大数据？AI？：商业洞察与决策的现在与将来

本文整理自秒针系统洞察产品负责人陈羲在拓扑秀线上分享的内容。

分享嘉宾：秒针系统洞察产品负责人    陈羲

拥有超过十二年以上互联网服务与线上数据智能分析经验，负责业务拓展与产品战略，有丰富的社媒聆听和大数据分析行业经验。服务于全球五百强客户，包括Burberry, Chanel, Coca-Cola, 戴尔，恒天然，Kerring, 欧莱雅，玛氏，雀巢，耐克，通用，WGC，YUM!等品牌的市场营销、公关、研发等各个部门。针对品牌线上资产、移动平台、电商研究与执行提供战略咨询与研究服务。与雀巢中国设计并建设了中国第一个社会化媒体聆听控制中心。在秒针系统设计并实施了社媒聆听产品Singer，1000万社媒人群样本库Matrix等洞察产品。

以下是正文：

首先介绍一下秒针，我们的核心业务是互联网广告监测，这个体系我们大概占了市场上七成左右的品牌与广告曝光。我们本身拥有比较大的除了BAT以外的海量第三方数据，主要是线上的浏览、曝光和点击行为。除了我们的核心业务之外，今天分享的主要是秒针洞察，在现有海量数据的情况下，如何用这些数据去帮助品牌、企业乃至个体更好地进行分析和决策。我自己本人在互联网企业、研究公司、咨询公司都有相关的经验，今天的分享是想基于传统的方式、现在的方式、以及将来更加自动化的路上，怎么做洞察与决策的业务。

大象起舞 ： 传统市场研究与消费者洞察体系

我们提到洞察的时候，核心内容是，对事物的实际运行机制有本质的理解，然后同时基于这些认知能够产生下一步的行动，并且带来正面影响的一个结果。所以 我们在洞察特别是在商业上，不仅仅要知道一些东西，而是要在知道这些结果之后，能够实际给我们的商业价值带来什么影响。

现在正统的或者说传统的市场研究体系是非常成熟的，基本上我们所熟知的面向消费者的各大五百强品牌，都有非常完备的研究体系。在整个集团层面有那么多的品牌或者每个品牌下有那么多产品线，每条线都非常需要对于市场的理解和对于消费者的认知，他们才能继续这个决策。这样的体量之下，没有哪个企业可以仅仅通过个体的决策，去做到稳健的发展。 

简略地给大家讲一下市场研究的基本内容。 传统市场主要是在定性和定量的研究上 ，定量的方式往往是找到相应的目标受众和需要研究的对象个体，进行一个问卷调研，然后每个用户都会回收一些问题的答案，我们通过这些答案来进行分析实际消费者的态度和特点。定性研究的话就会更深入地去跟一个或者多个消费者进行更深入的互动式研究，这里往往会在心理层面上和诉求层面上有更深的挖掘。

传统市场体系通过洞察或者做研究 ， 最后的产出对于企业的帮助是全方位的 。 包括下面这些方面：

在这里还有必要跟大家讲解一下 大型的企业和其内部基本的市场体系、典型的运作机制 。在一个集团层面，下面会有很多的事业部和子品牌。比较熟悉的像宝洁、欧莱雅、联合利华，都是非常典型的例子。会有下面这样的配置：

集团层面的市场研究体系和事业部/品牌层面的市场推广媒体投放体系的关系，有可能是从集团层面统筹，有可能是下放到各个品牌，也有可能让两条线互相进行协调。

所有产出都会通过市场研究和消费者洞察的预算形成项目，支持到包括市场推广、产品研发、公关部门、甚至投资并购和战略发展，去支持他们对整个市场环境的理解。这些信息其实形成了一个完整的支撑各条业务线和功能线进行决策的信息来源渠道。他们也会非常紧密地去跟相应的需求部门进行沟通，去获得最佳的研究项目结果。

举几个例子：

1、  欧莱雅收购美即面膜

这个决策很大，也涉及到非常多的环节，最早的环节除了欧莱雅集团的内部人员会看到相应市场的机会之外，同时他们也进行了一些数据趋势的验证采集，包括从社会化媒体上，从销售渠道的线路上，这块的数据在早期阶段就已经能形成基本的趋势和判断。后续又进行了相应的定性需求分析、定量的需求方面的调研，以及对于市场上一些品牌的资产情况的分析。

2、 雀巢发布新品BabyNes

这款新品发布前，经过了两年左右的前期验证，从最初的产品创意到最后的成型，中间经历了非常多的消费者需求的探索。从最初的创意上来讲，雀巢想针对父母群体的一些痛点，解决需要在半夜起来更简单的解决泡奶的问题。后续进行了非常长期的用户深度调研，包括潜在用户群体对于使用上的便利性、健康状况和卫生状况、以及整个使用体验的定量反馈。最后在定价策略上，这是一个非常高端的产品，价格相当高而且持续使用的费用并不低。雀巢从前期到后期都在找寻不同收入阶层和消费阶层的消费者群体，来试验他们应该以什么价位卖给哪个人群，直到最终这个产品上市。

3、飞利浦智能台灯

飞利浦的整个课题是想要知道怎么样以他们的核心竞争力——灯光体系，趁着消费升级和智能家居的大浪潮去获得机会点。虽然前期找了非常多的信息，产生了非常多的想法，进行了广泛的分析，但是最后选择了功能单一的场景来落地。它仅仅是把一个LED光源的稳定性和智能化做了简化和单一的应用，但这个产品其实很畅销。

这些案例都是经过了非常完整的研究体系的。这个体系在时间和金钱上花费都会非常高，比较大型的研究项目通常可能需要三到六个月，还不包括连续性的研究。所以不管是产品研发还是沟通策略选取，是非常长的一个过程。

那么也就导致现阶段， 真正有市场研究预算，真正进行完整体系研究的公司或者使用这个服务的品牌，都是非常大型的品牌 。在这个机制之下，有非常多的大型品牌很成功地完成了一些产品上的创新，完成了一些组织结构上的创新，完成了他们整个对于消费市场不断变更的应对。

可能大家认为像BAT这样的互联网企业已经有非常海量的数据，其实他们当中有些公司是传统市场研究公司的客户，他们也越来越多地在投入，用这条非常传统的体系去更好的理解他们的目标受众和消费者在哪里。 然而其实还有很多的决策，并不一定要通过这样一个完整体系来实现 。

举几个例子：

1、 NextEV公司的新车发布

这家公司的创始人对汽车有很深的研究，有非常多年的行业积累。他们看完设计师团队给的稿件和样车之后，反馈是按照他们的审美习惯做些调整。直到最后一刻他们又决定尊重整个设计团队原有的设计，同时再加上了一些少量他们喜欢的元素。整个外观的设计是非常重要的一环，但其实对于这家汽车公司而言，他们整个的研究过程、设计过程会非常的漫长和不停的改动，但最后的拍板和敲定其实没有经过那么多复杂的消费者测试。

2、 椰树椰汁 广告设计

很多人吐槽这个设计，也有很多人增热点（我们也打个小广告）。我并不认为这个老板想做相应的营销，设计人员只是以老板的喜好和审美做出了决策，但是它达到的效果非常好，很好地提升了椰树椰汁的整个品牌认知，以及在消费群体当中的曝光度。

3 、明星代言

现在品牌方在投入非常大的明星代言或影视投资上，其核心的要素就是小鲜肉明星。选择了小鲜肉你就会有一定的票房保证，当然不能最终确保你会得到非常好的数字或者一个投资回报，但是如果你不选用的话，可能整个风险会非常大。

所以我们可以看到传统的市场调研，给我们所带来的是一个非常牢固的稳定的保障体系。它能够帮助我们获取足够多、足够深入的决策信息，提供给相应的职能部门做决策。当没有这些信息的时候也可以做决策，但失误的几率会提升。这对整个企业来说是一道风险的屏障， 只有确保前端的信息能够精准的进来，才有可能让后端的决策有更高的成功几率。

然而对于一些初创型或在追求高风险高回报的场景之下，很多时候这套研究体系反而并不适用，不管是时效性还是决策要素的达成上，其实都不足以去支撑像高风险高回报的投入。在这个层面上，往往靠的是决策者本身对于行业的理解、对于整个大环境的理解和他的一些灵感。

新时代恐龙：海量数据时代下的洞察与决策

现阶段海量数据时代下洞察能做什么？无论是整个网民的量，还是设备量，都已经远远超过了6个亿以上，每天都产生非常多的数据，而且维度非常丰富。

最早比较有名的用数据来做决策的，发生在差不多十年前，Zynga也就是Facebook当时的一个游戏合作方，他们非常直接的采用了数据式经营。由于有10%左右的Facebook用户在使用这款游戏，他们就会拿这些数据去测试不同的游戏配置和设置，通过向两个类似的群体推送不同的游戏配置来确认哪个数据效果更好。

然而这家公司在15年关闭了中国的office，整个业务线收缩得非常大。 如果数据不能帮助他们去感知接下来的方向，那么即使运营优化到极致，在一个时间点上也会出现像Zynga的失败。

上图是BAT各类大数据洞察的产出，左上角是微信今年做的用户迁徙的信息，通过微信的地理位置数据去判断春节期间人群的流动。这是通过真正海量的数据做出来的分析，会比任何可执行的人口统计或者传统意义上的研究都来的更加精准。

聚石塔是另外一个典型的数据应用，从这个层面上，淘宝或者天猫品牌所提供的数据能准确地帮助中小企业，每个卖家都在用这些数据去分析他们应该如何选品、如何推广、接下来应该有哪些服务。这是在之前传统市场研究当中完全不可能服务到的一个群体，没有人真的有这个预算去做，也没有一个高效的工具去采集数据。

百度也同样用他有的数据提供了非常多的平台，这里只看到司南是他们做数据商业化的一个尝试，包括对人群的画像、舆情的分析、代言人的选择，这个场景画得很贴合品牌的实际需求，但最终效果并不好，百度并不能非常好地去用这个数据进行长尾的商业化，去服务到中小企业和品牌。这里的核心在于数据本身的价值，百度在这里用的数据仅仅是自己的搜索数据，不管这个数据的颗粒度有多么细，因为是自己的原始数据，仍然缺乏必要的其他层面的数据来更好地支持不同层面的应用。

从这些场景中，我们看到的问题是， 单一数据源可以很好地帮助我们在特定的运营层面做优化 ，不管是淘宝，还是司南做SEM，这都是有可能执行的。所以数据的分析和反馈在垂直的目标明确的优化的应用下，在现阶段是能实现的。 而当 我们想要去实现传统意义上更复杂的研究，它的洞察深度远远不够 。

我们在做洞察产品时候，发现信息量越来越大，整个决策周期在跟着变长。如果能够在信息量增大的情况下，在DT时代把整个决策效率提升上去，这中间所产生的价值就是我们认为数据洞察的商业价值。而这个行业并不仅仅只是为了接下来更快地去服务品牌方，虽然品牌会为此买单，同时，我们希望 整个数据洞察和数据支持的决策能够让中小企业，甚至个体层面都能很低成本地去访问、去提高整个社会的运行效率，这块的蓝海会是接下来增长非常大的领域 。

在目前阶段，大家在数据产生洞察或者数据优化层面， 最典型直接的就是帮助投放 。这是钱最集中的地方，也是有了洞察之后或者有了一些策略之后，最容易产生收益、评估收益的地方。下图可以看到有这么多的公司和不同的角色，就会知道这块市场有多大。

当我们想用大型数据或者海量数据结合分析模型，真正做到第一个部分所提到的面向消费者洞察，我们发现 单一数据源是远远不够的 。我们除了需要大型的数据，包括市面上用户的分享、运营商的数据、App的数据，同时也需要结合调研数据去获得一个更完整的概念。在这个过程当中，大家会发现不同的数据可以覆盖不同的需求，关键就是把这两组数据有机结合起来，进行交叉分析。下面是秒针平常在做消费者洞察或研究常用的数据源，这些数据通过打通和处理之后会形成优势互补，可以真正去克服一些传统研究上的障碍。

举一个简单的例子，比如说我们在运用数据去试图理解消费的群体是谁的时候。如果客户需要找到店内的用户进行访谈，我们现在主要的途径是通过店里的探针去判断哪些用户真正到店，用户到底属于什么群体，从下图能明显看到他是属于在这附近的居民、上班的群体还是偶然路过。

这要经历比较多数据清洗的过程，同样要能够完整获取用户不同的位置，这里会涉及到App的数据和运营商的数据。当我们把到店的用户分成几个不同的群体之后，再来具体看这些用户的特征的时候，后面几部分更能产生真正意义上洞察，再去理解应该怎么样去投放或者在店内跟用户进行更多互动。比如说可以结合wifi的数据和运营商的数据，去判断在这个时间点到店的客户坐在店里多少时长，这个时间段用哪些App等，这些会对移动端的投放策略或内容上合作等有相应的指导。

这些仍然是完备的品牌体系可以做的，但其实很多时候如果只是想快速获得一些数据做验证，是有一些多快好省的方式，或者说多快省但不一定好。

会喷火的龙：传说中低成本高效率有深度的洞察方法

给大家看篇文章，在这类分析中，用户会用一些免费的工具和不同的渠道去做，但是思路是挺开阔的。

如何塑造张杰这个品牌？

http://mp.weixin.qq.com/s/LjumiS95zUnFD0w1ekTQeg

当我们做些粗浅验证的时候，这是我们内部使用的一个快速工具，用来快速地跑一些标签。上面这篇文章，有一些典型的使用场景的问题，这里包括用户并不是特别清楚数据来源，比如标签是怎么打的，是用哪些数据去形成了最后的结论，张杰背后的用户是怎么选取出来的。这些是现阶段我们使用快速工具的时候需要克服与考虑的不稳定因素。

此外，当我们想用数据做洞察的时候，很重要的是要找到相应的比对，比如对标的人群跟我这个目标的特征有什么不同，从这些不同点当中才可能产生洞察的机会。你会发现一些关联关系或者非关联关系，之后通过这些关系去找到洞察机会点，来判断因果。有了因果之后，我们才可能形成洞察， 数据本身只能一定程度上告诉我们可能的关联性，背后的因果关系才是可以行动的部分。

上面两张图是很多时候运营人员会使用的，包括百度指数和微指数。这两张图有非常相反的状态。这里我想谈到另外一个问题，当在用不同数据源的时候，如果我们分析的两群人不是相同的两群人，并不一定从严格意义上相同，而是只从特征和行为上相同的话，那么从中并不能直接用来作为冲突或者相关的证明。我们需要的是更完整地去找到这背后的信息，去理解这个模式出现的原因。

另一个层面，当我用下面这两个关键词的时候，其实系统是不允许你用像“王者荣耀”这样的词的，而这个词很可能是很多用户在进行检索和谈到这个游戏所搜索用的词。那这里面就有数据的缺失，所以多快好省的方案并不一定有。

大数据和AI时代的洞察自动化与决策自动化

有了大数据和机器学习的时候，我们怎么样可以把洞察的体系做到真正的多快好省。

上图是两个决策流程的对比：

左边，当我们有一个资深的用户，在获取了一些基本的数据指标之后，基于行业知识和获取的不对称信息，比如说业内的人脉所带来的这些信息，然后加上一些天才的灵感进行决策。这个决策有相当大的几率会失败，但是也有非常多的时候是高风险高收入的。一个典型的例子，即便现在业内有非常多的号称大数据的公司在做影视剧的投资分析，但他们并不能直接用这些数据来形成对后续的预测和决策，很多时候的决策是基于一些老编剧对于整个剧集的感觉。

右边，是实际上可以在不远的将来往下做的，有一部分其实已经做的非常好了，有很多流程仍有待我们通过数据和机器学习去实现。完整的流程包括有效数据采集、数据清洗、数据结构化（包括图片、视频、文本等），之后要识别相应的实体，可能是某一个消费者或特定的主题，基于此是多维度的数据打通。打通数据之后，形成行业性质的知识图谱。这个整理过的知识图谱通过我们特定的业务逻辑再来产生洞察。有了相应的洞察之后，还有个体系是用相应的策略库，策略库其实也是可以通过海量的数据采集和验证来做的，最后形成一个自动化决策。整个流程其实是可行的，目前非常需要人工介入的是知识图谱的构建和数据清洗。在有了非常明确的应用场景和商业目标下，我们是可以通过这样一整套体系从有效的数据到最终的决策，进行顺畅的执行。

比较典型的，IBM的这套Watson体系，他本身构建的是一个非常大的平台体系。包括整个认知、知识图谱的积累、整个平台化的接口，由外部的应用来接入行业的数据、业务场景和业务策略、业务逻辑。目前阶段略尴尬的是，实际的应用当中还是非常窄的一个层面去应用，并没有特别广泛的通用型的决策和洞察的体系的出现。

总结 ： 数据指导策略 、 数据验证策略 、 数据评估策略

总结来说，现阶段我们需要做的事情是， 在有了数据的情况下指导策略，然后通过数据验证策略，最后还需要用数据来评估这个策略实际执行的效果 。这样下来就可以更好的把闭环完成。通过算法、数据、对于消费者的理解和验证，整个完成之后，类似于在做AlphaGo围棋对局的过程，通过不停的数据产生、数据验证和经验的积累，形成策略优化。

最终我们认为所有的企业包括个体都需要关注怎么样可以更好更快地获得相应的决策洞察的支持。因为整个数据成本在变低，分析门槛在变低，因为有了那么多工具和预先配置的体系。当我们不用数据的时候，我们无法保证不被甩在后面。有两种情况，要么真的跑赢老虎，达成了最终完全的自动化洞察。要么就跑赢身边那个人，找到更加独有的数据，这些数据不一定是公开的，需要企业通过特殊的渠道去挖掘，然后能够有更高效率更加行业化的分析。

这些基础的信息其实已经可以达成自动化的部分，在效率提升的情况下，最高决策人或产品负责人再基于整个企业，对于整个趋势，不管是微型趋势还是对大环境的判断、对自己资源的判断，结合起来最终做出一个决策。最终决定这个企业或者产品是否能生存下来，就归结在剩下的产品力和执行上。

本文为拓扑社原创，未经同意不得转载或引用

寻求报道&合作请联系：tobshe@itjuzi.com

关注拓扑社微信：tobshe，获取更多内容哦~