两个反例、两个案例，弄懂为么你的大数据营销结果不睬想

7wu1wm0

互联网的发展带来了海量的低价数据，亦诱发了关于大数据将来商场应用前景的热烈讨论。然而，针对大数据的讨论非常多都流于概念的炒作，并无深入到数据的本质，基于大数据的互联网营销与品牌管理，亦远不像人们想象的那样容易。

作 者 | 李洋

来 源 | 长江创创社区（CKGSB_Chuang）

随着科技和互联网的发展，咱们此刻持有越来越多的数据。互联网是个低成本的连接，大众能够在互联网上自发的产生内容、展开互动，因此互联网上的数据流动性非常强。

当咱们看数据的时候，不仅要思虑数据量的丰富程度，同期亦要思虑数据的流动性和新颖程度。

互联网是个交互的载体，因此咱们经过数据能够发掘非常多可能的商场应用前景。此刻针对大数据的讨论有非常多，然则我想说的一点是，很多相关大数据的讨论仅是概念的炒作，并无真正深入到数据的本质。

因此在起始之前，我想先举几个反例，而这几个例子在非常多书籍里面是做为经典的开篇案例来被论述的。

从几个“经典”案例谈起

谷歌在2009年推出了一款预测流感爆发的数据制品，原理是倘若某个地区对流感关联的关键词的搜索量倘若忽然增多，那样这儿就可能爆发流感。2014年，有些专家检索了过去5年的预测结果，发掘其中92%都是错的，况且非常多大的流感并无预测到。

为何会显现这般高的错误率？

由于流感的爆发是很繁杂的事，与人口密度、人口流动、气温、膳食、卫生要求等非常多原因关联，而关键词的搜索频率供给的信息极其有限，用来预测特别有可能出错。

还有一个案例非常多人听过，啤酒与尿布的故事，说美国的爸爸给小孩买尿布的时候会顺便给自己买啤酒。然则，自己实质分析多套美国超市营销数据后从未发掘这两个品类间有明显的关联性。因此这亦只是一个噱头。

还有非常多类似的讨论或炒作，因此呢期盼大众能够更理性的去看。

中国的大数据产业

再回头看国内的数据产业。

虽然大数据专题已然被讨论了好几年，但实质上基于数据的变现面还是比较狭窄的，远远无咱们想象其中的那样美好。

真正能用数据变现、挣钱的，大都集中在程序化宣传、精细营销、用户画像行业。其它的行业还是停留在概念周期，例如咱们讨论非常多的消费金融、大数据征信，实现的难度很大。

重点原由还是由于缺乏数据——很难有一家机构、一个公司，能把一个消费者在生活各方面的消费信息都收到，例如支付宝上的芝麻信用收集到的是你用支付宝时的交易记录，而无财付通或现金的交易信息。

因此说，在广泛缺数据的背景下，咱们应该理性的回归到数据问题本身。这其中一个很重要的原由是，数据的标准化、规模化非常难。

一套数据对一个人可能值10块钱，对另一一个人就可能值10万，由于两个人所处的方向区别，对数据的分析挖掘能力区别，提取价值的能力区别，有各样原由引起数据很难被标准化。缺乏标准就难以交易，缺乏交易就能成规模。

正确认识数据的价值

在我看来，数据无直接的价值，数据不等于价值，数据到价值之前还有很长的一条路要走。

“大”数据本身是个非常模糊的命题。况且，数据本身是个科技范畴内的东西，但在非常多时候却被当成概念进行炒作。

大数据的起点是业务数据化，终点是数据业务化，亦便是说，最后能经过已有的数据产生新的业务点、现金流、利润。这个过程不是一蹴而就的，大数据不是黑和白、零和一的过程。这是一个需要循序渐进、逐步累积内功修炼的过程。

咱们能够以一个金字塔的方式形容它。

首要是数据源，处理数据收集机制的问题。区别机构有区别途径收集数据。数据收集这个事情想象空间非常大，绝对不仅限于那种比较传统的财务数据、收银台的流水数据，或GPS定位的数据，实质上可收集的数据有非常多，咱们应该用发散性思维去想一想，到底怎么样收集数据。

当然最关键的还是要创立一套长效、低成本的数据收集机制。非常多行业此刻缺数据，为何？关键在于无机制，或说无跟终端市场互动的机制。倘若营销都交给途径，那自然无有效的数据收集。

数据有了，还要有效的管理起来。此刻有非常多云计算、云服务的平台，便是要帮你处理管理问题。然则咱们需要明白一点，她们只负责你数据的存储、计算等，不负责给你收集数据，亦不负责给你分析数据、挖掘数据。她们负责的是基本设备，那之上的数据业务还得机构自己打造。

数据分析能力：大数据的核心竞争力

非常多时候数据的用处是完全靠你自己分析出来的，这套数据有无用很大状况下取决于你分析的能力怎么样。因此，分析能力、挖掘能力、建模能力，是一个核心竞争力。

那详细来讲，咱们为什么要分析数据？

第1，大数据时代实质上是一个大噪音时代。

大众不要把大数据想得太美好，尤其是当你真要去做数据工作的时候。小数据时代，数据不多，能看出有趋势就有趋势，没趋势就没趋势。然则，数据量非常大的时候，当你打开一套数据的时候，迎面而来的可能全是噪音。

数据越大，噪音越大，亦越考验你的数据挖掘和分析能力。这个能力既是你的技术能力，同期亦是你对市场的理解能力。要把两者有效地结合起来，才有可能分析得好，预测得好。

第二，大数据不等于所有数据。

前几年刚才起始有大数据这个概念的时候，市场上有一个非常错误的观点，便是大数据时代咱们不需要思虑抽样了。这是非常错误的。由于再大的数据亦还是一个样本，因此你必定需要懂抽样理论，认识在当前的观察样本状况下，会对你的业务结果产生什么样的影响。

第三，数据的外生性和内生性。

数据本身并不必定能表达因果关系，非常多时候它只是个关联性。关联性不影响预测，但影响决策。二者之间的关系需要小心把握。

案例：美高梅赌场的精细营销

举一个赌场的例子。有一个大型的博彩集团叫做美高梅集团，在澳门、拉斯维加斯都有。

做赌场生意，关键是什么？人流，由于赔率相对比较稳定，只要有足够的人流量，赌场挣钱。因此这个生意跟零售业很像，沃尔玛做的亦是人流量的生意。

针对赌场来讲，她们的数据分析里面非常关键的一点便是引流和降低流失率，尽可能加强客户留存率。

赌博行业是一个市场竞争非常激烈的行业。开赌场的人太多了，像拉斯维加斯那条大街上面，非常多家赌场，大体积小、金碧辉煌，赌场为了能够更好地留住客户，通常都不只是有赌场，还有餐饮、酒店、演出、购物等一站式服务。当然其中肯定是赌博的利润最大了，因此为了争取客户、留存客户，精细营销是非常重要的。

赌场关注精细营销这么数年，她们此刻要做的一个工作是，把原有的精细营销模型更进一步地去优化。其中很重要的一点是，我需要去量化我的促销力度跟赌博总消费之间的关系。

这个问题其实很繁杂。原由有：

第1，数据非常多很杂很乱。

第二，促销的结果有时候因果是模糊的。

第三，赌客来赌场消费，他的决策过程是很繁杂的。我选取你家赌场，可能不是由于你家赌场有多好，可能是由于你家的饭好吃，可能是由于你家的酒店好住，可能是由于你家的演出好看。

还有一个非常繁杂的问题是，新赌客越来越多，历史上她们无显现过，怎么给她们做精细营销？

赌场运用的模型是很经典的针对人流量生意的数据模型，叫RFM模型（Recency-Frequency-Monetary）。

Recency便是近期一次消费的时间，时间越近你的价值越高；Frequency 亦便是消费频率；Monetary便是你花的钱。然则你亦能够看出，这般亦有一个问题，便是你无办法区分天性豪赌和促销敏锐的人。

因此，她们的新模型就要处理这些类似的问题。那详细怎么处理？

刚才咱们说到内生性，实质上它就需要采取一种所说的“差别中的差别”（difference in differences）的办法。

便是说，我需要在RFM分数类似的这些人里面再去看你们之间的差别。由于仅有RFM分数相同的人，才有比较性。同期运用协同过滤等技术来处理新顾客问题，等等。

此刻，咱们有一个新的模型，然则万一最后用起来欠好呢？

这个时候要去做随机实验，将部分顾客随机分三组，分别运用新模型、老模型、无模型进行精细营销。而后对比一下，哪个组的ROI（转化率）更高，才可验证新模型到底好欠好。

最后发掘，的确是新模型更好，因此在2015年加上了一个新模型以后，他营销的ROI加强了58%。

咱们讲数据分析、数据挖掘、数据建模，实质上咱们目的最后不是数据，而是期盼经过数据理解背面产生数据的东西。

是什么产生了数据？人产生了数据。

咱们总是期盼经过数据，找一下背面人的行径和特征，而后基于这些去做数据的变现。

因此，数据分析的规律不是以数据预测数据，而是经过数据预测人，人再来产生新数据。咱们必须关注产生数据的人，这才是数据分析的本质。

任何的数据模型，都应该思虑详细的业务场景和消费者的微观行径。好的大数据模型，必定是有好的技术，同期里面融入非常好的商场规律和经验，这绝对不是个IT程序员能简单处理的。

案例：社交网络的大数据征信

最后讨论一个金融消费品的数据模型：社交网络的大数据征信。

便是你期盼经过在社交网络上给一个人的信用打个分数。这个很重要，由于此刻要讲消费信贷、普惠金融，必须要对一个人的信用状况做一个判断，做个人风控，然则中国之前的个人信用评估系统相对比较简单和落后。

此刻咱们期盼跳出传统的金融数据，拿到有些其它的数据。这个人的人际关系、伴侣圈、心理状态、生活状态，可能对他的信用都是个很好的反映。那这些东西从哪来呢？此刻是社交网络时代，特别有可能都是从社交网络而来。因此，此刻就有个很热门的专题——社交网络的征信。

这必然会触及到社交网络的征信模型。这儿咱们更加多的不是要分析行业，而是怎么样去社交网络上进行创立征信的数据模型。

社交网络是尤其繁杂的，因此说，你要去社交网络上给人的信用创立一个数学模型，首要得给社交网络创立一个模型。

首要，你必须要能够处理社交网络的噪声，社交网络的噪声是非常大的。

另一，假设有一天大规模实现了社交网络征信，大众交伴侣的方式亦会随之改变，这是内生变化。咱们亦得把这个可能的内生变化加入到数据模型里面去，让全部过程自动化。

要给社交网络创立一个模型，咱们就想要，人为何要创立关系？人跟人之间为何会形成社交关系？由于人和人之间的类似性。

咱们用特定的统计模型模拟人和人的类似性。先有了这个社交网络的模型，咱们再去建征信的模型（课上有仔细讨论，此处省略）。咱们要思虑你的信用到底怎么样？以及我对你的信用的判断，准确率怎么样？例如说我判断你信用非常好，然则我晓得这个判断的结果的误差很大，那这般的结果可能用处亦不大，我需要的是一个误差比较小的判断。

倘若咱们采取了大规模的社交征信，实质上是放大了人跟人之间的差异。原先我可能跟这个人会作为伴侣的，但此刻由于要征信了，我得小心了，因此我就不跟他作为伴侣了。在放大了人跟人之间的差异的状况下，咱们再去看最后的征信结果就会发掘，这其实是个正循环（课上有仔细讨论，此处省略）。一旦人交友更小心了，实质上数据质量是更高了。

社交媒介数据征信建模在美国已然实施，她们用的模型便是按这般的思路来的。首要写一个社交网络的模型，而后再写一个征信的模型，同期要思虑到产生征信以后，对社交结构产生的影响。

你最少要把这三点写进去，才完成为了一个基本性的数据工作，这儿面当然还有非常多问题咱们能够去创立模型，例如弄虚作假、违约率、借款利息等等，因此这儿面还有更加多的拓展能够做。

最后咱们想强调的一点是，数据的挖掘、建模与分析，是大数据营销过程中的核心竞争力。这儿面牵涉到非常高深的技术，况且亦不可缺少对商场的洞察。这一切最后都落在既懂数据，又懂业务的数据数据BI专家肩上。而当下的中国很欠缺这方面的人才。

END

*本文按照长江商学院市场营销学副教授李洋博士在创创公社课堂上的分享整理，有删节

wrjc1hod

楼主节操掉了，还不快捡起来！

m5k1umn

楼主的文章深得我心，表示由衷的感谢！