為了制定恰當的數字營銷策略，我建議廣告主要始終關注目標受眾。但是，目標受眾並非一成不變，他們像溪流一樣從一個地方流向別處。不久以前他們還通常活躍在數百萬的網站上，但現在他們在移動裝置上花費更多的時間。他們比以前更加難以監測和識別，花費的時間更加碎片化，興趣點也變得易於分散。
我們需要校正我們的工具來監測他們，去發現他們在哪裡、有什麼行為、有什麼興趣，並立刻調整我們的營銷戰略和戰術。否則若是他們突然從網站上溜走，就可能再也不會回來了。因此，我們必須更新那些傳統的數字分析觀念。
網站依然重要，但需要從新視角去衡量
移動的時代到來，人們開始談論App應用程式；但這並不意味著我們可以拋棄網站。為了滿足受眾的好奇，強化他們的喜好，並且實現轉化，網站依然在數字營銷中扮演著決定性的“終結者”角色。在移動領域常用的數字營銷方法是從第三方的App應用中獲取流量，引導到廣告主的官方活動著陸頁。這樣的話，我們依然需要留意一些網站的關鍵指標，比如吸引、勸導和轉化的能力。我們還需要關注一些關鍵業績指標(KPI)，比如說跳出率、轉化率、訪問深度和訪問停留時間等。
但有一點不同：就在兩三年前，訪問數還是網站分析的關鍵指標。我們分析受眾在一個訪問範圍內的行為。一些重要的指標都是用訪問數（visit）作為分母計算出來的，例如跳出率或訪問深度。但是，這樣做的明顯缺陷是一次訪問只是訪客在該網站整個生命週期中的一個片段；如果我們基於訪問進行分析，就不得不也基於訪問去進行優化。訪客從知道你的網站到完成購買，不只發生在一次訪問之內，而是需要多次訪問。另一個問題是訪客往往不會總是通過同一個渠道訪問網站，他會通過多種渠道。搜尋引擎、社交網路和其它來源共同促成了同一個轉化的情況非常普遍。為了瞭解更加複雜的現實世界，你必須考慮衡量和分析訪客的行為，而不再是訪問的行為。這就是說基於訪問的分析不足以再幫助我們了；我們需要跨訪問（pan-visit）的分析，它是基於訪客而不是訪問的。對此，一些建議如下：
1) 必須進行跨渠道/多渠道分析。需要分析的不只是單一渠道的表現，而是多渠道的綜合表現。因為多渠道涉及到了同一個訪客的決策制定過程，通過跨渠道分析你可以發現1+1大於2的效果，或者相反的效果。這對我們制定有效的渠道策略至關重要。
2) 細分訪客，而不是訪問。很多網站分析工具提供了細分不同訪客的功能，但有的卻只能細分訪問。選擇前者，自定義屬於自己的訪客細分方法，將瞭解到關於他們的全景資訊。比如說，看一下那些通過我們網站下單的訪客通常都有什麼行為？沒有下單的呢？你都可以輕鬆的獲得答案。
3) 分析一個訪客的生命週期。從訪客在網站的所有互動行為來看，訪問只是一些獨立的片段。我們應該開展跨訪問分析，去關注下單回訪率，而不僅僅是回訪次數；去關注購買衰減率或增長率，而不僅僅是轉化率。
只有跨渠道分析還不夠
上文中提到了跨渠道分析，但這還不足以瞭解訪客的行為，原因在於一個更新的挑戰的出現：移動網際網路。人們開始在移動裝置上花費更多的時間。Facebook宣佈現在每天有48%的使用者只使用移動裝置登入它的網站。還在考慮跨渠道分析？現在應該做到跨終端分析了！
越來越多的網站訪問來自於多終端裝置。SAP所做的一項調查顯示，67%的訪客從一個裝置上開始購物，然後在另外一個裝置上繼續操作。這就是現實：如果你想監測真正的訪客，你必須有跨屏的監測方法。我們傳統的監測方法是基於cookie的，但是訪客使用一個新的裝置時，會產生一個新的cookie，也隨之被標記為一個新訪客。這當然是不對的。即使訪客擁有兩種或者更多的裝置，我們也希望把他只標記為一個訪客。此外，我們還想知道他在不同裝置之間的行為。
這是一個需要克服的新挑戰。幸運的是，我們有了新的方法來應對。Google這個業界巨頭利用使用者的ID（UID）去監測跨裝置的訪問行為。一些公司也在通過大資料技術計算訪客的行為方式，去判斷某些訪客是否是同一個人。更多的公司在使用數字指紋或者相關的技術去替代傳統的cookies技術。Google似乎很有優勢，但其他方法也不乏機會。可以非常確定的是，我們離完美的解決這個問題的時間已經非常近了。對此，一些建議如下：
1) 留意跨終端/多螢幕的監測方案。Google推出的Universal Analytics已經整合了這一特性，並且即將釋出。
2) 跨終端分析沒有那麼困難。通常來講，你需要做三件事：通過裝置的重疊資料，找出訪客同時使用的裝置是哪些；通過裝置訪問路徑，找出不同裝置所發揮的不同作用（這裡很像跨渠道分析）；通過細分訪客，找出在行為方式上使用多種終端的異同。
大資料，大舞臺
現在我們比以往更加依賴於大資料。在當前的數字營銷中，一個重大的變革是程式化的廣告購買。為了實現實時競價，需要使用大資料技術。這一趨勢也將影響到數字分析模式。以前，我們人工的進行分析（特別是在渠道/廣告分析中），但是在實時廣告中這明顯是行不通的。分析、建議和優化也都應該實時的進行。為了做到這一點，唯一的辦法就是大資料技術和相關的程式化分析。一種可以被整合到不同DSP（Demand Side Platform廣告主服務平臺）的第三方的程式化分析解決方案將很受歡迎。
預測分析也將成為2014年的一大重要趨勢。沒有大資料技術，在這個領域將很難有所作為。藉助大資料，我們能得到更完美的答案。同時，預測分析的模式也受到大資料技術的影響。我們不再需要挖掘事物的因果性，而只要讓大資料的“汽輪機”去挖掘出相關性就可以了。投入的資料量越大，做出的預測分析就越精確。基於這種精確預測的市場策略是革命性的，也是極其誘人的。
當然這裡也有不少挑戰：首先是從哪裡可以獲得這些大資料。DSP可以藉助DMP（Data Management Platform資料管理平臺），搜尋營銷機構可以藉助SEM（Search Engine Marketing搜尋引擎營銷）的程式優化供應商，例如EF或Marin；但是其他的營銷方式呢？因為目標受眾總是在變化的，因此對與時俱進的、精確的關於受眾構成的大資料總是有著剛性需求。其次，可以在毫秒級處理大資料的超級演算法也非常緊缺。在2014年，這些問題的研究有望取得顯著進展。對此，一些建議如下：
1) 大資料對數字營銷的影響遠遠超出你的想象。我們需要關注程式化廣告購買，並找到一個可靠的程式分析供應商，這可以是DSP、DMP或者一家第三方諮詢公司。
2) 目前看來，大資料並不能解決所有問題。儘管它很具有吸引力，但傳統的分析是不會被取代的。大資料可以幫助你程式化的購買廣告，但卻不能解釋為何你的網站轉化率下降了。可以通過諮詢公司獲得一些專業的建議，去決定哪些地方需要大資料，哪些地方仍然需要人工分析。