似乎很多創業人，都喜歡講一些概念化的東西。例如前兩年的互聯網+，例如后來的大數據，又例如最近的區塊鏈……
然而我看到的滿嘴互聯網+、大數據、區塊鏈的人，并沒有幾個真正理解這些東西到底是什么，是如何運作的，以及如何達到世人所見的“神奇”效果。
當人們在不了解某樣東西的時候，就會很容易神化或者妖魔化它。
例如這位廣告主的控訴：
“我做茶葉，用這套數據投放，獲得了不錯的效果，按鈕成本不足2元、加粉成本低到30元。最近做蜂蜜……為什么效果就不好了？一個粉絲200元都打不?。 ?/span>
還有這一位的心聲：
“你看這個美容產品的落地頁挺不錯的，打動我了，你也要幫我做成這樣的去投放！肯定效果好！”
這就好像說上一次你給土地奶奶燒了香，小孫子燒退了，這次你病了還給土地奶奶燒香，怎么反而病得更厲害了呢？
當你對大數據不夠了解時，你的一切行為，都是建立在迷信的基礎上，等同于去廟里燒香拜佛，但并不能起到任何實質性的作用。
那么，大數據是如何“神奇的”解決問題的呢？在你看不到的地方，許多專業人士正用你不理解的方式操作，對他們來說，大數據，只是個工具而已。
那么，不是專業數據分析師的你，該如何科學的看待大數據呢？
思路1：“懂生意”比“懂數據”更重要
我們都知道數據分析離不開對投放關鍵指標的跟蹤。比如CPM、CPS、GMV、DAU等，這些指標往往與你的生意（比如獲客成本、平均客單價、客戶數量等）密切有關 。
但很多人可能不知道，這些指標的跟蹤也是有優先級的。具體和公司本身情況密切相關。
同樣是上述這些指標，對于成熟的公司成熟的業務模式或許是可行的，因為成熟公司講究的是執行到位，商業模式驗證階段已經完成了。企業只需要復制既有模式，按部就班，擴大規模就能順利運營，達成商業目標。對應的，GMV這些指標是可以衡量運營績效的，對這些關鍵指標的追蹤也能有效的度量我們的投放運營活動。
但對于創業階段還處于摸索時期的新項目而言，則有可能是“虛榮”指標。
為什么這么說呢？因為初創時期，大部分公司可能連自己的商業模式都還沒辦法完全確定，還在不停的修改自己的推廣活動，還在尋找正確的產品或是目標客戶，種種不確定之下，又如何去確定指標？
即使這個階段需要做廣告投放，目的也是為了測試驗證產品和市場的匹配程度，也就是說，在資金耗盡之前，通過廣告投放測試了解當前的產品、商業模式是否能讓自己活下去，那么這個時候需要考核的重要指標不是GMV、DAU，而是在廣告停掉以后，有多少用戶會繼續使用自己的產品、復購率有多少、轉介紹次數有多少？等等與公司生存密切相關的數據。
這也就是營銷分析師常說的，不懂生意就沒有辦法正確的解讀數據，對生意而言，重要的不是數據本身，而是，從生意角度出發，從數據中發現的有效的商業洞察。
比如你新開一個淘寶店，因為沒有自然流量，所以嘗試投放信息流為自己的店鋪引流。那么這種情況下，每天店鋪有多少客戶、有多少流水，并不是你最應該關心的指標，你需要著重關心的是：這期間下單的客戶里有多少在多少時間內又復購了、有多少客戶開始通過搜索你的店鋪名稱、你的產品品牌名稱進店，等等。如果這些數據不清晰，你就不知道，到底是流量幫了你，還是因為你自己的產品有競爭力吸引了客戶，接下來的店鋪活動、投放策略也就無法確定，后續的生意規模也很可能因此受限。
思路2：“懂人性”比“懂數據”更重要
廣告的目的是為了影響消費者的決策。那么消費者是如何做決策的呢？我們常聽說大數據可以預測的人的行為，那是不是利用了可以預測人行為的大數據就可以影響消費者的決策，讓廣告更有效了呢？
很遺憾的告訴各位，大數據平臺可以精準的搜集每個個體的行為數據，而非精準的預測。這也是為什么淘寶會推薦給你你剛剛買過的產品，頭條總向你推送你剛剛看完的電影的緣故。
而預測，則是在行為數據的基礎之上，通過人為干預或者機器學習建立的預測模型，去推測他們下一步可能進行的行動，并加以干預。
事實上，大數據技術出現之前，商人們一樣做生意。
好的商人，通過觀察收集數據，通過思考解讀數據，然后再通過銷售行為的調整來利用數據。和現在的大數據比起來，只是不那么方便、沒有那么大的基數。這里我就不列舉了，你此刻能想到的知名品牌都是在這方面做的好的實例。
而如今的大數據，只是省去了我們一一收集處理的過程而已。洞察這件事，至今為止，還需要人腦來進行，大數據技術只能輔助而非主導。
我們做廣告，不管是做信息流還是其他，其實都是在研究人的購買決策過程，即研究用戶從“看到”到“產生興趣”、再到“產生購買欲望”、最后完成購買行為的一整個過程。當然了，這些研究都是基于“人是一個理性人”的假設，如果你做過市場調研就會發現，真正的需求往往是隱而不見的，對于營銷人而言，最麻煩的就是，決策往往是因為隱性動機而引發的。而想要把隱形動機發掘出來，就必須要學會洞察人性。
我們一直會舉一個有趣的例子：一個人本來看了廣告想買A品牌車，后來卻因為B品牌車的車模比較漂亮就買了B品牌的車。你說這人的決策有道理么？從人性角度看是有的。
人的決策路徑有兩種，一是中央路徑，即考慮購買問題是基于充分的調研和思考，偏向“理性”，而這種臨時的決策行為則指向邊緣路徑，即購買決策來自產品之外的某些線索。
比如決策人的擇偶自我被車模激活，在這種次級自我的行為模式下，消費者的決策呈風險偏好，容易產生沖動消費——這是人性層面較為合理的解釋之一。
同樣的，我們在對信息流廣告數據做分析時也是一樣，數據給到我們的只能是跡象，我們需要從多重視角、甚至需要從最深層次的人性角度去窺探這些跡象背后的原因，思考為什么受眾會做出這樣的反應？他們轉化或是不轉化的底層邏輯是什么？如此反復，才可能找到優化的方向，比你的對手提前一步找到客戶。
思路3：“懂專業”比“懂數據”更重要
數據分析分為定性分析和定量分析兩種方式。其中，定性分析是指：對事物的性質作出判斷，即，回答“它是什么”。另外一種分析方式叫定量分析，具體是指：對事物數量上作出統計。我們通常說的點擊率是多少、轉化率是多少，等等，指的就是定量分析。
因為點擊率、轉化率等數據比較直觀，優化師也好，老板也好，都會比較關注這方面的數據，各種信息流交流群里交流最多的也是“你今天點擊率多少啊”，“你今天的轉化率多少啊”，等定量數據。這種交流本沒有問題，但當大家不分行業、不分投放階段，直接以這些量化指標衡量投放效果的時候，你就需要注意了：
1、對于一個陌生項目而言，沒有過往的參考數據可以參考，從零起步的時候，你需要的是基于營銷專業的定性分析而非定量分析的技能。
比如你可以分析這個產品本身是基于什么需求場景開發的，公司為什么會開發這個產品，這些定性的分析會幫助找到可能有效的訴求方向。
2、定量分析的AB測試固然需要，但過分依賴反而會對投放造成致命傷害。
比如你要優化一個落地頁，AB測試有數十乃至數百個變量（排版布局、賣點文案、情緒喚起、顏色搭配、產品組合、定價、贈品等等），如果每一個都要做AB測試，那么測到什么時候才能上線呢？（老板等著你賺錢呢！）
這個時候，就需要我們先啟用營銷專業的分析了，靠專業的判斷來選擇3-5個版本測試，然后再結合投放數據分析選哪個做大規模投放更好。
3、當數據分析的結論和自己的專業判斷出現偏差時，絕大部分情況下，都應該聽專業的判斷，而非數據分析的結論。
比如此前一個廣告主來咨詢，自己在朋友圈投放了一個寶馬車的廣告，可收到廣告的用戶在底下留言說“買不起”之類的，“不是說大數據很精準的么？怎么會找錯人呢？”
首先，數據本身是不完整的。
廣告主認為的精準，是說平臺把廣告展示給了關注寶馬或者關注寶馬同級別車的用戶。當然，如果從理論上說，平臺抓取到用戶所有的行為數據是可以實現100%精準的，但實際上廣告平臺并不能做到，他們的數據是不完整的。
不完整的原因很復雜，比如可能是出于對用戶隱私的保護； 比如各個平臺之間的數據并沒有完全打通，數據孤島在相當長的時間內是必然存在的。像上面那則廣告用戶評論說買不起，數據層面分析大概率的原因就可能是平臺沒有抓準用戶的財務狀況，那么對受眾財務狀況的數據掌握最精準的平臺可能是各個銀行，或者國家稅務部門等等，但是不管是出于隱私保護，還是數據安全的考量，這些數據在短時間內又不可能開放給各個廣告平臺，所以，數據不完整是我們營銷人必須面對的實際情況。
其次，人性本身不可預測。
即使數據孤島被打通，數據本身是完整的，也不能保證各大信息流平臺就能精準的識別和預測潛在受眾對廣告的主觀反映，因為：人性本身是不可預測的。
行為經濟學認為，人在許多情況下都是非理性的。甚至可以說，人在本質上就是非理性的。就如同你愛上一個人，當你愛ta，你甚至不知道自己為何而愛，你能想起的，都是一個又一個毫無邏輯的片段。但是這背后有沒有規律可循？當然有，這背后的邏輯是進化論研究的課題，我們人類的一切行為某種意義上都為了物種的生存和繁衍，人類的行為反應也是由此而來的。
說回上面那個在寶馬廣告下留言說自己買不起的用戶：他們是真的買不起嗎？并不一定，只是他們不認為立刻購買一輛寶馬是他們此刻當務之急必須完成的事情，這件事對他們來說，急迫程度不夠高，也就不值得他們花費一輛寶馬車的費用來完成。如果你給這些用戶一個理由，例如：
“你花19元買了杯沒品牌的咖啡送女神，
他用19元日供的寶馬，送女神回家?！?/span>
那么“每天一杯咖啡錢買寶馬，贏取美人心”，就會變成一個迫切需要完成的任務。用戶不會去算總賬，也不會再說買不起。
要知道，當你沒有給到他們合理的購買理由時，他們會告訴你買不起，并且他們自己也會認為自己是因為“買不起”而不買。這種情況，我們簡單的概括為“口是心非”。
“口是心非”的情況在我們營銷調研的場景里經常出現。當然，你首先要能夠識別出消費者的“口是心非”，然后才能想辦法讓他“吐真言”。在線下可以通過獨特行為觀察等方法來引導和確認，在線上投放時，就需要基于他們的真正的“心意”做出可以讓他們心動的文案。
本文轉載自網絡，版權歸原作者所有！
文章轉載請保留網址：http://waterplane.cn/news/industry/2026.html
