京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代挖掘小数据的重要性
在互联网迅猛发展的今天,大数据连接了千百万的数据点,很多人像信仰宗教一样信仰大数据。但在大数据时代,挖掘小数据也很重要,甚至更加重要。
最近有本新书,名叫《痛点:挖掘小数据满足用户需求》。这本书里说,这本书的作者是世界著名品牌营销专家马丁·林斯特龙,他曾是迪士尼、百事可乐、雀巢等著名企业的品牌顾问。马丁认为,身处大数据时代,我们要注意两个问题。
第一个问题是,大数据不会激发深刻的见解。他认为,创意通常来自把一两个不相融的物体结合起来。但是,大数据库过于狭隘,无法促成对比分析,很难带来突破性的结论。
第二个问题是,大数据重分析,轻情感,数据很难捕捉我们最看重的情感品质,比如友好、可爱。所以虽然大数据能够帮助品牌做决策,但却没办法让人们喜欢你的品牌,也就是没办法提升品牌的受欢迎度。
而且,技术的出现让我们拥有了两种人格,网络的和现实的。这两种人格几乎没有相似之处。在社交媒体上,我们并不是真实的自己。所以,当人们按照生活中的习惯行动的时候,来自网络的大数据分析通常不会很准确。
基于这两个思考,马丁·林斯特龙就提出,在大数据之外,更重要的是对真实生活场景进行观察和分析,也就是寻找小数据,只有这样才能找到用户最真实的需求。挖掘小数据,就是从手势、习惯、装饰、密码等等生活细节中,发现人们的欲望和需要。只有满足这些需要,也就是痛点,才能掌握无限的商机。换句话说,大数据与小数据的结合,才是21世纪实现营销成功的关键因素。
书中举例说,作者曾经受到委托,在沙特阿拉伯设计一个购物中心。他像往常那样在当地进行了详细的调研,发现沙特墙上的涂鸦都有一个主题,那就是水。他还发现,沙特的儿童书里面很少有和沙漠有关的内容,而是以绿洲、溪水为主。而沙特孩子五分之四的玩具是消防车、救护车和警务车,这个比例在全球来说非常高。马丁在咨询了心理学家以后,觉得这些现象都来自于沙特人对火的强烈恐惧,尤其是女性。所以在设计商场的时候,马丁和设计团队设计了几条大水渠穿过商场,还增加了鸟叫声,将商场变成了充满水形象的世界。这个设计最终取得了非常好的效果,就是因为契合了大家的心理需求。
那么,到底该如何挖掘小数据、捕捉需求呢?书里介绍了7个步骤。
第一,搜集资料。想了解某一地区人们的习惯,当地的调研必不可少。可以找几类人获得信息。一个是文化观察者,比如初到此地的新人,问他们的印象。或者当地最基层的人,比如理发师、酒保、邮递员,他们不光会告诉你事情的详情,还会告诉你他们亲朋好友的情况。我们要尽可能从更多的信源中,获得不同的观点。
第二,寻找线索。人有两个自我,一个理想的自我,一个真实的自我,而需求往往就是存在两者的差异之间。调查的时候,理想的自我可以从客厅、背包等显露在外面的地方来看,而真实的自我可以从比较隐私的地方去找,比如冰箱、衣橱等等。
第三,连接线索。问问自己:线索有什么相似的地方?这些线索偏向某个方向吗?如果最初有假设,打算开始验证吗?
第四,关联。寻找顾客行为上的转变,作者称为切入点,从中可以看到一些隐藏的信息。可以表现切入点的事件包括,结交新朋友、得到或失去伴侣、送孩子上大学,以及所有人生中的里程碑或者职业转换。
第五,因果关系。这一步要开始小数据挖掘了,找出因果关系,想想顾客的感情由什么激发?他们需要什么?要站在顾客的角度看问题。
第六,补偿。验证完因果关系,就该提取欲望了。要思考,人们还有什么欲望没被满足?满足欲望的最佳方式是什么?
第七,观念。想想已经发现的欲望,要用什么创意才能满足。作者提醒,创意不太可能在压力下产生,往往是不经意间到来,所以要给自己留有足够的空间。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12