不是专业数据分析师的你,该如何科学地看待大数据呢?

发布时间:2019.02.13来源:亿信华辰浏览量:43次标签:数据治理

大数据

似乎很多创业人,都喜欢讲一些概念化的东西。例如前两年的互联网+,例如后来的大数据,又例如最近的区块链……

然而我看到的满嘴互联网+、大数据、区块链的人,并没有几个真正理解这些东西到底是什么,是如何运作的,以及如何达到世人所见的“神奇”效果。

当人们在不了解某样东西的时候,就会很容易神化或者妖魔化它。

例如这位广告主的控诉:“我做茶叶,用这套数据投放,获得了不错的效果,按钮成本不足2元、加粉成本低到30元。最近做蜂蜜……为什么效果就不好了?一个粉丝200元都打不住!”

这就好像说上一次你给土地奶奶烧了香,小孙子烧退了,这次你病了还给土地奶奶烧香,怎么反而病得更厉害了呢?

当你对大数据不够了解时,你的一切行为,都是建立在迷信的基础上,等同于去庙里烧香拜佛,但并不能起到任何实质性的作用。

那么,大数据是如何“神奇的”解决问题的呢?在你看不到的地方,许多专业人士正用你不理解的方式操作,对他们来说,大数据,只是个工具而已。

那么,不是专业数据分析师的你,该如何科学的看待大数据呢?

思路1:“懂生意”比“懂数据”更重要

我们都知道数据分析离不开对投放关键指标的跟踪。比如CPM、CPS、GMV、DAU等,这些指标往往与你的生意(比如获客成本、平均客单价、客户数量等)密切有关 。

但很多人可能不知道,这些指标的跟踪也是有优先级的。具体和公司本身情况密切相关。

同样是上述这些指标,对于成熟的公司成熟的业务模式或许是可行的,因为成熟公司讲究的是执行到位,商业模式验证阶段已经完成了。企业只需要复制既有模式,按部就班,扩大规模就能顺利运营,达成商业目标。对应的,GMV这些指标是可以衡量运营绩效的,对这些关键指标的追踪也能有效的度量我们的投放运营活动。

但对于创业阶段还处于摸索时期的新项目而言,则有可能是“虚荣”指标。

为什么这么说呢?因为初创时期,大部分公司可能连自己的商业模式都还没办法完全确定,还在不停的修改自己的推广活动,还在寻找正确的产品或是目标客户,种种不确定之下,又如何去确定指标?

即使这个阶段需要做广告投放,目的也是为了测试验证产品和市场的匹配程度,也就是说,在资金耗尽之前,通过广告投放测试了解当前的产品、商业模式是否能让自己活下去,那么这个时候需要考核的重要指标不是GMV、DAU,而是在广告停掉以后,有多少用户会继续使用自己的产品、复购率有多少、转介绍次数有多少?等等与公司生存密切相关的数据。

这也就是营销分析师常说的,不懂生意就没有办法正确的解读数据,对生意而言,重要的不是数据本身,而是,从生意角度出发,从数据中发现的有效的商业洞察。

比如你新开一个淘宝店,因为没有自然流量,所以尝试投放信息流为自己的店铺引流。那么这种情况下,每天店铺有多少客户、有多少流水,并不是你最应该关心的指标,你需要着重关心的是:这期间下单的客户里有多少在多少时间内又复购了、有多少客户开始通过搜索你的店铺名称、你的产品品牌名称进店,等等。如果这些数据不清晰,你就不知道,到底是流量帮了你,还是因为你自己的产品有竞争力吸引了客户,接下来的店铺活动、投放策略也就无法确定,后续的生意规模也很可能因此受限。

思路2:“懂人性”比“懂数据”更重要

广告的目的是为了影响消费者的决策。那么消费者是如何做决策的呢?我们常听说大数据可以预测的人的行为,那是不是利用了可以预测人行为的大数据就可以影响消费者的决策,让广告更有效了呢?

很遗憾的告诉各位,大数据平台可以精准的搜集每个个体的行为数据,而非精准的预测。这也是为什么淘宝会推荐给你你刚刚买过的产品,头条总向你推送你刚刚看完的电影的缘故。

而预测,则是在行为数据的基础之上,通过人为干预或者机器学习建立的预测模型,去推测他们下一步可能进行的行动,并加以干预。

事实上,大数据技术出现之前,商人们一样做生意。

好的商人,通过观察收集数据,通过思考解读数据,然后再通过销售行为的调整来利用数据。和现在的大数据比起来,只是不那么方便、没有那么大的基数。这里我就不列举了,你此刻能想到的知名品牌都是在这方面做的好的实例。

而如今的大数据,只是省去了我们一一收集处理的过程而已。洞察这件事,至今为止,还需要人脑来进行,大数据技术只能辅助而非主导。

我们做广告,不管是做信息流还是其他,其实都是在研究人的购买决策过程,即研究用户从“看到”到“产生兴趣”、再到“产生购买欲望”、最后完成购买行为的一整个过程。当然了,这些研究都是基于“人是一个理性人”的假设,如果你做过市场调研就会发现,真正的需求往往是隐而不见的,对于营销人而言,最麻烦的就是,决策往往是因为隐性动机而引发的。而想要把隐形动机发掘出来,就必须要学会洞察人性。

我们一直会举一个有趣的例子:一个人本来看了广告想买A品牌车,后来却因为B品牌车的车模比较漂亮就买了B品牌的车。你说这人的决策有道理么?从人性角度看是有的。

人的决策路径有两种,一是中央路径,即考虑购买问题是基于充分的调研和思考,偏向“理性”,而这种临时的决策行为则指向边缘路径,即购买决策来自产品之外的某些线索。

比如决策人的择偶自我被车模激活,在这种次级自我的行为模式下,消费者的决策呈风险偏好,容易产生冲动消费——这是人性层面较为合理的解释之一。

同样的,我们在对信息流广告数据做分析时也是一样,数据给到我们的只能是迹象,我们需要从多重视角、甚至需要从最深层次的人性角度去窥探这些迹象背后的原因,思考为什么受众会做出这样的反应?他们转化或是不转化的底层逻辑是什么?如此反复,才可能找到优化的方向,比你的对手提前一步找到客户。

思路3:“懂专业”比“懂数据”更重要

数据分析分为定性分析和定量分析两种方式。其中,定性分析是指:对事物的性质作出判断,即,回答“它是什么”。另外一种分析方式叫定量分析,具体是指:对事物数量上作出统计。我们通常说的点击率是多少、转化率是多少,等等,指的就是定量分析。

因为点击率、转化率等数据比较直观,优化师也好,老板也好,都会比较关注这方面的数据,各种信息流交流群里交流最多的也是“你今天点击率多少啊”,“你今天的转化率多少啊”,等定量数据。这种交流本没有问题,但当大家不分行业、不分投放阶段,直接以这些量化指标衡量投放效果的时候,你就需要注意了:

(1)对于一个陌生项目而言,没有过往的参考数据可以参考,从零起步的时候,你需要的是基于营销专业的定性分析而非定量分析的技能。

比如你可以分析这个产品本身是基于什么需求场景开发的,公司为什么会开发这个产品,这些定性的分析会帮助找到可能有效的诉求方向。

(2)定量分析的AB测试固然需要,但过分依赖反而会对投放造成致命伤害。

比如你要优化一个落地页,AB测试有数十乃至数百个变量(排版布局、卖点文案、情绪唤起、颜色搭配、产品组合、定价、赠品等等),如果每一个都要做AB测试,那么测到什么时候才能上线呢?(老板等着你赚钱呢!)

这个时候,就需要我们先启用营销专业的分析了,靠专业的判断来选择3-5个版本测试,然后再结合投放数据分析选哪个做大规模投放更好。

(3)当数据分析的结论和自己的专业判断出现偏差时,绝大部分情况下,都应该听专业的判断,而非数据分析的结论。

比如此前一个广告主来咨询,自己在朋友圈投放了一个宝马车的广告,可收到广告的用户在底下留言说“买不起”之类的,“不是说大数据很精准的么?怎么会找错人呢?”

首先,数据本身是不完整的。

广告主认为的精准,是说平台把广告展示给了关注宝马或者关注宝马同级别车的用户。当然,如果从理论上说,平台抓取到用户所有的行为数据是可以实现100%精准的,但实际上广告平台并不能做到,他们的数据是不完整的。

不完整的原因很复杂,比如可能是出于对用户隐私的保护; 比如各个平台之间的数据并没有完全打通,数据孤岛在相当长的时间内是必然存在的。像上面那则广告用户评论说买不起,数据层面分析大概率的原因就可能是平台没有抓准用户的财务状况,那么对受众财务状况的数据掌握最精准的平台可能是各个银行,或者国家税务部门等等,但是不管是出于隐私保护,还是数据安全的考量,这些数据在短时间内又不可能开放给各个广告平台,所以,数据不完整是我们营销人必须面对的实际情况。

其次,人性本身不可预测。

即使数据孤岛被打通,数据本身是完整的,也不能保证各大信息流平台就能精准的识别和预测潜在受众对广告的主观反映,因为:人性本身是不可预测的。

行为经济学认为,人在许多情况下都是非理性的。甚至可以说,人在本质上就是非理性的。就如同你爱上一个人,当你爱ta,你甚至不知道自己为何而爱,你能想起的,都是一个又一个毫无逻辑的片段。但是这背后有没有规律可循?当然有,这背后的逻辑是进化论研究的课题,我们人类的一切行为某种意义上都为了物种的生存和繁衍,人类的行为反应也是由此而来的。

说回上面那个在宝马广告下留言说自己买不起的用户:他们是真的买不起吗?并不一定,只是他们不认为立刻购买一辆宝马是他们此刻当务之急必须完成的事情,这件事对他们来说,急迫程度不够高,也就不值得他们花费一辆宝马车的费用来完成。如果你给这些用户一个理由,例如:“你花19元买了杯没品牌的咖啡送女神,他用19元日供的宝马,送女神回家。”那么“每天一杯咖啡钱买宝马,赢取美人心”,就会变成一个迫切需要完成的任务。

 用户不会去算总账,也不会再说买不起。

要知道,当你没有给到他们合理的购买理由时,他们会告诉你买不起,并且他们自己也会认为自己是因为“买不起”而不买。这种情况,我们简单的概括为“口是心非”。

“口是心非”的情况在我们营销调研的场景里经常出现。当然,你首先要能够识别出消费者的“口是心非”,然后才能想办法让他“吐真言”。在线下可以通过独特行为观察等方法来引导和确认,在线上投放时,就需要基于他们的真正的“心意”做出可以让他们心动的文案。


(部分内容来源网络,如有侵权请联系删除)
立即免费申请产品试用 免费试用
相关文章推荐
  • 数据指标体系搭建实践:指标管理四步法

    数据指标体系搭建实践:指标管理四步法

    因为不同人对于一个指标口径的理解,会存在偏差的,比如对于“新用户”这个原子指标的定义口径,有的人是理解为当日新注册的用户为新用户,而有些……查看详情

    发布时间:2020.09.21来源:头条浏览量:82次

  • 灵活的分析数据生命周期?

    灵活的分析数据生命周期?

    受监管实验室数据完整性指南的要求之一是数据生命周期,涵盖监管记录的生死。数据生命周期在最近的MHRA数据完整性指南中定义为“从生成和记录……查看详情

    发布时间:2018.12.27来源:数据治理浏览量:84次

  • 数据交换平台解决方案

    数据交换平台解决方案

    数据交换平台提供各子系统接入的接口,实现数据交换平台和各信息系统的有机结合,以统一的接口规范实现数据自动提取、数据转换、数据发送、数据校……查看详情

    发布时间:2020.04.23来源:知乎浏览量:73次

  • 2019年IT关注的重点:大数据分析的存储架构

    2019年IT关注的重点:大数据分析的存储架构

    存储行业的技术专家和分析师预测,IT组织将专注于改进其存储架构,以便在2019年更好地利用数据分析、人工智能和物联网。并指出,改进大数据……查看详情

    发布时间:2019.03.26来源:亿信华辰浏览量:62次

  • 制定数据治理行动路线和计划

    制定数据治理行动路线和计划

    路线图是使用特定技术方案帮助达到短期或者长期目标的计划,用于新产品、项目或技术领域的开发,是指应用简洁的图形、表格、文字等形式描述技术变……查看详情

    发布时间:2020.07.17来源:知乎浏览量:79次

  • 什么是数据治理,为什么重要?

    什么是数据治理,为什么重要?

    没有有效的数据治理,组织中不同系统中的数据不一致可能无法解决。例如,在销售,物流和客户服务系统中,客户名称可能会以不同的方式列出。……查看详情

    发布时间:2021.04.01来源:浏览量:90次

  • 数据治理的四点好处

    数据治理的四点好处

    大数据现在越来越广泛地应用在我们的日常生活当中,随着企业业务的发展,数据的来源、种类变得越来越多样化,系统改造或重新设计的难度就越大,所……查看详情

    发布时间:2022.02.22来源:小亿浏览量:143次

  • 微软收购BlueTalon以支持数据治理产品

    微软收购BlueTalon以支持数据治理产品

    微软今天宣布收购BlueTalon,这是一家总部位于加利福尼亚州雷德伍德市的跨平台数据访问控制解决方案提供商,收购金额不详。Azure ……查看详情

    发布时间:2019.08.02来源:知乎浏览量:68次

  • 银行的信息科技部门做数据治理的体验

    银行的信息科技部门做数据治理的体验

    银行对于数据治理的态度:从90年代末开始我国银行业信息化之路就已经开启,到了21世纪越来越多的银行开始利用数据进行更为精准的客户营销、提……查看详情

    发布时间:2020.07.31来源:知乎浏览量:71次

  • 2019年大数据发展趋势预测

    2019年大数据发展趋势预测

    九十年前,法国诗人保罗瓦列里写道:“未来不再像过去那样。”从00年代中期开始的大数据趋势也可以这么说。 面对崭新的2019年,Da……查看详情

    发布时间:2019.01.14来源:亿信华辰浏览量:55次

相关主题
您点击 “提交”,表明您已理解并同意接受本网站隐私政策和用户协议