大數據？AI？：商業洞察與決策的現在與將來

首先介紹一下秒針，我們的核心業務是互聯網廣告監測，這個體系我們大概占了市場上七成左右的品牌與廣告曝光。我們本身擁有比較大的除了BAT以外的海量第三方數據，主要是線上的瀏覽、曝光和點擊行為。除了我們的核心業務之外，今天分享的主要是秒針洞察，在現有海量數據的情況下，如何用這些數據去幫助品牌、企業乃至個體更好地進行分析和決策。我自己本人在互聯網企業、研究公司、咨詢公司都有相關的經驗，今天的分享是想基于傳統的方式、現在的方式、以及將來更加自動化的路上，怎么做洞察與決策的業務。

大象起舞：傳統市場研究與消費者洞察體系

我們提到洞察的時候，核心內容是，對事物的實際運行機制有本質的理解，然后同時基于這些認知能夠產生下一步的行動，并且帶來正面影響的一個結果。所以我們在洞察特別是在商業上，不僅僅要知道一些東西，而是要在知道這些結果之后，能夠實際給我們的商業價值帶來什么影響。

現在正統的或者說傳統的市場研究體系是非常成熟的，基本上我們所熟知的面向消費者的各大五百強品牌，都有非常完備的研究體系。在整個集團層面有那么多的品牌或者每個品牌下有那么多產品線，每條線都非常需要對于市場的理解和對于消費者的認知，他們才能繼續這個決策。這樣的體量之下，沒有哪個企業可以僅僅通過個體的決策，去做到穩健的發展。

簡略地給大家講一下市場研究的基本內容。傳統市場主要是在定性和定量的研究上，定量的方式往往是找到相應的目標受眾和需要研究的對象個體，進行一個問卷調研，然后每個用戶都會回收一些問題的答案，我們通過這些答案來進行分析實際消費者的態度和特點。定性研究的話就會更深入地去跟一個或者多個消費者進行更深入的互動式研究，這里往往會在心理層面上和訴求層面上有更深的挖掘。

傳統市場體系通過洞察或者做研究，最后的產出對于企業的幫助是全方位的。包括下面這些方面：

在這里還有必要跟大家講解一下大型的企業和其內部基本的市場體系、典型的運作機制。在一個集團層面，下面會有很多的事業部和子品牌。比較熟悉的像寶潔、歐萊雅、聯合利華，都是非常典型的例子。會有下面這樣的配置：

集團層面的市場研究體系和事業部/品牌層面的市場推廣媒體投放體系的關系，有可能是從集團層面統籌，有可能是下放到各個品牌，也有可能讓兩條線互相進行協調。

所有產出都會通過市場研究和消費者洞察的預算形成項目，支持到包括市場推廣、產品研發、公關部門、甚至投資并購和戰略發展，去支持他們對整個市場環境的理解。這些信息其實形成了一個完整的支撐各條業務線和功能線進行決策的信息來源渠道。他們也會非常緊密地去跟相應的需求部門進行溝通，去獲得最佳的研究項目結果。

舉幾個例子：

1、 歐萊雅收購美即面膜

這個決策很大，也涉及到非常多的環節，最早的環節除了歐萊雅集團的內部人員會看到相應市場的機會之外，同時他們也進行了一些數據趨勢的驗證采集，包括從社會化媒體上，從銷售渠道的線路上，這塊的數據在早期階段就已經能形成基本的趨勢和判斷。后續又進行了相應的定性需求分析、定量的需求方面的調研，以及對于市場上一些品牌的資產情況的分析。

2、雀巢發布新品BabyNes

這款新品發布前，經過了兩年左右的前期驗證，從最初的產品創意到最后的成型，中間經歷了非常多的消費者需求的探索。從最初的創意上來講，雀巢想針對父母群體的一些痛點，解決需要在半夜起來更簡單的解決泡奶的問題。后續進行了非常長期的用戶深度調研，包括潛在用戶群體對于使用上的便利性、健康狀況和衛生狀況、以及整個使用體驗的定量反饋。最后在定價策略上，這是一個非常高端的產品，價格相當高而且持續使用的費用并不低。雀巢從前期到后期都在找尋不同收入階層和消費階層的消費者群體，來試驗他們應該以什么價位賣給哪個人群，直到最終這個產品上市。

3、飛利浦智能臺燈

飛利浦的整個課題是想要知道怎么樣以他們的核心競爭力——燈光體系，趁著消費升級和智能家居的大浪潮去獲得機會點。雖然前期找了非常多的信息，產生了非常多的想法，進行了廣泛的分析，但是最后選擇了功能單一的場景來落地。它僅僅是把一個LED光源的穩定性和智能化做了簡化和單一的應用，但這個產品其實很暢銷。

這些案例都是經過了非常完整的研究體系的。這個體系在時間和金錢上花費都會非常高，比較大型的研究項目通?？赡苄枰搅鶄€月，還不包括連續性的研究。所以不管是產品研發還是溝通策略選取，是非常長的一個過程。

那么也就導致現階段，真正有市場研究預算，真正進行完整體系研究的公司或者使用這個服務的品牌，都是非常大型的品牌。在這個機制之下，有非常多的大型品牌很成功地完成了一些產品上的創新，完成了一些組織結構上的創新，完成了他們整個對于消費市場不斷變更的應對。

可能大家認為像BAT這樣的互聯網企業已經有非常海量的數據，其實他們當中有些公司是傳統市場研究公司的客戶，他們也越來越多地在投入，用這條非常傳統的體系去更好的理解他們的目標受眾和消費者在哪里。然而其實還有很多的決策，并不一定要通過這樣一個完整體系來實現。

舉幾個例子：

1、NextEV公司的新車發布

這家公司的創始人對汽車有很深的研究，有非常多年的行業積累。他們看完設計師團隊給的稿件和樣車之后，反饋是按照他們的審美習慣做些調整。直到最后一刻他們又決定尊重整個設計團隊原有的設計，同時再加上了一些少量他們喜歡的元素。整個外觀的設計是非常重要的一環，但其實對于這家汽車公司而言，他們整個的研究過程、設計過程會非常的漫長和不停的改動，但最后的拍板和敲定其實沒有經過那么多復雜的消費者測試。

2、椰樹椰汁廣告設計

很多人吐槽這個設計，也有很多人增熱點（我們也打個小廣告）。我并不認為這個老板想做相應的營銷，設計人員只是以老板的喜好和審美做出了決策，但是它達到的效果非常好，很好地提升了椰樹椰汁的整個品牌認知，以及在消費群體當中的曝光度。

3、明星代言

現在品牌方在投入非常大的明星代言或影視投資上，其核心的要素就是小鮮肉明星。選擇了小鮮肉你就會有一定的票房保證，當然不能最終確保你會得到非常好的數字或者一個投資回報，但是如果你不選用的話，可能整個風險會非常大。

所以我們可以看到傳統的市場調研，給我們所帶來的是一個非常牢固的穩定的保障體系。它能夠幫助我們獲取足夠多、足夠深入的決策信息，提供給相應的職能部門做決策。當沒有這些信息的時候也可以做決策，但失誤的幾率會提升。這對整個企業來說是一道風險的屏障，只有確保前端的信息能夠精準的進來，才有可能讓后端的決策有更高的成功幾率。

然而對于一些初創型或在追求高風險高回報的場景之下，很多時候這套研究體系反而并不適用，不管是時效性還是決策要素的達成上，其實都不足以去支撐像高風險高回報的投入。在這個層面上，往往靠的是決策者本身對于行業的理解、對于整個大環境的理解和他的一些靈感。

新時代恐龍：海量數據時代下的洞察與決策

現階段海量數據時代下洞察能做什么？無論是整個網民的量，還是設備量，都已經遠遠超過了6個億以上，每天都產生非常多的數據，而且維度非常豐富。

最早比較有名的用數據來做決策的，發生在差不多十年前，Zynga也就是Facebook當時的一個游戲合作方，他們非常直接的采用了數據式經營。由于有10%左右的Facebook用戶在使用這款游戲，他們就會拿這些數據去測試不同的游戲配置和設置，通過向兩個類似的群體推送不同的游戲配置來確認哪個數據效果更好。

然而這家公司在15年關閉了中國的office，整個業務線收縮得非常大。如果數據不能幫助他們去感知接下來的方向，那么即使運營優化到極致，在一個時間點上也會出現像Zynga的失敗。

上圖是BAT各類大數據洞察的產出，左上角是微信今年做的用戶遷徙的信息，通過微信的地理位置數據去判斷春節期間人群的流動。這是通過真正海量的數據做出來的分析，會比任何可執行的人口統計或者傳統意義上的研究都來的更加精準。

聚石塔是另外一個典型的數據應用，從這個層面上，淘寶或者天貓品牌所提供的數據能準確地幫助中小企業，每個賣家都在用這些數據去分析他們應該如何選品、如何推廣、接下來應該有哪些服務。這是在之前傳統市場研究當中完全不可能服務到的一個群體，沒有人真的有這個預算去做，也沒有一個高效的工具去采集數據。

百度也同樣用他有的數據提供了非常多的平臺，這里只看到司南是他們做數據商業化的一個嘗試，包括對人群的畫像、輿情的分析、代言人的選擇，這個場景畫得很貼合品牌的實際需求，但最終效果并不好，百度并不能非常好地去用這個數據進行長尾的商業化，去服務到中小企業和品牌。這里的核心在于數據本身的價值，百度在這里用的數據僅僅是自己的搜索數據，不管這個數據的顆粒度有多么細，因為是自己的原始數據，仍然缺乏必要的其他層面的數據來更好地支持不同層面的應用。

從這些場景中，我們看到的問題是，單一數據源可以很好地幫助我們在特定的運營層面做優化，不管是淘寶，還是司南做SEM，這都是有可能執行的。所以數據的分析和反饋在垂直的目標明確的優化的應用下，在現階段是能實現的。而當我們想要去實現傳統意義上更復雜的研究，它的洞察深度遠遠不夠。

我們在做洞察產品時候，發現信息量越來越大，整個決策周期在跟著變長。如果能夠在信息量增大的情況下，在DT時代把整個決策效率提升上去，這中間所產生的價值就是我們認為數據洞察的商業價值。而這個行業并不僅僅只是為了接下來更快地去服務品牌方，雖然品牌會為此買單，同時，我們希望整個數據洞察和數據支持的決策能夠讓中小企業，甚至個體層面都能很低成本地去訪問、去提高整個社會的運行效率，這塊的藍海會是接下來增長非常大的領域。

在目前階段，大家在數據產生洞察或者數據優化層面，最典型直接的就是幫助投放。這是錢最集中的地方，也是有了洞察之后或者有了一些策略之后，最容易產生收益、評估收益的地方。

當我們想用大型數據或者海量數據結合分析模型，真正做到第一個部分所提到的面向消費者洞察，我們發現單一數據源是遠遠不夠的。我們除了需要大型的數據，包括市面上用戶的分享、運營商的數據、App的數據，同時也需要結合調研數據去獲得一個更完整的概念。在這個過程當中，大家會發現不同的數據可以覆蓋不同的需求，關鍵就是把這兩組數據有機結合起來，進行交叉分析。下面是秒針平常在做消費者洞察或研究常用的數據源，這些數據通過打通和處理之后會形成優勢互補，可以真正去克服一些傳統研究上的障礙。

舉一個簡單的例子，比如說我們在運用數據去試圖理解消費的群體是誰的時候。如果客戶需要找到店內的用戶進行訪談，我們現在主要的途徑是通過店里的探針去判斷哪些用戶真正到店，用戶到底屬于什么群體，從下圖能明顯看到他是屬于在這附近的居民、上班的群體還是偶然路過。

這要經歷比較多數據清洗的過程，同樣要能夠完整獲取用戶不同的位置，這里會涉及到App的數據和運營商的數據。當我們把到店的用戶分成幾個不同的群體之后，再來具體看這些用戶的特征的時候，后面幾部分更能產生真正意義上洞察，再去理解應該怎么樣去投放或者在店內跟用戶進行更多互動。比如說可以結合wifi的數據和運營商的數據，去判斷在這個時間點到店的客戶坐在店里多少時長，這個時間段用哪些App等，這些會對移動端的投放策略或內容上合作等有相應的指導。

這些仍然是完備的品牌體系可以做的，但其實很多時候如果只是想快速獲得一些數據做驗證，是有一些多快好省的方式，或者說多快省但不一定好。

會噴火的龍：傳說中低成本高效率有深度的洞察方法

給大家看篇文章，在這類分析中，用戶會用一些免費的工具和不同的渠道去做，但是思路是挺開闊的。