大数据的未来—大数据2.0
大数据的未来不是数值,而是提出更深层次的问题并找出消费者做决策的原因。今天,客户经常问关于大数据的未来,下一步是什么,我们如何利用数据在更深的层面提取有意义的消费者信息来超越我们现在的程度?最标准的答案是从比以往更 多的设备上实时获取数据和分析的能力。的确, 通过家庭,穿着,汽车我们可以收集海量的数据,但是这仅仅只是目前方法的延伸。
数字vs情绪
现在大部分的数据收集都是数值或二进制。数据告诉我们如果有人进入到一个网站,浏览到什么程度 ,多长时间,关注点在哪,但数据没有告诉我们为什么。我相信大数据的未来,大数据2.0——不是关于二进制和数值,而是提出更深层次的问题。大数据2.0 应该不仅是关注于在哪和什么,而且也关注回答为什么。大数据2.0应该关注于更好的理解消费者的情绪状态和决策逻辑,从而提供更深入的理解消费者的选择。 如果我们关注于原因,而不是多久,我们可以在消费者和品牌之间创建更有意义、更高质量的联系。换句话说,虽然数据是一个伟大的性能指标,但是只关注他们就 意味着品牌会错失一部分人性因素。
以亚马逊数据为例。亚马逊拥有海量的数值指标。其数据可以告诉我们销售数量,客户参与度和客户满意度。这些都是伟大的指标,但他们仍然非常简单,并且只是一小部分。
假设我们是一家消费品公司,我们想引入一个新的尿布产品进入市场。我们决定看看亚马逊为了更好地理解哪些产品是市场领袖(销售排名和销售数量),消费者喜 欢产品本身的程度(评论)。如果我们在所有尿布产品中分析这些指标,我们有一个大数据1.0图片,告诉我们到底是谁卖的最多,消费者最喜欢的是什么。然而 在大数据2.0中这是不够的,大数据2.0需要知道原因:为什么这个产品卖的最多?为什么它有5星评价?
解决方案
对我们来说, 开始创建大数据2.0最容易的方法是每天收集非结构化数据。这可以是评论、客户反馈电子邮件、社区论坛,甚至是自己的CRM系统。着眼于这个数据最简单的方法是通过文本分析。
文本分析是一个相当简单的过程:
1、收集:收集要分析的原始数据;
2、转换和预处理:转换数据的格式,让它更容易阅读;
3、改进:通过添加额外的数据点优化数据;
4、加工:进行具体分析和数据分类;
5、频数分析:评估结果并转化成数值指标;
6、获取:实际提取信息。
这是一个使用上述方法的真实应用。我们试图了解尿布市场。假设我们已经收集了所有尿布的评论以及它们的定性指标。这意味着我们知道什么最好卖,什么排名最 好/最差。为了在下一层里采用这些,我们将开始从评论中提取词汇和短语。这会告诉我们一些重复出现的信息及评论的频数分析。实际上执行这个分析通过评估成 千上万的评论并且发现四个可行的见解。没有文本分析,我们不会得到这些。
1、为什么销售得那么好
当看着最畅销产品的评论,发现在大多数有用的评论中提到最多的关键词是“价格”“特点”和“价值”。这告诉我们,除了产品的定价,人们不买它也因为它的质量和功能特点。所以当我们推出我们的产品,我们会注意价格/价值导向,而不仅仅是功能特点。
2、为什么人们不喜欢它
这是一个很有启迪作用的问题。最多负面评论的品牌有极高频率的关键词“胶带”,“粘贴”,“保持关闭,”和“打开”。在一些读取后,消费者在尿布的通常关 键性特征如“吸收性”,“泄漏”,或“柔软”,上没有问题,但实际上对尿布一面的胶带,和它保持打开状态上有问题。大量的负面评论提到这些问题让我们相 信,这是一个特性,品牌不注意但消费者关心。因此,我们建议采取测试广告,解决这一问题。
3、智能过滤
这里有一个有趣的问题,很多负面评论并不是关于实际的产品,而是关于物流、库存和包装的问题。通过标记和删除这些设置,可以在纯粹的产品层面做出评价为了 相关产品的关注点。如果我们在亚马逊展示我们的尿布,我们建议在页面显著位置上增加物流和库存水平保证——这是一个竞争优势,直接消除消费者的担忧。
4、他们想要什么
从研发的角度来看,这是一个黄金观点。通过评估审查一些关键词像“我希望”,“希望”或“他们应该”,我们能够发觉消费者的共同特点当他们寻找尿布的时 候。这些都是伟大的见解,解决消费者不断变化的需要。我们可以将这些产品特性提供给研发团队以及广告文案。
正如你所看到的, 仅仅只是在亚马逊分析尿布的种类,大数据2.0的分析就超过了二进制性能指标。我们可以看到人群的最爱,但还不知道购买背后的“为什么”, 直到运用了文本分析才了解正面或负面评论。有无数的消费者信息可以从文本挖掘,非结构化数据带给我们消费者的声音,动机,和购买行为的深层理解。
开始着眼于现有的数据,导出CRM,检查评论,网站或在主题论坛提到的产品,甚至是销售部门的电子邮件收件箱。这是大数据2.0的时代。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
“最近复购率一直在下降,我们的营销力度不小啊,为什么用户还是走了?” “是不是广告投放的用户质量不高?还是我们的产品问题 ...
2025-02-21以下文章来源于数有道 ,作者数据星爷 SQL查询是数据分析工作的基础,也是CDA数据分析师一级的核心考点,人工智能时代,AI能为 ...
2025-02-19在当今这个数据驱动的时代,几乎每一个业务决策都离不开对数据的深入分析。而其中,指标波动归因分析更是至关重要的一环。无论是 ...
2025-02-18当数据开始说谎:那些年我们交过的学费 你有没有经历过这样的场景?熬了三个通宵做的数据分析报告,在会议上被老板一句"这数据靠 ...
2025-02-17数据分析作为一门跨学科领域,融合了统计学、编程、业务理解和可视化技术。无论是初学者还是有一定经验的从业者,系统化的学习路 ...
2025-02-17挖掘用户价值本质是让企业从‘赚今天的钱’升级为‘赚未来的钱’,同时让用户从‘被推销’变为‘被满足’。询问deepseek关于挖 ...
2025-02-17近来deepseek爆火,看看deepseek能否帮我们快速实现数据看板实时更新。 可以看出这对不知道怎么动手的小白来说是相当友好的, ...
2025-02-14一秒精通 Deepseek,不用找教程,不用买资料,更不用报一堆垃圾课程,所有这么去做的,都是舍近求远,因为你忽略了 deepseek 的 ...
2025-02-12自学 Python 的关键在于高效规划 + 实践驱动。以下是一份适合零基础快速入门的自学路径,结合资源推荐和实用技巧: 一、快速入 ...
2025-02-12“我们的利润率上升了,但销售额却没变,这是为什么?” “某个业务的市场份额在下滑,到底是什么原因?” “公司整体业绩 ...
2025-02-08活动介绍 为了助力大家在数据分析领域不断精进技能,我们特别举办本期打卡活动。在这里,你可以充分利用碎片化时间在线学习,让 ...
2025-02-071、闺女,醒醒,媒人把相亲的带来了。 我。。。。。。。 2、前年春节相亲相了40个, 去年春节相亲50个, 祖宗,今年你想相多少个 ...
2025-02-06在数据科学的广阔领域中,统计分析与数据挖掘占据了重要位置。尽管它们常常被视为有关联的领域,但两者在理论基础、目标、方法及 ...
2025-02-05在数据分析的世界里,“对比”是一种简单且有效的方法。这就像两个女孩子穿同一款式的衣服,效果不一样。 很多人都听过“货比三 ...
2025-02-05当我们只有非常少量的已标记数据,同时有大量未标记数据点时,可以使用半监督学习算法来处理。在sklearn中,基于图算法的半监督 ...
2025-02-05考虑一种棘手的情况:训练数据中大部分样本没有标签。此时,我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额 ...
2025-02-04一、数学函数 1、取整 =INT(数字) 2、求余数 =MOD(除数,被除数) 3、四舍五入 =ROUND(数字,保留小数位数) 4、取绝对值 =AB ...
2025-02-03作者:CDA持证人 余治国 一般各平台出薪资报告,都会哀嚎遍野。举个例子,去年某招聘平台发布《中国女性职场现状调查报告》, ...
2025-02-02真正的数据分析大神是什么样的呢?有人认为他们能轻松驾驭各种分析工具,能够从海量数据中找到潜在关联,或者一眼识别报告中的数 ...
2025-02-01现今社会,“转行”似乎成无数职场人无法回避的话题。但行业就像座围城:外行人看光鲜,内行人看心酸。数据分析这个行业,近几年 ...
2025-01-31