大数据的未来—大数据2.0
大数据的未来不是数值,而是提出更深层次的问题并找出消费者做决策的原因。今天,客户经常问关于大数据的未来,下一步是什么,我们如何利用数据在更深的层面提取有意义的消费者信息来超越我们现在的程度?最标准的答案是从比以往更 多的设备上实时获取数据和分析的能力。的确, 通过家庭,穿着,汽车我们可以收集海量的数据,但是这仅仅只是目前方法的延伸。
数字vs情绪
现在大部分的数据收集都是数值或二进制。数据告诉我们如果有人进入到一个网站,浏览到什么程度 ,多长时间,关注点在哪,但数据没有告诉我们为什么。我相信大数据的未来,大数据2.0——不是关于二进制和数值,而是提出更深层次的问题。大数据2.0 应该不仅是关注于在哪和什么,而且也关注回答为什么。大数据2.0应该关注于更好的理解消费者的情绪状态和决策逻辑,从而提供更深入的理解消费者的选择。 如果我们关注于原因,而不是多久,我们可以在消费者和品牌之间创建更有意义、更高质量的联系。换句话说,虽然数据是一个伟大的性能指标,但是只关注他们就 意味着品牌会错失一部分人性因素。
以亚马逊数据为例。亚马逊拥有海量的数值指标。其数据可以告诉我们销售数量,客户参与度和客户满意度。这些都是伟大的指标,但他们仍然非常简单,并且只是一小部分。
假设我们是一家消费品公司,我们想引入一个新的尿布产品进入市场。我们决定看看亚马逊为了更好地理解哪些产品是市场领袖(销售排名和销售数量),消费者喜 欢产品本身的程度(评论)。如果我们在所有尿布产品中分析这些指标,我们有一个大数据1.0图片,告诉我们到底是谁卖的最多,消费者最喜欢的是什么。然而 在大数据2.0中这是不够的,大数据2.0需要知道原因:为什么这个产品卖的最多?为什么它有5星评价?
解决方案
对我们来说, 开始创建大数据2.0最容易的方法是每天收集非结构化数据。这可以是评论、客户反馈电子邮件、社区论坛,甚至是自己的CRM系统。着眼于这个数据最简单的方法是通过文本分析。
文本分析是一个相当简单的过程:
1、收集:收集要分析的原始数据;
2、转换和预处理:转换数据的格式,让它更容易阅读;
3、改进:通过添加额外的数据点优化数据;
4、加工:进行具体分析和数据分类;
5、频数分析:评估结果并转化成数值指标;
6、获取:实际提取信息。
这是一个使用上述方法的真实应用。我们试图了解尿布市场。假设我们已经收集了所有尿布的评论以及它们的定性指标。这意味着我们知道什么最好卖,什么排名最 好/最差。为了在下一层里采用这些,我们将开始从评论中提取词汇和短语。这会告诉我们一些重复出现的信息及评论的频数分析。实际上执行这个分析通过评估成 千上万的评论并且发现四个可行的见解。没有文本分析,我们不会得到这些。
1、为什么销售得那么好
当看着最畅销产品的评论,发现在大多数有用的评论中提到最多的关键词是“价格”“特点”和“价值”。这告诉我们,除了产品的定价,人们不买它也因为它的质量和功能特点。所以当我们推出我们的产品,我们会注意价格/价值导向,而不仅仅是功能特点。
2、为什么人们不喜欢它
这是一个很有启迪作用的问题。最多负面评论的品牌有极高频率的关键词“胶带”,“粘贴”,“保持关闭,”和“打开”。在一些读取后,消费者在尿布的通常关 键性特征如“吸收性”,“泄漏”,或“柔软”,上没有问题,但实际上对尿布一面的胶带,和它保持打开状态上有问题。大量的负面评论提到这些问题让我们相 信,这是一个特性,品牌不注意但消费者关心。因此,我们建议采取测试广告,解决这一问题。
3、智能过滤
这里有一个有趣的问题,很多负面评论并不是关于实际的产品,而是关于物流、库存和包装的问题。通过标记和删除这些设置,可以在纯粹的产品层面做出评价为了 相关产品的关注点。如果我们在亚马逊展示我们的尿布,我们建议在页面显著位置上增加物流和库存水平保证——这是一个竞争优势,直接消除消费者的担忧。
4、他们想要什么
从研发的角度来看,这是一个黄金观点。通过评估审查一些关键词像“我希望”,“希望”或“他们应该”,我们能够发觉消费者的共同特点当他们寻找尿布的时 候。这些都是伟大的见解,解决消费者不断变化的需要。我们可以将这些产品特性提供给研发团队以及广告文案。
正如你所看到的, 仅仅只是在亚马逊分析尿布的种类,大数据2.0的分析就超过了二进制性能指标。我们可以看到人群的最爱,但还不知道购买背后的“为什么”, 直到运用了文本分析才了解正面或负面评论。有无数的消费者信息可以从文本挖掘,非结构化数据带给我们消费者的声音,动机,和购买行为的深层理解。
开始着眼于现有的数据,导出CRM,检查评论,网站或在主题论坛提到的产品,甚至是销售部门的电子邮件收件箱。这是大数据2.0的时代。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14