數據從哪來？怎麼發揮數據真正的價值？CRM 系統的產品經理對待數據的正確姿勢是什麼？
前一篇文章重點梳理了 CRM 的本質，即客戶的定義以及客戶與品牌的關係。原本的計劃是接著探討粉絲運營以及用戶畫像。但最近正在做數據分析相關的產品設計，覺得應該趁熱打鐵總結一下自己在工作中的收穫。從另一方面來說，在現今的客戶關係管理中數據正起著相當關鍵的作用。
在正式開篇之前我想重點強調的是我們需要保持空杯心態去理解數據真正的意義。
之所以這麼說，是因為我自己就曾陷入一個誤區，理所當然的認為知道哪些是關鍵性指標（通常是一些業務的 KPI ）、應該使用什麼類型的圖表呈現就夠了。但當被人問到：“看到這個指標，然後怎麼做？”“對比了這兩個指標的變化趨勢，然後怎麼做？”，這才意識到指數據的呈現並不是數據分析的結束而是開始，數據分析是一個過程。
數據分析與挖掘技術
“數據分析與數據挖掘是數學與計算機科學相結合的產物。”
“數學是一門關於數字（numbers）、模型（shapes）、規律（patterns）和變化（change）的學科。”
結合以上兩句話，我認為已經足以準確的概括數據分析與數據挖掘在做的事——理解業務，找到關鍵數據，找到合適的分析模型，發現規律與變化，預測未來。
在這我不打算繼續展開復雜的數學知識。所謂術業有專攻，作為一個 CRM 系統的產品設計師或者產品經理，我們應該以什麼要的姿勢看待 CRM 的業務中數據的使用。
數據的價值是什麼？
1. 數據可以揭示真相
心理學裡有一種現象叫“鮮活性問題”，指的是當面臨解決問題或做決策的情景時，人們傾向於利用自己身邊真實發生的或者更容易獲得的信息來做決策，但有限的經歷、有限的資源導致這樣的決策模型很有可能會讓我們作出錯誤的判斷。題外話，要知道心理學與統計學是密不可分的，因此心理學中的很多思想都能在數據分析中找到影子。
舉個例子，提起“短信營銷”，你的第一反應是不是“現在哪還有人看短信啊？大家都在用微信了。”，這個答案是“不”，因為有數據顯示短信中的鏈接點擊量可以達到20%左右，而品牌的公眾號圖文的閱讀量一般在3%左右。是不是顛覆了你的認知呢？
用數據說話可以避免人們因有限的經歷及學習造成的認知偏差，揭示真相。
2. 數據可以轉化為行動
數據可轉化為信息，信息可轉化為行動，採取行動是數據分析的目的。通過對現實世界的理解、對以往工作結果的度量，使我們可以採取更明智的行動，獲得更好的結果。
但我更關心的問題是：握有數據就一定能做出明智行動了嗎？
回到“短信營銷”的例子，既然短信中鏈接的點擊率遠遠超過了圖文的閱讀量，那是不是意味著品牌商該放棄公眾號而全部轉用“短信營銷”呢？答案依然是“不”。
思考一下以下問題：
- 所有內容的短信點擊率都能達到 20% 嗎？
- 什麼內容的短信中的點擊率才可以達到 20% 呢？
- 品牌商是在怎樣的場景下獲取到短信用戶手機號的？
- 品牌商和短信用戶是怎樣的關係呢？
- 點擊了短信鏈接到最終目標KPI的轉化率又有多少呢？
短信轉化率之所以比公眾號圖文閱讀量高，答案可能在於短信用戶和公眾號用戶所處生命週期的不同。
品牌商在什麼場景下獲取的短信用戶手機號？或許是從電商平臺的訂單數據中獲取的，意味著手機號的主人已經是品牌的消費者或使用者，對品牌有一定認可，向成交階段的客戶群體適時的發送促銷短信可有效刺激客戶復購。
針對公眾號的運營，多數品牌以品牌建設和粉絲活躍為主要業務，運營目的是為了加深潛在客戶對品牌的認知，鞏固粉絲與品牌的信賴關係。假如公眾號渠道和短信渠道從運營目的到內容定位都不一樣，那指標上的表現就不是唯一參考答案了。
數據不會說謊，但數據卻會被誤讀，誤讀的原因在於人們的思維盲點。避免思維盲點的辦法是明確數據背後不確定的因素，通過“反查”的方法搞清楚哪些我們不知道的事情，才能避免對數據的錯誤理解。
源自《精益數據分析》
二、數據的指導意義
上文已經提到數據分析的目的是為了指導行動，數據對業務行動的指導可以歸納為三個方面：度量、理解、預測。
1. 度量
度量是檢驗之前工作成果必不可少的一環，最常用的就是 KPI（關鍵指標）的度量。
KPI 可以分為「目標 KPI 」和「過程 KPI 」。
- 「目標 KPI 」 度量的是業務工作最終目標的績效結果？例如：新增粉絲數量、新增客戶數量、復購率、成交金額等。
- 「過程 KPI 」是將為達成最終目標所做的工作進行拆解，在各個流程節點圈定不同的指標。例如為了拉公眾號新粉開展的一場的裂變活動，其「目標 KPI 」 是新增粉絲數量，而過程 KPI 包括：活動頁面的PV、UV、分享數等。
「過程 KPI 」的目的有兩個：
- 通過「過程 KPI 」可以預判目標績效結果，如果只專注於「目標 KPI 」結果是滯後的，限制了品牌在過程中調整行動。
- 「過程 KPI 」可以描述過程，反應問題，分析績效結果的原因，例如常見的漏斗模型。
2. 理解
度量的目的是為了找出「問題」，問題可以是目標未達成的原因，避免在後續的工作犯同樣的錯誤；也可以是目標成功達成的原因，轉化為可被複制的成功模式。
數據分析之前首先要確定問題，要將大問題劃分為小問題，通過回答小問題找到大問題的答案。例如：
改進營銷活動的問題
提高績效的問題
在分析數據的過程中加入「維度」的分析，可以很好的解答上面這些被拆解的小問題。
常見的維度分析包括：
- 時間維度
- 人口屬性維度
- 行為事件維度
- 客戶價值維度（RFM、活躍度、會員等級等）
3. 預測
通過對歷史數據的理解可以預測未來。
預測本身並不玄妙，平常人每天都在進行預測。某人每日準時7點出門上班，便可以準確預測到達公司的時間範圍（如果路上不出意外的話）。原因可想而知，因為日復一日的上班路上，都在同一時間到達公司。
在客戶關係管理中，幾乎所有事務都可以預測：
- 哪些客戶可能會流失？
- 客戶下一次購物會發生在什麼時候？
- 客戶會對哪種類型的促銷響應最好？
通過包含時間變量的可視化圖表，我們已經可以做出一些簡單的預測，例如銷售的淡季旺季分別在什麼事件；但多數預測是基於一組混合因素與將來的結果相關聯，就需要一些數學模型的支持。
客戶信息是品牌的關鍵資產
互聯網時代已徹底改變了客戶關係管理的模式，社交網絡的崛起使品牌與客戶的互動變的更容易，大量的客戶數據正在產生。
品牌採集客戶數據，形成客戶畫像，幫助品牌為客戶提供精專服務，帶來更大的轉化率。同樣的，品牌通過分析每個客戶的價值，決定哪些客戶值得投資和努力保留，哪些客戶則允許流失。
收集及使用客戶信息的最大難點在於客戶身份的識別。品牌在各大互聯網平臺與客戶互動，但由於平臺與平臺之間各有各的賬號體系，導致真實世界中的一個自然人在不同平臺以不同身份在與品牌互動。
舉個例子說明：某客戶在品牌的天貓旗艦店首次購買商品被標記為新客戶，實際上該客戶早在品牌的京東自營店上進行過多次購買，由於無法識別天貓用戶與京東用戶是同一個自然人，品牌同時在京東上給該客戶發送了新客優惠，又在京東上發放了喚醒回購的優惠，直接導致了品牌資源的浪費。
打通客戶數據的關鍵在於統一的身份標示，例如身份證號碼，不過更適合商業使用的身份標示非手機號莫屬了，手機號的收集可以來自於訂單數據，更多的是來自於品牌舉辦的互動活動中引導用戶自行提供其手機號。
數據的收集
數據分析需要的數據量當然是越多越好，但理想和現實是有差距的。除了微信、淘寶這些億萬級用戶量的大廠外，即使是行業一線的品牌商想要收集到多維度的客戶數據也並非易事。
通常品牌會不斷的創造與客戶互動的機會（例如營銷活動、問卷調查等互動形式），從而收集客戶的基本信息，通過預先在活動頁面中埋點收集客戶的行為數據。
數據收集很多時候讓人氣餒，這是一個漫長的過程，需要足夠的耐心，我們能做的事：
- 製造好的互動內容吸引客戶心甘情願的留下他們的數據。
- 做好數據埋點和數據的存儲規範，保證不同活動、不同渠道收集的數據能以統一的命名存儲起來，方便後續使用這些數據。
相比數據量的大小更重要的是收集正確的數據。需要收集哪些數據是由業務需求決定的，比如奶粉品牌需要收集寶寶的出生日期；又比如，洗髮水品牌可以收集客戶的髮質特點，從而向客戶推薦更適合他們髮質的產品。
數據的呈現
圖表可以用來描述指標的表現。用戶畫像標籤可以用來描述通過數據模型得出的客戶特徵。數據可視化的本質是以不同業務目的為前提，用最合理的方式描述數據，讓人可以更方便的理解數據傳達的信息。例如：
- 線圖：用來表現基於時間維度的指標走向
- 柱狀圖或餅狀圖：用來表現指標的維度分佈
- 直方圖：用來表現指標的數據分佈
- 散點圖：同樣是表現分佈，用來做迴歸分析再合適不過
設計一款數據型系統時，數據可視化不僅是在界面上用直觀的方式呈現數據，更需要滿足完整的數據分析場景（度量、理解、預測）。除了選擇合適的圖表外，還有一些準則可以幫助業務人員更好的理解數據。
1. 數據分析在於對比
- “本月新客戶數量比上月高出20%”顯然比“本月新客戶數量為200人”更有指導意義。
- 「比率」是天生的對比性指標，以活動的“轉化率”為例，將客戶的“訪問人數”和最終的“購買人數”做對比（購買人數/訪問人數%），可以得知該活動的真正效果。
2. 數據分析需要聯動
數據分析是一個連續性的行為，不要孤立的看待一些數據點，數據需要聯動起來。
如果兩個指標總是一起變化，則說明它們是相關的。如果一個指標可以導致另一個指標變化，則說明它們之間具有因果關係。
3. 提供靈活的多維度數據篩選&數據對比
提供維度篩選，幫助業務人員找到數據表現的原因，避免同時存在許多不同解釋。
此外增加維度還可以
提防虛榮數據。仍以活動“轉化率”為例，即使轉化率達到了80%，但那些被成功轉化客戶多半是“沒有活動也會購買的”客戶，那麼這次的活動也並沒有指標表現的那樣成功。畢竟營銷活動的目標是改變行動。注意事項
即使是業內的通用指標仍需要明確指標的定義以及指標的計算公式。不同的品牌有不同的業務場景，對指標也可能存在不同的解釋。例如：在線客服的績效考核，不同品牌的考核標準都不同，對於同一個指標的計算方式也不同。
對於定性的指標，需要兼容後續對指標進行修正。例如：活躍度、客戶價值，在指標運行了一段時間後隨著市場變化、客戶特性的變化需要重新調整指標的計算方式。
總結
- 數據分析的過程中有許多陷阱是由於人們的思維盲點造成的，通過反查明確我們不確定的因素。
- 理解業務，確定問題，將大問題拆分成可管理、可解決的小問題，使用正確的數據與分析模型找出問題的答案。
- 數據可視化不僅僅是頁面的呈現，而是是完整的數據分析過程。
- 使用比較、聯動、維度細分等方式分析數據，可以管理混雜因素，更準確的解讀數據。
閱讀更多 人人都是產品經理 的文章
