從龐大的數據中找出見解

企業界已投資了數百萬美元在大數據（巨量資料）和數據分析上。但最近的報告顯示，大多數的這些投資都還沒有看到報酬。在這個「數據是新石油」的時代裡，精明的公司要如何從這大量的數據儲存中找出見解，以推動能夠獲利的決策？在一篇有挑釁意味和影響力的文章中，《連線》雜誌（Wired）前任總編輯克里斯•安德森（Chris Anderson）認為：「面對極大量數據，過去這種科學方法，也就是假設、模型、測試，變得過時了...現在有一個更好的辦法。高達千兆位元組（petabyte）的資料讓我們得以說：『只要有相關性就足夠了。』我們可以停止尋找模型。我們可以在沒有假設可能會出現的情況之下，分析數據。」揭開數據當中隱藏的模式，成了新的使命。但是，即使數據科學家能夠達成這個使命，這些發現通常與業務脫節。一直以來能成功利用數據的公司，一開始都有一個明確的業務問題，然後才尋求數據來幫助他們做決策。該過程是從一個業務問題和特定假設開始的，而非從數據開始著手。這和安德森所鼓吹的做法是相反的。讓我們想想以下三種情況：亞馬遜的Prime Now 服務2005年，亞馬遜推出了頂級會員（Prime） 服務，提供會員兩天到貨的免運費服務。當實體店家發現很難在價錢或產品種類上與網路商店競爭時，便強調客戶可以立即在他們的店面取貨，而不用等上好幾天。為了維持競爭力，亞馬遜在2015年針對頂級會員推出了當天到貨的免費服務。這之後，他們很快又宣布了一項新的服務 Prime Now；有超過25,000項產品，訂購之後能在兩個小時內送達會員家門口。亞馬遜如何能夠將上千種產品在兩小時內送達上百萬戶人家，而其他網路公司卻需要三到五個工作天？雖然高效率的倉儲和物流是原因之一，但其實是亞馬遜根據客戶過去的購買行為，來預測他們在未來會訂購什麼商品。這樣的見解幫助亞馬遜找到最佳的倉庫地點，並庫存適當的商品。亞馬遜在你真正訂購之前，就知道你很可能會訂購什麼東西。從豐富的客戶數據獲得更好的預測能力，還有一個極重要的好處：亞馬遜大部分商品的庫存時間都不會很長，顯著地降低其營運資本需求。事實上，他的現金轉換週期是14天，比大多數零售商近30天的週期短得多。海尼根的「世界之城」（Cities of the World）2014年，海尼根面臨了一個全球性的挑戰：它的消費者，尤其是引領風潮的年輕人，開始喜歡感覺比較正宗的在地精釀啤酒。一個全球性的品牌要如何才能保有對這些消費者的重要性呢？海尼根的高階主管認為，喝啤酒是消費者社交生活的一部分。那麼，有什麼其他的事物或事件能推動和豐富他們的社交呢？該公司看到了大家使用社會訊息，來決定在一個城市裡什麼是熱門的（酒吧、餐廳、事件），以減少「害怕錯過」的感覺。使用這一項見解，海尼根推出了一場名為「世界之城」的行銷活動，利用推特（Twitter）的服務@wherenext推動社會大眾的參與。要使用這項服務，消費者只需用推特 @wherenext，標上他所在的地理位置，就會接收到所在區域有關於餐館、活動或俱樂部的建議，有效地將手機變成一張城市熱點的客製化地圖。海尼根給 @wherenext的演算法加入了內幕資訊，動員了有影響力的人，張貼有關他們冒險的貼文。不久之後，有一百多個市場引進了這一項全球性的策略進入本土市場，創造了獨特的方式，幫助消費者找到具冒險性又實際的經驗。在倫敦，標有海尼根招牌的計程車實際載著人們走出自己的舒適圈。客戶在喝了一品脫的海尼根啤酒之後，這些計程車免費將他們載到倫敦的其他酒吧。在墨西哥市裡，各處綠色的海尼根門都開啟令人驚訝的經驗：一個意想不到的自行車之旅，到倫敦的一趟旅行，或一頓美妙的晚餐。除了替品牌打造強大的親和力，整個活動在全球最大的20個市場，締造了總銷量上升5％的成績。#####Buzzfeed 的原生廣告原生廣告或贊助內容，往往模糊了廣告和編輯內容之間的界限，在廣告圈風靡一時。這方面的領導者之一Buzzfeed，是喬納．.派瑞提（Jonah Peretti）於2006年創立的。創立的前提就是，能可靠地產出在網路上像病毒般風行的內容。而Buzzfeed現在每月有兩億獨立造訪者，有七十億個點閱數。廣告商湧向Buzzfeed，因為它能創造高達30％-80％ 社會提升力（social lift）的贊助內容，「社會提升力」是病毒式傳播的衡量標準。Buzzfeed如何持續達到這個病毐式傳播的水準？ Buzzfeed的前總裁喬恩‧斯坦伯格（Jon Steinberg）解釋說：「（產製內容）有很多創意 ，但一旦文章發布後，就由系統接管了。我們在起飛過程中有控制權，但飛到空中之後，它就轉為自動駕駛，由演算法來驅動。」 該公司有效地從數據當中得到見解，讓演算法傳送勝出的文章，淘汰輸家。這些例子有一個共同點：從數據得到的見解，都是精準地針對特定的業務問題而浮現，而不是為了找出隱藏的真相而隨便亂槍打鳥。當然，在某些情況下，亂槍打鳥式的做法找到的數據模式，可以給你帶來見解，但大部分來自數據的利益，都是為了找出一個具體問題的答案而產生的。