人類無法用簡單的數字來衡量：以下是如何將數據與真正可行的見解區分開來

企業和營銷人員可以訪問比以往更多的數據，以及支持數據的數據，以及證明第一數據準確性的數據……等等。

如果您想為您的業務做出數據驅動的決策，那麼原材料就在那裡。 然而，沒有人的因素，數據就沒有意義。

數據與洞察：有什麼區別？

了解數據和見解在研究過程中的作用以及它們如何對最終結果產生影響非常重要。

數據是根據現有標準捕獲的原始、未經處理的信息。 它可以是數字、圖像、轉錄或其他格式的形式。 處理、聚合和組織的數據作為信息放入數據可視化、報告和儀表板中，更容易被人類解釋。

洞察力是通過分析信息以情境化情況並得出結論而獲得的。 然後，這些結論可用於支持業務的可行決策。

“數據驅動”在商業、營銷等領域經常被拋出，但它真正是關於你可以從數據中獲得的洞察力。 現代企業幾乎擁有無窮無盡的數據流，但如果沒有分析和洞察力，它基本上是無用的。

從數據中獲得洞察力的原則

企業的決策者可能不精通數據——清晰的背景和與企業的聯繫在數據和統計數據中消失了。 當缺乏洞察力時，決策流程就會出現差距。

隨著數據變得越來越豐富——也越來越複雜——這種差距可能會擴大。

以下是從數據中獲得洞察力的原則：

合作

老牌公司通常有多個部門或團隊來處理數據流程的每個步驟。 儘管如此，這可能會造成信息孤島，留下空白，除非每個人都在同一頁面上。

所有部門的協作對於全面了解數據、情況和目標是必要的。 溝通和支持使關鍵決策者能夠從數據中收集有價值的見解並看到“大局”。 每個人都朝著同一個目標努力，因此致力於互相幫助。

透明度

由於多個部門處理數據分析和決策過程，每個部門都對不同方面有所了解。 分析師知道數據源、流程、類型和指標，而決策者知道他們試圖回答的問題和他們試圖達到的目標。

各部門需要開誠佈公地溝通，了解彼此的需求，確保自己的部分任務得到最大程度的完成。

特異性

與透明度一樣，參與數據流程的所有部門都需要了解最終目標和更大的業務目標。 數據、管理、決策者和任何其他相關方需要定義需求、意圖和目標。

這可以確保提出正確的問題並使用正確的數據集，而不是進一步混淆問題。

將這些原則應用於數據洞察

定義問題

如前所述，特異性很重要。 模糊、廣泛的問題使收集可操作的答案變得更加困難。

例如，詢問如何提高收入可能會導致大量假設。 相反，問問你應該專注於哪些渠道來增加收入而不增加成本，從而帶來更大的利潤率。 或者詢問上一季度哪個營銷活動產生了最佳投資回報率，以及您可以做些什麼來複製其結果。

請記住，如果您不喜歡這個答案，請提出不同的問題。

澄清上下文

了解分析的背景、動機、限制和期望的結果可以讓您或您的數據科學家確定要監控的最佳指標。 如果您希望將數據上下文化，則每個步驟都需要與您的整體業務目標相關聯。

設定明確的期望

不同的數據集可以用來回答不同的問題。 了解可以從您收集的特定數據集中獲得什麼樣的見解非常重要。

例如，您是否在尋找平均值？ 變化率？ 一共？ 這些細節很重要，並告知您的流程。

定義可衡量的 KPI

您的指標和 KPI 應該始終是可衡量的，並與 SMART（具體、可衡量、可實現、相關、有時限）目標相關聯。

數據並不總是數字，它可以是文字、測量、觀察、描述或簡單的事實，但您的 KPI 需要可衡量，以了解您是否正在實現目標。

提出假設

數據科學是一門科學，假設是科學過程的關鍵組成部分。 假設是在有限證據的基礎上提出的解釋或假設，作為調查的起點。

例如，假設提高目標網頁的清晰度會減少混淆並提高轉化率。 如果結果是否定的，您可以查看可能影響客戶行為的其他障礙。 如果結果是肯定的，您可以改進頁面的清晰度並進行測試以查看最有效的方法。

收集正確的數據

如前所述，在提問時查看正確的數據集很重要。 選擇可能向您顯示所需信息並影響所需結果的數據和指標。

您可能需要檢查多項措施並製定計劃，以確定如何獲得導致您正在尋找的答案的結果。

利用細分

對數據進行分段可為您提供更具體的信息和更精細的信息視圖。 根據問題，您可能希望專注於較大數據集的選定子集，例如行業、受眾或網站細分，然後更詳細地了解行為。

整合和關聯數據

多個數據源提供更全面的業務信息視圖。 整合您的數據源並選擇最高質量的數據來支持您提出的問題。

數據也應該是相關的。 考慮可能相互影響的指標，例如查看跳出率以正確了解流量指標。

發現上下文

有時，需要將特定數據點放在上下文中，以查看它們如何適應更大的視圖。

基準是衡量所有其他標準的標準，例如在其流派中首屈一指的小說。 同樣，您的數據應該與其他數據相關，例如行業標準、您的目標或您的競爭對手。

擁有諸如此類的基準可以幫助您識別模式、行為和增長率，以及識別趨勢、異常和不一致。 這還將向您展示您在競爭格局中的位置。

識別模式

所有指標都有模式，這是您可以確定數據點相關性的方式。 識別模式以及它們如何說明用戶行為至關重要，例如購買行為或在線搜索的季節性波動。

例如，我們注意到我們的內容創作工作室頁面在假期前會出現在線流量高峰。 我們的團隊立即開始製定如何利用這種增加的流量的策略。

當您可以看到這些模式時，您可以快速識別異常行為並更有效地對其進行評估。

開發可重複的過程

數據分析不是“一勞永逸”的情況。 您將在整個業務生命週期中持續收集和分析數據，最好有一個標準的、可重複的流程來這樣做。

將數據轉化為洞察力是一個科學過程，而這正是您應該採用的方法。 根據您經歷的步驟設置結構化的數據分析工作流程，將數據分析轉變為可重複的人工驅動流程。

擁抱人為驅動的數據分析

數據對企業來說非常有價值，但它不能獨立存在。 數據只能帶您到此為止——可操作的見解來自人類的調查和解釋。

作者簡介

Kyle Johnston 是屢獲殊榮的品牌、內容創作和創意機構 Gigasavvy 的創始合夥人兼總裁。 在南加州度過了過去 20 多年後，Kyle 最近將全家搬到了愛達荷州博伊西，在那裡他繼續領導該機構完成下一階段的發展