系统设计全复盘二数据分析与挖掘

　　数据从哪来？怎么发挥数据真正的价值？CRM系统的产品经理对待数据的正确姿势是什么？
　　前一篇文章重点梳理了CRM的本质，即客户的定义以及客户与品牌的关系。原本的计划是接着探讨粉丝运营以及用户画像。但最近正在做数据分析相关的产品设计，觉得应该趁热打铁总结一下自己在工作中的收获。从另一方面来说，在现今的客户关系管理中数据正起着相当关键的作用。
　　在正式开篇之前我想重点强调的是我们需要保持空杯心态去理解数据真正的意义。
　　之所以这么说，是因为我自己就曾陷入一个误区，理所当然的认为知道哪些是关键性指标（通常是一些业务的KPI）、应该使用什么类型的图表呈现就够了。但当被人问到：看到这个指标，然后怎么做？对比了这两个指标的变化趋势，然后怎么做？，这才意识到指数据的呈现并不是数据分析的结束而是开始，数据分析是一个过程。
　　数据分析与挖掘技术
　　数据分析与数据挖掘是数学与计算机科学相结合的产物。
　　数学是一门关于数字（numbers）、模型（shapes）、规律（patterns）和变化（change）的学科。
　　结合以上两句话，我认为已经足以准确的概括数据分析与数据挖掘在做的事理解业务，找到关键数据，找到合适的分析模型，发现规律与变化，预测未来。
　　在这我不打算继续展开复杂的数学知识。所谓术业有专攻，作为一个CRM系统的产品设计师或者产品经理，我们应该以什么要的姿势看待CRM的业务中数据的使用。
　　数据的价值是什么？
　　1。数据可以揭示真相
　　心理学里有一种现象叫鲜活性问题，指的是当面临解决问题或做决策的情景时，人们倾向于利用自己身边真实发生的或者更容易获得的信息来做决策，但有限的经历、有限的资源导致这样的决策模型很有可能会让我们作出错误的判断。题外话，要知道心理学与统计学是密不可分的，因此心理学中的很多思想都能在数据分析中找到影子。
　　举个例子，提起短信营销，你的第一反应是不是现在哪还有人看短信啊？大家都在用微信了。，这个答案是不，因为有数据显示短信中的链接点击量可以达到20左右，而品牌的公众号图文的阅读量一般在3左右。是不是颠覆了你的认知呢？
　　用数据说话可以避免人们因有限的经历及学习造成的认知偏差，揭示真相。
　　2。数据可以转化为行动
　　数据可转化为信息，信息可转化为行动，采取行动是数据分析的目的。通过对现实世界的理解、对以往工作结果的度量，使我们可以采取更明智的行动，获得更好的结果。
　　但我更关心的问题是：握有数据就一定能做出明智行动了吗？
　　回到短信营销的例子，既然短信中链接的点击率远远超过了图文的阅读量，那是不是意味着品牌商该放弃公众号而全部转用短信营销呢？答案依然是不。
　　思考一下以下问题：
　　所有内容的短信点击率都能达到20吗？
　　什么内容的短信中的点击率才可以达到20呢？
　　品牌商是在怎样的场景下获取到短信用户手机号的？
　　品牌商和短信用户是怎样的关系呢？
　　点击了短信链接到最终目标KPI的转化率又有多少呢？
　　短信转化率之所以比公众号图文阅读量高，答案可能在于短信用户和公众号用户所处生命周期的不同。
　　品牌商在什么场景下获取的短信用户手机号？或许是从电商平台的订单数据中获取的，意味着手机号的主人已经是品牌的消费者或使用者，对品牌有一定认可，向成交阶段的客户群体适时的发送促销短信可有效刺激客户复购。
　　针对公众号的运营，多数品牌以品牌建设和粉丝活跃为主要业务，运营目的是为了加深潜在客户对品牌的认知，巩固粉丝与品牌的信赖关系。假如公众号渠道和短信渠道从运营目的到内容定位都不一样，那指标上的表现就不是唯一参考答案了。
　　数据不会说谎，但数据却会被误读，误读的原因在于人们的思维盲点。避免思维盲点的办法是明确数据背后不确定的因素，通过反查的方法搞清楚哪些我们不知道的事情，才能避免对数据的错误理解。
　　源自《精益数据分析》
　　二、数据的指导意义
　　上文已经提到数据分析的目的是为了指导行动，数据对业务行动的指导可以归纳为三个方面：度量、理解、预测。
　　1。度量
　　度量是检验之前工作成果必不可少的一环，最常用的就是KPI（关键指标）的度量。
　　KPI可以分为目标KPI和过程KPI。
　　目标KPI度量的是业务工作最终目标的绩效结果？例如：新增粉丝数量、新增客户数量、复购率、成交金额等。
　　过程KPI是将为达成最终目标所做的工作进行拆解，在各个流程节点圈定不同的指标。例如为了拉公众号新粉开展的一场的裂变活动，其目标KPI是新增粉丝数量，而过程KPI包括：活动页面的PV、UV、分享数等。
　　过程KPI的目的有两个：
　　通过过程KPI可以预判目标绩效结果，如果只专注于目标KPI结果是滞后的，限制了品牌在过程中调整行动。
　　过程KPI可以描述过程，反应问题，分析绩效结果的原因，例如常见的漏斗模型。
　　2。理解
　　度量的目的是为了找出问题，问题可以是目标未达成的原因，避免在后续的工作犯同样的错误；也可以是目标成功达成的原因，转化为可被复制的成功模式。
　　数据分析之前首先要确定问题，要将大问题划分为小问题，通过回答小问题找到大问题的答案。例如：
　　改进营销活动的问题
　　提高绩效的问题
　　在分析数据的过程中加入维度的分析，可以很好的解答上面这些被拆解的小问题。
　　常见的维度分析包括：
　　时间维度
　　人口属性维度
　　行为事件维度
　　客户价值维度（RFM、活跃度、会员等级等）
　　3。预测
　　通过对历史数据的理解可以预测未来。
　　预测本身并不玄妙，平常人每天都在进行预测。某人每日准时7点出门上班，便可以准确预测到达公司的时间范围（如果路上不出意外的话）。原因可想而知，因为日复一日的上班路上，都在同一时间到达公司。
　　在客户关系管理中，几乎所有事务都可以预测：
　　哪些客户可能会流失？
　　客户下一次购物会发生在什么时候？
　　客户会对哪种类型的促销响应最好？
　　通过包含时间变量的可视化图表，我们已经可以做出一些简单的预测，例如销售的淡季旺季分别在什么事件；但多数预测是基于一组混合因素与将来的结果相关联，就需要一些数学模型的支持。
　　客户信息是品牌的关键资产
　　互联网时代已彻底改变了客户关系管理的模式，社交网络的崛起使品牌与客户的互动变的更容易，大量的客户数据正在产生。
　　品牌采集客户数据，形成客户画像，帮助品牌为客户提供精专服务，带来更大的转化率。同样的，品牌通过分析每个客户的价值，决定哪些客户值得投资和努力保留，哪些客户则允许流失。
　　收集及使用客户信息的最大难点在于客户身份的识别。品牌在各大互联网平台与客户互动，但由于平台与平台之间各有各的账号体系，导致真实世界中的一个自然人在不同平台以不同身份在与品牌互动。
　　举个例子说明：某客户在品牌的天猫旗舰店首次购买商品被标记为新客户，实际上该客户早在品牌的京东自营店上进行过多次购买，由于无法识别天猫用户与京东用户是同一个自然人，品牌同时在京东上给该客户发送了新客优惠，又在京东上发放了唤醒回购的优惠，直接导致了品牌资源的浪费。
　　打通客户数据的关键在于统一的身份标示，例如身份证号码，不过更适合商业使用的身份标示非手机号莫属了，手机号的收集可以来自于订单数据，更多的是来自于品牌举办的互动活动中引导用户自行提供其手机号。
　　数据的收集
　　数据分析需要的数据量当然是越多越好，但理想和现实是有差距的。除了微信、淘宝这些亿万级用户量的大厂外，即使是行业一线的品牌商想要收集到多维度的客户数据也并非易事。
　　通常品牌会不断的创造与客户互动的机会（例如营销活动、问卷调查等互动形式），从而收集客户的基本信息，通过预先在活动页面中埋点收集客户的行为数据。
　　数据收集很多时候让人气馁，这是一个漫长的过程，需要足够的耐心，我们能做的事：
　　制造好的互动内容吸引客户心甘情愿的留下他们的数据。
　　做好数据埋点和数据的存储规范，保证不同活动、不同渠道收集的数据能以统一的命名存储起来，方便后续使用这些数据。
　　相比数据量的大小更重要的是收集正确的数据。需要收集哪些数据是由业务需求决定的，比如奶粉品牌需要收集宝宝的出生日期；又比如，洗发水品牌可以收集客户的发质特点，从而向客户推荐更适合他们发质的产品。
　　数据的呈现
　　图表可以用来描述指标的表现。用户画像标签可以用来描述通过数据模型得出的客户特征。数据可视化的本质是以不同业务目的为前提，用最合理的方式描述数据，让人可以更方便的理解数据传达的信息。例如：
　　线图：用来表现基于时间维度的指标走向
　　柱状图或饼状图：用来表现指标的维度分布
　　直方图：用来表现指标的数据分布
　　散点图：同样是表现分布，用来做回归分析再合适不过
　　设计一款数据型系统时，数据可视化不仅是在界面上用直观的方式呈现数据，更需要满足完整的数据分析场景（度量、理解、预测）。除了选择合适的图表外，还有一些准则可以帮助业务人员更好的理解数据。
　　1。数据分析在于对比
　　本月新客户数量比上月高出20显然比本月新客户数量为200人更有指导意义。
　　比率是天生的对比性指标，以活动的转化率为例，将客户的访问人数和最终的购买人数做对比（购买人数访问人数），可以得知该活动的真正效果。
　　2。数据分析需要联动
　　数据分析是一个连续性的行为，不要孤立的看待一些数据点，数据需要联动起来。
　　如果两个指标总是一起变化，则说明它们是相关的。如果一个指标可以导致另一个指标变化，则说明它们之间具有因果关系。
　　3。提供灵活的多维度数据筛选数据对比
　　提供维度筛选，帮助业务人员找到数据表现的原因，避免同时存在许多不同解释。
　　此外增加维度还可以提防虚荣数据。仍以活动转化率为例，即使转化率达到了80，但那些被成功转化客户多半是没有活动也会购买的客户，那么这次的活动也并没有指标表现的那样成功。毕竟营销活动的目标是改变行动。
　　注意事项
　　即使是业内的通用指标仍需要明确指标的定义以及指标的计算公式。不同的品牌有不同的业务场景，对指标也可能存在不同的解释。例如：在线客服的绩效考核，不同品牌的考核标准都不同，对于同一个指标的计算方式也不同。
　　对于定性的指标，需要兼容后续对指标进行修正。例如：活跃度、客户价值，在指标运行了一段时间后随着市场变化、客户特性的变化需要重新调整指标的计算方式。
　　总结
　　数据分析的过程中有许多陷阱是由于人们的思维盲点造成的，通过反查明确我们不确定的因素。
　　理解业务，确定问题，将大问题拆分成可管理、可解决的小问题，使用正确的数据与分析模型找出问题的答案。
　　数据可视化不仅仅是页面的呈现，而是是完整的数据分析过程。
　　使用比较、联动、维度细分等方式分析数据，可以管理混杂因素，更准确的解读数据。
　　相关阅读
　　CRM系统设计全复盘（一）：客户关系的定义