美国营销专家眼中成功数据分析的三个阶梯

随着数据时代的真正来临，努力维持现状几乎是每家企业都将面临的挑战。而今，如果大多数营销人员手中没有ipad或智能手机的话，那这个领域将是非常难以驾驭的。

畅游在数据的海洋

似乎大家都认可 海量且广泛的数据是获取商业价值的关键，而真正能够证实’数据驱动决策’的案例是鲜有的。

大数据所带来的亢奋，使得我们就像第一次去海滩的孩子，难以自控的在沙滩上奔跑、不停地跳进海水中。

我们在浅滩嬉戏扑打着，甚至渴望再游得深一点、远一点，直到第一波海浪将我们拍倒在地，才意识到数据海洋所彰显出的可怕和强大。

依据CMOs最近的一项调查，跑回海滩这一点也证实了我们目前所处的位置。许多营销人员畏缩了，他们使用仅有的数据，作为推测的依据。

自美元产生以来，营销人员便开始使用数据及复杂的数据运算，这已不是什么新闻。真正引起改变的，是对日益增多的数据来源和加速增长数据量的生成和收集工作。

即使你从网络、用户、社会、搜索、展览等处全面展开数据采集工作，再加上无数的遗产、线下和内部资源，在你还没有将所有数据集成完整的商业智能时，这个数据的采集过程会是最被质疑的。

许多公司发现他们只需在数据可视化的早期阶段，即可提出一个或成或败的整体观点和实际解决策略。少数公司仍坚持使用数据来解答难题，进行深入分析，或模拟未来。这些公司已ac经想出如何释放数据的能量，他们都通过三个阶梯来实现数据分析的成功：技术、商业、战略。

Technical Success技术的成功

这可能不是最有魅力的一层，但它绝对是地基。“我后来想了下，需要在网站的新版本上新添加一些JavaScript的实现”这样的话还经常能在计划会议上听到，所以数据收集通常成了马后炮。

CRM客户关系管理系统(Customer Relationship Management)是在一个真正孤立的环境下实现的，第一个版本发布后，应用程序需要在再次发布前重新分析解决方案，同一公司的不同成员以及他们的代理机构仍然不知道其他人正在收集哪些数据、如何收集的。难怪我们不相信我们的数据!

治理

通常情况下，抵达技术成功的第一阶梯不仅要靠技术本身，而是一种对制度的治理。随着数据在公司中的角色日渐成熟，它需要一个清晰和连贯的策略来管理各类参与者。如果没有高层领导的支持，没有团队培养费用的预算，没有制定明确的适用范围和目标，那么单纯购买最昂贵的工具，只能是通往失败的昂贵之路。

试着将各个利益关联者都绑定在一起，大家在同一个房间里，在白板上描绘出便于整个公司进行数据收集的各种系统和工具，一起讨论——谁能进行网站分析?你们机构是如何共享数字媒体数据的?营销部门和IT部门如何一起工作?

将大家进行角色和职责的分工，提供一份说明框架的文档，并建立一个内部卓越中心或数字分析部门，以聚集各个利益关联者定期开会，保持项目步入正轨。

集成数据堆栈

一旦大家都在同一个维度上，彼此也都知道各自所负责的内容，这就是时候全员一起看看完整的数据堆栈了。

这个过程开始于清晰的商业目标制定和筹划，需要数据来驱动并反推衡量成败的KPI。这将随着时间的推移而演变成一个真正的度量模型，在业务、客户群体和导购员间进行分层结构化分析。

但是，为了以上内容能够全部实现，我们需要确保我们通过正确的方式收集正确的数据。这意味着描绘出你的堆栈、记录数据的来源以及如何将这些设置集成在一起。

可能，你需要一些可视化报告，如来自实体销售网点的线下客户数据分析，呼叫中心和后端CRM客户关系管理系统(Customer Relationship Management)以及DMP数据管理平台(Data-Management Platform)的数据，公司购买的第三方数据报告，甚至网站和手机应用的各种数据表现。

将技术、工具和解决方案进行统一筹划是找出数据集之间关键的第一步，ETL数据抽取、转换和加载(Extract-Transform-Load)和数据清理，有效数据采集和标签管理，有效存储和访问数据集的各种工具和技术。

技术层已不再是复制和粘贴JavaScript，投入到今天复杂的数据垂直领域，当激活数据时，正是投资回报最大的时候。

商业的成功

一旦你拥有了自己所需要的数据，并且值得信任，那就上升到业务层面了，有正确的人正确的数据——在正确的时间以正确的格式辅助作出正确的决策。

一场进化

在我印象中，很久以前一位分析师来办公室找我，不断地解释他们是怎样将一份150页的PDF错误报告发送给了客户。那份报告中的每一条数据都标注出了具体来源，清晰的展示着我们的公司抬头，以及客户(错误的)的logo。为了这个错误，我们一直在等一个可能随时解雇我们的电话;但事实是，这个电话始终都没有来。

为什么?因为从来没有人打开过这份报告。这150页的PDF报告根本没有任何价值，虽然为了它我们曾对着一页页的原始数据或一排排50字节的Excel文档来导入数据，艰苦的获取并推导出了网站访问量、平均访问时长，以及转化率等等，就是为了告诉我们的客户，“在这里，有你要的答案。“

事实是，人们更关心他们公司和业务的目标。在战略会议上，我还没有听过任何人讲，“你知道我们今年的数字营销的业绩吗?是跳出率比较低。”

使用相同的语言

通过数据，公司成功的找到了一种将其转化为自己公司语言的方式。我一直在问：“什么是好的转化率?”很多时候，我条件反射木讷地回答“介于0-100%之间。”

我终于意识到，这样的问题只会换得一个让人绝望的回答，“那怎样将这个指标转化为我真正所关心的问题呢?”

事实上，我们所关心的问题远远大于一个指标，比如销售、利润、增长、效率——同样的这些问题，早在我们关注互联网之前就已经出现了。指标的应用更多应该在幕后，为了指定的业务目标而导出的衡量成败的KPI。

用可视化数据来衡量成功并做出决定

“就我自己而言，怎样将我下一笔社会化营销费用花在研究阶段中的X产品，影响这一漏斗最好的办法是什么?

不幸的是，我见过的任何”罐装”报告中从未出现过这样的标题，而能明确的做法是找出密码并登录到一打系统上，然后花几个小时筛选报告和数据集，虽然低效但不为是一个有用的方法。

数据可视化能够帮助我们从噪声中区分出正确的信号。例如，我们开发的评分系统，收集不同来源的各种原始指标，将它们清晰地可视化呈现出来，以帮助各级决策。

一目了然且高层次的表格，如下：

当底层数据集和逻辑关系极其复杂时，最终的结果可以清晰的呈现出，并帮助管理者们决定他们需要将精力集中投入到哪里。

对于那些需要更深入分析的数据，不同级别粒度的不同可视化同样可以表面特定物品同样明显。不管你是否需要数据驱动决策，像面板仪表盘数据可视化工具Klipfolio或商业智能工具软件Tableau都可以连接到不同的数据源，展示出清晰的图表。

我们那150页的PDF报告，在你的收件箱中走了很长的路!

战略的成功

数据在最后一层的应用上，就不那么直接可衡量你目前所做的事和决策的及时性了，更多是关于未来的计划。

再强调一次，这一层比网络存在了更长的时间。但是伴随着存储空间和计算能力的进步，我们所收集的数据量和类型每时每刻都在成倍增长，已然上升到大数据的时代。因此，战略层面需要依靠传统和新兴数据科学共同来解答难题。

由框架来驱动

如果你已经创建并迭代了测评框架，你就会拥有一个基础优先和驱动的数据来回答问题。在每个路口或新的业务目标，你都会有一个学习议程计划和必要的分析计划。

假设您正在运行一个电子商务部门，其中一组确定为一个在线的“购物窗口”，销售一个特定的产品线。

你已经定义了这部分，建立报告和仪表盘来提供图表图片，关于他们在做什么，甚至你是如何通过营销渠道和内容来影响这个群体的;但最终，你留下匿名访问者的盲点步骤完成实体店的购买过程。

在这一点上，我们可以构建模型，来帮助我们理解线上线下购物意图之间的联系;更重要的是，对于这些高价值在线购物行为的监测可以直接指导我们未来的努力方向。

也许你已经注意到，尽管你健身房的报名人数比以往任何时候都多，但你的年度财报显示收入还是下降的。这是一个很好的开始，因为你已经开始思考客户的价值到底有多大。是什么造就出一个高价值的客户，我可以根据第一个月的会员关系来预计未来的规模吗?我的营销目标应该锁定在哪里，找到的不仅仅是新客户，而是适合这里的新客户?

在这一点上，我们可以执行价值层次归类、生命周期价值分析，并通过建模来帮助我们预测最有效的营销渠道组合来吸引目标人群。

当然，这些都只是两个例子，还有很多问题可以通过深入分析、建模和预测来回答。在评测框架的指导下,你可以优先考虑相关的商业机会和价值，不断地根据数据来提高业务目标。

成功数据分析的三阶梯可以带给我们什么?

不幸的是，数字分析成熟度曲线从底部到顶部并没有魔法气球可以搭乘。每一层阶梯都需要先抵达前面一层，所以最好的下一步是用在你目前所在的这些层。

你的公司是否依据数据和分析制定了明确的目标和管理?你收集到的那些你需要的数据，它足够准确吗?如果不是，可能要在技术层多做一些工作和改进。

你的利益关联者是通过报告、仪表盘和可视化数据来驱动他们的决策吗?他们的生活可以离开这些吗?你知道哪些趋势可以提高公司的业务目标吗?如果答案是否定的，在业务层可能蕴藏着巨大的商业价值。

你的公司是否有一个结构化的方法进行深入分析，可以提出和回答高价值和战略的问题?战略层的数据应用可以为您指引未来的机会所在。

永无止境的循环

最后，重要的是要了解你的公司及公司周围不断发展和变化的环境。不可避免的，你会经常做一些IT项目继续巩固数据源或部署一个新买的插件。

业务目标的改变，有可能会改变和影响之前根据仪表板和数据做出的战略决策，新的技术将会影响不同类型和水平的报告分析。

以上这些可能势不可挡，但所有的都放在构造层次和重点会有所帮助。当涉及到利用数据来驱动你的目标，风险越来越大，和问题“我们要从哪里开始?”的答案往往只是“开始!”