“我知道每样从货架上移走的商品，我知道拥有会员卡的消费者的很多信息，

但是，当我们在货架上摆上与消费者购买的商品类似的产品时，并没有看到预期的收入增长。”这是为什么？

Big Data，大数据，是基于人们在因特网和社交媒体的种种行为而形成的量化信息。随着此类数据的逐步激增，激发起公司、学界和媒体利用这些数据的渴望。其中，公司的高管们十分着迷于通过客户的活动细节（如他们跟谁联系，喜欢什么等）来发现客户的购买倾向。而通过计算机的分类、过滤和建模，可以使基于互联网的数据分析成为现实，更刺激了公司去实践大数据分析的想法。毫无疑问，大数据将成为市场营销领域的下一个游戏规则颠覆者；而在这场变革中，有经验的公司将获得更多的收益。

由于数据挖掘的自动化软件在如今已经变得随处可得，很多高管都认为他们可以很轻松地发现以前不明显的趋势、动态。但是，分析本身包含的内容远不止知道某个事实，还需要聪明的分析师提出正确的问题，并作出正确的决策；仅仅回答“是什么”的数据分析不是分析，必须学会询问“为什么”、“接下来是什么”。

为了回答这些问题，真正有效利用大数据的全部潜力，公司应该回归基础，而不是继续深陷误区。笔者基25年的市场营销数据分析领域的工作经验认为，有三点基本原则一直是实现有效数据分析的核心。A.依靠基于理论的方法，而不是盲目地进行数据挖掘；B.对客户和市场保持一种大局观；C.坚持干中学。

理论假设筑基

如果没有理论告知分析师，消费者如何形成偏好并付诸行动，那么分析师很快就会被潮涌般的数据淹没，这世界上的任何一种先进数据处理能力都无法帮助分析师走出茫茫数据大海。因此，数据分析的第一步应该是就“客户需求”以及“如何为他们创造价值”等内容制定一个清晰明确的假设。这一假设也许是针对实验室里、具有大获全胜潜力的新产品；或者是针对市场中尚未忠于任何品牌的客户（又称“未做决定的选民”）——往往公司仅仅通过一些策略微调，就可以抓住这些潜在客户。

一旦获取所需的数据来验证假设，所得结果将指引公司制定具体方案来发展、完善相关价值主张，并将这些价值主张引向市场。通过合理的假设与验证，公司将能恰到好处地进行市场细分（即将具有类似偏好和行为的目标客户进行分类），这有助于更有效地定位公司战略。

譬如，一家制药公司的一款药品近期销量不佳，公司试图增加该药品的销售额。于是，管理者提出假设，认为公司当前的销售方案没能很好地针对内科医生，而这些内科医生是最有可能在开处方时使用该款药品的重要目标群体。

为了验证这一假设，公司搜集了大量关于医生在何种情况下会开出这种药品的数据。例如，内科医生每年会开出多少处方，他们开出的处方数量是增还是减，他们对于谁的配方比较忠诚（公司自己的还是主要竞争对手的）等。这令公司能够在市场中找到一个最佳定位：哪些内科医生开的处方多，谁每年开的处方数量递增，谁对制药商的配方没有特定偏好或者不存在忠诚度等。

虽然由于药品销售业绩不好，相关销售人员锐减，但通过上述数据分析，销售队伍有的放矢地直接朝着数据指向的机会攻略，成果大大超乎他们的想象。

“生活中的一天”

营销科学的发展历程中，有一条重要经验教训，即“喜新厌旧”不可取。当一种新数据源出现并且变得可得时，人们就会蜂拥而上，大量予以采用。而更加聪明的公司则会在这种时候保持冷静，有所保留，以一种更加全局的视角来看待客户和市场。一方面，这些聪明的公司会热情地挖掘新数据源；另一方面，它们依然重视其他信息，以此相互补充，避免遗漏重要信息，影响分析。

要知道，这不是市场营销领域第一次面对数据革命带来的颠覆，之前出现的转变过程也有崎岖。20世纪80年代中期，条形码扫描的出现使得公司能够通过付款台搜集到信息。而此前，数据是很有限的。公司只知道他们运送了什么货物，然后至多询问一下消费者购买了什么产品。但是，随着扫描器的出现，公司可以切实知道每一个销售点的情况。

在该项技术发明的早期，利用这种新数据的意识导致了不少失误。高管们变得过于关注价格促销对于销售的影响，而丢掉了市场营销的基础：品牌价值与品牌建设。然而，随着时间的推移，公司磨砺出更加复杂的统计模型，并在此基础上调整了精力的投放焦点；随之，扫描器成为近30年来消费市场和零售业的一大“神兵利器”。今时今日，这种以销售点来搜集数据、了解客户的方式已经扩展到会员卡，可以帮助零售商了解每个家庭购买了哪些产品及其具体的网上购物行为。

就像早些年关于条形码的投资回报模型存在缺陷一样，最新的大数据分析也可能导致误入歧途。很多零售商表示，“我知道每样从货架上移走的商品，我知道拥有会员卡的消费者的很多信息，但是，当我们在货架上摆上与消费者购买的商品类似的产品时，并没有看到预期的收入增长。”

到底遗漏了什么呢？很可能，由于过度关注最新的数据源，零售商无意中陷入了一维视角。事实上，要摸透客户的消费行为，需要更加宽广的视野。在营销领域，这种宽广的视野常常被称为“生活中的一天”。它的含义是：应更加全面地了解客户；知道客户与自己公司之间形成的互动，以及客户和其他零售商之间的互动是如何结合起来的；或者客户与自己公司的互动，是怎样与客户在其他企业、购物渠道和活动中的行为相适应的。如果没有深刻洞察是什么促使消费者去到其他地方购物而不是自己那儿，公司的增长计划就会有风险。

跑之前学会走路

在对新类型数据进行分析时，第一步是学会开放心态和协调方法。虽然挖掘新数据几乎总能发现令人兴奋的新结论，但是公司不可操之过急，应该以开放的心态对待新的数据分析方法，逐步挑战以前奉为真理的做法与言论。

一般而言，采用新数据源获取的新信息会让公司质疑某些产品、服务或者战略。有时候如果大规模采信会适得其反。所以，并不建议公司在出现新数据源时全力以赴进行分析并使用相关结论；最好能逐步进行试用，如此，公司才能在奔跑前先学会走路：可以先从一种产品、一定地域或一个问题着手，然后评估采用新数据、新方法进行数据分析及相关改进的收益与成本，以此判断对新数据源进行分析是否值得。

例如，一家全球能源巨头决定采用更加先进的分析方法来解决量化研究问题，提升营销投资的回报率。高层领导选择了三个国家的两个业务部门，横跨发达国家和发展中市场，来执行有关项目的试点。每个项目的概念框架和目标都是相同的，但是经营欧洲的加油站和在亚洲销售机油需要不同的数据集和分析工具。这种多样化使得公司可以试验更多的分析方法，获取足够的经验来决定在何种情况下使用哪一种分析方法。此外，一旦这些试点项目成功，就可以为其他业务单元和国家分支机构树立起信心，凝聚采用新数据分析方法的热情。随着新分析方法的不断应用，有关模型将会更加复杂也更加实用，逐步为公司上下接受，最后在全球范围内得到使用。

回归基础

很多高管都对采用大数据感兴趣，但往往对于这一最新的分析工具和技术没有多少直接经验。所以，在一开始，他们常常询问这种分析方法成本有多少。而笔者予以的回答一般是：“做出错误决策的成本是什么？如果像柯达那样没能及时对数码摄影作出反应会付出什么代价？”如果换一种和缓、不太直接的方式来说，会是这样：“数据分析首先需要投入一大笔钱来装配、协调数据；之后，公司需要训练有素的数据专家开展更高规格的工作来找到隐藏在数据背后的模式，进行解读，并最终转变成公司可以使用的观点、见解。”

但是，就如之前的三个基本原则所显示的那样，采用新的数据分析方法其实是一个可管理的过程，处理得当，便能带来潜在的巨大收益。事实上，大多公司一旦开始投资于数据分析，他们基本就不会停下来，因为数据分析结果对业务的提升远超数据分析所需的成本和努力。可见，数据分析已经成为公司自给自足改善市场地位的重要途径。