数据分析在企业中有什么实际作用？我们是否把数据分析太过神话化？

2017-02-08 10:51:00

我们来探讨两件事情吧。

数据分析在企业中有什么实际作用？
我们是否把数据分析太过神话化？

(1) 数据分析在企业中有什么实际作用？

第一种作用：行业分析/竞争对手分析

很多时候企业有需要获取一些竞争对手的发展趋势数据、某些行业的趋势数据、等。其实能获取到外部数据的工具并不少，一些类似Google Trends、百度指数、Alexa、SimilarWeb、微博微指数、等的现成工具都是获取外部数据的好工具。

我们用一个例子说明吧，以下是从Google Trends获得的趋势数据。

以下曲线代表旧/传统媒体/时事杂志，包括：

Wall Street Journal(红色)
Time Magazine(黄色)
Economist(绿色)
Business Week(紫色)

蓝色的曲线代表新媒体Huffington Post。

我们把4个传统媒体和一个新媒体放在同一个时间端对比。会发觉：

从2004年开始4个旧媒体品牌一直都显示下滑趋势。
新媒体Huffington Post从2007年开始陆续上涨。

这种趋势数据会引导我们去考虑的问题，包括：

传统媒体的用户都到哪里了？
新媒体比如Huffington Post，是抢了传统媒体用户的主要对手？
传统媒体的用户是否被社交网络（比如Facebook, Twitter, Reddit, 甚至更多的小众媒体/小的信息分享工具）抢走了？,
传统媒体需要做什么才能翻盘？主线业务转型？从哪个方向开始转向？变成社交网络吗？还是变成新媒体？

这个例子还给了我们其他的思考：

大概在2008-2009年的时候，新媒体Huffington Post已经几乎追上（或甚至超越）各大传统媒体，这时候智能手机还没有非常广泛流行。这种传统媒体行业，很可能是其中一个在“手机”时代出现前已经面临“来不急转型”而快速走下坡路的行业。

备注：我们需要了解的是，这类从外部工具获得的竞争对手数据（甚至自己企业数据）的方式（通过Google Trends, 百度统计, 等）是有一定的误差。比如，趋势数据是有可能被“刷”。有大量信息的工具/地方就一定有可能为了短期目标或利益，会有人去刷数据。把被“刷”数据淡化的一个方法是，我们可以把趋势数据的时间拉长，这样的趋势数据就更有参考性了。

第二种作用：效果的日常趋势监测

数据给业务作为一个日常的趋势监测。我们每天需要看昨天的数据，可能包括：网站访问量、访问新用户数、注册数、订单数。注意都是high level数据，我们看它们的year over year, week over week对比。某一天有些不正常波动我们会需要找原因，可能的原因包括：某个表现好的渠道因某原因停止投放（转化数少了一大堆）、突然出现大量的作弊流量（转化率降低好多）、等。我们是看到昨天的high level波动后，才从各个渠道入手找原因。

如果你业务类似比如京东的，有超过几十万个商品，流量巨大，订单量巨大，波动起来还并不容易从high level中看到任何蛛丝马迹，更不要说要快速找到波动的原因了。大量的数据里，当中有好的渠道好表现，加上一些坏渠道混在一起，一年里真能蛮容易的混过去呢。因为大家看着high level（数据量也太大了），都不觉得出事了。当然做到精细些的程度后（要花一段时间累积完成的），我们给每个类目/只类目都单独出报告，每个类目自己的波动就容易看出来了，然后就能跟进去找原因。

所以不是单看high level，也不能太多报告，要适量的并适合的报告，程度到能给你尽快看出有波动问题的都是好报告。

第三种作用：营销渠道效果监测

给一个企业比较它的多种营销渠道的投放实施效果，比如投了这个广告能够给我带来多少收益。一般通过URL加一个（或多个）参数，二维码加个参数去监测考核渠道效果。尤其，当大部分的营销渠道是付费渠道，我们会需要知道每个渠道的效果，首先通过监测到的结果，可以把所有渠道按产出效果排序，这个反馈完全可以给以后继续做营销做决定，比如high level的话以后陆续去按效果去调整哪些渠道继续投放广告，哪些渠道砍预算，哪些渠道不投放了（因为我们的营销预算不可能是无限多的）。

下一步是当然需要使用得更细才真正起到做营销渠道优化的作用，比如搜索引擎广告做到监测到哪些关键词，哪些landing页面更有效，把效果差的部分砍预算或停止，甚至把所有能监测到的渠道的效果一起整理出归因分析报告（conversion attribution）。每个渠道就可以都按这样的思路去优化（其实就是持续调整预算，直到调整到一个合理的程度）。

这些数据/数据报告是运营个别渠道的一线人员平常必须要获得的，长期研究的。

第四种作用：细分出适合使用某商品的用户群

通过一段时间累积的用户行为数据，筛选出一批适合我们某个商品的用户群，给这批用户发推送。我们可以给所有用户都发推送，但这个粗暴的方式明显太没效率，而且本来不适合使用该商品的用户们可能会很反感的。

第五种作用：进行各种测试，目的是优化购物流程

测试，各种测试。其实有很多的，我顺便给两个例子。

比如：来一个活动，选一批用户，给她们测试两种（甚至多种）landing页面。监测各个landing页面的CTR（到下一张页面的点击率），进入购物车的用户百分比，购物成功的用户百分比，等。
比如：选一批用户，分成两半，给她们两种不同的订单填写页面，监测两种用户的购物成功百分比。

(2) 我们是否把数据分析太过神话化？

数据分析的前期、中期和后期

我并不清楚数据分析是否被太过神话化，但是我们知道的方法是这样的：

一个业务，前期靠行业经验、直觉。对的，你没看错，是直觉... 这里说的前期，可以理解为创业公司，这时期也没什么业务数据可以去给我们做分析。每天有的数据大概就是：订单数、收入、注册、用户访问次、等。
一个业务，中期后期靠数据累积，靠每天的业务报告（即：有波动的数据，无波动的数据），靠每次波动时都去挖一批数据出来了解情况。后期，业务和收入都稳定了，数据也累积一定量，报告也会已经做出了足够的维度(dimension)和指标(metrics)，到了这时候分析的频率才会提高。

不管是哪个阶段，也许外面碰到的大部分人都会说我们需要建大数据模型，需要建大数据模型的系统，需要大数据工程师，等。也许有一段时间，数据分析是被吹捧得太过神话化了。

我知道数据很重要，但它的作用有限

从一方面看：数据很重要，比如我们需要监测到每个渠道的效果去给负责每块渠道运营的一线人员进行KPI考核，需要通过效果数据给每个部门进行KPI考核。前提是我们需要先做数据采集和数据报告，才会有反馈数据，才能比较，才能考核。然后是，越精确的数据细度，能反应越多当前情况下的业务发展情况。
从另一方面看：在实际工作中我们经常发觉，通过数据能落实做到的事情其实也很有限，数据反馈了一些问题，但是这些问题产生的原因我们也知道（因为太明显了），但是这些问题产品、运营、UED、等，都解决不了的。比如，商品同质化过高（一大堆对手也跟你卖一摸一样的商品），大家变成只能主要在价格上有差异。你只有两种选择：你是要定价过高卖不出商品？还是定价过低亏本卖出商品？

接下来我们看两个例子。

例子1：商品同质化过高，价格太敏感

这个案例就是刚才提到的。大多数用户到我们的网站进行比价，看到网站上列表页的商品价格后就直接离开了。但运营有个从列表页到商品详情页CTR（点击率）的KPI指标，为了提升这个KPI指标的效果，有可能会把列表页上商品价格隐藏起来。另一个问题来了，从列表页点击到详情页的用户变多了，但到了详情页用户看过价格后还是离开。这种KPI指标设定可能有问题，但碰到这个场景，这样去进行调整/优化的话，对整个业务都没价值，对用户也没价值。

例子2：发现适合使用产品的用户群

当时C2C平台要做一个付费美化店铺的新产品，首先需要知道谁会是第一批最有可能为这个新产品付费，这平台就可以发信息推送给这群用户，大家看了很多数据后都没什么结果。但数据库里有个属性是“点击我的店铺次数”，产品经理就拍板决定不如就把推送发给这个值最高的一批人尝试，说不定成果的概率比较高，果然这种半拍脑袋半用现成属性数据的方式猜对了。主要原因是这个人群经常为了看自己的店铺而去点击“我的店铺”按钮，所以她们是最在意美化店铺形象的。