一、從〝目標〞倒推，〝找出〞相符的資料
怎麼樣的人最容易買單呢？
ー ー 有迫切需求的人通常最容易快速交易成功
這本書講到的第一個關鍵字〝大數據〞，所以我們先從先從大數據的特徵說起：
- 首先，大數據要求數據量大。
- 其次，大數據需要具有多維度的特徵，而且各個維度最好是正交的。
- 大數據第三個重要特徵，是數據的完備性。
- 在一些場景下的實時性。
我們知道這些特徵之後，接來下就是要切入我們的本書的重點：「精準數據的行銷」。然而什麼是〝精準〞呢？我們先來定義一下，精準行銷的目的是先找出〝正好有需求且迫切的人〞。
舉例來說，假如我們想要去賣房子，如果我能找出〝正好想要買房子〞的人，那售出房子的機率就高出非常多了；另一方面，還提到了〝迫切〞，加入時間的概念，愈有迫切需求的人，通常更容易下決定買單，所以我們的目的就是〝精準〞找出這一批〝有迫切需求〞的人。
說的很簡單，但做起來倒是真的不容易，我們要怎麼找出剛好有需求的人呢？這是我們每個行銷人最終的追求目標；這也是我們這一講要講的主題和重點。
我們的目標很明確，就是〝精準〞找出這一批〝有迫切需求〞的人。但我們要怎麼提高〝精準度〞呢？要能精準判斷的前提就是，找出到〝更多維度的關鍵資料〞來做判斷。
在這邊提到兩個關鍵字：更多的〝關鍵資料〞和〝維度〞。我們下面一一來做說明。
■ 〝更多的關鍵資料〞
今天大部分人所理解的大數據，是從大量的、看似雜亂無章的數據點，總結出原來找不到的相關性。在這個過程中各種數據如同百川入海一般匯聚到一起，但這些數據如果不懂得去聚焦找到其規律性，則就失去了其意義性，所以首先我們要做的就是找出〝關鍵資料〞。
什麼是關鍵資料？要有關鍵資料之前，我們就必須要先懂的去〝設定目標〞；沒有目標，就不會有所謂的關鍵數據，然而這一步非常重要，很多人卻忽略了這一步，只認為只要〝透過分析模型〞找出自己沒發現的規律即可，導致大數據能幫助的跟你目標未能結合，而失去了它的最大作用。
舉例來說，我們想要知道〝A 會員什麼時候會在去超市買東西〞，這時候 A 會員曾經在〝超市〞買過的記錄，就是一個很好的關鍵資料；其次，A 會員去超市的〝頻率〞也是一個重要的關鍵資料。我們簡單將幾個重要的關鍵資料〝梳理〞一下。
- A 會員在超市買過：水果、蔬菜、衛生紙。
- A 會員每兩個月會買一次衛生紙。
- A 會員通常在有特價促銷的時候，會再去逛超市。
- A 會員在重要節日的時候，也會去超市採買。
以上這些資料一出來，我們行銷人員其實就很好去為 A 會員制定一個模型，所以一旦清楚我們的目標之後，我們就比較清楚自己需要哪一方面的資料，當然這些資料量愈大、愈即時，其加權就會更高、更好。
■ 〝更多維度的資料〞
接下來講到數據分析，就免不了必須要談到〝維度 ( 面向 )〞的問題，這個是訊息論很重要的一個部份，儘管維度非常的重要，但卻很多人忽略了這一點，導致資料量雖然大，但效益卻不大。
我們一樣以上例來說，假設我們只有蒐集到一個維度的資料，我們先把「時間」維護給拿掉，則資料如下：
接下來講到數據分析，就免不了必須要談到〝維度 ( 面向 )〞的問題，這個是訊息論很重要的一個部份，儘管維度非常的重要，但卻很多人忽略了這一點，導致資料量雖然大，但效益卻不大。
我們一樣以上例來說，假設我們只有蒐集到一個維度的資料，我們先把「時間」維護給拿掉，則資料如下：
- A 會員在超市買：水果、蔬菜、衛生紙、肉 … 等等。
- A 會員消費金額平均 800 元。
- A 會員買最多的商品是：水果。
你會發現我們只有他的消費記錄，要你去分析 A 會員下次的消費時間就完完全全有困難度，只能知道 A 會員的偏好，其應用率就下降很多。
我們再來嘗試加入更多維護的資料：
- A 會員在超市買：水果、蔬菜、衛生紙、肉 … 等等。
- A 會員每兩個月會買一次衛生紙。
- A 會員平常會在台中店消費，但過年的時候，會在台北店消費。
以上例來說，我們搜集到三個維護的資料：〝超市的採買記錄〞是一個維度，〝時間頻率〞是第二個維度、〝地點〞是第三個維度；如果我們對 A 會員過年的時候，給他台中店的促銷方案，對他來說可能效益就不大了，因為 A 會員可能過年都會回台北，所以這個台中店的促銷方案就不如台北店的促銷方案來得效益大。
二、小結
大數據的應用原則不難掌握，關鍵在於如何詮譯，而詮仰速人的觀察，對核心 know-how的理解與經驗法則，也是厚數據的價值。
數據不是大就是美，重點在於讀完之後你要拿出什麼樣的具體行動。勝負不在數據，觀點才能決定一切。所以詮釋的問題角度和觀點格外重要，我們必須要不斷地挖掘問題核心，不要一次用龐大計劃去解決所有問題，而是要每次只專注把一個問題給答好，然後選定一個觀點快速切入，形成解決方案。問題的不同，會影響到數據的蒐集，而唯有問對問題，才能蒐集到正確而且有價值的關鍵數據。
另外，我們今天介紹了大數據的 4 個明顯的特徵，即數據量大、多維度、完備性和在一些場景下的實時性。我們特別強調了光是數據量大還不能構成大數據，因為它可能無法得出有效的統計規律，而多維度的特徵則讓我們可以交叉驗證信息，提高準確性。
這就是應用大數據思維所帶來的好處。今天這種做法其實是先有了結果，再反推原因，是一種逆向的做法，但是正是因為有了足夠的數據支持，它無疑會比較快。不事先作假定，從大數據出發先得到結論，再分析原因，這是大數據思維的第二層。
最後，回到我們一開始問的問題：要怎麼找到有迫切需求的人呢？當我們擁有每個會員的更多維度資料，我們就能透過這些資料找出這些〝高購買率的人群〞了，例如現在要推出〝衛生紙促銷方案〞，系統就可以自動幫我找出〝這家店這個時間點〞會被吸引過來買的客戶人群有哪些，這個就是基本客群，接下來我們要如何透過〝衛生紙促銷方案〞去吸引他們去消費更多的物品，這就是我們銷售人員可以努力的地方了。
這一講，我們先有了這些大數據的思維之後，我們下一講就可以來講講《大數據玩行銷》的一些模型應用。
系列文章快速連結：
- 《大數據玩行銷》1：小而美的高效行銷
- 《大數據玩行銷》2：要如何提高數據預測的精準度
- 《大數據玩行銷》3：化繁為簡的NES模型和人機分工
- 《大數據玩行銷》4：數據行銷實際應用與應用場景
- [W2] 《大數據玩行銷》撰寫心得總結