网上购物对高等教育的影响
学习实施电子商务最佳实践,创造积极的学习体验。
本文节选自《内容为王的死亡:数据民主如何彻底改变营销(2020)。
第八章
自1908年以来,继续教育和专业课程一直是圣路易斯华盛顿大学的一个标志。大学学院正式成立于1931年,是华盛顿大学文理学院的专业和继续教育部门,从那时起一直服务于圣路易斯地区。大学学院提供40多个不同层次的学习项目。这些证书包括副学士学位、证书、本科学位、学士学位后证书、高级证书和研究生学位,帮助学生促进他们的职业发展。所有学生都可以探索新的领域,同时个人和专业成长。然而,到2016年,当我成为营销和传播总监时,大学学院面临着严重的问题。几年来,入学人数一直在下降5%左右。
住在圣路易斯的大多数人都不知道大学学院有这些课程。在我看来,我成年后的大部分时间都在圣路易斯市场上工作,而对大学学院一无所知。我专门在高等教育营销方面工作了几年。虽然我知道华盛顿大学,但在我申请这份工作之前,我仍然不知道大学学院的划分。我在晚上都是兼职学生,攻读学士学位和硕士学位。但是,我仍然不知道大学学院有这种类型的课程,至少当我在不到40英里外的另一所大学学习时是这样。我是一名老学生,所以大学学院提供了“黄丝带计划”,可以免除学费;然而,还是什么都没有。我很清楚,大学学院在圣路易斯市场上缺乏品牌知名度,与华盛顿大学的关系也不明确。该地区有十几家实体店的竞争对手,市场上还有数千家网店,拥挤而嘈杂。 The yearly marketing budget for University College wasn’t big enough to outspend the competition, and so I knew we had to find a smarter approach.
大学学院面临的问题并不新鲜。提高品牌知名度和招到更多的学生是现代大学面临的共同问题,继续教育部门也是如此。首先,我通过研究和发现阶段学生旅程每个部分的转换归因来解决这个问题。学生们可以从网站上索取信息,或者参加开放日之夜。然而,传统的开放日活动过于依赖于找到一个适合忙碌的成年人日程安排的晚上。在这里,数字营销可以增加活动的注册人数,但不能保证出席人数会随之而来。与此同时,该网站每月产生的查询量与开放日一样多。被动曝光和主动曝光阶段品牌知名度的缺乏,使得试图让新生直接申请项目和跳过询问的成本造成了收益递减。大学学院有40多个不同层次的课程,没有足够的预算为每个课程做特定的搜索营销。解决方案不会仅仅通过解决学生之旅的营销来找到。
当营销和招生团队开始关注学生旅程的数据方面时,我们发现了被错过的机会。我们在旅程的最后获得了注册信息。因此,我们可以在各个课程中看到大学学院学生的人口统计数据。我们并没有排除华盛顿大学的员工利用学费福利进行自己的教育。这意味着我们的受众不是为了攻读学位,每学期选修的课程更少,招生模式也不规律。为了找到新的攻读学位的学生,需要更好地了解大学学院的受众。我们从构建数据驱动的用户个性开始,这结合了来自多个来源的数据点。网站分析监控了我们网站上学位课程、申请和转换点的关键位置。受众情报工具将来自这些潜在学生的网络流量分成各种人口统计、行为和心理数据部分,这些数据根据圣路易斯地区的人口规模和转换倾向进行索引。从这里,我们可以在应用程序管理系统和CRM中覆盖这些部分和第一方数据。 The resulting personas were the most accurate view of our students to date. This enabled us to find marketing solutions that were better targeted. Messages resonated because it was the right audience, and students were more interested in degree programs we offered. Within just three short years, the enrollment trend was reversed, improving three to four percent across consecutive semesters.[1]
民主不是一朝一夕形成的,也不是建立在数据基础上的。启动一场数据革命需要的不仅仅是拥有数据点或了解如何使用它们。它需要将跨组织和涉众的数据竖井整合在一起。它将目标导向对与组织共享的消费者产生有意义的影响。建立基础既可以灵活地用于产品或服务的任何数据集。尽管如此,它仍然是可维护的,不需要无限的资源。
仅仅因为营销部门想要数据,并不意味着其他部门及其利益相关者愿意或被要求共享数据。虽然在基于层次结构的组织中,说服高层领导命令其他部门共享对其数据筒仓的访问权可能是有意义的,但这种方法很少能让利益相关者满意地积极遵从。利益相关者需要理解共同建立数据民主背后的目的和目标,以获得支持。重要的是要记住,利益相关者不会像人类同胞那样简单地依赖逻辑论点。相反,它必须是一种情感诉求,以巩固联盟。不能将涉众定位为失去对其数据竖井的控制。数据流必须尊重来源系统和部门。
建立数据民主的目的不应该仅仅是拥有一个,或者只是毫无理由地收集数据。每个数据点都应该朝着一个最终目标努力,因为收集需要消费者的合作和利益。即使消费者不是民主的积极贡献者,一旦他们被动地意识到收集,他们的反应将基于谁受益的看法。如果组织利用了这种安排,消费者将来可能会放弃或拒绝该产品或服务。相反,如果消费者看到了对他们有利的好处,他们可能会更愿意提供额外的数据,并将好处视为正在考虑的产品或服务的扩展。
将制宪会议视为建立数据民主基础的方法,这听起来可能有些夸张。然而,对一个组织来说如此重要的项目不应该是下班后在一张餐巾纸的背面构思出来的。利益相关者的加入将需要一份可以审查和修改以达成共识的协议。最终目标需要可量化的指标来衡量成功,尊重提供数据的消费者。这样,他们就必须从一个平等的民主成员中受益。框架还应该在范围上有足够的限制,以便所有相关部门都能管理。这就需要一个能够不断提供反馈的数据模型,并且能够在创始部门领导的任期之外进行负责任的维护。
每个行业都有独特的指标,只对他们的营销目标有影响,同时,在不同的产品或服务部门共享其他指标。在构建数据民主时,与其试图假设哪些指标对所有营销人员和组织都很重要,不如采用框架模型。有了一个专注于数据对组织的意义的模型,营销人员可以避免数据过载和只显示虚荣指标的无用报告。因此,数据民主的相关模型应该只包含有价值、可组织、可目标化和可解释的数据(VOTE)。
有价值的数据是任何对组织目标有意义和相关的数据。当数据可以在消费者和产品或服务之间连接时,这类数据是最突出的。这里的意图是,并非所有数据对组织都有价值,应该使用这些数据使所有涉众都能管理数据量。当有价值数据的存在被定量和定性因素所证明时,就有可能发现有价值的数据。拥有更多这样的数据会改善模型吗?拥有这些数据是否能够帮助我们洞察消费者旅程或用户?只有在这两个方面都是积极的数据才被认为是有价值的。
可组织数据在模型中具有最多的标准,因为只有可收集、可存储、可分类和可重复的数据。仅仅因为营销人员需要数据并不意味着消费者能够或愿意分享数据。要具有收藏价值,消费者必须愿意并能够分享它。当消费者分享这些数据时,营销人员必须有一个位置来存储这些数据,只要需要。从那里,他们必须能够将其与模型中的所有其他数据进行排序。数据的收集应该是可重复的,这样模型就能代表消费者的洞察,同时总是收集更多的数据点来改进。
可目标数据应该是模型中用于直接瞄准或间接了解消费者目标的数据点。其目的是消除营销人员对该模型需要或要求哪些数据的任何疑虑。如果没有可目标化的数据,模型的其余部分对组织就没有任何用处。目标数据应该回答消费者的身份、内容、地点、时间和原因。与此同时,它提供了如何接触他们的见解。拥有目标数据的营销人员知道他们在模型中包含了正确的数据,因为数据的质量和数量都应该提高消费者旅程中的目标。
可解释数据是指模型中使用的任何数据都能被市场营销内外的利益相关者理解的标准。每个组织层级的营销都对其他更高的领导负责,因此,他们需要理解为什么数据对营销有用。如果数据不是由营销部门创建或存储的,那么其他部门就需要理解为什么对营销人员来说,拥有这些数据点很重要。这意味着不仅仅是提供数据定义。市场营销最典型的原因是“展示他们的工作”,以证明模型中的所有数据都是有价值的、可组织的和有针对性的。通过花费时间和资源来确保数据是可解释的,VOTE模型的框架将在其持续时间内维持数据民主,以支持组织的产品或服务。
在美国制宪会议之后,一个经常被重述的故事是,美国国父本杰明·富兰克林被问到建立了什么样的政府。他的回答是:“一个共和国,如果你能保住它的话。”[2]数据民主也面临着类似的挑战。一旦规划和建造完成,就需要进行维护。忽视的心态是,“设定好了就忘了。”这只会导致破坏,降低数据的质量,减少可用数据点的数量。因此,建立包括卫生、附加、购买和统一在内的数据维护指导方针将有助于保持这种重要的民主,并使其蓬勃发展。
数据卫生的实践是通过清理不可用和不准确的数据来维护数据点。这有助于提高数据模型的准确性和可针对性,随着时间的推移提高其效率。熟悉直接邮寄策略的营销人员几十年来一直使用邮政服务和认证邮件服务提供商提供的地址卫生工具。电子邮件营销平台和crm都有类似维护和预防的自动化控制。但是,良好的数据卫生实践不应该局限于出站工作,而应该是数据模型每个部分中的基本活动。
很可能不是所有需要的数据点都来自同一个来源。使用数据追加将不同的源连接到一个数据视图中是必要的。应该考虑哪些数据源可以覆盖不同的数据点,以及每个追加发生的方向。最接近消费者的数据源应该具有优先级,同时也可能提供更好的洞察力。在追加操作时应该谨慎,因为可能会将有价值的数据与不相关的数据点混合在一起,或者自动追加过程可能会覆盖有用的数据字段。通过遵循最佳实践,数据追加可以更深入地增强数据模型,从而扩大消费者的理解。因此,它改进了整个模型的使用方式。
大多数数据模型的限制是组织可以从消费者收集哪些数据,但是通过数据购买,第三方可以从他们的来源提供扩展的数据集。这些来源之间的重要区别是,第三方数据是关于一般人群的汇总数据,而第一方数据是营销人员直接从客户那里收集的信息,比如他们与组织的互动。如果第三方数据可以让营销人员获得广泛的人物角色,那么第一方数据则可以让他们精确定位超级特定的人物角色。[3]数据模型不应该完全依赖于购买的数据或来自第三方的数据,而是增强第一方数据和直接由消费者提供的数据点的一种方式。通常,添加和购买数据的方法可能是单向流动的,而对于任何数据模型来说,最好的方法应该是跨所有数据源和视图的统一。这应该允许数据模型中所有源之间的双向数据流。从统一中产生的优化还可以通过清除所有重复数据和无用数据点的来源来改善数据卫生。这并不是说,数据民主应该从试图收集所有数据开始。记住VOTE模型,但是要将来自最好来源的最好数据点整合到一个统一的消费者视图中,以实现个性化。
有了上面的指导方针,组织就开始了建立数据治理的过程。虽然对于一些不想失去控制的营销人员和传播者来说,这个词可能有负面含义,但选择这个词是应对某些最坏情况的先发制人之举。美国国际集团(AIG)首席数据官莱安德罗·达勒穆尔(Leandro DalleMule)和巴布森学院(Babson College)管理与信息技术校长特聘教授、麻省理工学院数字经济计划研究员、德勤分析(Deloitte Analytics)高级顾问托马斯·达文波特(Thomas H. Davenport)在为《哈佛商业评论》撰写的文章中指出,“如果一家公司遭遇了重大监管挑战、数据泄露或其他严重的防御相关问题,那么投资数据治理和控制的重要性——即使回报是抽象的——也更容易理解和接受。”[4]任何民主制度都面临许多危险,但与利益相关者一起尽早解决这些脆弱性,可以建立信任,帮助维护数据民主的光明未来。
在这一点上,营销人员和传播者在开始数据民主时,既要考虑什么作为框架,又要考虑如何在组织和利益相关者的最佳利益下维护数据模型。缺少的基石是数据应该放在哪里,应该考虑哪些数据工具,以及这将如何影响消费者。这对组织来说越来越重要。在大多数情况下,数据正在成为一个差异化因素,因为许多公司没有他们需要的数据。尽管几十年来各组织一直在使用公认的会计原则系统地衡量自己,但这种衡量长期以来一直集中在实物和金融资产上——东西和金钱。[5]然而,是什么造就了谷歌、Facebook和亚马逊这些最强大的平台呢?它们仍然是它们积累、组织和使用数据的方式。
当然,并不是每个组织都有能力、资源和时间来模仿主要平台来建立自给自足的数据民主。然而,有些平台是为了帮助企业收集和管理数据而设计的。Salesforce和Microsoft Dynamics等流行的客户关系管理(CRM)服务,以及Oracle和SAP等企业资源规划(ERP)平台,被广泛认为是帮助组织利用数据管理产品和服务的行业领导者。还有更多的crm、erp和营销工具。上述品牌不应被视为对任何服务的认可。相反,应该考虑为这些目的而设计的外部平台,而不是内部软件的内部开发。Vijay Gurbaxani是数字转型中心(CDT)的创始主任,也是塔可钟授予的加州大学欧文分校保罗·梅瑞奇商学院商业和计算机科学教授哈佛商业评论关于在线市场如何改变商业面貌的平台经济。他写道:“平台经济的一个重要结果是,在其他条件相同的情况下,大公司往往比小公司做得更好。当一个较大的企业投资于一个软件平台时,收益来自于更多的客户、员工或生产单位,这意味着当一个较小的竞争对手不能证明投资的合理性时,它可以证明投资的合理性。这意味着较小的企业需要从一开始就构建适合规模的软件平台。由于快速扩张是困难的,较小的企业可能需要建立合作伙伴关系或网络来帮助他们成长。无论哪种方式,规模成为公司如何运用软件思维的关键部分。如果你有规模,就利用它;如果你不这样做,那就建立规模。”[6]这意味着外部平台提供了更好的容量。组织从一开始就在努力构建内部软件,除非那是组织试图创建的产品或服务。
当然,并不是所有的软件都是一样的。只有真正的平台利用开发者生态系统创建第三方应用程序,增强平台或定制以适应不同的产品和服务部门,才能在帮助组织建立数据民主方面拥有真正的市场优势。开发人员的这种网络效应使平台的影响力倍增,很少有组织能够与内部开发团队相匹敌。这可以用一个例子来最好地说明,公司A和公司b都有能力雇佣5名软件开发人员,根据Glassdoor的数据,2019年这5名软件开发人员的平均年薪为80394美元。[7]公司A希望在内部从零开始建立他们的数据民主,而公司B希望利用一个使用生态系统的外部平台。公司A和公司B需要他们的软件有五个不同的功能。因此,公司A雇佣了五个开发人员,并为他们每个人分配了一个单独的功能。但是现在,他们已经没有开发人员资源了。同时,B公司使用生态系统平台。公司B没有雇佣五个开发人员,而是只雇佣了两个,同时保留了其他三条工资线。这个生态系统平台包括一个由顾问和开发人员组成的社区,此外还有为数不多的100名开发人员为该平台工作。这只花费了B公司相当于一个开发人员的工资,因为平台有其他组织账户。公司B还可以选择专门为其产品或服务部门在平台上构建应用程序的咨询机构。仅这家代理公司就有15名开发人员,但B公司只需要支付2名开发人员的工资,因为该代理公司可以为该领域的其他公司工作。 Company B now has 117 developers working to improve the same five distinct functions with the same cost in developer salaries as Company A that went in-house. Company A will always be limited by the abilities of their five developers, meaning that if they add functions, it either requires an additional developer or less time spent on the existing functions. Meanwhile, Company B can leverage 117 developers to either improve existing functions or expand into new functions. The developers working for the agency and the ecosystem platform also have more incentive to improve and expand functions. It will attract more companies to their platform and services, allowing each to hire more developers. Therefore, organizations that embrace a community driven approach of internal and external resources are better positioned to achieve cutting-edge data democracy than companies that silo their efforts into a single tribe.
崔波诺,正如拉丁语所说,“对谁有利”是每个数据民主国家必须用一个词来回答的问题:消费者。几乎在所有方面,消费者与产品或服务的交互都是被动和主动的。这些活动属于他们。虽然数据目前不被认为是个人的财产,但在这个时候,它仍然是一种交易。因此,消费者必须从他们与他们所寻求的产品或服务的组织之间发生的数据交换中受益。要知道消费者是否受益,最重要的方法是看产品与市场的契合度。产品市场契合的概念始于科技创业文化。增长黑客认为,对于准备大规模增长的初创公司来说,这是实现最重要的事情的一种方式。硅谷风险投资家马克·安德森(Marc Andreessen)对产品市场契合度的定义是,在一个良好的市场中,产品能够满足这个市场。[8]但这就留下了如何从消费者的角度衡量它的问题。GrowthHackers的创始人、增长黑客作者、多家初创公司的最初增长负责人肖恩·埃利斯(Sean Ellis)认为,通过问一个简单的问题,产品市场适合度不那么抽象,也不那么可衡量。“我会问一种产品的现有用户,如果他们不能再使用该产品,他们会有什么感觉。根据我的经验,要想达到产品的市场契合度,至少要有40%的用户表示,如果没有你的产品,他们会“非常失望”。不可否认,这个门槛有点武断,但我是在比较了近100家初创公司的结果后定义的。那些努力争取牵引力的公司总是低于40%,而大多数获得强大牵引力的公司都超过了40%。”[9]从这个指标和阈值,组织可以了解他们的产品与市场的契合度。也许这是增长黑客营销人员和传播者衡量的第一个有价值的数据点。
但什么是增长黑客?为什么他们对建立数据民主很重要?Uber Rider Growth产品团队前负责人、现为风险投资家的安德鲁•陈(Andrew Chen)表示:“‘增长黑客’是营销人员和程序员的混合体,他们着眼于‘增长黑客’这个传统问题。我如何为我的产品争取客户?’并通过A/B测试得到答案。他们通过登陆页面、病毒式传播因子、电子邮件交付能力和开放图表来回应。在此之上,他们将直接营销的原则分层,强调定量测量,通过电子表格进行场景建模,以及大量的数据库查询。如果一家初创公司在产品上市之前就适应了市场,增长黑客就可以确保病毒式传播嵌入到产品的核心。在产品适应市场之后,他们可以帮助提高已经有效的产品的得分。”[10]从本质上讲,他们是营销人员,他们已经接受了数据的可能性,利用软件开发人员和工程师保留的技能集,以加强他们的营销工作。也许,如果说数据民主是一个组织的汽车引擎,那么增长黑客就是能够建造它的全能工程师。他们是能把车从停车场卖掉的销售人员,也是能让车在未来几年继续运转的机械师。
增长黑客不仅仅是一个职位头衔或在营销活动中使用代码的能力。这是一种心态。通过测试不同的营销策略和战术来关注产品或服务的增长,每次测试都显示出哪些有效,哪些无效的数据点。这个测试验证了归因模型,即数据、营销和结果的框架,这些都是第二章的重点。学习增长黑客技术的营销人员和传播者将了解哪些平台,如第三章的搜索,第四章的社交,和/或第五章的电子商务。这些可以提供本章VOTE模型所需的有价值的、可组织的、可目标的和可解释的数据。通过拥抱“不断测试”的哲学,[11]在第六章中,营销人员可以利用《现代消费者决策之旅》的每一个阶段,从最初的考虑到留存,然后可能是订阅。因为市场营销的技能集并不局限于只编写一般的内容,为了使用第七章的技术而包含数据的能力允许大规模的个性化内容。了解整个董事会,了解每一块数据是如何协同工作的,然后使用这些数据来执行预测消费者需求的产品或服务战略增长,这正是组织建立数据民主所需要的那种人才。
增长黑客背后的概念及其对数据驱动模型的利用可以应用于初创公司之外的任何类别。2014年,当我使用这些原则来破解UMSL的CRM以增加学生入学漏斗时,情况就是如此。在接下来的几年里,我改进了大学的网站,将其作为转换学生的门户,并使用社交媒体营销来推动售罄的开放日活动。我们面临的挑战是找到更多的方法来吸引学生,而营销预算在过去5年里没有变化。学校不打算再给我们更多的钱来做广告牌、广播广告或数字宣传。我们必须找到一个免费的解决方案来吸引更多的学生。但是,我们也必须更多地了解学生为什么选择UMSL。当UMSL在申请过程中问学生这个问题时,正如第二章的购车经历所证明的那样,“朋友或家人”这个最常见的答案并不是我们可以建模的归因。
说到这里,我想起了一篇关于加州大学洛杉矶分校(UCLA)进行的一项调查的文章,该调查调查了美国238所四年制学院和大学的19万多名大一学生,名为“CIRP新生调查”。[12]那一年,加州大学洛杉矶分校列出了23个选择大学的理由,这些理由对他们最终的大学选择“非常重要”。我从头到尾看了一遍这份榜单,想了解一下这些学生在选择大学时的消费历程。排在前四位的理由依次是:学校的学术声誉非常好(63.8%)、毕业后能找到好工作(55.9%)、获得过助学金(45.6%)、学费(43.3%)。这些都不是大学营销和传播部门能直接影响的。事实上,任何一所大学都需要多年的时间来改善,即使他们可以。排在第五位的原因是参观校园(41.8%)。我们已经把一年两次的开放日活动安排到极限了,但校园参观每天都要进行多次,每个工作日都要进行。
然后,我们开始建立数据模型,从几个关键的招生来源中寻找最有价值的校园游相关数据。我们从漏斗底部整理信息,然后开始工作。该应用程序有一个校园参观数据点,每个学生都在回答。我们可以根据潜在学生的CRM对这些数据进行排序,这些学生正在导入或使用校园游览数据源进行更新,就像进行了一次游览一样。在漏斗的顶端,我们有校园旅游网站的网站分析。同样,我们将这些数据与其他入学来源进行了比较,以查看它在学生数据记录中出现的频率。校园旅游在两年内为UMSL注册学生列出的29个可能的CRM接触点中排名第六,其中一半以上的来源是每个申请或感兴趣的学生记录都已经拥有的自动接触点。不可否认,这是一个有价值的数据点。我们也有一个目标数据点来集中我们的努力。我们在寻找有兴趣亲自参观校园的学生。 Because we had taken the steps to determine if the campus tour data was valuable, we had organized that data point against all other sources. And because we could target this student from their initial visit to the campus tour website, we had all the criteria for explainable data sets for leadership to sign off on the project.
尽管如此,数据告诉我这并不容易。校园旅游网站有86%的表单废弃率。那些填写完表格的人总共要填写25个字段。它就像表单中的劲量兔。它一直在滚动,在三个独立的完整截图上滚动,以捕捉所有内容。简单的解决方法是让表单更短。事实上,这一举措本身就可以提高转化率,但这并不能解决问题。校园旅游网站需要更好的用户登录体验。它必须考虑到个性化,以及一种从每个学生游客中增加更多校园旅游的方法。
我在UMSL的团队研究了各种网站的用户入职情况,包括社交网络Twitter、问答网站Quora,以及现已不存在的团体约会网站Grouper。我们意识到,最好的用户入职体验并不是一个冗长的表单,而是分成几个步骤。在旧表格上,学生的姓名和联系方式排在前面,参观日期排在最下面。在新表单中,这是第一步。如果在第一步之后放弃了表单,我们仍然知道他们是谁,他们什么时候来。我们可以用电子邮件联系他们,提醒他们,也可以把他们送回表格上完成。下一步是通过与学术顾问交谈、参观宿舍或更多地了解希腊生活等课外活动来帮助他们个性化校园游体验。他们可以根据自己的兴趣创造出超过50种不同的体验。同样,如果学生在第二步停下来,我们就知道他们是谁,他们什么时候来,他们想在校园里看到什么。表格的下一步是填写学术课程和邮寄地址信息,以便在访问前后制定更有针对性的沟通计划。 At this point, the student was completely done with scheduling their tour. Still, the form wasn’t done because a hidden bonus step appeared, asking if they wanted to invite up to two friends with them on the tour. One student signing up for a campus tour visit was good but getting three students at the same time was great. At this point, the student could enter basic contact info for their friends and the CRM would begin a communication plan to invite them on a tour with their friend. Now we could map the importance of the “friend or family” data point if we wanted, but more importantly, we had a more valuable personalized campus tour experience.
在新校园旅游网站的头三个月里,我们看到校园旅游增加了37%。到年底,UMSL的校园参观人数达到了学校历史上的最高水平,而在营销方面没有多花一美元。我们使用的任何单一数据源都无法帮助我们达到这一结果。它需要一个数据模型,使用最有价值的、可组织的、可目标的和可解释的数据点,而不是等待学生告诉我们他们为什么选择UMSL。它在数据中向我们展示了他们的投票。
这是Jon hinderl的节选《内容为王的死亡:数据民主如何彻底改变营销,于2020年出版。
版权所有©2020 by Jon hinderl。由Tactical 16, LLC出版。出版商允许使用摘录
参考文献
[1]Gauen,克莱尔。“为知识的成年消费者服务。”&号,2019年4月25日。https://artsci.wustl.edu/ampersand/serving-adult-consumers-knowledge。
[2]Beeman, Richard。“对宪法的看法:一个共和国,如果你能保持它-国家宪法中心。”国家宪法中心。2019年12月6日访问。https://constitutioncenter.org/learn/educational-resources/historical-documents/perspectives-on-the-constitution-a-republic-if-you-can-keep-it。
[3]吉拉德,亚历克斯。《第一方数据:如何依靠自己优化广告定位》HubSpot博客,2018年10月11日。https://blog.hubspot.com/marketing/first-party-data。
[4]DalleMule, Leandro和Thomas H. Davenport。“你的数据策略是什么?”哈佛商业评论。2019年12月6日访问。https://hbr.org/2017/05/whats-your-data-strategy。
[5]贝克,梅根和巴里·利伯特。“机器学习竞赛实际上是一场数据竞赛。”《麻省理工斯隆管理评论》,2018年12月14日。https://sloanreview.mit.edu/article/the-machine-learning-race-is-really-a-data-race/。
[6]的看法,维贾伊。“你不一定要成为一家软件公司才能像一家软件公司一样思考。”《哈佛商业评论》2016年4月20日https://hbr.org/2016/04/you-dont-have-to-be-a-software-company-to-think-like-one。
[7]Glassdoor网站。“薪水:开发人员”,2019年10月1日。https://www.glassdoor.com/Salaries/developer-salary-SRCH_KO0 9. htm。
[8]马克•安德森。《Pmarca创业指南第四部分:唯一重要的事情》。, 2007年6月25日。http://web.archive.org/web/20070701074943/http: / / blog.pmarca.com/2007/06/the - pmarca - gu - 2. - html。
[9]埃利斯,肖恩。“创业金字塔”。启动营销。2019年12月6日访问。https://www.startup-marketing.com/the-startup-pyramid/。
[10]陈,安德鲁。“增长黑客是新的营销副总裁。@andrewchen(博客),2012年4月27日。https://andrewchen.co/how-to-be-a-growth-hacker-an-airbnbcraigslist-case-study/。
[11]Taparia,尼尔。“关于‘增长黑客’这个词的创造者,你可以从他那里学到5件事。”福布斯,2014年7月22日。https://www.forbes.com/sites/nealtaparia/2014/07/22/5-things-i-learned-about-growth-hacking-from-the-man-who-coined-the-term/。
[12]罗伯特·莫尔斯。“新生说排名不是大学选择的关键因素。”美国新闻,2013年1月31日。https://www.usnews.com/education/blogs/college-rankings-blog/2013/01/31/freshmen-students-say-rankings-arent-key-factor-in-college-choice。
作者观点:管理员