Data Driven ( 数据驱动) 是什么？

Data Driven (数据驱动) 指得是组织内任何活动的进展是透过数据推动的，而非透过直觉或者个人经验。

如何成为Data Driven 的企业组织

数据驱动的企业组织通常具备

• 认同数据价值的文化
• 规划数据架构
• 使用各种数据纪录工具
• 分析数据辅助决策
• 除了分析人员之外非分析者也都能使用数据、判读数据图表背后的价值与可能的意义，将许多重要业务问题、企业内外部需要的解决方案都会透过数据的辅助找出执行方向。
• 想要成为数据驱动的企业组织，包含领导层以外，全体上下的员工都必须将数据视为值得投资的关键资产，才能使公司成为数据驱动型企业组织。

从数据驱动增加游客黏着度：迪士尼（Disney）

图片来源：undercovertourist

迪士尼公司开发了Disney Genie的手机应用追踪游客在主题乐园的旅游体验，透过数据追踪了解游乐设施的排队时间、游客当前的位置，节目表与餐厅资讯，整合这些资讯进行人流的安排以及根据游客喜好推荐合适的旅游行程。

个人化的体验帮助游客快速找到自己有兴趣的设施、节目、主题餐厅，同时能提升主题乐园的运作效率。

利用Disney Genie 收集游客数据与系统的整合，提升了下列成效：

• 个人化游客体验
• 减少等待时间
• 优化主题乐园设施、餐厅、商店营运效率
• 提升客户忠诚度与黏着

从数据驱动扩展销售：星巴克（Starbucks App）

图片来源：Starbuck 官网

想要扩大业务经营，但是分店应该要开在哪里？星巴克知道在哪里，因Starbucks App结合了订单历史纪录、奖励计划、消费习惯与各地区的销售资讯，根据数据资料找出最佳店址。

星巴克与地理信息系统(GIS) 公司Esri 合作，利用数据优化新店面的选址规划与行销计画，考虑到潜在新地点的人口统计信息、交通流量信息等因素，星巴克可以有数据佐证地选择最佳地点进行扩张。

它不仅有助于选择地点，而且可以优化特定区域提供不同的畅销产品。例如在亚洲市场才会看见红豆抹茶拿铁、焦糖布丁等、印度风味的香料拿铁与烤肉三明治。

这表示并非所有店面都运送相同的产品。这是一个很好的节省成本的措施，可以防止供应链不当分配原料资源，并防止店面做无效的备货。定价策略也因此能有更好的调整规划。

大数据(Big Data) 是什么？

大数据(Big Data) 的定义

大数据，也称巨量资料，是指以不断快速增长的大量、多样化的信息量，庞大的资料无法以传统的资料管理方法来进行管理或使用。

大数据通常来自数据探勘，以多种格式出现：

• 结构化数据：Excel
• 非结构化数据：文字、图片、影片、音乐欓
• 半结构化数据：JSON 文件和HTML 文件
• 时间序列数据：股价、气象变化

大数据的特点：3V

1. 数量( Volume )

数据量对于大数据而言很重要，你需要处理非常大量的低密度、非结构化数据。像是社交媒题上对图片点击、行动装置上的App 用户纪录、政府机构的公开资讯等。数据库的量从数十TB，到数百PB 都有可能。

1 TB = 1,000 GB = 1,000,000 MB1 PB = 1,024 TB

2. 速度( Velocity )

大数据在数据累积的速度是非常快速的，而数据的使用通常也会尽量保持能即时提供分析，因此这表示系统要能承载大量且能快速运算的高品质。

3. 多样性( Variety )

多样性是指可用的数据类型很多，凡举Facebook、Google Ad、穿戴装置、电动汽机车、CRM 系统等。随着大数据的兴起，新的非结构化数据类型接连出现，这些资讯都需要预先处理，才能获取其背后的价值与意义。

5 步骤开始数据驱动决策

数据分析通常会经历以下流程

• 问题目：你想知道什么？你想解决什么问题？
• 找数据源：你的提问中可能有哪些元素、报告、数据纪录能帮你解答？
• 数据整理：将数据中明显误差、极端值、排除项目，将资料进行整理。
• 数据分析：反覆假设验证、描述统计、回归分析、归因分析等分析技巧，将数据转变成回答问题的答案。
• 解读与沟通：为什这个数据结果能解答你的题目，与其他同仁确认，认知是否有落差，使否能说服大家数据的价值。

若结合到企业里面我们可以这样做

1. 厘清企业目标

在做出明智的决定之前，你需要了解公司对未来的愿景、目标、当下的痛点、未来发展的机会。这些都有助于你使用数据规划策略与制定决策。

实务上常见的题目像是：如何将获客数量提升、库存管理的优化建议、厂房的扩张与精简计画、如何提升用户体验、黏着度、忠诚度等。

透过数据厘清方向之后，再结合SMART 目标、关键成果( OKR ) 或团队KPI来制定数据支持的决策与执行过程的进度追踪。

延伸阅读: OKR vs. KPI 一次读懂两大观念！

2. 选定收集数据的工具

确定目标后，你就可以开始收集数据了。你的目标将决定你需要收集的数据来源与类型。

像是你的团队想改进公司SEO 成效以利提升市场曝光度与信任感的竞争力？这时你需要准备的数据就包括：

• 分析竞争对手的关键字表现数据。
• 评估当前的自己网站的SEO 性能、内容强度、站内外连结等。
• 比对落差进行优化，可能是产出新内容、优化旧内容或整顿网站体质。
• 这些资讯的取得都需要透过各种SEO、行销工具的操作与研究（如：Google Search Console、Ahrefs、HubSpot）。
• 销售报告数据、客户特征纪录、员工活动纪录等，或是外部的市场调查、竞争者数据等，你需要先了解这些数据通常会被放在哪套系统中，或是哪边的文件纪录可以找到这些资讯。
• 通常很难找到单一工具能同时满足所有的需求，因此你会需要多套工具搭配使用，逐步的组合出你的需要的情报。但感谢于现代科技技术的持续进步，跨平台之间的资料，透过串接技术（如：API）或像是SaaS 工具生态系（HubSpot App Market Place）的建立，这就有机会能够将不同平台的资料统一整合在一处。
• 以下列出一些常见的数据整合工具：

• CRM : 记录客户特征、网站足迹追踪、信件互动纪录，如：HubSpot
• ERP : 整合企业内部流程、管理企业资源、销售数据、生产进度追踪，如：鼎新ERP
• 网站流量分析: 网站流量追踪、流量足迹追踪、客户样貌分析，如：GA4
• 订单分析：电子商务产业想要打造商城、库存管理、金流处理、销售报告数据等，如：Shopify

3. 组织化数据

企业规范一个准则、标准、形式将数据可进行整理与呈现，同时将数据可视化，因为有了共同的规范，使得数据的传递、管理、理解上更具效率，这对于做出有效的业务决策至关重要。

如果你得经常在不同的逻辑下查看数据，并不断思考它们之间的关联性，甚至需要反覆查验，那么就很难确保你可以做出最明智的决定。

如HubSpot 组织数据的方法是使用Property 为核心，将不同的属性归类到正确的Property 后在彼此关联起来，因此在Dashboard 中可以整合所有不同属性的数据，但同时能遵循着统一的规则、操作逻辑。对跨团队，跨部门来说，无论这些目标是行销、销售、客服还是营运目标，都能在一致性的数据沟通基础下，朝共同目标前进。

4. 执行数据分析

组织完数据后，你就可以开始数据驱动的分析了，从数据中找出独到见解帮助你进行决策。根据你的目标，结合案例研究、调查、推荐等用户研究来分析报告中的数据。

将这些数据集作为一个整体进行分析会很有帮助，因为与单独分析每个数据集相比，你会得出不同的结论见解。

5. 整理出结论

在执行数据分析时，你会根据所见整理出几个结论。建议要将你整理好的的数据资料公开给其他同仁，透过视觉化图表、趋势图、数字变化、分布变化等与同仁保持沟通，以利支持你的见解与执行计画。

得出结论时要问自己的主要问题包括：

• 这些数据在告诉你什么故事？
• 该如何使用这些故事情报优化你的业务目标？
• 一旦你能够回答这些问题，你就已经成功地进行了数据分析，并且能开始准备为你的业务做出数据驱动的决策。

Data Driven ( 数据驱动) 如何帮助决策?

数据驱动决策（DDDM, Data Driven Decision Making）

数据驱动决策（DDDM, Data Driven Decision Making）指的是不透过个人主观或观察而是由分析后数据产生的商业决策方法。

使用统计学与资料处理技术，找出数据中的关联跟趋势，借此预测消费者、市场、趋势走向，以便企业找出最佳的策略方案。

如：电商、零售商透过数据进行库存的优化管理，市场人口分析、竞争对手讯息以展开行销方案的推动。透过数据工具制定可行高的KPI、OKR，让公司能够克服个人偏见并做出与其商业战略一致的最佳管理决策。

或是结合数据驱动的逻辑使用RFM 模型，将你的客户样貌代码化，将客户真实的购买状况分层各种层级，更细腻的精规划经营策略。

为什么数据驱动决策很重要？

数据帮助企业在决策的质量与可靠性的提升，避开了许多个人主观意识的影响。同时也能提高经营风险控管的能力，因为成本、花费、成效、成败的各自投报率都能更明朗。企业愿意承担风险的能力也变高了，因为数据辅助下，业务对客户、市场、产品推动、存货管理等都能有更明确的指引。

以台湾的中华电信的案例来说，他掌握了全台湾相当大量的用户资料，因此可以针对客户的行为、遇到的问题、潜在的需求进行预测，借此能够「提前」推出适合市场的解决方案，进而提升市占率与竞争力。

数据驱动为什么会失败？

Accenture的一项调查发现，只有32% 的公司表示从数据中实现了任何有形和可衡量的价值， 只有27% 的人表示数据和分析产生了高度可操作的见解和建议。

为什么会这样？正如调查中观察到的，数据驱动的决策可能因为下列情境导致失败：

• 数据产出后，没有批判性地思考这些数据是如何产生的，仓促下结论。
• 问错了问题，导致数据解读到错误的方向。
• 数据的质量不佳、没有不断的更新数据
• 数据代表了理性，但却忽略了市场人性中依旧存有感性

数据驱动决策案例：Netflix

图片来源：Netflix 官网

Netflix 处理数据的3 个关键原则：

• 数据的取得是要容易的。
• 无论你的数据规模大或小，都需将其可视化并能容易解释。
• 找数据花的时间越长，数据的价值就会变低。
• Netflix 因为用有广大的订阅户资料，透过机器学习的辅助因此能了解用户观看习惯，借此提供客制化的推荐内容与不断优化的观影体验，操作介面的优化、配色等都是数据分析后的执行结果。
• 一些关于Netflix 的收入成长数据供你参考：

• Netflix 截至2022 年9 月30 日的季度收入为$7.926B，同比增长5.91%。
• Netflix 截至2022 年9 月30 日的十二个月收入为$31.473B，同比增长9.92%。
• Netflix 2021 年的年收入为$29.698B，比2020 年增长18.81%。
• Netflix 2020 年的年收入为$24.996B，比2019 年增长24.01%。
• Netflix 2019 年的年收入为$20.156B，比2018 年增长27.62%。

图片来源：台北101 FB

台北101 透过资料分析来实现节能减碳、与提升建筑物运作效率的目标。101 每日会透过监测系统收集超过上万笔的资料，包含在气温、湿度、人流、风速、光照等。

像是当某个区域温度过高或过低时，系统就会自动调节该区的空调设备已达到能源高效率的使用。风速的数据提供观光客最合适的上楼体验等。

101 也获得国际绿建筑（LEED）认证，透过数据分析与监测系统的搭配下，大量节整建筑物的碳排放量。

数据驱动决策案例：联电集团

图片来源：联电UMC 官网

联电位于新竹的12 吋晶圆厂是该公司首个实现全面智慧制造的工厂，也是全球第一个应用AI、大数据分析、IoT等技术打造智慧工厂。从原物料到产品运输全面自动化监控，高效率的提升了生产线运作与生产效率。

数据分析有哪些？

大数据分析是在数据出现时通过数据分析工具进行处理，然后在数据构建时对其进行批量分析以寻找出行为模式和趋势。

随着数据生成的大量增加，管理数据的各种技术也随之提升，随着数据在速度、规模和深度方面越来越具洞察力之下，大数据就越能帮助推动创新机会。

以下分享一些常见的数据分析方式：

1、A/B 测试（A/B Testing）

这种数据分析技术涉及将对照组与测试组进行两两比较，在两个版本中一次仅做一个变量的调整，在应用情境上，像是网页上CTA 颜色、文字替换是否影响点击成效、网站Banner、EDM 信件标题会不会帮助提表单提交转化率等。

透过数据观察与交叉比对逐渐聚焦出最合适的方案。

2、数据融合与串接（Data Fusion and Data Integration）

以数位行销工具来说，聊天机器人、电子报工具、CRM 工具、社群广告等，各自都有自己的数据后台，然而当同一位受众，同一时间跟多个工具都产生互动、接触时，跨工具之间大多仅能在各自的后台纪录，并无法将跨平台的资料做整合归纳出这是同一个人的客户样貌。

因此归纳整理数据的工作通常要再透过人工汇整，然而现在透过API 串接技术、整合性平台的使用（如：HubSpot )，就能让跨渠道资料能够有一致性的汇整处，以利客户资料的交叉使用。

数据的操作因为汇整在同一个地方，数据使用的逻辑有一致性，你将不需要烦恼还要配合不同工具的操作逻辑，免除跨平台之间的逻辑切换。

多渠道数据汇整与单一数据来源的成效相比，多渠道的数据整合结果将能更有效、更准确的描绘出真实客户的样貌。

3、数据探勘（Data Mining）

资料探勘是一种从大型数据库中提取资料并发现规律和模式的技术。

大数据分析中常会结合统计学、机器学习、数据库分析、人工智慧的方法，从大型数据库中找出模式。例如，美国军方就曾经使用独特的资料探勘技术协助美军找到宾拉登，以及协助企业或警方找出金融犯罪的线索。

4、机器学习（Machine Learning）

运用现成的大数据来训练机器学习模型，在人工智能领域众所周知，机器学习也用于数据分析。它起源于电脑科学(Computer Science)，与计算机算法协同工作，根据数据做出假设，提供人类无法做出的预测。

像是在数位医疗上，开始出现一些技术甚至可以比医生更精准的检测出疾病与进行临床数据分析。不仅速度快，且精准性更高，如: Foresee

5、自然语言处理（Natural Language Processing, NLP）

这种数据分析工具被称为电脑科学、人工智能和语言学的一个子专业，它使用算法来分析人类（自然）语言。近期最夯的Chat GPT可以针对你输入的问题做高质量的回应，Chat GPT 就具备了高品质的自然语言处理功能。

我们可以使用我们习惯的说话方式，直接对机器提问，并得到仿佛真人回应般的内容。就是因为机器人背后能大量与快速地处理语言语言，甚至能根据你的上下文自我纠正之前的错误、补充资讯。

撇开技巧和技术不谈，任何形式或大小的数据都是有价值的。通过准确有效地管理，它可以揭示大量的业务、产品和市场洞察力。

大数据实际应用情境

1、提升客户体验( Customer Experience )

有了大数据辅助，我们现在比以往任何时候都更有可能更清晰地了解客户样貌。大数据使我们能够从社交媒体、官网足迹、通话记录、订单记录、活动参与纪录来累积数据。

从数据记录呈现出来的客户样貌比对企业目标，找出痛点、优化环节、成功典范等，就可以提供高度客制化服务体验、减少客户流失并提升忠诚度。

因为你从数据中可以观测出对方在意的重点、消费的习性、活动的习性，你就能跑在他们的需求之前。

2、推动创新（Innovation）

大数据可以通过研究人类、机构、实体和流程之间的相互依赖关系，看出新的见解或新方法来帮助企业进行创新。

如：智慧农业的产生，利用物联网结合洒水、农药喷洒、收取作物等过往需要靠人力的工作，现代仅需要少少的人力，就能够掌握大量的农业生产，同时还能保持作物的最佳成长。

使用数据洞察力改进有关财务和规划注意事项的决策，检查产业趋势以及客户希望提供什么新产品和服务，实施动态定价等。

如：GPS 数据与天气追踪记录帮助物流业能提供更安全与更快速的运输过程，以及利用数据掌握精准的库存管理。

3、预测性维护设备(Prediction)

预测机械故障的因素可能深埋在各种结构、非结构化数据中，例如设备的年份、品牌和型号、感应器数据、错误讯息和机具温度等纪录。

在问题发生之前分析这些潜在问题的可能的迹象，企业可以更经济有效地部署设备维护并最大限度地延长零件和设备的正常运行。

Data Driven 为什么非常重要?

企业使用数据并非新的概念，然而大数据更加强化了这样的决策。像Netflix 利用它大量的数据库了解用户的喜好并提出个人化的推荐，这样的设计方式带动了大量订阅户的成长，除此之外像知名影集纸牌屋（ House of Cards ）能在全美甚至全球广为人知，Netflix 早就注意到到演员凯文·史派西(Kevin Spacey)、导演大卫芬奇对以及英国版纸牌屋粉丝的关联，结合这些情报与线索成功推出了Netflix 这部经典代表作。

使用数据做出决策是每个现代企业都应该追求的核心文化，原因有：

• 帮助组织持续成长
• 帮助企业增长知识与进行创新
• 找到新商机
• 增进沟通效率

LinkFlow CDP如何帮您做好数据驱动Data Driven ?

LinkFlow CDP还提供了丰富的行业解决方案，帮助企业更好地应对各种挑战。因此，餐饮企业应该积极采用LinkFlow CDP，提高企业的数字化和精细化水平，提高企业的竞争力。

LinkFlow 能力非常强大，能够应用的场景和行业也非常多，言简意赅的来理解:

1、帮您做好数据打通的工作

LinkFlow能够帮助整合内外部各平台系统来源的数据，你不需要为了查一组数，把公司各个部门各个系统都折腾一遍，让多渠道数据打通不再困难;

2、帮您做好用户分析、需求洞察和运营的基础

有了LinkFlow，您可以快速搭建起用户标签体系、用户画像和数据分析看板，帮您更全面及时的洞察用户需求，提高转化效率;

3、帮助您更好的实现精细化和个性化营销

LinkFlow，能根据用户的标签、分组、各种行为，按照您设定好的策略和频率，自动的、个性化发送给最应该接收到的用户，从而大幅提高您的转化率和ROI。

三个词，连接、洞察、个性化。更多全域营销场景，我们会陪您一起解锁。

如您需要所在行业CDP解决方案与案例，请先完成《2023年必做CDP选购小测验》，专家将根据您的实际需求为您提供1v1业务诊断与分析：http://ln8w.cn/Svibaa