这个一直困扰着广告界的问题，随着数字时代的到来，让人更加头疼。
根据Statista数据显示，在数字化营销方面，中国是全球仅次于美国的第二大市场，2021年中国广告支出超6840亿元人民币。其中，互联网广告支出占总额的65.7%，为主流的广告投放形式。
如果不知道浪费的是哪一半，随着广告支出的不断增长，浪费规模也将持续扩大。
针对这一问题，光锥智能与一位在数据应用行业深耕超三十年的大数据科学家程杰展开了深入探讨。
程杰，现任北京高科数聚技术有限公司创始人兼董事长。
回顾前30年，程杰拿到美国密歇根大学安娜堡分校人工智能方向博士学位后，从1991年便开始在福特研究所工作。自1991年到2000年10年间，从理论研究到业务侧实战演练，从量化决策应用到业务端，专攻优化财务、营销、产品规划、制造、物流等方面。由于突出的技术能力以及卓越的贡献，被授予福特最高奖项亨利·福特技术奖。
据程杰介绍：“当时CFO赞扬这一系列的数据能力开发和应用为福特创造了17亿美元的价值，底特律报纸也称我们当时创建的集团新部门为福特历史上的第二代神童。”
离开福特后，程杰打开了通往大数据世界的大门，向人工智能大数据领域又进一步，前后加入全球最专业最权威的市场调研公司JD Power和全球最大最复杂的商业智能和数据库营销的数据科技公司Acxiom，并任职副总裁、首席数据官等要职。
其中，程杰在JD.Power通过大量的汽车交易产生的行业数据和汽车销量数据做成了一个价量模型，再用诺贝尔奖经济学模型的分析方法，为整个行业的促销优惠决策带来了颠覆性的改变。解决了汽车销售中由于盲目促销导致的营销浪费和品牌损害，并因此获得了2005年美国运筹和决策科学Edelman年度大奖，在大奖上的客户推荐中，克莱斯勒的首席经济师提出，这个工具在一年中为克莱斯勒的一款车型（Grand Caravan）就节省了9000多万美元的促销优惠费用。
图：高科数聚创始人兼董事长 程杰
在Acxiom，程杰领导创造了一个新的数据产品。在Acxiom数据基础上建立了4000多个消费者购物倾向性模型，这4000多个倾向性模型跨越了金融、汽车、零售、快消、娱乐、旅游等10个行业，让模型第一次以数据产品的形式为500强的商家提供服务。
现如今，高科数聚成为程杰在人工智能大数据领域创业创新创造的全新阶段。利用超30年的行业经验，与多年来沉淀的解决方案能力和宝贵的大数据技术积累，为中国数字化升级贡献着一份力量。程杰表示，作为汽车领域的数字化转型的引领者，高科数聚要以数据生态为基础，帮助国家发展大数据产业，而不仅仅是一个大数据的企业。这方面要达到公司真正的价值，需要把公司的能力产业化，这涉及合规合法、安全计算、云和数产品能力的融合、以及隐私计算等各方面能力。
同时，由于公司常年在国际市场做数据化方面的应用，可以帮助国内跨境电商通过数据应用的方法快速了解并使用当地市场，并快速完成营销品牌的打造和建设。此外，程杰在人工智能大数据领域突出表现，在2017年被评为“影响中国大数据产业进程100人”之一，并在近日荣获36氪2022全球华人精英power 100“商业新领袖”奖。
对于数字化时代广告浪费问题，程杰认为，在数字化时代，对于广告投放浪费这个曾经困扰广告界的历史难题，已经可解。
事实上，在数字化时代刚刚到来之时，企业就开始着手尝试通过一系列的数据采集对广告效果进行结果推演。用户活跃率（AU）、页面浏览量（PV）、点击率（CTR）、投资回报率（ROI）、转化率（CR）等一系列数据指标应运而生，然而想要得出今天多渠道、多类型、线上线下综合营销效应的答案，仍然可以说束手无策。仅有的数据结论成为了稻草却也成为了干扰项和“烟雾弹”。
在如今这个数据爆发的时代，庞大的数据量令企业喜忧参半，在程杰看来，当下数据应用所面临的核心问题是：“我们拥有数据，却看不懂数据”。
同时，由于数据量的激增，企业对于存储、计算的成本投入在逐年升高。程杰认为：如果数据本身不能帮助企业盈利，实现现金流的正循环，那么数据产业化就永远无法“跑起来”。
帮企业看懂数据，让数据产生盈利价值，这是高科数聚正在做的事。
“在中国，数据作为一个产业并没有完全成熟，我们要推动数据业务化到数据产业化，从决策智能到交互智能，从数据的底层设计到场景应用，这些都需要一次重构。”程杰说道。
那么，在程杰眼中的数智化时代究竟是怎样的？如何突破“数据变现”的最后一公里？
程杰认为，关于数据的发展有三个阶段，一是数据的采集和加工、二是数据的分析和拆解，如CDP、BI等工具、三则是数据的应用和变现。当下的数据增量和数据工具已经发展到了一个较为成熟的阶段，但数据应用却迟迟跟不上，而这是让数据变现并产生价值的最后一步，也是最重要的一步。
当下，由于埋点和平台建设能力的普及和需求的普遍性，让供应商市场极为拥挤，而这也导致企业盲目数字化过程中收效甚微。
程杰举了两个企业中常见的痛点：
不会用：数据中台、CDP、BI可视化仪表盘这些我都有，但是怎么用？项目结束后，供应商不负责，我们也不会；
效率低：数据中台、数据我都有，但要调取具体数据的时候，要把所有的数据都跑一遍，这个过程至少需要3天。
不会用、效率低这些问题在企业中比比皆是。怎么解决这些问题，高科数聚提出了一种解决思路：以数据最终的场景应用倒逼数据的采集和分析。
举个例子，程杰曾为国内某集团企业做过一次数据战略咨询，彼时该客户正在打造一个新业务：海南岛的线上免税服务。虽然客户拥有1.4亿用户数据，但是怎样才能找到线上使用免税服务的意向用户、如何触达更高效，这让客户犯了难。
程杰提出了一个场景驱动的、由点到面的数据模型：
1、首先是对使用过免税易购的用户进行分析，分析特点和触达路径等，形成一系列标签；
2、将标签进行延伸，比如办信用卡的人对箱包的需求通常很大，通过对人的分析，用算法推演出更多不同标签；
3、通过标签，在1.4亿用户的数据库中，定义用户，并结合三方数据，如运营商数据、搜索数据等，找到目标用户；
4、制定运营计划：为了让运营效率更高，数据模型在历史数据中挖掘到了一系列细节，如什么时间触达、什么方式触达、如何二次触达等等。
目标明确、靶向狙击，这是场景驱动数据业务化的特点。然而，每个企业的业务场景都不同，从中国企业的体量来看，企业专门做咨询或者定制化是跑不通的，这时候，数据业务化就不够了，需要数据产业化。
数据产业化，就是将上述流程规模化应用，虽然行业不同、场景不同，但中间共通的数据模型、技术和原理有哪些？能否把它变成产品复用？
为了能够快速见到效果，高科数聚的思路是：像狙击手一样，瞄准行业痛点，逐个击破。
决定木桶容量的是最短的那块板，营销场景也是如此。程杰认为，沿着这个思路，SaaS模式能快速做到行业内的规模化。
针对这一思路，SaaS产品，线索到店智能搜索引擎CALO（Consumer Automotive Leads Optimization）应运而生，而CALO所解决的，就是帮助销售解决销售线索的问题。
对此，程杰分享了一个具体案例：“有这样一个数据，消费者在各类汽车资讯等垂直网站上留下自己的联系方式和购买意愿，信息会转到4S店，再由4S店邀请到店，这个过程中，从留下信息到最后购买汽车，国内4S店的平均转化率大概在2%左右，仅仅是美国1/3甚至更低。”
那么，如果在没有信任基础的前提下，销售员如何在短短的30秒内传递更多有价值的信息，邀请用户到店试驾？这需要更多的销售线索，精准、高效、快速地提供到销售手中。
简单的说，当4S店从汽车品牌方接收到用户电话信息，并邀请用户试驾前，CALO可通过多维数据源，在三秒内，为销售员计算出多个精准的描述性标签。比如客户是价格敏感型、追逐安全型、追求动力型等等，并为该客户的“购买意向”评级打分，让销售在关键30秒邀约电话内，差异化的输出价值信息，提高首约到店率。
程杰解释道：这个看似只有“三秒”的动作，是三套能力的组合，一套是对场景的设计能力；第二套是数据源的采集和数据标签以及模型的打造，数据越多源，模型越立体，同时我们知道什么样的问题有什么样的数据；第三是算法，我们不能只做决策智能，更要做交互智能，这是技术的进步和行业认知的不断迭代后的结果。
事实上，正是源于数据生态的理解、数据智能算法能力，以及营销决策的场景化应用这三个方面构成了高科数聚的关键壁垒。
“技术和场景就像是基因中的双螺旋结构，旋转上升。”
高科数聚对汽车业务和场景的理解，一部分体现在了产品设计的逻辑里。
纵观高科数聚的产品矩阵，从表面看十分复杂，二十多款不同型号的产品，对应着不同的业务场景，但是如果捕捉到主线逻辑，会发现思路十分清晰。
程杰介绍到，当下高科数聚的产品分为两条不同产品线：o系列和i系列，o系列为运营智能SaaS应用，主要针对经销商等销售前端，提供通用化的产品；i系列为数据智能DaaS平台，主要针对主机厂、品牌等整体营销策略制定方。
DaaS平台从广告投放的源头入手，帮助主机厂解决“广告浪费”问题。
事实上，当下的广告资源浪费远比一半要多，几乎有80%都是无效投入，而且随着移动互联网的发展，线上、到店、试驾、私域等触点越来越碎片化，这导致了几十亿天价广告，在决策时反应速度跟不上市场变化，缺乏决策时效性，广告投放后，用户行为无法跟踪，分析流程长且无法预判和干预。
程杰认为，如果单看一次广告投放的结果数据，这是不够的。营销的本质是“以人为中心”。
对场景的层层剖析，是向下纵深的结果，但想要实现场景能力，需要技术不断创新和突破，向上穿透，这便是场景和技术组成的双螺旋结构。从另一个角度来看，广告效果的评估需要考虑点、线、面、体这样的四个层次：“点”指一次活动或者一次广告投放；“线”指在单一媒体上连续多次的广告活动以及叠加效应；“面”是指跨多种媒体的广告投放的叠加效应；“体”是指线上媒体投放以及线下营销活动的综合价值和效果。
想要还原一个人的多种社会行为数据，首先需要多种数据源，这是第一步难题。
一个个的数据孤岛和交叉竞争关系，让数据不能真正打通。高科数聚在中间，通过自己的行业黏性打通多个数据源，打造三方分布式生态数据库能力，包括三大运营商的流量数据、搜索引擎数据、社交数据、电商购买数据和车联网等平台数据等平台数据。
数据源多了，难题接踵而至。
首先是存储问题，不同的数据源在存储时需要数据隔离，原则上不可能也不适合全部放在一起。高科数聚采用了物理上分别管理，逻辑上全线打通的三方数据生态分布式设计。在保证绝对规范和安全的前提下，与数据源建立深度合作机制，这使得企业在进行数据分析时，不仅有内部数据，更能掌控全局视角。
其次，在存储问题解决后，面临着最敏感的数据隐私保护问题，这就需要用“隐私计算”解决。
起初，国内引进了常用的联邦建模和“不经意传输”等隐私计算方法，简单的说就是将单条数据混合在多条数据内，但只有一条是真的，这虽然会增加一定干扰程度，但并不是100%无风险。
高科数聚在数据加密上，研发了一项新的隐私计算专利，不需要任何的用户ID，也不需要多个数据源进行交换，但仍能得到数据匹配的效果，且能达到同样的精度来进行模型运算或联合打造用户画像，甚至系统都不知道用户是谁。
怎么做到呢？举个形象的例子，就如同二战时期的摩斯密码对数据源的保护。隐私计算系统在中间，参照不同母本对应的用户特征进行定位，在系统中统一为A，但A是谁，不同数据源有不同的母本，没有母本就不能破译用户信息。
在目前的消费环境下，应用个人消费数据必须满足隐私计算要求，尤其把消费者行为轨迹数据和基本数据放在一起更是如此，隐私计算技术突破和创新是这个领域无法绕过的高地。
“我认为一家企业的竞争力，一方面是技术的壁垒，另一方面，是源于我们对场景的理解，一个痛点解决了，还有第二个第三个，目前高科数聚已经完成至少提前三年的布局。”程杰坦然道。
目前，高科数聚在消费者产品和服务行业的大数据应用领域，率先跑通了SaaS和DaaS的模式。
基于多年来积累的行业数据分析能力和解决方案能力，高科数聚已经打造出成熟的跨行业产品体系。程杰认为，汽车用户与保险、投资理财等行业用户的消费习惯有着相似性。
比如投资理财行业，这个看起来和汽车风马牛不相及的行业，消费群体和决策路径几乎相同。消费者在线上看到了各类广告信息，留下意向和电话信息，金融公司进行线下电话沟通，关键环节同样在线上到线下的转化，消费者需要货比三家、理财公司给出专业意见、消费单价高、决策时间长。
通过对比数据，能够发现各个行业的共通场景，再利用SaaS产品进行灵活运用。至今，高科数聚在数字化营销应用方面已经能够横跨6大行业、30＋品牌，且数据应用能力得以复用，快速且有效。
但这只是数据应用的想象力之一。
随着车联网的普及，智能汽车被认为是下一代的智能终端，高科数聚在汽车领域长期积累的行业经验和能力，将随着车联网的普及变得更有价值。
程杰认为：“目前，市场上的存量汽车要达到车联网装机的大规模推广，只需要5年左右。车联网的世界里充满了数据，可以达到200毫秒一条，10万辆车在马路上每天跑两个小时，一个平常的数据中心就已经堆满了。这就更需要剔除无效数据，把有效数据打标签，进行分类存储，以及将出行数据变现。”在未来现象级的数据量计算资源要求下，云计算、雾计算等新的技术资源要求都会涌现。
这也就是为什么，最近高科数聚与神州数码联手，共同发布“神州云|数云汽车IO+服务”，为汽车行业提供云计算与大数据方面的双螺旋解决方案；同时，与京东云联合打造“云聚”平台，围绕京东独特的数据能力，为企业提供高效敏捷的用户洞察产品和业务场景深度咨询。此外，高科数聚已与多个不同生态优势的伙伴，联合共建数据产品和解决方案，放大高科10+行业的成功经验与数据变现能力。
营销是全链条的，不只围绕着车，更是围绕着人，高科数聚正在建立一个以出行服务为核心的数据生态。
比如加油站、充电桩、停车场、旅游景点等出行应用场景，围绕用户需求，经过数据打通，在车内扩展更多娱乐、购物、社交等场景，彼时的车如同当下的手机，数据能力也将得到更多维的扩展。
“当下，随着国内的数据环境、安全隐私等方面正在逐渐健全，未来5年，我们希望有更多消费者授权的数据，在自有的体系内，为消费者提供更优质和个性化的服务，这不仅是高科数聚应该做的，更是产业数字化发展需要持续进化的方向。”
由于常年穿梭在美国与中国之间，程杰总会不经意地将中美进行对比。“中国的机会很大，中国以3-5年时间就走过了美国走了十多年的路，我们快速进入了数字化时代，积累了庞大的数据样本，具体怎么运用，是考验每个国内企业的关键课题。高科数聚将和生态中的各个企业共同合作，创建一个数字孪生、原生的数智化新时代。”
