:::: MENU ::::

TalkingData's Blog

现在开始,用数据说话。

锐眼洞察 | 遵守这14条规则,做数据驱动而不是数据糊弄的市场营销(翻译)

  • 十二 04 / 2017
  • 0
Enterprise

锐眼洞察 | 遵守这14条规则,做数据驱动而不是数据糊弄的市场营销(翻译)

作者:Scott Brinker

原文:14 rules for data-driven, not data-deluded, marketing

译者:TalkingData解决方案架构师 李堃

本译文禁止商用,转载请注明作者与来源!

Keep Calm and Use Data Wisely

保持冷静,并明智的使用数据。

我们正处于推崇大数据与抵制大数据的交锋中。一位营销人员某天晚上在Twitter上吐槽:“请大数据人滚出我的地盘”。

我承认,我对他的沮丧感同身受。但是我认为,通过恰当方式使用的恰当数据在现代营销中非常强大。正如我在一篇关于务实营销的文章中所写的那样,“在数字时代,仅仅依靠基于直觉的、经验驱动的营销决策是愚蠢的。”

但是我也得出结论:“对于大多数公司来说,明智的答案是平衡数据分析和人为判断。”

我最喜爱的全局营销(big picture marketing)专栏作家戈德·霍奇基斯(Gord Hotchkiss)最近撰写了一篇关于“在中间地带的市场营销”的文章,主张在市场营销中遇到争论与分歧情况时采用这种平衡的方法:

营销中没有绝对;中间地带是模糊不明确的。我们需要刺猬提供实现伟大营销的“大创意”,也需要狐狸引导我们成功的通过中间地带。事实上,我花在营销上的时间越多(为了避免成为“专家”而努力),我越是意识到中间地带才是有所行动之处:在定量与定性之间,在战略与大数据之间,在创意化品牌推广与直接营销之间,在科学与艺术之间。

(可以看这里快速了解关于“刺猬与狐狸”的含义,如果你还不熟悉这个比喻,简而言之:狐狸知道许多事情,但刺猬知道一件大事。)【译者注:可以理解为,狐狸为百科全书型,无所不知但缺乏深度;刺猬则为思想家型,见解深刻有但缺乏灵活】

那么,你需要知道哪些用好数据的基本知识呢?

本着平衡方法的精神,我衷心鼓励大家接受市场营销中的数据 – 但是这里有14条经验法则来保持数据的正确性、支持以数据驱动的营销的实用方法(并避免数据淹没或数据营销):

#1. 客户驱动 > 数据驱动

数据驱动的营销是好的。但是营销的目的是赢得客户(通过让他们拥有很棒的体验),因此,客户驱动的营销是更好的。当然,它们不必相互排斥。但一个是手段,另一个是目的。这提醒我们,在为了追求看上去漂亮的数据而掉进黑洞之前,停下来问问自己:“这对客户有什么好处?”

#2. 所有的数据并不相同

“数据结束争论”,可惜这并不是绝对真理。但是,在数据的包围中,想要找到支持争论中任何一方的数据都是异常容易的。但数据的准确性与相关性是不同的。这就是为什么在大数据的世界中,营销人员其实出乎意料的对我们了解甚少。更好的座右铭可能是:最准确和最相关的数据结束争论。但事实上,结束争论的是决策。

#3. 数据只是历史

数据告诉我们已经发生的,但并没有告诉我们会发生什么,尽管这与所有关于预测分析的夸大宣传恰恰相反。是的,我们应该从历史中学习。是的,我们可以从过去推断出趋势来预测未来,甚至可能是非常准确的预测。但世界在不断变化,历史的情况并不一定是今天或明天的情况。是的,弗吉尼亚有黑天鹅。事情并不总是这样。

#4. 数据总是不完整的

当然,任何一组特定的数据都可以是完整的。给我过去三年的季度销售数字:这是一个完整的数据集。但是真空中没有任何东西存在。当你依靠数据来做决策(这不就是我们的主旨吗?),你拥有数据并不是唯一与你的决策相关的数据。(“我们用我们拥有的数据进入市场,而不是所需的数据。”)总是有更多的数据,而我们无法拥有所有数据。认识到这一点有助于我们意识到,尽管我们所掌握的数据可能会描绘出一幅图画,但它至多是一幅印象派绘画。通常,它更像现代艺术。

#5。数据是客观的,但其收集和解释是主观的。

数据给出了客观性的危险幻觉。客观上,每个人都可以在电子表格中查看相同的数据。如果我告诉你的7净推荐分数,有没有说法,我展示你的号码确实是一个“7”。但是,什么是收集到的数据,当和如何它被收集,并从人几乎都是主观的选择。而另一方面,我们如何选择解释这些数据也是主观的。这篇关于大数据隐藏偏见的文章给出了几个很好的例子。它还引入了“数据原教旨主义”这个精彩的短语。

#6。任何一组数据都支持无数的叙述。

营销人员是讲故事的人,这通常是一件好事。数据可以用来使故事更具吸引力。但是,由于我们可以主观地选择如何解释数据,所以我们可以发明几乎所有我们想要的叙述。当然,有些故事比其他故事更可信。但是,这往往是模糊的线条。这就是所谓的归纳问题,几个世纪以来,科学家和哲学家一直在烦恼。不用说,没有简单的答案。但是保持观点是有帮助的:围绕数据提出的任何故事都不是唯一可以讲述的故事。

#7。策略是选择。良好的数据帮助我们做出这些选择。

我最近阐述了战略数据与数据剧院之间的区别,所以我不会在这里重复一遍。但是一个好的策略是做出选择的框架。反过来,好的数据是帮助我们做出这些选择的信息。不利于我们选择追求策略的数据是一种分心。

#8。实验是因果关系的黄金标准。

相关不是因果关系。每个值得他们用盐的数据科学家都会告诉你这一点。但作为营销者,它通常是因果关系,我们是后-我们想知道我们能做些什么,这将导致更多的客户做更多的生意和我们在一起。那么当数据显示可能揭示这种原因的相关性时,我们该怎么办呢?我们运行一个受控的实验。保持所有其他变量不变(尽可能实际可行)并测试替代方案以证明或否定我们的假设。Google每年运行超过10,000次这样的实验。这是您可以生成的最强大的数据,这就是为什么大的测试会比大数据更大的原因。

#9。观看仪表板,但也看着挡风玻璃。

我最喜欢Gord的一句话是这样一个很好的比喻:“量化是在开车的时候看着仪表盘。定性是看着挡风玻璃。“显然,我们应该做的两个。在实践中,我们在开车的时候自然地平衡了定量的(数据)和定性的(经验) – 至少我们大多数人都是这么做的。我们也应该在营销上争取同样的平衡。不要错过令人鼓舞的风景,或者迎面驶来的卡车,因为你被粘在仪表板上。

#10。数据的准确性和相关性随着时间的推移而衰减(并且通常很快)。

大多数数据的保存期限相对较短,特别是在市场营销方面。无论如何,在我搜索一辆新车的一周里,我将目标汽车广告投放在我身上 – 但六个月后,那些在市场上确定为汽车的数据只是过去的化石。有可能是知道我的一些值是在市场上的汽车,但相信我仍然是不值钱了。更没有价值,因为它可能导致你做出关于我的不好的决定。准确性和相关性使数据具有价值,但这些属性随时间而变化。

#11。数据可以用于探索(“why?”)或确认(“what?”)。

数据在被用于勘探和确认时应该被区别对待。通过探索,你正在寻找模式,见解,想法,发现 – 对新假设的启发。通过确认,你正在验证发生了什么(或不是)以及在多大程度上。然而,除非你确认了一个受控实验的假设,否则确认只会告诉你发生了什么,而不是原因。相同的数据可以在一个环境中用于确认,而在另一个环境中进行探索。知道你在做什么。

#12。有手表的人知道现在是几点钟。一个有两只手表的男人永远不会确定。

这个规则被称为Segal法则,这是每个营销人员应该知道的7项技术法则之一。世界充满了相互冲突的数据。任何曾经试图从两个独立网站分析软件包中获得指标的人都可以证明这一点。不同的工具将以不同的方式测量相同的现象 了解重大差异可能是值得的 – 理解差异的原因可能会产生有价值的见解 – 但是追逐每一分钟差异的回报会减少。在许多情况下,您不需要完全准确的数据,只需要足够准确的数据即可做出正确的决策。

#13。模型不是现实。

数据不是它声称代表的现实。充其量,这是对现实的反映,但是容易被扭曲(见上面的所有规则)。哲学家兼科学家阿尔弗雷德·科尔兹伯斯基(Alfred Korzybski)曾经说过:“ 地图不是领土”。当然,我们想要使用数据和地图。正如伟大的统计学家George EP Box所说:“所有的模型都是错误的,但有些是有用的。”但谨慎的做法是对代表性的正确性保持一点健康的怀疑态度。特别是,我们希望警惕其他迹象 – 数据之外 – 表明现实是不同的。按照瑞士军队格言:如果地图和地形不一致,请相信地形。(“地图显示没有clliiiffff …”)

#14。数据可视化可以照亮,混淆或分散注意力。

数据可视化 – 图形,图表,图表等 – 是一把功能强大但是双刃剑。到目前为止,这是我们人类看到数据模式的最有效的方法。不幸的是,无论是有意还是无意,它都可以向我们展示实际上并不真实的模式。伟大的数据可视化本身就是一门科学和一门艺术。我强烈推荐阅读Stephen Few,Kaiser Fung,Edward Tufte,Nathan Yau,FernandaViégas和Martin Wattenberg来磨练你的视觉读写能力。他们将为您的数据洞察工具箱提供一些最好的工具。

Leave a comment

随时欢迎您 联系我们