讓數據應用無功而返的十個大坑

讓數據應用無功而返的十個大坑
Read Time:2 Minute, 42 Second

第一坑:缺乏數據

沒有數據不可怕,可怕的是沒有數據但以為自己有。

誰說我沒有數據,我每年花幾百萬買數據呢!

隨著圍牆花園牆壁的不斷推高,以及個人隱私保護的不斷加強,外部數據可用,但不可被擁有。

另一些外部數據的提供方式,是在你自有數據的基礎上,進行數據增強,如果你自己沒有基礎性的數據,數據增強也無從談起。

換句話說,今天企業自己積累第一方數據的意義很重大,否則基本上只能用用別人的數據,被外部數據的提供方(特別是媒體)鎖定,並且應用場景也被鎖死在廣告投放為主的場景上。

如何獲取數據是一個很需要策略與執行的事情,並且不是只靠外部供應商和工具就能搞定的。具體而言,它不僅與企業的市場營銷策略和消費者觸點直接相關,也與“請求(誘使)”用戶留下數據的設計、方法與誠意(或藉口)直接相關。在這二者的前提之下,工具和技術才能發揮作用。

還沒有搞清楚數據從哪裡來,要用到什麼樣的技術,有什麼樣的限制,就急急忙忙跟風上系統,純屬胡鬧!

避坑方法:避免踩這個坑的方法,一是要精心設計捕獲數據的場景和方法,二是要用好工具。前者更重要。

還有朋友說,企業的其他系統很多,其實還是有大量數據可用的。但是,數據多,不代表有數據可用,一個原因在於後面要講到的第二個坑(數據清洗)。

第二坑:有一大堆沒用的數據

剛剛講到,有數據不等於有數據用。

很多企業保管自己消費者和用戶數據的方法,還是Excel。有些企業有CRM,但是其中的客戶數據的字段相當混亂,或者空白和錯誤甚多。

但應用數據有一個很重要的前提,是“數據流動”,就是從一個系統輸出給另一個數據的應用系統。但字段不匹配、ID不匹配、原始數據存在錯誤、擁有同樣命名的數據含義卻不相同等等問題,都導致數據流轉成為空談。

這些雜亂無章的數據,每天成噸成噸地被產生出來,創造了一種數據異常豐富,數據資源取之不竭用之不盡的假象。

實際上不過是一大堆沒用的數據。Garbage In, Garbage Out!

為了讓數據有效地組織起來,必須做數據清洗。今天,所謂的數據中心,要實現的一個重要的目的,也是讓所有的業務能夠享有同源數據,避免不同系統為同一個對象產出的數據出處不同、命名不同或是規則不同。

能夠走到數據清洗這個環節的甲方,真的已經是挺高段班了。

避坑方法:避免這個坑的方法說簡單也簡單,說難,其實相當難——數據清洗和數據治理。基本上都得從業務端發起,甭想靠技術一勞永逸搞定。換句話說,數據不是多多益善,可用數據才是真數據。而要讓數據可用,必須得甲方自己親自參與進來投入精力。單靠技術不可能讓數據擁有更好的質量,結合業務的技術才能讓數據更靠譜。

第三坑:車有了,沒會開車的人

前三五年是DMP夯了,近兩年是CDP夯了,但是趕著潮流上系統的,可能會驚慌發現,車都造好了,但似乎沒有幾個人會開車。

開車這個問題可以算是數據應用上最大的坑之一。

一個解決方法是,讓提供系統的供應商也順便提供司機。但問題來了,造車,可以是流水線,可以延用系統,或者直接用SaaS,但開車,確得靠人。

供應商也沒有那麼多人。並且,供應商派來的司機,雖然懂車,卻不懂你的路,也不懂你的交通規則,所以,這車也不容易開好。

避坑方法:培養自己的人學會開,最靠譜。甲方內部,一定得要有聰明好學的小夥伴。

第四坑:破車

花了大錢買的車一定是好車?這可真不好說。

行業中的破車挺多的。

一個原因是,甲方不一定有辨識好壞的眼力。很多時候,真到了落地使用的時候,第一次點火啟動,才發現這車有問題。

因為造一輛好車和破車的成本差別實在是太大了。

很多甲方把能否實現某某功能作為好車和破車的主要衡量標準,這絕對是大謬。

沒有任何系統或者工具能夠實現所有你需要的功能,一個好車,有兩個特點,第一,基礎功能做得特別紮實。比如,細分(分群)功能每家數據工具都有,但是水平差異卻特別大的功能。好的細分功能,支持的屬性字段多,可用的規則豐富,背後的演算法也重要,這樣計算速度就快,細分能力也強,實用。不過,功能一旦強大了,看起來就複雜,用起來也不簡單,成本還貴,反而不討喜。

好系統的第二個特點,是能夠靈活配置,除非確實不能解決業務問題,否則只需要依靠配置,而不用二次開發,就能實現針對甲方業務系統的客制化。不好的系統,可能剛好反過來,什麼都要二次開發,否則用不了。但是,有的甲方認為,二次開發就是針對我們的“誠意”,就是好。殊不知,基本功沒有做好,才得不斷地“東拼西湊”、“疊床架屋”。

避坑方法:買車之前得試駕,親自開一開,至少能感受到一些基礎的性能。此外,品牌優劣也很重要,偷偷問問其他甲方先行者們的體驗,或是問問對這塊有研究的中立的專業人士,也很有價值。

第五坑:忽略功能發揮所需要的前提條件

這個坑,不少甲方也都踩過。

比如,過去呼嚨甲方說,我們能搞定Google的數據。但他沒告訴你條件,前提是,數據的應用都必須且只能在Google的生態內。這個條件,其實是很“嚴苛”的。

現在大家都明白了圍牆花園這種“自然現象”,上面的呼嚨肯定沒市場了,但新的局仍然不斷萌生。

最典型的,數據打通。幾乎所有的數據系統都有這個功能。

但數據的打通,需要條件,而不只是靠技術。條件具備了,技術完全不是問題。

條件不具備,而讓技術直接去搞定,今天沒有這樣的可能了。

比如說自己的推薦演算法(推薦引擎)如何如何AI,如何如何天下無敵。其實,這個功能今天也很成熟,但是也需要創造條件才能工作。畢竟其背後是監督學習,要“餵給”機器靠譜的數據,並且要認真告訴機器哪些work,哪些不work。這些條件,都得靠甲方自己去創造,不關數據系統和算法的事情。

有時候,也不一定是供應商非要呼嚨,而是甲方自己沒有搞清楚,想當然,於是供應商也就將錯就錯了。也有時候,是甲方根本就沒有意識到看似理所當然的功能也是要在一定前提下才能發揮作用的。

避坑方法:只能通過學習,學習數據的邏輯,學習目前的技術解決方案的適用範圍和可用場景,學習各種解決方案背後的技術之外的條件。並且,不要嘗試記住常識,而是應該理解常識背後的原理和原因。

第六坑:重解決方案,輕運營

有車,也有司機了,是不是這車就能開穩開好?

不,前面還有一個大坑,一個幾乎所有甲方都沒有做好應對準備的大坑。

即使是數據都清洗了,也有了工具、技術,以及使用工具和技術的人員,並不意味著能夠應用好數據。

解決方案超屌,不代表成功。

因為解決方案必須有用武之地,而用武之地,需要靠甲方設計出具體的應用場景。畢竟,這裡有一個很普遍的誤解,那就是,有了某個超屌的解決方案,就能為我創造過去實現了不了的場景。誤解在於,解決方案是必要條件,但遠不是充分條件。

比如,有了CDP,就能讓我實現過去不可能有過的“千人千面”或“one on one”的消費者溝通與運營。

沒錯,沒有CDP或者類似的東西,確實不能實現千人千面。但是,就算你有CDP,並且有可以熟練操作CDP的員工或服務商,千人千面也不可能就隨之實現。

因為,千人千面的背後,究竟給什麼人以什麼“面”,或者對不同的人傳達什麼信息,以及在什麼時機和場合下傳達,都不是CDP和CDP使用者該負責的。得靠甲方自己,基於自己的目標和約束條件進行設計。CDP不可能預知這些設計,也不會自動產生這些設計。此外,在執行所謂千人千面的過程中,也可能需要不斷調整優化,這些,也都不是CDP等解決方案能自動解決的,照樣要依靠甲方自己的行銷與業務等運營團隊。

如何避坑?記住:業務先於數據,數據先於技術。其次,有了好的解決方案,要比過去更勤快。因為工具強大了,能力和責任心也必須更加強大,才能與之匹配。

第七坑:部門牆

應用數據的目的,本質上,是為了建立障礙更小的組織。但組織內部的障礙,卻反過來會影響數據的應用能力。

畢竟,數據應用要基於數據打通,而數據打通,則將消弭很多組織內部部門之間的資訊不對稱。

對於部門而言,透明化未必是好事,而且很可能對於自己的部門沒有好處,卻為其他部門“做了嫁衣”。

而且數據化可能會改變原本已經很熟稔的工作流程和操作,員工又得重新學習適應,很可能怨聲載道。甚至,不排除令人恐懼的“組織結構優化”。

不建數據系統等死,上數據系統早死。

部門牆的無聲阻撓,最後,會讓數據的應用限於局部、限於孤島、限於不倫不類的半吊子應用。然後被質疑、被推翻,再之後,當下一個時髦風口來臨,又重新開始一個新的系統。如此往復,卻始終難以見到成效。

避坑方法?一個組織的成功和失敗的原因歸根結底是人。數據領域的CEO工程不一定能成功,但不被CEO重視和支持的,注定會失敗。找到共同的利益訴求,做好人心的工作,設計好“不直接受益卻要出力的部門”的激勵。對於有些企業,解決方案也不能僅僅只服務於整個組織的美好未來,同樣要給各個部門“畫好餅”。

第八坑:跟風

數據應用與企業的戰略直接相關。

比如,要活絡自己的庫存流量和用戶,那麼肯定要建立一個描述這些流量和用戶的數據系統,至於它叫CDP,還是叫CRM,或是叫用戶數據庫,反而並不重要。

不過,建立這個系統的邏輯,是從企業的戰略出發的,然後才需要有數據應用的系統。

但,絕對不是因為自己的競爭對手建立了CDP,所以我一定也要建立一個。

同樣,為什麼我一直很擔心數據中心對企業是一劑猛藥。因為,數據中心過於強調自身,強調要為企業建立數據能力,但往往很少強調這些數據能力的出口和應用究竟具體是什麼。把它描述為一個神奇寶盒、包治百病的靈丹妙藥、能夠對接各種需求場景的數據……但問題在於,對於大部分甲方,他們還在迫切地需要搞清楚自己要解決什麼問題的階段,一個大而全的數據中心並不比具體在某一個領域的數據系統更針對、更好用,卻要耗費更多的資源,並有更大的失敗的風險。

避坑方法:不要跟風,在決定建立數據系統或數據中心之前,必須做兩件事情。第一,在建任何數據系統之前,搞清楚數據要應用在哪裡——要做業務上的諮詢,無論是內部“自省式”的諮詢,還是聘請外部的商業諮詢。第二,基於第一步的商業諮詢,做“數據審查”,對現有數據情況,以及數據和數據能力的欠缺做一次評估。基於二者,才可能有中規中矩的規劃,也才有建立成功的數據應用系統的可能。

第九坑:過高期望

數據不是萬能的,對它的期望要合適,但絕對不能過高期望。

數據有很多短板,比如,數據絕對不可能是全面的。有一些消費者的屬性你就是不可能獲得,不會因為你上了所謂的數據平台就能憑白搞定這些數據。很多時候,真正能搞定數據的是依靠運營人員的智慧和努力,工具只是做好了它應該做好的記錄而已。

數據也不見得總是準確的,本來捕獲的就是關於人的數據,而人是如此善變。因此,現實來講,數據系統最終提供的都是概率,而你應用這些系統的好的結果,也是某些業務結果概率的提升。

數據也不見得都是所謂的“資產”。確實有太多的數據,太過於離散、太過於隨機。挖掘這些數據背後的價值,無功而返的情況多得是。

而且,很多很多時候,所謂的大數據,一點也不比小數據更管用,更好用。大數據魚龍混雜模棱兩可,小數據更加精準優質;大數據可能早已過了保質期,但小數據卻更實時更鮮活。

對於應用系統的期望,也應該現實。前面已經說過,很多功能之所以能夠實現的背後,都需要有很多前提條件的滿足。所有功能所針對的應用場景也都非常具體。尤其是跟圍牆花園體系打交道,更有很多的限制。

避坑方法:現實一點,不能給予更多承諾的供應商,也許對你反而是更靠譜的供應商。

第十坑:人才匱乏

這可能是當今唯一一個同時困擾甲方和乙方的麻煩吧。

數據應用,對人的要求太高了,而真正既懂這一塊的知識,又有實作經驗的人才,實在太稀缺了。

要做好數據應用,至少對人才提出了三點要求。

第一,要懂業務。第二,要懂數據。第三,要懂數據應用的系統和工具。

這樣的人太少,一般都不便宜,關鍵是很難找到

於是,退而求其次的解決方法是,找一個懂業務的(尤其是懂運營的),再找一個懂數據的,再找一個熟悉系統和工具的。然後,新的問題來了,這三個角色之間的協同該怎麼做?並且,懂數據的人和懂業務的人合在一起,未必就變成了懂得如何將數據應用在業務上的人。

在絕大多數其他領域,專業化的分工越來越細,但在數據領域,卻越來越強調要能做到懂得更多的跨界領域。這也意味著,這個領域的人才總是很稀少的。

無論對於甲方還是乙方,只要有內行人在,很多坑就能避免。

避坑方法:相比於想辦法讓懂數據的人懂業務,讓懂業務的人懂得數據背後的邏輯和道理似乎要更可行。業務的理解不是書本和理論層面上的理解,而幾乎都只能來自於實踐。從實踐出發,去研究數據如何帶來創新的或者優化的業務實踐,是一個可行的邏輯方向。但反過來,讓懂數據、工具或者技術的人才反過來去深刻理解業務,是有難度的,一個主要的原因,是他們缺乏真正去實踐業務的機會。

十個坑講完了。你們中了幾個呢?