人类无法用简单的数字来衡量：以下是如何将数据与真正可行的见解区分开来

企业和营销人员可以访问比以往更多的数据，以及支持数据的数据，以及证明第一数据准确性的数据……等等。

如果您想为您的业务做出数据驱动的决策，那么原材料就在那里。 然而，没有人的因素，数据就没有意义。

数据与洞察：有什么区别？

了解数据和见解在研究过程中的作用以及它们如何对最终结果产生影响非常重要。

数据是根据现有标准捕获的原始、未经处理的信息。 它可以是数字、图像、转录或其他格式的形式。 处理、聚合和组织的数据作为信息放入数据可视化、报告和仪表板中，更容易被人类解释。

洞察力是通过分析信息以情境化情况并得出结论而获得的。 然后，这些结论可用于支持业务的可行决策。

“数据驱动”在商业、营销等领域经常被抛出，但它真正是关于你可以从数据中获得的洞察力。 现代企业几乎拥有无穷无尽的数据流，但如果没有分析和洞察力，它基本上是无用的。

从数据中获得洞察力的原则

企业的决策者可能不精通数据——清晰的背景和与企业的联系在数据和统计数据中消失了。 当缺乏洞察力时，决策流程就会出现差距。

随着数据变得越来越丰富——也越来越复杂——这种差距可能会扩大。

以下是从数据中获得洞察力的原则：

合作

老牌公司通常有多个部门或团队来处理数据流程的每个步骤。 尽管如此，这可能会造成信息孤岛，留下空白，除非每个人都在同一页面上。

所有部门的协作对于全面了解数据、情况和目标是必要的。 沟通和支持使关键决策者能够从数据中收集有价值的见解并看到“大局”。 每个人都朝着同一个目标努力，因此致力于互相帮助。

透明度

由于多个部门处理数据分析和决策过程，每个部门都对不同方面有所了解。 分析师知道数据源、流程、类型和指标，而决策者知道他们试图回答的问题和他们试图达到的目标。

各部门需要开诚布公地沟通，了解彼此的需求，确保自己的部分任务得到最大程度的完成。

特异性

与透明度一样，参与数据流程的所有部门都需要了解最终目标和更大的业务目标。 数据、管理、决策者和任何其他相关方需要定义需求、意图和目标。

这可以确保提出正确的问题并使用正确的数据集，而不是进一步混淆问题。

将这些原则应用于数据洞察

定义问题

如前所述，特异性很重要。 模糊、广泛的问题使收集可操作的答案变得更加困难。

例如，询问如何提高收入可能会导致大量假设。 相反，问问你应该专注于哪些渠道来增加收入而不增加成本，从而带来更大的利润率。 或者询问上一季度哪个营销活动产生了最佳投资回报率，以及您可以做些什么来复制其结果。

请记住，如果您不喜欢这个答案，请提出不同的问题。

澄清上下文

了解分析的背景、动机、限制和期望的结果可以让您或您的数据科学家确定要监控的最佳指标。 如果您希望将数据上下文化，则每个步骤都需要与您的整体业务目标相关联。

设定明确的期望

不同的数据集可以用来回答不同的问题。 了解可以从您收集的特定数据集中获得什么样的见解非常重要。

例如，您是否在寻找平均值？ 变化率？ 一共？ 这些细节很重要，并告知您的流程。

定义可衡量的 KPI

您的指标和 KPI 应该始终是可衡量的，并与 SMART（具体、可衡量、可实现、相关、有时限）目标相关联。

数据并不总是数字，它可以是文字、测量、观察、描述或简单的事实，但您的 KPI 需要可衡量，以了解您是否正在实现目标。

提出假设

数据科学是一门科学，假设是科学过程的关键组成部分。 假设是在有限证据的基础上提出的解释或假设，作为调查的起点。

例如，假设提高目标网页的清晰度会减少混淆并提高转化率。 如果结果是否定的，您可以查看可能影响客户行为的其他障碍。 如果结果是肯定的，您可以改进页面的清晰度并进行测试以查看最有效的方法。

收集正确的数据

如前所述，在提问时查看正确的数据集很重要。 选择可能向您显示所需信息并影响所需结果的数据和指标。

您可能需要检查多项措施并制定计划，以确定如何获得导致您正在寻找的答案的结果。

利用细分

对数据进行分段可为您提供更具体的信息和更精细的信息视图。 根据问题，您可能希望专注于较大数据集的选定子集，例如行业、受众或网站细分，然后更详细地了解行为。

整合和关联数据

多个数据源提供更全面的业务信息视图。 整合您的数据源并选择最高质量的数据来支持您提出的问题。

数据也应该是相关的。 考虑可能相互影响的指标，例如查看跳出率以正确了解流量指标。

发现上下文

有时，需要将特定数据点放在上下文中，以查看它们如何适应更大的视图。

基准是衡量所有其他标准的标准，例如在其流派中首屈一指的小说。 同样，您的数据应该与其他数据相关，例如行业标准、您的目标或您的竞争对手。

拥有诸如此类的基准可以帮助您识别模式、行为和增长率，以及识别趋势、异常和不一致。 这还将向您展示您在竞争格局中的位置。

识别模式

所有指标都有模式，这是您可以确定数据点相关性的方式。 识别模式以及它们如何说明用户行为至关重要，例如购买行为或在线搜索的季节性波动。

例如，我们注意到我们的内容创作工作室页面在假期前会出现在线流量高峰。 我们的团队立即开始制定如何利用这种增加的流量的策略。

当您可以看到这些模式时，您可以快速识别异常行为并更有效地对其进行评估。

开发可重复的过程

数据分析不是“一劳永逸”的情况。 您将在整个业务生命周期中持续收集和分析数据，最好有一个标准的、可重复的流程来这样做。

将数据转化为洞察力是一个科学过程，而这正是您应该采用的方法。 根据您经历的步骤设置结构化的数据分析工作流程，将数据分析转变为可重复的人工驱动流程。

拥抱人为驱动的数据分析

数据对企业来说非常有价值，但它不能独立存在。 数据只能带您到此为止——可操作的见解来自人类的调查和解释。

作者简介

Kyle Johnston 是屡获殊荣的品牌、内容创作和创意机构 Gigasavvy 的创始合伙人兼总裁。 在南加州度过了过去 20 多年后，Kyle 最近将全家搬到了爱达荷州博伊西，在那里他继续领导该机构完成下一阶段的发展