近幾年掀起了一股大數據浪潮，大數據分析也正在從根本上改變著一些不同的領域。但是大數據并非萬能鑰匙，如果沒有明確要利用大數據解決什么問題，就開始盲目推崇，最終也只是無端浪費時間和精力。通過大數據與用戶行為觀察并用，能夠為企業提供精準高效的營銷之道。
近幾年在服務開發、改善等方面應用大數據正成為流行趨勢，引發了很多不同領域對大數據的研究興趣，好像進入了全民大數據的時代。但同時也有很多人并不知道該如何使用大數據以達到想要的結果。
大數據運用本身已經具有很多的可能性。如果能夠將大數據與用戶行為觀察等其他調查方法結合，可以達成更大的成果。本期推送將解釋為什么大數據的特性與其他調查方法組合運用才能為企業帶來精準營銷服務，從而深入挖掘潛在的商業價值。
大數據的流行
“大數據”這個詞早已經徹底滲透入商業場景，但實際上它的市場規模仍然在不斷擴張。根據IDC,Japan（國際數據公司日本分公司）的調查，2014年日本國內的大數據軟件市場額達到110億9100萬日元，相比前年增長了39.3%。預測今后5年也將以年增長率33.5%的速度持續急速的成長。
這個現象的背后是大數據使用技術的進步。由于探測器和相機的精準度上升，能夠把以前無法捕捉的東西（如將人的動作）作為數據收集。在數據分析階段，通過歷史數據的規律推測未來趨勢的分析預測技術、自動將數據嵌入合適的分析模式的技術也正在開發中。這樣，大數據逐漸從只有數據科學家才能看懂的內容，變成連普通員工也能夠便捷地操作使用的東西，其所需要的專業技能明顯降低。
由于大數據門檻的降低，很多企業在沒有思考好使用方法的情況下就開始盲目跟風使用。甚至有“有了大數據就不需要人了”這種過高評價。為了讓各位正確地理解大數據的優勢和局限，我們首先對大數據的特點進行介紹。
大數據的本質是什么
在著作《大數據的真相》中，列舉了3個大數據的本質的特性。
1.使用所有的數據
運用用戶行為觀察等大數據出現前的分析方法，通常是將調查對象范圍縮小至幾個人。這是因為，整理所有目標用戶的數據實在太費時間，所以采取了從總用戶群中，爭取不產生偏差地抽取一部分作為調查對象，并僅僅根據那幾個人的數據進行分析。
而使用大數據技術，能夠通過發達的數據抽選和分析技術，完全可以做到對所有的數據進行分析，以提高數據的正確性。
2.不拘泥于單個數據的精確度
如果我們連續扔骰子，偶爾會連續好幾次都扔出同樣的數字。但是如果無限增加扔骰子的次數，每個數字出現的概率都將越來越接近六分之一。同樣的，在大數據領域，通過觀察數量龐大的數據，更容易提高整體而言的數據的精準度。因此，可以不拘泥于個別數據的精確度，而迅速地進階到數據分析的步驟。（不過這種情況當然不包括人為的篡改等由于外部因素扭曲了數據的情況）
3.不過分強調因果關系
企業在考慮服務方針時，會綜合考慮現狀、問題、改善措施、實施后果等要素之間的相互關系，在此基礎上建立假設。但是大數據能夠通過觀察海量的數據，發現人所注意不到的相互關聯。
讓我們看一下沃爾瑪的例子。2004年，沃爾瑪通過分析銷售數據，發現颶風臨近時，一種叫做Strawberry Pop-Tarts的點心的銷售額是平時的7倍。因此，在下一次颶風來臨時，沃爾瑪大量采購Pop-Tarts，并且一售而空。
（圖1.Strawberry Pop-Tarts，草莓餡餅）
這個例子可以看出：颶風和Pop-Tarts之間的因果關系，在進行大數據分析前，并沒有被重視。如果沃爾瑪只是依賴員工基于經驗提出的假設，而沒有進行大數據分析，恐怕沒有一個人會意識到兩者之間的關系。那么沃爾瑪也很可能會錯失Pop-Tarts的商機。
用戶觀察等方法
由于沒有時間觀察分析龐大的數據量中所有的數據，我們需要不帶偏差地隨機抽取一定數量的用戶，僅僅根據他們的數據分析推測整體用戶。篩選出沒有偏差的數據需要一定的知識和思考。不僅如此，抽樣調查對解讀數據并建立假設的技能要求也很高。
大數據的優勢
大數據能夠幫助我們方便有效地分析龐大數據中的所有內容，因此可以不浪費任何信息地進行全面分析，也可以抑制數據的偏差。同時，因為大數據能夠直觀呈現出想得到的結果和產生結果的因素之間的關聯性，所以基本不需要相關分析人員進行數據的進一步分析。
大數據的局限性
無可否認由于大數據的普及，我們確實能夠進行高效率的服務開發。但是，這并不代表我們可以完全依賴大數據。我們能夠通過大數據得知的，只是數據間的關聯性，還有很多信息我們僅僅依靠大數據并不能獲得。
1.大數據并不會告訴我們應該做什么
使用大數據的前提是，我們要決定應該分析什么樣的數據。如果我們沒有對此進行充分思考就開始分析數據，很容易陷入困境：“雖然得出了結果，但是我們不知道這意味著什么”，白白浪費花在分析上的費用和時間。這就是所謂“在數據中迷失”的狀態。為了避免這種情況發生，我們必須事先明確公司目前的問題是什么，分析什么數據才能獲得問題的解決方法。
2.大數據不能分析沒有歷史數據的未知問題
在挑戰本公司沒有歷史數據或者缺乏經驗的問題時，很難采用大數據。例如：思考全新的服務或想了解和以前完全不同類型的用戶。這些情況下，通過用戶行為觀察建立符合市場需求的假設能更有效地思考出服務開發的概念。
3.不知道具體的設計和設計的方法
就算通過大數據發現了目前為止一直沒能發現的關聯關系，如何利用它們進行服務設計又是一個新問題。在沃爾瑪的Pop-Tarts的例子中，只要采取“增加店中Pop-Tarts的量”這種幾乎不需要過多考量的簡單方案就可以解決。但是在開發服務時，往往需要設計更復雜的內容，所以需要我們思考對于用戶的使用便捷度等和數據沒有直接關系的其他因素。例如之前提到過的亞馬遜的Dash Botton等，通過深刻理解用戶的需求才成功設計的服務也大有存在。
1.提出問題
無論企業傾向于使用什么手段，首先需要明確地提出問題。如果將這個怠慢，就會最終導致為了分析而分析。我們有必要思考：“在公司商業模型中，哪個部分出了問題？”、“解決它能給公司帶來大的影響？”等一系列問題。
2.分析問題，導出結論
在這個階段通常大數據分析的效率更高，但如前所述，有時候用戶觀察也可能更有價值。根據能容忍的數據正確性的波動幅度，有時候甚至會出現從有限數據推導結果性價比更高的情況。我們應該思考哪種方法更適合、更高效，而不僅僅拘泥于大數據。
3.將結果運用于設計
在這個階段企業最需要關注的是用戶使用服務是否方便，此時運用大數據相對困難。所以，為了提高設計質量，我們有必要創造原型進行用戶測試。
利用大數據和行為觀察的案例
將大數據和用戶行為觀察結合，可以產出比使用任何單方都好的解決方案。施樂公司在參與洛杉磯市停車系統“LA Express Park”項目時，將大數據與行為觀察組合使用，取得了不錯的效果，一起來看看他們是如何做到的吧。
1.大數據構建浮動停車費系統
由于停車場收費標準不合理，洛杉磯市的停車場布局十分混亂，不符合周邊地區交通狀況。收費標準較低的區域，車輛過度集中；收費標準太貴的區域幾乎無車問津，導致交通堵塞的問題一直沒有得到良好的解決。
于是施樂公司運用大數據進行分析和系統構造。通過各個停車場設置的探測器，施樂公司發現用戶會自動繞開收費高或比較擁擠的停車場。于是施樂公司制作一套系統，使用戶能夠通過網站或App實時查閱停車場擁擠度和空車位。并且為了平衡需求，各個停車場以擁擠度為基礎，采取動態的價格機制。采用這一系統后，使停車場車位管理更加規范、有序，停車場擁擠度平均下降了10%，整體收入也提高了2%。
2.行為觀察改善設計與服務
在整個服務過程中，停車場的空車位會不斷改變，所以空車位數在用戶前往停車場的過程中也會發生改變。施樂公司通過用戶觀察發現，將空位狀況用紅、黃、綠三種顏色大致表示，更容易讓用戶直觀地掌握停車場的擁擠程度。行為觀察的有效運用，免去了投資實時通報空車位的系統的麻煩。
更進一步，即使在服務發布后，行為觀察也起到了很好的作用。施樂公司在服務開始后的第二年再次進行了用戶調查，發現有一定數量的用戶并沒有意識到停車費會實時改變。他們既不會事先用APP查資料，下車后也不會注意電子提示板的停車費而是直接前往停車費計時器。之所以如此，因為這些用戶心中“在目的地附近停車”的思維定勢很深。根據觀察結果，施樂公司部署了一些新的、多樣化的信息提示，這些信息提示會隨著停車環境的變化自動更新。同時，制造了一個使用汽車GPS導航系統的原型，可發出語音指令，自動引導司機到距離其目的地最近的空車位停車，甚至還可以自動支付停車費。
大數據和用戶行為觀察相輔相成
開發對用戶有益的服務，不僅需要觀察數據的相互關系，還要從用戶的視角思考存在的問題以滿足他們的需求。這兩者并不是非此即彼的關系，他們為服務開發提供不同的視角，相輔相成。我們應當同時考慮服務開發的不同階段和需要的分析精準度，在此基礎上靈活地選擇使用大數據或用戶行為觀察。
京公網安備 11010502049343號