《大數據玩行銷》2：要如何提高數據預測的精準度
閱讀時間約 6 分鐘
一、從〝目標〞倒推，〝找出〞相符的資料
怎麼樣的人最容易買單呢？
ー ー 有迫切需求的人通常最容易快速交易成功
這本書講到的第一個關鍵字〝大數據〞，所以我們先從先從大數據的特徵說起：
- 首先，大數據要求數據量大。
- 其次，大數據需要具有多維度的特徵，而且各個維度最好是正交的。
- 大數據第三個重要特徵，是數據的完備性。
- 在一些場景下的實時性。
我們知道這些特徵之後，接來下就是要切入我們的本書的重點：「精準數據的行銷」。然而什麼是〝精準〞呢？我們先來定義一下，精準行銷的目的是先找出〝正好有需求且迫切的人〞。
舉例來說，假如我們想要去賣房子，如果我能找出〝正好想要買房子〞的人，那售出房子的機率就高出非常多了；另一方面，還提到了〝迫切〞，加入時間的概念，愈有迫切需求的人，通常更容易下決定買單，所以我們的目的就是〝精準〞找出這一批〝有迫切需求〞的人。
說的很簡單，但做起來倒是真的不容易，我們要怎麼找出剛好有需求的人呢？這是我們每個行銷人最終的追求目標；這也是我們這一講要講的主題和重點。
我們的目標很明確，就是〝精準〞找出這一批〝有迫切需求〞的人。但我們要怎麼提高〝精準度〞呢？要能精準判斷的前提就是，找出到〝更多維度的關鍵資料〞來做判斷。
在這邊提到兩個關鍵字：更多的〝關鍵資料〞和〝維度〞。我們下面一一來做說明。
■ 〝更多的關鍵資料〞
今天大部分人所理解的大數據，是從大量的、看似雜亂無章的數據點，總結出原來找不到的相關性。在這個過程中各種數據如同百川入海一般匯聚到一起，但這些數據如果不懂得去聚焦找到其規律性，則就失去了其意義性，所以首先我們要做的就是找出〝關鍵資料〞。
什麼是關鍵資料？要有關鍵資料之前，我們就必須要先懂的去〝設定目標〞；沒有目標，就不會有所謂的關鍵數據，然而這一步非常重要，很多人卻忽略了這一步，只認為只要〝透過分析模型〞找出自己沒發現的規律即可，導致大數據能幫助的跟你目標未能結合，而失去了它的最大作用。
舉例來說，我們想要知道〝A 會員什麼時候會在去超市買東西〞，這時候 A 會員曾經在〝超市〞買過的記錄，就是一個很好的關鍵資料；其次，A 會員去超市的〝頻率〞也是一個重要的關鍵資料。我們簡單將幾個重要的關鍵資料〝梳理〞一下。
- A 會員在超市買過：水果、蔬菜、衛生紙。
- A 會員每兩個月會買一次衛生紙。
- A 會員通常在有特價促銷的時候，會再去逛超市。
- A 會員在重要節日的時候，也會去超市採買。
以上這些資料一出來，我們行銷人員其實就很好去為 A 會員制定一個模型，所以一旦清楚我們的目標之後，我們就比較清楚自己需要哪一方面的資料，當然這些資料量愈大、愈即時，其加權就會更高、更好。
■ 〝更多維度的資料〞
接下來講到數據分析，就免不了必須要談到〝維度 ( 面向 )〞的問題，這個是訊息論很重要的一個部份，儘管維度非常的重要，但卻很多人忽略了這一點，導致資料量雖然大，但效益卻不大。
我們一樣以上例來說，假設我們只有蒐集到一個維度的資料，我們先把「時間」維護給拿掉，則資料如下：
接下來講到數據分析，就免不了必須要談到〝維度 ( 面向 )〞的問題，這個是訊息論很重要的一個部份，儘管維度非常的重要，但卻很多人忽略了這一點，導致資料量雖然大，但效益卻不大。
我們一樣以上例來說，假設我們只有蒐集到一個維度的資料，我們先把「時間」維護給拿掉，則資料如下：
- A 會員在超市買：水果、蔬菜、衛生紙、肉 … 等等。
- A 會員消費金額平均 800 元。
- A 會員買最多的商品是：水果。
你會發現我們只有他的消費記錄，要你去分析 A 會員下次的消費時間就完完全全有困難度，只能知道 A 會員的偏好，其應用率就下降很多。
我們再來嘗試加入更多維護的資料：
我們再來嘗試加入更多維護的資料：
- A 會員在超市買：水果、蔬菜、衛生紙、肉 … 等等。
- A 會員每兩個月會買一次衛生紙。
- A 會員平常會在台中店消費，但過年的時候，會在台北店消費。
以上例來說，我們搜集到三個維護的資料：〝超市的採買記錄〞是一個維度，〝時間頻率〞是第二個維度、〝地點〞是第三個維度；如果我們對 A 會員過年的時候，給他台中店的促銷方案，對他來說可能效益就不大了，因為 A 會員可能過年都會回台北，所以這個台中店的促銷方案就不如台北店的促銷方案來得效益大。
二、小結
大數據的應用原則不難掌握，關鍵在於如何詮譯，而詮仰速人的觀察，對核心 know-how的理解與經驗法則，也是厚數據的價值。
數據不是大就是美，重點在於讀完之後你要拿出什麼樣的具體行動。勝負不在數據，觀點才能決定一切。所以詮釋的問題角度和觀點格外重要，我們必須要不斷地挖掘問題核心，不要一次用龐大計劃去解決所有問題，而是要每次只專注把一個問題給答好，然後選定一個觀點快速切入，形成解決方案。問題的不同，會影響到數據的蒐集，而唯有問對問題，才能蒐集到正確而且有價值的關鍵數據。
另外，我們今天介紹了大數據的 4 個明顯的特徵，即數據量大、多維度、完備性和在一些場景下的實時性。我們特別強調了光是數據量大還不能構成大數據，因為它可能無法得出有效的統計規律，而多維度的特徵則讓我們可以交叉驗證信息，提高準確性。
這就是應用大數據思維所帶來的好處。今天這種做法其實是先有了結果，再反推原因，是一種逆向的做法，但是正是因為有了足夠的數據支持，它無疑會比較快。不事先作假定，從大數據出發先得到結論，再分析原因，這是大數據思維的第二層。
最後，回到我們一開始問的問題：要怎麼找到有迫切需求的人呢？當我們擁有每個會員的更多維度資料，我們就能透過這些資料找出這些〝高購買率的人群〞了，例如現在要推出〝衛生紙促銷方案〞，系統就可以自動幫我找出〝這家店這個時間點〞會被吸引過來買的客戶人群有哪些，這個就是基本客群，接下來我們要如何透過〝衛生紙促銷方案〞去吸引他們去消費更多的物品，這就是我們銷售人員可以努力的地方了。
這一講，我們先有了這些大數據的思維之後，我們下一講就可以來講講《大數據玩行銷》的一些模型應用。
Blog： https://givemebook.club/
為什麼會看到廣告
85會員
231內容數
Give me book 是一個分享書籍的讀書園地，每兩周就會寫一本〝書籍〞的讀後心得與重點整理，期許有興趣的人可以跟我 Gimmy 一起閱讀、學習與交流，而每一本書大約會發佈五篇主題：簡介、三個主題和總結，透過這些分享來期待我們共同學習與成長。
若有推薦的書單，請歡迎隨時向我推薦哦 ^^
留言0
查看全部
你可能也想看
Google News 追蹤
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
美國總統大選只剩下三天， 我們觀察一整週民調與金融市場的變化（包含賭局）， 到本週五下午3:00前為止， 誰是美國總統幾乎大概可以猜到60-70%的機率， 本篇文章就是以大選結局為主軸來討論近期甚至到未來四年美股可能的改變
這是一本關於美國大聯盟奧克蘭運動家隊的總經理與助理，利用大數據進行球員挑選的故事。書中揭示了棒球統計對球員挑選和球隊經營的重要性，呈現了大數據時代的棒球故事。
這篇文章介紹如何使用Excel整理期貨交易所資料並追蹤期貨三大法人籌碼數據。文章涵蓋了期貨三大法人的用途、期貨交易所網站資料認識、運用Excel VBA爬取交易所資料以及資料彙整與半自動輔助更新。這些學習將幫助您深入進行期貨交易分析並制定更加細緻的交易策略。
在交易千萬別見樹不見林 中示範如何在同一張圖表上加入不同週期的行情走勢，本篇將對MultiCharts初體驗-函式撰寫、MultiCharts初體驗-訊號撰寫 的程式進行改寫，讓程式可以讀取到多週期的K線資料。
在MC中可以用Data1、Data2、⋯⋯、Data99的指定方式，來存取圖表中的數列
領先的大數據公司Databricks最近以驚人的13億美元收購了MosaicML，開創了生成式人工智能領域的新局面。這筆收購成為今年生成式AI領域最大的交易。MosaicML是一家規模較小的初創公司，擁有62名員工，專注於生成式AI模型。收購後，MosaicML的估值從之前的2.2億美元猛增了近六倍
作者以大數據為基礎，發展出放諸四海皆準的成功定律，期待之後的每個人可以運用成功定律。
太多因果關係純屬一廂情願。例如玩暴力電玩的人一定比較容易出現暴力行為、例如強暴都是去危險的地方遇到壞人、例如努力一定能成功。只要因果關係符合直覺或符合我們對世界的期待，我們就不管它真不真確，直接信了。
大數據時代來臨，身為數學腦殘的我一直都有種焦慮感，最近感觸更深，比如說前陣子在吵的新冠肺炎確診人數以及疫苗副作用，為什麼大家資訊理解程度如此不對等，其實一部分就是因為目前社會上會解讀數據的人相當少，不理解數據的人各自解讀、互相爭吵．．．
我們都知道大數據、演算法非常厲害，懂得掌握跟運用數據的人可以說是這個時代的狠角色。數據不僅可以用來分析我們的喜好，沒想到它竟然也可以找出名作家隱藏在作品中的小習慣，以及挖掘出暢銷書的不敗公式!⠀
日前，參與了一個半讀書半社交性聚會，主持人希望我評論吳先生這部著作。我因未能看完而婉拒，後發現會中無人曾閱讀、甚至是首次聽聞，吳先生卻作了過於詳盡的報告，內容足以充實4場報告會，其效應只剩下通告他有新著面世而已。事後我仍想盡責，寫出文字評論，想必比在會上只有5分鐘對談省掉不少敷衍。
吳先生能在20
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
美國總統大選只剩下三天， 我們觀察一整週民調與金融市場的變化（包含賭局）， 到本週五下午3:00前為止， 誰是美國總統幾乎大概可以猜到60-70%的機率， 本篇文章就是以大選結局為主軸來討論近期甚至到未來四年美股可能的改變
這是一本關於美國大聯盟奧克蘭運動家隊的總經理與助理，利用大數據進行球員挑選的故事。書中揭示了棒球統計對球員挑選和球隊經營的重要性，呈現了大數據時代的棒球故事。
這篇文章介紹如何使用Excel整理期貨交易所資料並追蹤期貨三大法人籌碼數據。文章涵蓋了期貨三大法人的用途、期貨交易所網站資料認識、運用Excel VBA爬取交易所資料以及資料彙整與半自動輔助更新。這些學習將幫助您深入進行期貨交易分析並制定更加細緻的交易策略。
在交易千萬別見樹不見林 中示範如何在同一張圖表上加入不同週期的行情走勢，本篇將對MultiCharts初體驗-函式撰寫、MultiCharts初體驗-訊號撰寫 的程式進行改寫，讓程式可以讀取到多週期的K線資料。
在MC中可以用Data1、Data2、⋯⋯、Data99的指定方式，來存取圖表中的數列
領先的大數據公司Databricks最近以驚人的13億美元收購了MosaicML，開創了生成式人工智能領域的新局面。這筆收購成為今年生成式AI領域最大的交易。MosaicML是一家規模較小的初創公司，擁有62名員工，專注於生成式AI模型。收購後，MosaicML的估值從之前的2.2億美元猛增了近六倍
作者以大數據為基礎，發展出放諸四海皆準的成功定律，期待之後的每個人可以運用成功定律。
太多因果關係純屬一廂情願。例如玩暴力電玩的人一定比較容易出現暴力行為、例如強暴都是去危險的地方遇到壞人、例如努力一定能成功。只要因果關係符合直覺或符合我們對世界的期待，我們就不管它真不真確，直接信了。
大數據時代來臨，身為數學腦殘的我一直都有種焦慮感，最近感觸更深，比如說前陣子在吵的新冠肺炎確診人數以及疫苗副作用，為什麼大家資訊理解程度如此不對等，其實一部分就是因為目前社會上會解讀數據的人相當少，不理解數據的人各自解讀、互相爭吵．．．
我們都知道大數據、演算法非常厲害，懂得掌握跟運用數據的人可以說是這個時代的狠角色。數據不僅可以用來分析我們的喜好，沒想到它竟然也可以找出名作家隱藏在作品中的小習慣，以及挖掘出暢銷書的不敗公式!⠀
日前，參與了一個半讀書半社交性聚會，主持人希望我評論吳先生這部著作。我因未能看完而婉拒，後發現會中無人曾閱讀、甚至是首次聽聞，吳先生卻作了過於詳盡的報告，內容足以充實4場報告會，其效應只剩下通告他有新著面世而已。事後我仍想盡責，寫出文字評論，想必比在會上只有5分鐘對談省掉不少敷衍。
吳先生能在20