MBA財(cái)經(jīng)：為何你的大數(shù)據(jù)營銷結(jié)果不理想？

        互聯(lián)網(wǎng)的發(fā)展帶來了海量的廉價(jià)數(shù)據(jù)，也引發(fā)了關(guān)于大數(shù)據(jù)未來商業(yè)應(yīng)用前景的熱烈討論。然而，對于大數(shù)據(jù)的討論很多都流于概念的炒作，并沒有深入到數(shù)據(jù)的本質(zhì)，基于大數(shù)據(jù)的互聯(lián)網(wǎng)營銷與品牌管理，也遠(yuǎn)不像人們想象的那么容易。

隨著科技和互聯(lián)網(wǎng)的發(fā)展，我們現(xiàn)在擁有越來越多的數(shù)據(jù)?；ヂ?lián)網(wǎng)是個(gè)低成本的連接，大家可以在互聯(lián)網(wǎng)上自發(fā)的產(chǎn)生內(nèi)容、展開互動(dòng)，所以互聯(lián)網(wǎng)上的數(shù)據(jù)流動(dòng)性非常強(qiáng)。

當(dāng)我們看數(shù)據(jù)的時(shí)候，不僅要考慮數(shù)據(jù)量的豐富程度，同時(shí)也要考慮數(shù)據(jù)的流動(dòng)性和新穎程度。

互聯(lián)網(wǎng)是個(gè)交互的載體，所以我們通過數(shù)據(jù)可以發(fā)現(xiàn)很多可能的商業(yè)應(yīng)用前景?，F(xiàn)在對于大數(shù)據(jù)的討論有很多，但是我想說的一點(diǎn)是，很多有關(guān)大數(shù)據(jù)的討論僅是概念的炒作，并沒有真正深入到數(shù)據(jù)的本質(zhì)。

所以在開始之前，我想先舉幾個(gè)反例，而這幾個(gè)例子在很多書籍里面是作為經(jīng)典的開篇案例來被論述的。

從幾個(gè)“經(jīng)典”案例談起

谷歌在2009年推出了一款預(yù)測流感爆發(fā)的數(shù)據(jù)產(chǎn)品，原理是如果某個(gè)地方對流感相關(guān)的關(guān)鍵詞的搜索量如果突然增加，那么這里就可能爆發(fā)流感。2014年，一些科學(xué)家檢索了過去5年的預(yù)測結(jié)果，發(fā)現(xiàn)其中92%都是錯(cuò)的，而且很多大的流感并沒有預(yù)測到。

為什么會(huì)出現(xiàn)這樣高的錯(cuò)誤率?

因?yàn)榱鞲械谋l(fā)是很復(fù)雜的事，與人口密度、人口流動(dòng)、氣溫、飲食、衛(wèi)生條件等很多因素相關(guān)，而關(guān)鍵詞的搜索頻率提供的信息極其有限，用來預(yù)測很有可能出錯(cuò)。

還有一個(gè)案例很多人聽過，啤酒與尿布的故事，說美國的爸爸給小孩買尿布的時(shí)候會(huì)順便給自己買啤酒。但是，本人實(shí)際分析多套美國超市銷售數(shù)據(jù)后從未發(fā)現(xiàn)這兩個(gè)品類間有顯著的相關(guān)性。所以這也只是一個(gè)噱頭。

還有很多類似的討論或者炒作，因此希望大家可以更理性的去看。

中國的大數(shù)據(jù)產(chǎn)業(yè)

再回頭看國內(nèi)的數(shù)據(jù)產(chǎn)業(yè)。

雖然大數(shù)據(jù)話題已經(jīng)被討論了好幾年，但實(shí)際上基于數(shù)據(jù)的變現(xiàn)面還是比較狹窄的，遠(yuǎn)遠(yuǎn)沒有我們想象當(dāng)中的那么美好。

真正能用數(shù)據(jù)變現(xiàn)、賺錢的，大都集中在程序化廣告、精準(zhǔn)營銷、用戶畫像領(lǐng)域。其它的領(lǐng)域還是停留在概念階段，比如我們討論很多的消費(fèi)金融、大數(shù)據(jù)征信，實(shí)現(xiàn)的難度很大。

主要原因還是因?yàn)槿狈?shù)據(jù)——很難有一家公司、一個(gè)機(jī)構(gòu)，能把一個(gè)消費(fèi)者在生活各方面的消費(fèi)信息都收到，例如支付寶上的芝麻信用收集到的是你用支付寶時(shí)的交易記錄，而沒有財(cái)付通或者現(xiàn)金的交易信息。

所以說，在普遍缺數(shù)據(jù)的背景下，我們應(yīng)該理性的回歸到數(shù)據(jù)問題本身。這其中一個(gè)很重要的原因是，數(shù)據(jù)的標(biāo)準(zhǔn)化、規(guī)?；浅ｋy。

一套數(shù)據(jù)對一個(gè)人可能值10塊錢，對另外一個(gè)人就可能值10萬，因?yàn)閮蓚€(gè)人所處的角度不同，對數(shù)據(jù)的分析挖掘能力不同，提取價(jià)值的能力不同，有各種原因?qū)е聰?shù)據(jù)很難被標(biāo)準(zhǔn)化。缺乏標(biāo)準(zhǔn)就難以交易，缺乏交易就能成規(guī)模。

正確認(rèn)識數(shù)據(jù)的價(jià)值

在我看來，數(shù)據(jù)沒有直接的價(jià)值，數(shù)據(jù)不等于價(jià)值，數(shù)據(jù)到價(jià)值之前還有很長的一條路要走。

“大”數(shù)據(jù)本身是個(gè)非常模糊的命題。而且，數(shù)據(jù)本身是個(gè)科技范疇內(nèi)的東西，但在很多時(shí)候卻被當(dāng)成概念進(jìn)行炒作。

大數(shù)據(jù)的起點(diǎn)是業(yè)務(wù)數(shù)據(jù)化，終點(diǎn)是數(shù)據(jù)業(yè)務(wù)化，也就是說，最后能通過已有的數(shù)據(jù)產(chǎn)生新的業(yè)務(wù)點(diǎn)、現(xiàn)金流、利潤。這個(gè)過程不是一蹴而就的，大數(shù)據(jù)不是黑和白、零和一的過程。這是一個(gè)需要循序漸進(jìn)、逐漸積累內(nèi)功修煉的過程。

我們可以以一個(gè)金字塔的方式形容它。

首先是數(shù)據(jù)源，解決數(shù)據(jù)收集機(jī)制的問題。不同公司有不同渠道收集數(shù)據(jù)。數(shù)據(jù)收集這個(gè)事情想象空間非常大，絕對不僅限于那種比較傳統(tǒng)的財(cái)務(wù)數(shù)據(jù)、收銀臺的流水?dāng)?shù)據(jù)，或者GPS定位的數(shù)據(jù)，實(shí)際上可收集的數(shù)據(jù)有很多，我們應(yīng)該用發(fā)散性思維去想一想，到底怎么樣收集數(shù)據(jù)。

當(dāng)然最關(guān)鍵的還是要建立一套長效、低成本的數(shù)據(jù)收集機(jī)制。很多行業(yè)現(xiàn)在缺數(shù)據(jù)，為什么?關(guān)鍵在于沒有機(jī)制，或者說沒有跟終端市場互動(dòng)的機(jī)制。如果銷售都交給渠道，那自然沒有有效的數(shù)據(jù)收集。

數(shù)據(jù)有了，還要有效的管理起來?，F(xiàn)在有很多云計(jì)算、云服務(wù)的平臺，就是要幫你解決管理問題。但是我們需要明白一點(diǎn)，他們只負(fù)責(zé)你數(shù)據(jù)的存儲、計(jì)算等，不負(fù)責(zé)給你收集數(shù)據(jù)，也不負(fù)責(zé)給你分析數(shù)據(jù)、挖掘數(shù)據(jù)。他們負(fù)責(zé)的是基礎(chǔ)設(shè)施，那之上的數(shù)據(jù)業(yè)務(wù)還得公司自己打造。

數(shù)據(jù)分析能力：大數(shù)據(jù)的核心競爭力

很多時(shí)候數(shù)據(jù)的用處是完全靠你自己分析出來的，這套數(shù)據(jù)有沒有用很大情況下取決于你分析的能力怎么樣。所以，分析能力、挖掘能力、建模能力，是一個(gè)核心競爭力。

那具體來講，我們?yōu)槭裁匆治鰯?shù)據(jù)?

第一，大數(shù)據(jù)時(shí)代實(shí)際上是一個(gè)大噪音時(shí)代。

大家不要把大數(shù)據(jù)想得太美好，特別是當(dāng)你真要去做數(shù)據(jù)工作的時(shí)候。小數(shù)據(jù)時(shí)代，數(shù)據(jù)不多，能看出有趨勢就有趨勢，沒趨勢就沒趨勢。但是，數(shù)據(jù)量非常大的時(shí)候，當(dāng)你打開一套數(shù)據(jù)的時(shí)候，迎面而來的可能全是噪音。

數(shù)據(jù)越大，噪音越大，也越考驗(yàn)?zāi)愕臄?shù)據(jù)挖掘和分析能力。這個(gè)能力既是你的技術(shù)能力，同時(shí)也是你對市場的理解能力。要把兩者有效地結(jié)合起來，才有可能分析得好，預(yù)測得好。

第二，大數(shù)據(jù)不等于全部數(shù)據(jù)。

前幾年剛剛開始有大數(shù)據(jù)這個(gè)概念的時(shí)候，市場上有一個(gè)非常錯(cuò)誤的觀點(diǎn)，就是大數(shù)據(jù)時(shí)代我們不需要考慮抽樣了。這是非常錯(cuò)誤的。因?yàn)樵俅蟮臄?shù)據(jù)也還是一個(gè)樣本，所以你一定需要懂抽樣理論，了解在當(dāng)前的觀察樣本情況下，會(huì)對你的業(yè)務(wù)結(jié)果產(chǎn)生什么樣的影響。

第三，數(shù)據(jù)的外生性和內(nèi)生性。

數(shù)據(jù)本身并不一定能表達(dá)因果關(guān)系，很多時(shí)候它只是個(gè)相關(guān)性。相關(guān)性不影響預(yù)測，但影響決策。二者之間的關(guān)系需要謹(jǐn)慎把握。

案例：美高梅賭場的精準(zhǔn)營銷

舉一個(gè)賭場的例子。有一個(gè)大型的博彩集團(tuán)叫做美高梅集團(tuán)，在澳門、拉斯維加斯都有。

做賭場生意，關(guān)鍵是什么?人流，因?yàn)橘r率相對比較穩(wěn)定，只要有足夠的人流量，賭場賺錢。所以這個(gè)生意跟零售業(yè)很像，沃爾瑪做的也是人流量的生意。

對于賭場來講，他們的數(shù)據(jù)分析里面非常關(guān)鍵的一點(diǎn)就是引流和降低流失率，盡量提高客戶留存率。

賭博行業(yè)是一個(gè)市場競爭非常激烈的行業(yè)。開賭場的人太多了，像拉斯維加斯那條大街上面，很多家賭場，大大小小、金碧輝煌，賭場為了能夠更好地留住客戶，一般都不只是有賭場，還有餐飲、酒店、演出、購物等一站式服務(wù)。當(dāng)然其中肯定是賭博的利潤最大了，所以為了爭取客戶、留存客戶，精準(zhǔn)營銷是非常重要的。

賭場關(guān)注精準(zhǔn)營銷這么多年，他們現(xiàn)在要做的一個(gè)工作是，把原有的精準(zhǔn)營銷模型更進(jìn)一步地去優(yōu)化。其中很重要的一點(diǎn)是，我需要去量化我的促銷力度跟賭博總消費(fèi)之間的關(guān)系。

這個(gè)問題其實(shí)很復(fù)雜。原因有：

第一，數(shù)據(jù)很多很雜很亂。

第二，促銷的結(jié)果有時(shí)候因果是模糊的。

第三，賭客來賭場消費(fèi)，他的決策過程是很復(fù)雜的。我選擇你家賭場，可能不是因?yàn)槟慵屹€場有多好，可能是因?yàn)槟慵业娘埡贸裕赡苁且驗(yàn)槟慵业木频旰米?，可能是因?yàn)槟慵业难莩龊每础?/span>

還有一個(gè)非常復(fù)雜的問題是，新賭客越來越多，歷史上他們沒有出現(xiàn)過，怎么給他們做精準(zhǔn)營銷?

賭場使用的模型是很經(jīng)典的針對人流量生意的數(shù)據(jù)模型，叫RFM模型(Recency-Frequency-Monetary)。

Recency就是最近一次消費(fèi)的時(shí)間，時(shí)間越近你的價(jià)值越高;Frequency 也就是消費(fèi)頻率;Monetary就是你花的錢。但是你也可以看出，這樣也有一個(gè)問題，就是你沒有辦法區(qū)分天性豪賭和促銷敏感的人。

所以，他們的新模型就要解決這些類似的問題。那具體怎么解決?

剛才我們說到內(nèi)生性，實(shí)際上它就需要采取一種所謂的“差別中的差別”(difference in differences)的方法。

就是說，我需要在RFM分?jǐn)?shù)類似的這些人里面再去看你們之間的差別。因?yàn)橹挥蠷FM分?jǐn)?shù)相同的人，才有比較性。同時(shí)使用協(xié)同過濾等技術(shù)來解決新顧客問題，等等。

現(xiàn)在，我們有一個(gè)新的模型，但是萬一最后用起來不好呢?

這個(gè)時(shí)候要去做隨機(jī)實(shí)驗(yàn)，將部分顧客隨機(jī)分三組，分別使用新模型、老模型、無模型進(jìn)行精準(zhǔn)營銷。然后對比一下，哪個(gè)組的ROI(轉(zhuǎn)化率)更高，才能驗(yàn)證新模型到底好不好。

最后發(fā)現(xiàn)，的確是新模型更好，所以在2015年加上了一個(gè)新模型以后，他營銷的ROI提高了58%。

我們講數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)建模，實(shí)際上我們目的最終不是數(shù)據(jù)，而是希望通過數(shù)據(jù)理解背后產(chǎn)生數(shù)據(jù)的東西。

是什么產(chǎn)生了數(shù)據(jù)?人產(chǎn)生了數(shù)據(jù)。

我們總是希望通過數(shù)據(jù)，找一下背后人的行為和特征，然后基于這些去做數(shù)據(jù)的變現(xiàn)。

所以，數(shù)據(jù)分析的邏輯不是以數(shù)據(jù)預(yù)測數(shù)據(jù)，而是通過數(shù)據(jù)預(yù)測人，人再來產(chǎn)生新數(shù)據(jù)。我們必須關(guān)注產(chǎn)生數(shù)據(jù)的人，這才是數(shù)據(jù)分析的本質(zhì)。

任何的數(shù)據(jù)模型，都應(yīng)該考慮具體的業(yè)務(wù)場景和消費(fèi)者的微觀行為。好的大數(shù)據(jù)模型，一定是有好的技術(shù)，同時(shí)里面融入非常好的商業(yè)邏輯和經(jīng)驗(yàn)，這絕對不是個(gè)IT程序員能簡單解決的。

案例：社交網(wǎng)絡(luò)的大數(shù)據(jù)征信

最后討論一個(gè)金融消費(fèi)品的數(shù)據(jù)模型：社交網(wǎng)絡(luò)的大數(shù)據(jù)征信。

就是你希望通過在社交網(wǎng)絡(luò)上給一個(gè)人的信用打個(gè)分?jǐn)?shù)。這個(gè)很重要，因?yàn)楝F(xiàn)在要講消費(fèi)信貸、普惠金融，必須要對一個(gè)人的信用情況做一個(gè)判斷，做個(gè)人風(fēng)控，但是中國之前的個(gè)人信用評價(jià)系統(tǒng)相對比較簡單和落后。

現(xiàn)在我們希望跳出傳統(tǒng)的金融數(shù)據(jù)，拿到一些其它的數(shù)據(jù)。這個(gè)人的人際關(guān)系、朋友圈、心理狀態(tài)、生活狀態(tài)，可能對他的信用都是個(gè)很好的反映。那這些東西從哪來呢?現(xiàn)在是社交網(wǎng)絡(luò)時(shí)代，很有可能都是從社交網(wǎng)絡(luò)而來。所以，現(xiàn)在就有個(gè)很熱門的話題——社交網(wǎng)絡(luò)的征信。

這必然會(huì)涉及到社交網(wǎng)絡(luò)的征信模型。這里我們更多的不是要分析行業(yè)，而是怎么樣去社交網(wǎng)絡(luò)上進(jìn)行建立征信的數(shù)據(jù)模型。

社交網(wǎng)絡(luò)是特別復(fù)雜的，所以說，你要去社交網(wǎng)絡(luò)上給人的信用建立一個(gè)數(shù)學(xué)模型，首先得給社交網(wǎng)絡(luò)建立一個(gè)模型。

首先，你必須要能夠處理社交網(wǎng)絡(luò)的噪聲，社交網(wǎng)絡(luò)的噪聲是非常大的。

另外，假設(shè)有一天大規(guī)模實(shí)現(xiàn)了社交網(wǎng)絡(luò)征信，大家交朋友的方式也會(huì)隨之改變，這是內(nèi)生變化。我們也得把這個(gè)可能的內(nèi)生變化加入到數(shù)據(jù)模型里面去，讓整個(gè)過程自動(dòng)化。

要給社交網(wǎng)絡(luò)建立一個(gè)模型，我們就要想，人為什么要建立關(guān)系?人跟人之間為什么會(huì)形成社交關(guān)系?因?yàn)槿撕腿酥g的相似性。

我們用特定的統(tǒng)計(jì)模型模擬人和人的相似性。先有了這個(gè)社交網(wǎng)絡(luò)的模型，我們再去建征信的模型(課上有詳細(xì)討論，此處省略)。我們要考慮你的信用到底怎么樣?以及我對你的信用的判斷，準(zhǔn)確率怎么樣?比如說我判斷你信用非常好，但是我知道這個(gè)判斷的結(jié)果的誤差很大，那這樣的結(jié)果可能用處也不大，我需要的是一個(gè)誤差比較小的判斷。

如果我們采取了大規(guī)模的社交征信，實(shí)際上是放大了人跟人之間的差異。原先我可能跟這個(gè)人會(huì)成為朋友的，但現(xiàn)在因?yàn)橐餍帕?，我得?jǐn)慎了，所以我就不跟他成為朋友了。在放大了人跟人之間的差異的情況下，我們再去看最后的征信結(jié)果就會(huì)發(fā)現(xiàn)，這其實(shí)是個(gè)正循環(huán)(課上有詳細(xì)討論，此處省略)。一旦人交友更謹(jǐn)慎了，實(shí)際上數(shù)據(jù)質(zhì)量是更高了。

社交媒體數(shù)據(jù)征信建模在美國已經(jīng)實(shí)施，他們用的模型就是按這樣的思路來的。首先寫一個(gè)社交網(wǎng)絡(luò)的模型，然后再寫一個(gè)征信的模型，同時(shí)要考慮到產(chǎn)生征信以后，對社交結(jié)構(gòu)產(chǎn)生的影響。

你至少要把這三點(diǎn)寫進(jìn)去，才完成了一個(gè)基礎(chǔ)性的數(shù)據(jù)工作，這里面當(dāng)然還有很多問題我們可以去建立模型，比如弄虛作假、違約率、借款利息等等，所以這里面還有更多的拓展可以做。

最終我們想強(qiáng)調(diào)的一點(diǎn)是，數(shù)據(jù)的挖掘、建模與分析，是大數(shù)據(jù)營銷過程中的核心競爭力。這里面牽涉到非常高深的技術(shù)，而且也不能缺少對商業(yè)的洞察。這一切最后都落在既懂?dāng)?shù)據(jù)，又懂業(yè)務(wù)的數(shù)據(jù)數(shù)據(jù)BI科學(xué)家肩上。而當(dāng)下的中國很欠缺這方面的人才。