的缺失环节。

威廉姆斯的工作处于正在重塑金融服务行业的两大主要力量的交汇点：人工智能技术的迅猛发展，以及在受监管环境下数据驱动型营销策略日益增加的复杂性。

从工程师一路晋升为Marketing Evolution首席执行官，他在构建现代营销基础设施方面的职业经历，为他制定策略提供了依据，帮助金融科技公司在日益碎片化的行业格局中更好地理解绩效指标。

从本质上讲，“营销进化”专注于协助企业将原始营销数据转化为可操作的情报。该公司推出的“营销绩效基底”（Marketing Performance Substrate）将分散的数据源整合到统一的营销洞察框架中。该系统填补数据空白，整合因果分析能力，并持续更新绩效数据，从而构建出一个既可供人工团队使用，又可供人工智能系统利用的可靠记录系统。

随着人工智能模型日益标准化，威廉姆斯认为，金融科技企业的真正差异化优势并不在于这些模型本身的复杂程度，而在于其底层数据基础设施的强大程度。这一区别在金融科技领域尤为重要，因为严格的隐私、治理和合规要求对数据的使用方式施加了重大限制。 此外，客户旅程——从开户到获得信贷——通常是非线性的，涉及多个渠道、利益相关方和接触点，且贯穿较长时期。

斯蒂芬·威廉姆斯（Stephen Williams），Marketing Evolution 首席执行官

通过匿名化数据并运用概率方法重建客户旅程，Marketing Evolution 使金融机构能够更清晰、更合规地了解营销活动如何推动业务成果，从而为该行业最复杂的衡量挑战之一带来了亟需的透明度。

在此，威廉姆斯阐述了为何数据——而非人工智能模型——正成为决定人工智能项目成败的关键因素，并概述了金融科技公司如何弥合战略目标与实际执行之间的差距。

如果营销进展超过基础设施建设，这种差距会对受监管的金融服务行业中的首席营销官（CMO）产生什么影响？

让我们首先审视当今组织面临的更广泛挑战：无论在哪个行业或哪个岗位，利用人工智能提高工作效率、降低成本并发掘新的价值来源的压力都在不断增加。然而，对于首席营销官而言，这种压力尤为严峻，因为他们的职责随着时间的推移已发生了显著变化。

如今，CMO不仅要对品牌管理负责，还需推动营收增长和整体业务绩效。与此同时，人们还期望他们能够快速采用人工智能解决方案，证明明确的投资回报，并在日益分散的系统和数据源中做出决策。

在受监管的金融服务领域，由于客户旅程漫长、涉及多方利益相关者、合规要求严格以及数据限制显著，这一挑战变得更加严峻。

构建一个能够准确反映业务运营的统一环境，才是最终实现人工智能有效应用的关键。一旦奠定这样的基础，企业便可以在整合后的数据之上叠加 OpenAI、Anthropic、谷歌等公司的模型，从而从现有信息源中挖掘价值。

我这样描述：每一家企业——尤其是金融服务领域的企业——都拥有海量的宝贵数据。但在这些数据能够创造价值之前，必须对其进行整理、提炼、结构化处理并赋予上下文。

另一个问题在于，许多组织普遍认为，更大的风险在于在人工智能采用方面落后，而非在实施过程中犯错。这种思维方式带来了巨大的压力，迫使企业迅速行动，即使其底层数据基础设施尚未完全建立。

虽然人工智能可能带来一些初期收益，但如果企业缺乏支持其应用的适当基础设施，最终将面临收益递减的局面。

统一的数据环境是人工智能实现有效应用的必要基础。图片来源：Getty Images

“中介缺口”给银行业和保险业营销人员的归因工作带来了多大代价？

相关成本相当高昂，但可以加以缓解。毕竟，营销人员只会优化那些能够衡量的指标。因此，他们往往在无法准确归因的领域过度投入——尤其是发生在任何转化之前很早阶段的品牌活动和漏斗上层营销工作。

这一挑战在金融服务行业尤为突出，该行业的转化通常由中介机构（如经纪人、分支机构、顾问、平台或其他下游利益相关方）处理。虽然营销可能推动需求，但实际交易往往记录在系统内的其他地方。

因此，归因实践往往将功劳归于最接近交易的一方，而非需求发起方。这是一个长期存在的衡量难题，在客户旅程较长、更分散且涉及多个利益相关方的行业中，这一问题尤为突出。

“如今，首席营销官（CMO）不仅要对品牌负责，还要对收入和业绩负责。”——斯蒂芬·威廉姆斯（Stephen Williams），Marketing Evolution首席执行官

为解决这一问题，必须将所有相关信息整合到一个能够准确反映业务运营的统一数据集中。一旦能够重构这些客户旅程，营销人员就能开始理解品牌投资、媒体曝光以及与中间商的关系如何影响下游的转化结果。

例如，我们曾与美国一家最大的财产保险公司合作。该公司在国家品牌层面投入了大量资金，并从中获得了良好的回报。然而，过去该公司一直难以将这些品牌举措与保单购买阶段的实际业绩联系起来——而在该阶段，当地代理商也会投入营销资源并最终促成交易。

代理机构与保险公司之间的关系至关重要，因为它在转化过程中起着关键作用。我们帮助该公司做的是揭示其全国品牌支出对这些下游转化的影响。

如今，当他们投资于重大体育赛事赞助或全国性广告宣传等举措时，可以追踪这些投资如何在系统中流转，并为当地代理层面的可量化转化做出贡献——无论是在田纳西州的孟菲斯，还是全国任何其他地区。

为什么人工智能在营销系统中往往会放大低质量数据，而非改善数据质量？

这一问题不仅限于营销技术栈；人工智能会加剧所有领域中低质量数据带来的负面影响。

无论人工智能系统看起来多么先进，它们最终都依赖于底层数据的质量和结构来生成准确的洞察。而营销数据的质量往往特别低。

主要原因在于营销数据来自多种不同的来源。营销数据没有单一来源——它来自 Google Analytics、Meta、尼尔森、拉马尔户外广告以及数十家其他提供商等平台。所有这些来源生成的数据都具有不同的格式和特征。

此外，这些数据的细分程度和完整性差异显著。它们还必须与第一方数据进行整合，而各广告主的第一方数据又各不相同——包括电子邮件列表、直邮记录、转化数据、网站流量信息等。

因此，当我们从整体上审视营销数据时，并不会看到一个可直接使用的、连贯的数据集。相反，存在大量分散的数据集，这些数据集往往不完整，且在某些领域数据稀疏。其中一些数据集覆盖全国范围，另一些覆盖邮政编码区域，还有一些覆盖指定市场区域（DMA）。

从历史上看，这迫使数据工程师不得不花费大量时间构建定制系统、编写查询语句或创建 Python 脚本，以便针对特定分析临时处理数据。

然而，如果能够统一数据结构、解决粒度不一致的问题，并实现孤岛式系统间的集成，局面将发生翻天覆地的变化。

我们可以打破这些结构性壁垒，将分散的数据源统一到一个框架之下，并以一致的格式和结构呈现来自亚马逊广告（Amazon Ads）、谷歌（Google）、Meta、CTV、线性电视以及户外广告等渠道的信息。这使得我们能够进行有意义的比较，而不是将“苹果与橘子”或“苹果与西瓜”相提并论。

尽管企业已经在客户数据平台（CDP）中建立了客户记录系统，在数字资产管理（DAM）系统中建立了内容记录系统，并在营销活动平台（MAP）中建立了营销活动执行系统，但目前尚无对应的营销绩效追踪系统。这正是 Marketing Evolution 致力于解决的问题。

数据已存在，工具已就绪，分析能力已具备，而人工智能能够针对市场动态和业务运营提供准确的洞察——而非放大误导性信号。

归根结底，我们在开发模型、进行分析以及利用人工智能时，必须坚持以数据为中心的思路。模型将持续快速演进，并随着时间推移不断变化。

这从根本上说是一个与数据基础设施相关的问题，而非模型设计的问题。关键在于建立正确的数据基础设施，向该基础设施输入适当的数据，并根据业务运营方式对其进行情境化处理。

如果数据层未能得到妥善实施，首席营销官（CMO）将被迫在未来数年内一直应对不准确的洞察，而首席财务官（CFO）则将面临无法追踪的支出模式。尽快构建好这一数据层至关重要。

Marketing Evolution 首席执行官 斯蒂芬·威廉姆斯

71%的高管认为自己的企业已做好人工智能准备，但实际上仅有37%的企业真正做好了准备——这种“准备度差距”究竟由什么构成？

我认为许多企业高管——包括我曾经也这样认为——都依赖一个简单的标准：只要在使用人工智能工具，就认为该组织具备人工智能应用能力。但实际情况往往并非如此。

当我们审视成功部署人工智能或智能 workforce 所需的实际条件——例如数据结构、数据质量、系统集成、数据可访问性以及治理机制——这一假设便不攻自破。

为了更好地理解这一差距，我们针对高级市场营销高管（包括首席营销官、副总裁、总监和高级经理）开展了一项调研，结果发现其中71%的人认为自己的企业已具备AI应用能力。

然而，当我们评估其是否真正满足了实现AI就绪所需的基础数据要求时，仅有37%的受访者达到了相关标准。

这表明存在巨大的差距。更引人注目的是，仅有3%的受访高管表示人工智能性能实现了持续提升。

实际上，许多组织在人工智能应用方面很快就遭遇瓶颈，原因在于缺乏坚实的数据基础。当人工智能系统被迫整合分散的系统、脱节的数据源以及不一致的数据结构时，问题的复杂性会急剧增加，从而导致效果减弱、结论错误以及错误频发。

满足人工智能就绪基础数据要求的组织，其绩效表现大约是缺乏此类基础的组织的一倍。要从人工智能中提取真正的价值，构建正确的数据层至关重要——尤其是随着这些技术成本不断攀升，组织已无法再承担以低成本无限期进行试验的代价。

《营销演变》报告中的关键数据

• 71%的高级营销负责人认为其组织已做好AI准备
• 仅有37%的营销高管满足AI就绪所需的基础数据条件
• 仅有3%的营销负责人表示看到了持续的人工智能绩效提升

营销绩效基石如何满足人工智能的数据统一需求？

营销绩效基础架构——即专门为营销绩效追踪设计的记录系统——能够解决这一问题，因为它本身就具备智能特性。它能够恢复缺失的数据、合成填补观测缺口，并重建消费者层面的行为路径；如果数据仍存储在静态数据仓库或数据湖中，这些操作将无法实现。 通过这种方式，它能在数据进入更复杂的下游模型之前，从中提取有意义的洞察。

甚至在此阶段之前，数据就已经与反映组织结构的业务本体进行了对齐。数据被映射到相应的模式、分类法和业务上下文中，确保命名约定与公司内部对其创意资产、媒体渠道、营销活动和客户的称谓方式保持一致。这种一致性在所有底层数据集中都得到了保持。

通过统一数据结构和用户旅程，我们在发现、分析和决策等领域为人工智能应用开辟了众多新机遇。

这绝非夸大其词——一旦人工智能基于对业务运营真正统一且富有情境的理解来运作，其潜力将几乎无穷无尽。

拥有支持人工智能的数据基础的组织，其人工智能成效最高可达两倍。图片来源：Getty Images

对于那些正从“回顾式”衡量转向“前瞻式”主动智能的企业，您会给出什么建议？

这确实是一次充满挑战的转型，需要思维方式的重大转变。直到最近，营销衡量还一直采用回顾式方法——先执行营销活动，等待结果，然后进行事后分析。但如今，我们已经拥有了在采取任何行动之前模拟潜在结果所需的数据和工具。

这彻底改变了营销智能的作用。企业不再只是在结果出现后进行衡量，而是可以利用过去数月、数季度或数年的数据，提前建模可能的结果，从而预测接下来可能发生的情况。这使营销人员能够降低风险、更快地做出更明智的决策，并借助数据驱动的证据来支持这些决策。

“无论人工智能看起来多么智能，它从根本上仍然依赖于底层数据的质量和结构。”——斯蒂芬·威廉姆斯（Stephen Williams），Marketing Evolution 首席执行官

它还提供了更为全面的“全漏斗”可视性。为阐明这一概念，不妨思考人类视觉的运作原理。大多数人认为，我们所看到的不过是视觉皮层对进入眼睛的光线进行处理的结果。实际上，大脑会基于过去的感官经验不断运行预测模型，以预判即将看到的内容。

这个由一生的结构化感官数据塑造而成的预测模型，会持续预测我们周围的世界。传入的视觉信息会更新该模型，但我们所感知的大部分内容，实际上是大脑对即将发生之事的预测。

这就是我们如何完成诸如接住棒球或对前方车辆突然刹车做出快速反应等任务的——我们并非仅仅在实时响应原始感官输入，而是基于先前数据和经验所形成的预测来采取行动。

我认为营销正朝着非常相似的方向发展。

拥有坚实数据基础的企业不仅能够解释过去的业绩，还能预测和模拟未来的结果。

Marketing Evolution首席执行官斯蒂芬·威廉姆斯（Stephen Williams）的职业生涯正是建立在开发驱动现代营销的系统之上

对于声称“我正在与一家MMM合作伙伴合作。接下来该怎么做？”的品牌，您会给出什么建议？

如果您已经与一家MMM合作伙伴展开了合作，这便是一个绝佳的起点，因为您已经掌握了关于媒体表现的历史洞察。可以以此为基础，构建一个更具预测性的智能层。在您向更具适应性的决策方法过渡的过程中，现有的MMM合作伙伴关系仍可继续为该系统提供支持。

然而，下一步需要投资升级基础数据架构，以适应更精细、更整合的数据源。

这也意味着，与传统的 MMM 解决方案相比，需要向能够更迅速地应对不断变化的市场环境、媒体支出模式以及消费者行为演变的测量方法和模型过渡。

试想 COVID-19 等事件的影响——在此期间，消费者行为每月都在发生剧烈变化。MMM 系统最终虽能跟上这些变化，但往往是在变化已经发生之后。

一个更具动态性的智能层——能够每周甚至每天运行——能够实时跟上业务发展步伐，在趋势发生时立即识别变化，并帮助企业更快、更自信地做出响应。

这体现了行业正在发生的更广泛转变。从历史上看，营销技术栈由客户数据平台、CRM系统、数字资产管理平台、营销活动平台和测量工具等独立系统组成，每个系统都服务于不同的运营功能。 然而，组织越来越需要一个集成的智能层，将这些系统连接起来，并使数据能够用于人工智能应用、模拟、优化和决策。这就是行业的发展方向。

当今品牌应如何构建自己的营销技术栈？

在我看来，现代营销技术架构应从评估现有数据源和系统入手——无论是客户数据平台、CRM系统、需求方平台（DSP），还是其他相关工具——确保这些系统能够协同工作，而非各自为政。

传统上，营销技术栈被视为一种分层结构。但如今，它越来越像一个“辐条与车轮”模型，其中核心的数据与智能层为整个组织提供决策支持。

这个核心枢纽与客户数据平台等系统进行双向交互——既从这些系统中提取数据，同时也向其反馈信息，从而加深对客户行为和整体生态系统动态的理解。

在衡量方面，我们现已进入一个衡量流程能够跟上数据生成速度的时代。 我们不再需要仅依赖MMM（营销模型）解决方案。尽管MMM仍有其应用价值——尤其在分析长期趋势时——但营销人员需要快速决策能力（有时甚至需要每日决策），这要求采用更敏捷的衡量系统。

因此，现代营销技术栈应以统一的数据层为核心，该数据层既要支持快速测量、优化、模拟和决策，又要与组织内其他系统保持无缝集成。