本文將帶您探討如何透過多元管道收集資料並建立出過去做不到的再行銷列表，您可以藉此更全面的了解您的客戶。當您瞭解客戶如何與您的品牌互動時，您就可以提高終身價值 (LTV)，並使您能夠更深入地認識行銷。
行銷人員扮演的角色正從活動執行轉換成更即時的參與 (engagement)。資料獲取和追溯績效分析改變既有的行銷模式，現在的行銷人員使用以資料為本的客戶洞察、以績效為導向的策略以及積極、周到的目標。
這種新方法帶來了一系列全新的挑戰，像是：不斷降低的存儲成本導致資料量爆炸，但是將資料收集到一個地方進行分析仍然是一個挑戰。 一些複雜因素包括：
- 資料來源多元且具獨特格式
- 太多不同的分析/提取/ETL 工具，難以實作導入
- 技術資源的缺乏
- 缺乏有彈性的測試與 prototype
本篇文章將討論上述那些問題，並幫助您了解如何建立可與自有資料一起使用的 workflow。本文將假設您具有結構化查詢語言 (SQL) 的基本知識。關於機器學習的部分，您可能需要資料分析師或資料科學家的幫助。
案例
假設您是一家線上化妝品零售商的首席行銷官，您希望盡可能減少與 DevOps 團隊的交流，但又同時可以獲得重要的 insight。IT 資源有限，但你有資料科學家的協助。
您主要的挑戰是透過追蹤廣告支出的投資回報率 (ROI) 來優化行銷預算，但您面臨以下資料方面的挑戰。
- 資料分散在 Google Analytics 360、客戶關係管理 (CRM)、Campaign Manager 產品、其他來源。
- 客戶和銷售資料存儲在 CRM 系統中。
- 某些資料不是可查詢格式。
- 沒有通用的工具來分析資料並與組織的其他成員共用結果。
以下是本文提供的解決方法：
- 將資料收集到公共存儲位置。
- 轉換該資料，使其可以在不同來源間查詢。
- 存取標準報告 API 中不可用的報告維度。
- 利用機器學習來為使用者分組。
透過上述這些任務，您可以建立出過去做不到的再行銷列表。
架構
以下架構圖說明了從各種來源提取資料到做出再行銷決策的過程。
- 在此圖中，某些資料集顏色較淺，表示它們不是本文中描述的特定案例的一部分，雖然您可以以相同的方式面對它們，例如：本文向您介紹如何在 Campaign Manager 資料上運行 Google 廣告管理系統或 YouTube 查詢，但您可以對導出到 BigQuery 的資料執行相同操作。
- 該圖包含標記為更進階的部分，當您將資料整合集中化後，資料科學家可以讓資料執行像是機器學習等更進階的工作。
功能要求
根據以下的功能要求，您可能需要以下技術：
- 收集和儲存資料
- 轉換資料
- 分析資料
- 視覺化資料
- 活化 (Activate) 資料
收集和儲存資料
獲得 insight 的第一步是將您的資料整合到一個集中的位置。從 Google 資料開始，選擇可幫助您從最重要的行銷渠道和資料源有效收集信息的技術。
BigQuery 提供存儲功能和查詢引擎，並可以從各式來源接收資料。在此案例中，您要收集與以下內容相關的資料：
- Google Ads：BigQuery 資料傳輸服務可以從 Google Marketing Platform、Google Ads 或 YouTube 等來源自動地提取資料。
- Analytics 360：探索資料新鮮度的選項以找到最適合您需求的選項，從每 10 分鐘刷新一次到每天刷新一次。Analytics 360 可以直接連接 BigQuery。
- 第一方資料：您可以從 CRM 或銷售點 (POS) 等來源提取資料。在大多數情況下，您可以使用 bq command-line tool、API 或 Web UI 離線提取資料。 您可以在本地或從 Cloud Storage 加載資料。Google Cloud Stroage 是您要收集大數據或當您考慮要打造 data lake 時的推薦方法。
(原文翻譯自 Google Cloud。)
